Russian Journal of Management Russian Journal of Management Russian Journal of Management 2409-6024 2500-1469 116476 10.29039/2409-6024-2026-14-2-135-148 Финансовый менеджмент Financial management Финансовый менеджмент SURROGATE INDEX AS AN INNOVATIVE TOOL FOR STRATEGIC CONTROL: BRIDGING THE TIME GAP IN MANAGERIAL DECISION-MAKING СУРРОГАТНЫЙ ИНДЕКС КАК ИННОВАЦИОННЫЙ ИНСТРУМЕНТ СТРАТЕГИЧЕСКОГО КОНТРОЛЯ: ПРЕОДОЛЕНИЕ ВРЕМЕННОГО РАЗРЫВА В ПРИНЯТИИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ Шапуров Александр Александрович Shapurov Alexandr Alexandrovich a.shapurov@melsu.ru

доктор экономических наук;

doctor of economic sciences;

 Шапурова Елена Александровна Shapurova Elena Alexandrovna shapurova_e@inbox.ru

кандидат экономических наук;

candidate of economic sciences;

 ФГБОУ ВО "Мелитопольский государственный университет" г. Мелитополь Россия Federal State Budgetary Educational Institution of Higher Education "Melitopol State University" Melitopol Russian Federation Независимый исследователь г. Мелитополь Россия Independent Researcher Melitopol Russian Federation 26 03 2026 26 03 2026 14 2 135 148 03 03 2026 https://build-pro.editorum.ru/en/nauka/article/116476/view

В условиях высокой волатильности рынков и цифровой трансформации бизнес-процессов особую актуальность приобретает проблема временного лага между реализацией стратегических инициатив и получением доказательной оценки их эффективности. Статья посвящена разработке и теоретическому обоснованию концептуальной схемы применения суррогатного индекса как системного научно-практического подхода для принятия оперативных корпоративных решений. Авторами выявлено фундаментальное противоречие между долгосрочным характером современных стратегий и ретроспективной природой классических систем KPI, что зачастую приводит к возникновению «суррогатного парадокса». В основе предлагаемого подхода лежит методология каузального вывода и использования направленных ациклических графов для визуализации каналов передачи управленческого эффекта. Основным результатом исследования является формализация двухуровневой архитектуры управления «Суррогат – Стратегия», разделенной на два взаимосвязанных контура. Контур обучения базируется на анализе исторических данных для построения суррогатной функции h(S), тогда как контур оперативного воздействия позволяет предиктивно оценивать эффект в текущих экспериментах без ожидания наступления долгосрочных результатов. Для повышения точности прогнозирования предложено использование метода латентных представлений на базе вариационных автокодировщиков, что позволяет учитывать скрытые детерминанты успеха и нивелировать влияние «шумных» данных. Доказано, что применение разработанного подхода способствует сокращению цикла управленческой обратной связи при сохранении точности до 95%. В работе представлен классификатор прикладных задач и выделены ключевые домены корпоративного управления (HR, маркетинг, финансы, ESG), в которых внедрение суррогатного индекса обеспечивает переход к доказательному математическому моделированию стратегии.

In the context of increasing market volatility and the digital transformation of business processes, the problem of the time lag between the implementation of strategic initiatives and the acquisition of an evidence-based assessment of their effectiveness has become particularly relevant. This article is devoted to the development and theoretical substantiation of a conceptual scheme for applying the surrogate index as a systematic scientific and practical approach for making operational corporate decisions. The authors identify a fundamental contradiction between the long-term nature of modern strategies and the retrospective nature of classical KPI systems, which often leads to the emergence of the "surrogate paradox". The proposed approach is based on the methodology of causal inference and the use of directed acyclic graphs to visualize the channels of managerial effect transmission. The primary result of the study is the formalization of a two-level management architecture, "Surrogate – Strategy," divided into two interconnected loops. The Learning Loop is based on the analysis of historical data to construct a surrogate function $h(S)$, while the Execution Loop allows for the predictive evaluation of effects in current experiments without waiting for long-term outcomes. To improve forecasting accuracy, the use of the Latent Surrogate Representation method based on variational autoencoders is proposed, which allows for accounting for hidden determinants of success and neutralizing the influence of "noisy" data. It is proven that the application of the developed approach contributes in the management feedback cycle while maintaining an accuracy of up to 95%. The paper presents a classifier of applied tasks and highlights key domains of corporate management (HR, marketing, finance, ESG) where the implementation of the surrogate index ensures a transition to evidence-based mathematical strategy modeling.

 суррогатный индекс стратегический контроль каузальный вывод принятие управленческих решений суррогатный парадокс корпоративное управление предиктивная аналитика машинное обучение surrogate index strategic control causal inference managerial decision-making surrogate paradox corporate management predictive analytics machine learning

Athey, S. The Surrogate Index: Combining Short-Term Proxies to Estimate Long-Term Treatment Effects more Rapidly and Precisely [Text] / S. Athey, R. Chetty, G. W. Imbens, H. Kang // Review of Economic Studies. – 2025. – DOI: 10.1093/restud/rdaf087. Athey S., Chetty R., Imbens G. W., Kang H. The Surrogate Index: Combining Short-Term Proxies to Estimate Long-Term Treatment Effects more Rapidly and Precisely. Review of Economic Studies, 2025. DOI: 10.1093/restud/rdaf087. Bibaut, A. Long-term causal inference with imperfect surrogates using many weak experiments, proxies, and cross-fold moments [Electronic resource] / A. Bibaut, N. Kallus, S. Ejdemyr, M. Zhao // arXiv preprint arXiv:2311.04657. – 2023. Bibaut A., Kallus N., Ejdemyr S., Zhao M. Long-term causal inference with imperfect surrogates using many weak experiments, proxies, and cross-fold moments. arXiv preprint arXiv:2311.04657, 2023. Cai, R. Long-term causal effects estimation via latent surrogates representation learning [Electronic resource] / R. Cai, W. Chen, Z. Yang [et al.] // arXiv preprint arXiv:2208.04589. – 2023. Cai R., Chen W., Yang Z., et al. Long-term causal effects estimation via latent surrogates representation learning. arXiv preprint arXiv:2208.04589, 2023. de Luna, X. Proxy variables and nonparametric identification of causal effects [Text] / X. de Luna, P. Fowler, P. Johansson // Economics Letters. – 2017. – Vol. 150. – P. 152–154. – DOI: 10.1016/j.econlet.2016.11.018. de Luna X., Fowler P., Johansson P. Proxy variables and nonparametric identification of causal effects. Economics Letters, 2017, vol. 150, pp. 152–154. DOI: 10.1016/j.econlet.2016.11.018. Kuang, K. Causal inference [Text] / K. Kuang, L. Li, Z. Geng [et al.] // Engineering. – 2020. – Vol. 6. – P. 253–263. – DOI: 10.1016/j.eng.2019.08.016. Kuang K., Li L., Geng Z., et al. Causal inference. Engineering, 2020, vol. 6, pp. 253–263. DOI: 10.1016/j.eng.2019.08.016. VanderWeele, T. J. Surrogate measures and consistent surrogates [Text] / T. J. VanderWeele // Biometrics. – 2013. – Vol. 69, no. 3. – P. 561–569. – DOI: 10.1111/biom.12071. VanderWeele T. J. Surrogate measures and consistent surrogates. Biometrics, 2013, vol. 69, no. 3, pp. 561–569. DOI: 10.1111/biom.12071. Witherell, P. Surrogate modeling of microstructure prediction in additive manufacturing [Text] / P. Witherell, S. Mahadevan, P. Nath, A. Senthilnathan // Computational Materials Science. – 2024. – Vol. 247. – Art. 113536. – DOI: 10.1016/j.commatsci.2024.113536. Witherell P., Mahadevan S., Nath P., Senthilnathan A. Surrogate modeling of microstructure prediction in additive manufacturing. Computational Materials Science, 2024, vol. 247, art. 113536. DOI: 10.1016/j.commatsci.2024.113536. Zhang, V. Evaluating the surrogate index as a decision-making tool using 200 A/B tests at Netflix [Electronic resource] / V. Zhang, M. Zhao, A. Le [et al.] // arXiv preprint arXiv:2311.11922. – 2024. Zhang V., Zhao M., Le A., et al. Evaluating the surrogate index as a decision-making tool using 200 A/B tests at Netflix. arXiv preprint arXiv:2311.11922, 2024. Zeng, Z. Continuous Treatment Effects with Surrogate Outcomes [Electronic resource] / Z. Zeng, D. Arbour, A. Feller, R. Addanki, R. Rossi, R. Sinha, E. H. Kennedy // arXiv preprint arXiv:2402.00168. – 2024. – 30 p. – DOI: 10.48550/arXiv.2402.00168. Zeng Z., Arbour D., Feller A., Addanki R., Rossi R., Sinha R., Kennedy E. H. Continuous Treatment Effects with Surrogate Outcomes. arXiv preprint arXiv:2402.00168, 2024, 30 p. DOI: 10.48550/arXiv.2402.00168. Hung, T.-C. The Proximal Surrogate Index: Long-Term Treatment Effects under Unobserved Confounding [Electronic resource] / T.-C. Hung, Y.-C. Chen // arXiv preprint arXiv:2601.17712. – 2026. – DOI: 10.48550/arXiv.2601.17712. Hung T.-C., Chen Y.-C. The Proximal Surrogate Index: Long-Term Treatment Effects under Unobserved Confounding. arXiv preprint arXiv:2601.17712, 2026. DOI: 10.48550/arXiv.2601.17712.