Sun’iy Intellekt va Raqamli Iqtisodiyot

yechimlarini (masalan, avtomatlashtirilgan to‘lov va kassa tizimlari) joriy etish orqali kichik biznes sub’ektlarining operatsion xarajatlari o‘rtacha 12-15% ga kamayishi, mijozlarni jalb qilish samaradorligi esa 22% ga oshishi kutilmoqda. Xulosa va amaliy takliflar. Orol bo‘yi mintaqasida xizmat ko‘rsatish sohasini innovatsion boshqarishning tashkiliy-iqtisodiy mexanizmlarini takomillashtirish maqsadida quyidagilar taklif etiladi:"Orol-FinTech Hub" ushbu markaz qoshida chekka tumanlardagi yosh tadbirkorlar uchun 'Raqamli mentorlik' tizimini yo‘lga qo‘yishni taklif qilamiz. Bu orqali faqat markazlarda emas, balki eng chekka ovullarda ham servis sifati yaxshilanadi." innovatsion markazini tashkil etish. Bu markaz tadbirkorlarga raqamli to‘lov tizimlarini o‘rgatadi va moliyaviy maslahatlar beradi.Sohaviy Cloud-Menejment: Kichik tadbirkorlar uchun arzon bulutli boshqaruv dasturlarini (SaaS modelida) ishlab chiqish va joriy etish.Kadrlar tayyorlash: Oliy ta’lim tizimida, xususan, menejment yo‘nalishida "Raqamli biznes tahlili" fanlarini chuqurlashtirilgan holda o‘qitish. Xulosa qilib aytganda, raqamli iqtisodiyot va FinTech — Orol bo‘yi mintaqasini iqtisodiy turg‘unlikdan olib chiquvchi va xizmatlar bozorini xalqaro standartlarga yetkazuvchi asosiy vositadir. Foydalanilgan adabiyotlar: 1. Mirziyoyev Sh.M. "Yangi O‘zbekiston strategiyasi". - T.: "O‘zbekiston", 2021. 2. Vahabov A.V., Tojiboyeva Sh.A. "Raqamli iqtisodiyot". Darslik. - T.: 2022. 3. Law J. "Digital Transformation in Services". Journal of Management and Economics, 2023. 4. Qoraqalpog‘iston Respublikasi Statistika agentligi ma’lumotlari: "Hududning ijtimoiy-iqtisodiy holati" statistik to‘plami. - Nukus, 2024. VAQTLI QATORLAR TAHLILIGA KIRISH. STATSIONERLIK VA AVTOKORREKYATSIYA FUNKSIYA Xakimova Ma’mura Muxammadiyevna, SamISI “Oliy matematika” kafedrasi assistenti, Email: mamurah1983@gmail.com Jo‘raxolov Husan Zokirjon o‘g‘li, SamISI Buxgalteriya hisobi va menejment fakulteti talabasi Email: husanjoraxolov7@gmail.com Annotatsiya. Ushbu akademik maqola vaqtli qatorlar tahliliga kirish, xususan, statsionarlik tushunchasi va avtokorrelyatsiya funksiyasini (ACF) chuqur o‘rganishga bag‘ishlangan. Maqolada vaqtli qatorlarning ta’rifi, uning asosiy komponentlari va dastlabki vizual tahlil metodlari yoritilgan. Statsionarlikning vaqtli qator modellashtirishidagi fundamental ahamiyati, uning turlari va tekshirish usullari, shu jumladan vizual inspeksiya va birlik ildiz testlari batafsil ko‘rib chiqiladi. Shuningdek, avtokorrelyatsiya funksiyasi (ACF) va qisman avtokorrelyatsiya funksiyasi (PACF) ning nazariy asoslari, hisoblash prinsiplari hamda ularni statsionarlikni aniqlash va mos AR, MA yoki ARIMA modellarini identifikatsiya qilishdagi rolini tushuntirish asosiy diqqat markazida bo‘ladi. Maqola vaqtli qatorlar tahlilining nazariy va amaliy jihatlariga oid fundamental bilimlar bazasini kengaytirishni maqsad qilgan. Kalit so‘zlar: Vaqtli qatorlar, Statsionarlik, Avtokorrelyatsiya, Qisman avtokorrelyatsiya, Birlik ildiz testlari, Model identifikatsiyasi, Ekonometrika 819

Abstract. This academic article is dedicated to an introduction to time series analysis, specifically a deep study of the concept of stationarity and the autocorrelation function (ACF). The article covers the definition of time series, its main components, and initial visual analysis methods. The fundamental importance of stationarity in time series modeling, its types, and testing methods, including visual inspection and unit root tests, are discussed in detail. Furthermore, the theoretical foundations, calculation principles, and role of the autocorrelation function (ACF) and partial autocorrelation function (PACF) in identifying stationarity and appropriate AR, MA, or ARIMA models will be the main focus. The article aims to expand the fundamental knowledge base regarding the theoretical and practical aspects of time series analysis. Keywords: Time series, Stationarity, Autocorrelation, Partial autocorrelation, Unit root tests, Model identification, Econometrics Аннотация. Эта академическая статья посвящена введению в анализ временных рядов, в частности, глубокому изучению понятия стационарности и функции автокорреляции (ACF). В статье освещены определение временных рядов, их основные компоненты и методы предварительного визуального анализа. Подробно рассмотрены фундаментальное значение стационарности в моделировании временных рядов, ее типы и методы проверки, включая визуальный осмотр и тесты на единичные корни. Также основное внимание уделяется объяснению теоретических основ, принципов расчета и роли функции автокорреляции (ACF) и частичной функции автокорреляции (PACF) в определении стационарности и идентификации подходящих моделей AR, MA или ARIMA. Статья направлена на расширение фундаментальной базы знаний по теоретическим и практическим аспектам анализа временных рядов. Ключевые слова: Временные ряды, Стационарность, Автокорреляция, Частичная автокорреляция, Тесты на единичные корни, Идентификация модели, Эконометрика. Kirish. Vaqtli qatorlar tahlili (VQT) iqtisodiyot, moliya, meteorologiya, tibbiyot, muhandislik va boshqa ko‘plab sohalarda ma’lumotlarni tushunish, bashorat qilish va qaror qabul qilishda tobora muhim ahamiyat kasb etmoqda. Vaqt bo‘ylab ma’lum bir ketma-ketlikda yig‘ilgan ma’lumotlar to‘plami bo‘lgan vaqtli qatorlar nafaqat o‘tmishdagi hodisalarni aks ettiradi, balki kelajakdagi tendensiyalar va xatti-harakatlarni taxmin qilish uchun ham kuchli vosita bo‘lib xizmat qiladi. Masalan, YAIM o‘sish sur’atlari, valyuta kurslari, harorat o‘zgarishlari yoki kasallik tarqalishi kabi hodisalar vaqtli qatorlar sifatida tahlil qilinadi. VQT ning asosiy maqsadi — qatorning ichki strukturasini aniqlash, ya’ni trend, mavsumiylik, sikllar va tasodifiy komponentlarni ajratish hamda ulardan foydalanib kelajakdagi qiymatlarni ilmiy asoslangan holda bashorat qilishdir. Ushbu maqola vaqtli qatorlar tahlilining fundamental tushunchalari, xususan, statsionarlik va avtokorrelyatsiya funksiyalariga bag‘ishlangan. Mazkur tushunchalar vaqtli qator modellarini shakllantirish va tahlil qilishning ajralmas qismi hisoblanadi. Maqolaning asosiy maqsadi — vaqtli qatorlarning asosiy ta’riflarini berish, statsionarlikning nazariy asoslarini va uning ahamiyatini tushuntirish, statsionarlikni tekshirish usullarini ko‘rib chiqish, shuningdek, avtokorrelyatsiya funksiyasi (ACF) va qisman avtokorrelyatsiya funksiyasi (PACF) ning hisoblash prinsiplari va ularni amaliyotda talqin qilish usullarini atroflicha yoritishdan iborat. Bu tushunchalarni chuqur tushunish vaqtli qatorlar modellashining keyingi bosqichlari, xususan, Avtoregressiv (AR), Harakatlanuvchi 820

O‘rtacha (MA) va Avtoregressiv Harakatlanuvchi O‘rtacha (ARIMA) modellarini samarali qo‘llash uchun mustahkam poydevor yaratadi. Adabiyotlar sharhi. Vaqtli qatorlar tahlili ekonometrika va statistik fanlarning asosiy yo‘nalishlaridan biri bo‘lib, ushbu sohada juda ko‘plab nazariy va amaliy ishlar yaratilgan. Umumiy adabiyotlar tahlili shuni ko‘rsatadiki, vaqtli qatorlar tahlili bo‘yicha ko‘plab darsliklar va monografiyalar mavjud bo‘lib, ular ichida Robert Yule (1926) ning avtoregressiv jarayonlar bo‘yicha kashfiyoti, George Box va Gwilym Jenkins (1970) tomonidan ishlab chiqilgan ARIMA modellarini identifikatsiya qilish, baholash va diagnostika qilish metodologiyasi ayniqsa fundamental ahamiyatga ega. Ushbu klassik ishlar statsionarlik, avtokorrelyatsiya va qisman avtokorrelyatsiya funksiyalariga chuqur e’tibor qaratadi. O‘zbekiston ilmiy muhitida ham vaqtli qatorlar tahlili bo‘yicha bir qator materiallar mavjudligi kuzatiladi. Masalan, Scribd platformasida "Vaqt Qatorlari Tahlili" [1], "Vaqtli Qatorlar" [2] va "Ekonometrika Yakuniy Javoblari" [6] kabi nomlar ostida e’lon qilingan hujjatlar mavzuning dolzarbligini ko‘rsatadi. Ushbu manbalar ekonometrika va vaqtli qatorlar tahlili bo‘yicha talabalar va tadqiqotchilar uchun o‘quv-uslubiy qo‘llanmalar sifatida xizmat qilishi mumkin. Biroq, taqdim etilgan ma’lumotlar faqatgina hujjatlarning meta-ma’lumotlari (sarlavhasi, sahifalar soni, ko‘rishlar soni) bilan cheklangan bo‘lib, ularning ichki mazmuni, aniq tadqiqot topilmalari yoki metodologik yondashuvlari haqida batafsil tahlil qilish imkonini bermaydi. Shuning uchun, ushbu adabiyotlar tahlili umumiy nazariy asoslar va tan olingan usullar doirasida olib boriladi, mavjud lokal manbalarning konkret natijalariga asoslanish imkoniyati cheklangan. Shunga qaramay, mazkur maqolada Box-Jenkins metodologiyasining asosiy ustunlari bo‘lmish statsionarlik va avtokorrelyatsiya funksiyalariga alohida e’tibor qaratilgan bo‘lib, ular vaqtli qatorlar tahlilida har qanday murakkab model qurishdan oldin tushunilishi shart bo‘lgan fundamental qadamlardir. Mavjud ma’lumotlar bazasidan foydalangan holda, maqola ushbu tushunchalarni akademik talablarga mos tarzda va chuqur ilmiy asosda tushuntirishni maqsad qilgan. Tadqiqot metodologiyasi. Ushbu tadqiqot metodologiyasi vaqtli qatorlar tahlilining fundamental tushunchalarini nazariy jihatdan o‘rganish va ularni ilmiy asosda tushuntirishga qaratilgan. Bunda asosiy e’tibor statsionarlik, avtokorrelyatsiya funksiyasi (ACF) va qisman avtokorrelyatsiya funksiyasi (PACF) kabi tushunchalarning matematik asoslari, ularni hisoblash prinsiplari va amaliy talqin qilish usullariga qaratilgan. Tadqiqot deskriptiv va konsepsual tahlilga tayanadi, ma’lumotlar to‘plash yoki empirik modellashtirishni o‘z ichiga olmaydi. Vaqtli qator – bu vaqt bo‘ylab ma’lum bir tartibda yig‘ilgan kuzatuvlar to‘plami bo‘lib, har bir kuzatuv o‘ziga xos vaqt nuqtasiga mos keladi. Rasmiyroq qilib aytganda, bu {yt}T t=1 ko‘rinishidagi ketma-ketlik bo‘lib, bu yerda yt - t vaqtidagi o‘lchov natijasi, T esa kuzatuvlar soni. Vaqtli qatorlar odatda bir nechta komponentlardan tashkil topadi: 821

Trend: Bu qatorning uzoq muddatli o‘sish yoki pasayish yo‘nalishini aks ettiruvchi komponentdir. Mavsumiylik: Bu komponent ma’lum bir vaqt oralig‘ida (masalan, har yili, har chorakda, har oyda) muntazam takrorlanadigan naqshlarni bildiradi. Sikliklik: Bu komponent mavsumiylikdan farqli o‘laroq, muntazam intervalga ega bo‘lmagan, lekin uzoq muddatli tebranishlarni (odatda iqtisodiy sikllar) ifodalaydi. Tasodifiy shovqin (anomalik): Bu komponent yuqorida sanab o‘tilganlardan tashqari, qatordagi barcha tartibsiz va oldindan aytib bo‘lmaydigan o‘zgarishlarni o‘z ichiga oladi. Dastlabki vizual tahlil vaqtli qatorlar tahlilining muhim boshlang‘ich bosqichidir. Bu qatorning xususiyatlarini, jumladan trend, mavsumiylik yoki noodatiy qiymatlarni aniqlashga yordam beradi. Qatorning chiziqli grafigi (run sequence plot) vaqtli qatorning umumiy xatti-harakatini, o‘rtacha qiymatining o‘zgarishini, dispersiyasini va mavsumiy naqshlarni vizual ravishda baholash imkonini beradi. Grafikda yuqoriga yoki pastga yo‘nalishdagi doimiy harakat trendni, har yili bir xil shaklda takrorlanadigan tebranishlar esa mavsumiylikni ko‘rsatishi mumkin. Statsionarlik vaqtli qatorlar tahlilining fundamental tushunchasi bo‘lib, u vaqtli qatorning statistik xususiyatlari (o‘rtacha qiymat, dispersiya va avtokorrelyatsiya tuzilishi) vaqt o‘tishi bilan o‘zgarmasligini bildiradi. Boshqacha aytganda, statsionarlik holatida qatorning xususiyatlari vaqt bo‘ylab doimiy bo‘lib qoladi, bu esa kelajakdagi xatti-harakatlarni bashorat qilish uchun tarixiy ma’lumotlardan foydalanish imkonini beradi. Nima uchun statsionarlik muhim? Modelning ishonchliligi: Ko‘pgina vaqtli qator modellari, masalan, AR, MA, ARIMA, statsionarlik faraziga asoslanadi. Statsionar bo‘lmagan qatorlar bilan ishlashda ushbu modellar noto‘g‘ri natijalar berishi yoki umuman qo‘llanilmasligi mumkin. Parametrlarni baholash: Statsionarlik modellar parametrlari bahosining izchilligi va samaradorligini ta’minlaydi. Statsionar bo‘lmagan qatorlarda regresiya natijasida "soxta regresiya" (spurious regression) paydo bo‘lishi mumkin, ya’ni statistik jihatdan muhim, ammo aslida ma’nosiz bog‘liqliklar aniqlanishi mumkin. Bashorat qilish: Statsionar qatorlar uchun bashoratlar ancha ishonchli va barqaror bo‘ladi, chunki qatorning o‘tmishdagi statistik xususiyatlari kelajakda ham saqlanib qolishi kutiladi. Kuchli (qat’iy) statsionarlik: Bu holatda vaqtli qatorning har qanday sonli kuzatuvlar to‘plamining birgalikdagi taqsimoti vaqt bo‘ylab doimiy bo‘lib qoladi. Ya’ni, {yt}t=1 va {yt+k}t=1 qatorlarning taqsimotlari har qanday k o‘zgarish uchun bir xil bo‘ladi. Bu eng qat’iy talabdir. a. O‘rtacha qiymat vaqt bo‘ylab doimiy bo‘ladi: E[yt] = μ (o‘zgarmas). b. Dispersiya vaqt bo‘ylab doimiy bo‘ladi: Var[yt] = σ² (o‘zgarmas). 822

c. Avtokovariatsiya funksiyasi faqat vaqt oralig‘iga (lag) bog‘liq bo‘ladi, vaqtning o‘ziga emas: Cov[yt, yt-k] = γk (faqat k ga bog‘liq). Statsionar bo‘lmagan qatorlar bilan ishlashda ularni statsionar holatga keltirish (odatda differensiallash orqali) muhim qadamdir. Statsionarlikni tekshirish uchun bir qator usullar mavjud: Vizual inspeksiya: Bu eng oddiy va tezkor usuldir. a. Chiziqli grafik (run sequence plot): Agar grafikda aniq o‘suvchi yoki pasayuvchi trend, yoki o‘zgaruvchan dispersiya (masalan, vaqt o‘tishi bilan tebranishlar amplitudasi ortishi) kuzatilsa, qator statsionar emas. Mavsumiy naqshlar ham statsionar emaslikni ko‘rsatishi mumkin, ularni bartaraf etish uchun mavsumiy differensiallash talab qilinadi. b. Avtokorrelyatsiya funksiyasi (ACF) grafigi: Statsionar qatorlar uchun ACF tezda nolga yaqinlashadi, statsionar bo‘lmagan qatorlar uchun esa sekin pasayadi yoki umuman pasaymaydi. Birlik ildiz testlari: Bu statistik gipoteza testlari bo‘lib, ular qatorda birlik ildiz mavjudligini tekshiradi. Birlik ildiz qatorning statsionar emasligini (odatda trend statsionarligini) ko‘rsatadi. Eng keng tarqalgan birlik ildiz testlari quyidagilardir: a. Kengaytirilgan Diki-Fuller (Augmented Dickey-Fuller - ADF) testi: Bu test nol gipoteza (H0) sifatida qatorda birlik ildiz mavjudligini (ya’ni qator statsionar emas) va muqobil gipoteza (H1) sifatida birlik ildiz yo‘qligini (ya’ni qator statsionar) qabul qiladi. Test natijasi p-qiymat orqali talqin qilinadi. Agar pqiymat belgilangan ahamiyatlilik darajasidan (masalan, 0.05) kichik bo‘lsa, nol gipoteza rad etiladi va qator statsionar deb hisoblanadi. b. Kwiatkowski-Phillips-Schmidt-Shin (KPSS) testi: ADF testidan farqli o‘laroq, KPSS testining nol gipotezasi qator statsionar ekanligini, muqobil gipotezasi esa qator statsionar emasligini bildiradi. Bu test statsionarlikning aniqroq isbotini izlaydi. c. Philips-Perron (PP) testi: Bu test ham ADF testiga o‘xshash bo‘lib, birlik ildiz mavjudligini tekshiradi, ammo u heteroskedastiklikka nisbatan mustahkamroq hisoblanadi. Avtokorrelyatsiya va qisman avtokorrelyatsiya funksiyalari vaqtli qator tahlilida qatorning ichki tuzilishini, xususan, uning o‘z-o‘ziga bog‘liqlik darajasini aniqlash uchun ishlatiladigan asosiy vositalardir. PACF ni hisoblash murakkabroq bo‘lib, rekursiv usullar yoki Yule-Walker tenglamalari orqali amalga oshiriladi. ACF va PACF diagrammalari nafaqat statsionarlikni vizual tekshirish, balki Box-Jenkins metodologiyasida ARIMA (p, d, q) modelining AR (p) va MA (q) qismlarining tartibini (p va q) identifikatsiya qilish uchun ham fundamental ahamiyatga ega. Statsionar bo‘lmagan qatorlar uchun: ACF grafigi odatda sekin pasayadi, hatto ko‘plab kechikishlardan keyin ham yuqori qiymatlarni saqlab qoladi. Bu qatorda trend yoki birlik ildiz mavjudligidan dalolat beradi. Bunday holda, qatorni 823

statsionar holatga keltirish uchun bir yoki bir nechta differensiallash (d qiymati) talab qilinadi. PACF esa bunday qatorlar uchun bitta yoki ikkita ahamiyatli cho‘qqini ko‘rsatishi mumkin. Statsionar qatorlar uchun: ACF grafigi nisbatan tezda nolga pasayadi va ishonch oralig‘idan tashqariga chiqmaydi. AR(p) modeli (Avtoregressiv model): Joriy qiymat o‘tmishdagi o‘z qiymatlari bilan bog‘liq. ACF grafigi: Eksponensial tarzda yoki sinusoidal tarzda nolga pasayadi (sekin pasayadi). PACF grafigi: p-kechikishdan so‘ng birdaniga nolga keskin tushib ketadi (cut-off). Bu p qiymati AR qismining tartibini ko‘rsatadi. MA(q) modeli (Harakatlanuvchi o‘rtacha modeli): Joriy qiymat o‘tmishdagi tasodifiy xatolar bilan bog‘liq. ACF grafigi: q-kechikishdan so‘ng birdaniga nolga keskin tushib ketadi (cutoff). Bu q qiymati MA qismining tartibini ko‘rsatadi. PACF grafigi: Eksponensial tarzda yoki sinusoidal tarzda nolga pasayadi (sekin pasayadi). ARIMA(p, d, q) modeli: Agar qator statsionar bo‘lmasa, uni differensiallash orqali statsionar holatga keltiriladi. d differensiallash darajasini bildiradi. Differensiallashdan so‘ng, hosil bo‘lgan statsionar qator uchun ACF va PACF diagrammalari tahlil qilinadi va yuqoridagi AR(p) yoki MA(q) naqshlariga asoslanib p va q tartiblari aniqlanadi. ACF va PACF diagrammalarini tahlil qilish vaqtli qator modellarini shakllantirishda muhim qadamdir. Ular modelning dastlabki spetsifikatsiyasini, ya’ni modellik komponentlarining (AR, MA) tartiblarini aniqlashga yordam beradi. Garchi bu vizual tahlil subyektiv bo‘lishi mumkin bo‘lsa-da, u modellashtiruvchiga eng mos keladigan modellarni tanlash uchun qimmatli boshlang‘ich nuqta beradi. Xulosa. Ushbu maqolada vaqtli qatorlar tahlilining asosiy tushunchalariga kirish, xususan, statsionarlik fenomeni va avtokorrelyatsiya funksiyalari chuqur tahlil qilindi. Vaqtli qatorlarning ta’rifi, uning asosiy komponentlari (trend, mavsumiylik, sikllik, shovqin) va dastlabki vizual tahlilning ahamiyati yoritildi. Statsionarlikning vaqtli qator modellashtirishidagi fundamental roli, uning kuchli va kuchsiz turlari hamda uni tekshirishning vizual va statistik (birlik ildiz testlari: ADF, KPSS, PP) usullari batafsil ko‘rib chiqildi. Eng muhimi, maqolada avtokorrelyatsiya funksiyasi (ACF) va qisman avtokorrelyatsiya funksiyasi (PACF) ning nazariy asoslari, ularni hisoblash prinsiplari va diagrammalarni talqin qilish metodlari atroflicha tushuntirildi. Ushbu diagrammalarning nafaqat statsionarlikni aniqlash, balki Box-Jenkins metodologiyasida AR, MA yoki ARIMA modellarining mos tartiblarini (p va q) identifikatsiya qilishdagi hal qiluvchi ahamiyati ta’kidlandi. ACF va PACF diagrammalaridagi o‘ziga xos naqshlar orqali AR va MA komponentlarini ajratish 824

mumkinligi ko‘rsatildi, bu esa samarali vaqtli qator modelini qurish uchun zaruriy dastlabki bosqichdir. Xulosa qilib aytganda, statsionarlikni tushunish va ACF/PACF diagrammalarini to‘g‘ri talqin qilish vaqtli qatorlar tahlilining har qanday mutaxassisi uchun asosiy ko‘nikmalardan hisoblanadi. Bu bilimlar nafaqat o‘tmishdagi ma’lumotlardagi naqshlarni ochib beradi, balki kelajakdagi tendensiyalarni ishonchli bashorat qilish uchun mustahkam poydevor yaratadi. Kelajakdagi tadqiqotlar vaqtli qatorlar tahlilining murakkabroq jihatlariga, masalan, GARCH modellariga, Vektorli Avtoregressiv (VAR) modellariga, kointegratsiya tahliliga va vaqtli qatorlarda sabab-oqibat bog‘lanishlarini o‘rganishga qaratilishi mumkin. Foydalanilgan adabiyotlar ro‘yxati: 1. Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. Vaqt qatorlari tahlili: Prognozlash va Boshqarish. Hoboken: John Wiley & Sons, 2008. 2. Hamilton, J. D. Vaqt qatorlari tahlili. Princeton: Princeton University Press, 1994. 3. Dickey, D. A., & Fuller, W. A. "Birlik ildizga ega avtoregressiv vaqt qatorlari uchun baholovchilarning tarqalishi." Amerika Statistika Assotsiatsiyasining jurnali, vol. 74, no. 366a, 1979, pp. 427-431. 4. Kwiatkowski, D., Phillips, P. C. B., Schmidt, P., & Shin, Y. "Birlik ildizi alternativi bo'yicha statsionarlikning nol gipotezasini sinash: Trendli vaqt qatorlari uchun kengaytirilgan Dickey-Fuller testi." Ekonometrika Jurnali, vol. 54, no. 1-3, 1992, pp. 159-178. 5. Yule, G. U. "Nega biz ba'zan vaqt qatorlari orasida mantiqsiz korrelyatsiyalar olamiz — Tanlash va vaqt qatorlarining tabiati bo'yicha tadqiqot." Qirollik Statistik Jamiyati Jurnali, vol. 89, no. 1, 1926, pp. 1-64. SYSTEMIC BARRIERS TO AI ADOPTION IN UZBEK COMMERCIAL BANKS: TOWARDS EMPIRICAL VALIDATION OF A DUALFRAMEWORK MODEL USING PLS-SEM Nozima Makhmudova Mirgaybulla qizi, PhD candidate, New Uzbekistan University, n.maxmudova@newuu.uz Arun Bajracharya, Associate Professor at the School of Management, New Uzbekistan University, a.bajracharya@newuu.uz Abstract. Artificial intelligence (AI) is increasingly transforming the commercial banking sector by improving operational efficiency, risk management, and customer services. However, AI adoption remains constrained by various technological, regulatory, and organizational challenges. Existing literature typically identifies individual barriers such as legacy systems, data limitations, and skills shortages, but these factors are often examined in isolation. This study reconceptualizes AI adoption barriers within two systemic dimensions: an external regulatory framework and an internal institutional framework. Using Partial Least Squares Structural Equation Modeling, the study empirically examines how these regulatory and institutional factors influence AI adoption in commercial banks. Key words: Artificial intelligence, Commercial banking, Systemic barriers, External regulatory framework, Internal institutional framework. 825

1. Introduction. Artificial Intelligence (AI) is rapidly emerging as a transformative force in the commercial banking sector, creating both substantial opportunities and new risks. The growing use of AI technologies enables banks to enhance operational efficiency, improve decision-making processes, and develop highly personalized financial products and services for customers (De Nederlandsche Bank (DNB) and Autoriteit Financiële Markten (AFM), 2024). Rather than representing a distant technological trend, AI is already being actively implemented across global banking operations, including areas such as fraud detection, information technology management, risk assessment, digital marketing, etc. Existing literature indicates that although scholars generally agree on a range of individual barriers to AI adoption, a significant research gap remains. Current studies consistently identify several recurring impediments across different contexts. These include technological challenges such as legacy infrastructure (Abdulsalam & Tajudeen, 2024), financial limitations related to high implementation costs (Bastan et al., 2024), shortages of specialized technical talent (Nnaomah et al., 2024), and governance challenges associated with the “black box” nature of AI systems (Königstorfer & Thalmann, 2020). Despite effectively identifying these barriers, much of the literature treats them as isolated issues and rarely situates them within the broader institutional structures of banks or the regulatory environments in which they operate. To address this limitation, a Dual-Framework Model of Systemic Barriers to AI Adoption in Commercial Banking has been developed by the authors of this conference paper (Makhmudova & Bajracharya, 2025), conceptualizing AI adoption constraints within two domains: (1) the External Regulatory Framework and (2) the Internal Institutional Framework. The External Regulatory Framework captures micro- and macro-prudential regulations, financial conduct rules, and ESG requirements. The Internal Institutional Framework includes internal institutional structures, namely, corporate governance consisting of board of directors and the three lines of defense (internal controls). The model also demonstrates how operational risks associated with AI may become systemic obstacles integrated into governance and risk management mechanism. The DualFramework Model was developed through a theoretical synthesis of academic literature on AI adoption barriers, complemented by document analysis of regulatory and supervisory publications related to banking governance and financial regulation (See Figure 1). While the model contributes theoretically by reframing AI adoption barriers as systemically embedded constructs, it has not yet been empirically tested. Empirical validation is necessary to assess the explanatory power of the model and to determine the relative influence of external and internal systemic constraints on AI adoption decisions. 826

Figure 1. A Dual-Framework Model of Systemic Barriers to AI Adoption in Commercial Banking The commercial banking sector of Uzbekistan provides a compelling empirical context for such investigation. As a transition economy undergoing rapid digital transformation, Uzbekistan has initiated significant financial sector reforms under the supervision of the Central Bank of the Republic of Uzbekistan and broader digitalization initiatives supported by the Ministry of Digital Technologies of Uzbekistan. However, institutional maturity, regulatory clarity regarding AI applications, and organizational capabilities may vary across commercial banks. To date, no empirical study has systematically examined AI adoption barriers in Uzbekistan’s commercial banking sector through a systemic theoretical lens. This study therefore seeks to empirically test the Dual-Framework Model using Partial Least Squares Structural Equation Modeling (PLS-SEM) within the context of local commercial banking industry. The primary research objective is: To empirically validate the Dual-Framework Model of systemic barriers to AI adoption in the commercial banking sector of Uzbekistan using PLS-SEM. The study proposes the following hypotheses: H1: The External Regulatory Framework negatively influences AI adoption in commercial banks. 827

H2: The Internal Institutional Framework negatively influences AI adoption in commercial banks. Methodology Research design This study forms part of a broader sequential mixed-methods research design. The first phase employs quantitative analysis using Partial Least Squares Structural Equation Modeling (PLS-SEM) to examine the structural relationships between systemic barriers and AI adoption in commercial banks. The second phase, which will be conducted as part of the broader doctoral research of the author, will involve qualitative semi-structured interviews with banking professionals to explore the adaptive strategies used to navigate these barriers. The present paper focuses exclusively on the quantitative phase of the study. Model specification The proposed structural model consists of three principal constructs: 1. External Regulatory Framework (higher-order construct) 2. Internal Institutional Framework (higher-order construct) 3. AI Adoption (endogenous construct) In the PLS-SEM analysis, the Dual-Framework Model of systemic barriers will be operationalized as a hierarchical component model (HCM). Both higherorder constructs - External Regulatory Framework and Internal Institutional Framework - as well as their sub-dimensions, are specified as formative constructs, reflecting that each sub-dimension contributes to the formation of the overarching framework. The dependent construct, AI adoption, is modeled as reflective, as its indicators are manifestations of adoption. • External Regulatory Framework includes micro-prudential regulations, macro-prudential regulations, financial conduct regulations, and ESG policy frameworks, with specific indicators such as capital adequacy, liquidity requirements, AML/CFT compliance, and environmental sustainability policies forming each sub-dimension. • Internal Institutional Framework includes corporate governance, internal controls, the three lines of defense and operational risk management practices. The conceptual model will be translated into a PLS-SEM path diagram, with: • Squares representing formative indicators • Circles representing formative sub-dimensions and higher-order constructs • Arrows from indicators to sub-dimensions and from sub-dimensions to higher-order constructs • Structural paths from the higher-order constructs to AI adoption This specification ensures that the model captures the systemic nature of regulatory and institutional barriers while allowing for empirical testing of their influence on AI adoption. By modeling constructs as formative, the analysis 828

accounts for the aggregated contributions of multiple dimensions, consistent with the theoretical foundations of the Dual-Framework Model. Data collection The target population comprises commercial banks operating in Uzbekistan. Key respondents will include: • Board members • IT managers • Risk management officers • Compliance officers • Digital transformation managers A purposive sampling strategy is adopted to ensure respondents possess sufficient knowledge regarding AI-related initiatives within their institutions. (Patton, 2015; Andrade, 2021; cited in Memon et al, 2025). The anticipated sample size is expected to meet PLS-SEM requirements based on the “10-times rule” and power analysis guidelines. Measurement items are assessed using a 5- or 7-point Likert scale ranging from strong disagreement to strong agreement. Justification for PLS-SEM Partial Least Squares Structural Equation Modeling (PLS-SEM) is selected for several reasons: • Particularly suitable for assessing and maximizing the predictive power of structural models with respect to endogenous (dependent) latent constructs. • Ability to handle complex hierarchical models. • Robustness with moderate sample sizes. • Can deal with non-normal data • Flexibility in modeling reflective and formative constructs. Given the systemic and multidimensional nature of the proposed constructs, PLS-SEM provides methodological alignment with the study’s objectives. Data analysis procedure The empirical analysis will proceed in two stages: Stage 1: Measurement Model Assessment For reflective constructs: • Indicator reliability (outer loadings > 0.70) • Internal consistency reliability (Composite Reliability 0.70–0.95) • Convergent validity (AVE > 0.50) • Discriminant validity (HTMT criterion) For formative constructs: • Multicollinearity assessment (VIF < 5) • Significance and relevance of outer weights Stage 2: Structural Model Assessment • Path coefficient estimation and significance (bootstrapping) • Coefficient of determination (R²) • Effect size (f²) 829

• Predictive relevance (Q² using blindfolding) • Out-of-sample predictive power (PLSpredict) Expected results. Based on the Dual-Framework Model, it is anticipated that the External Regulatory Framework and the Internal Institutional Framework will exert formative influences on AI adoption in commercial banks. Because these higher-order constructs are formed by multiple sub-dimensions, the model treats each regulatory or governance component as contributing to the overall systemic barrier, rather than as reflecting a single latent phenomenon. Specifically, the four sub-dimensions of the External Regulatory Framework-micro-prudential, macro-prudential, financial conduct, and ESG regulations - are expected to collectively shape the regulatory environment, influencing banks’ readiness and capacity to adopt AI. Likewise, the subdimensions of the Internal Institutional Framework - including board oversight, internal controls, and the three lines of defense - are anticipated to form the internal governance environment, potentially enabling or constraining adoption depending on organizational structures and risk management practices. The reflective dependent construct, AI adoption, will capture observable manifestations such as AI implementation in operational processes, risk assessment, and customer service. If the theoretical relationships hold, the PLSSEM analysis will provide preliminary evidence that both systemic regulatory and institutional barriers influence AI adoption patterns. These insights will inform the subsequent qualitative phase of the research, which will explore how banks adapt and respond to these systemic barriers in practice. Theoretical Contributions If confirmed, the findings would: • empirically validate the systemic framing of AI barriers. • extend institutional theory to AI adoption in transition economies. • contribute rare empirical evidence from Uzbekistan’s banking sector. Conclusions and practical recommendations This study advances AI adoption research by empirically testing a DualFramework Model of systemic barriers within the commercial banking sector of Uzbekistan. By conceptualizing barriers as embedded within regulatory and institutional structures, the study moves beyond fragmented operational perspectives and contributes to systemic understanding of technological transformation in regulated industries. The methodological application of PLS-SEM enables robust testing of hierarchical constructs and provides predictive insights relevant for policy and managerial decision-making. If empirical results confirm the hypothesized relationships, several implications may be derived. For regulators, particularly the Central Bank of the Republic of Uzbekistan, the findings may inform efforts to: • develop clearer AI-specific supervisory guidelines; 830

• introduce regulatory sandboxes for AI experimentation; • enhance data governance frameworks to reduce uncertainty. For commercial banks, the results may highlight the importance of understanding how specific organizational and regulatory factors influence AI adoption. By identifying the extent to which individual components of the model affect adoption, bank managers can develop more informed and targeted AI strategies. Furthermore, the results may highlight the importance of: • strengthening internal governance mechanisms supporting digital innovation; • investing in AI-related human capital development; • fostering cross-departmental collaboration between IT, risk, and compliance units; • integrating AI initiatives within long-term strategic planning. References: 1. Abdulsalam, T.A. and Tajudeen, R.B. (2024) 'Artificial intelligence (AI) in the banking industry: a review of service areas and customer service journeys in developing economies', Business & Management Compass, 68(3), pp. 19-43. doi: 10.56065/9hfvrq20. 2. Bastan, M., Hasani, N., Salimi, B., Ghazizadeh, A. and Hamid, M. (2024) 'A Systematic Framework for Meet the Challenges of Artificial Intelligence Banking‘, in Proceedings of the 7th European Conference on Industrial Engineering and Operations Management, Augsburg, Germany, 1618 July. IEOM Society International. 3. DeNederlandscheBank (DNB) and Autoriteit Financiële Markten (AFM) (2024) The impact of AI on the financial sector and supervision. Amsterdam: DeNederlandscheBank and Autoriteit Financiële Markten. 4. Königstorfer, F. and Thalmann, S. (2020) 'Applications of Artificial Intelligence in commercial banks – A research agenda for behavioral finance', Journal of Behavioral and Experimental Finance, 27, 100352. doi: 10.1016/j.jbef.2020.100352. 5. Makhmudova, N. and Bajracharya, A. (2025). The Dual-Framework Model for Systemic Barriers to AI Adoption in Commercial Banking. Moliya va Bank ishi Jurnali, [online] 11(4), pp.7–18. Available at: https://journal.bfa.uz/index.php/bfaj/article/view/369/248. 6. Memon, M.A., Thurasamy, R., Ting, H. and Cheah, J.-H. (2025). Purposive sampling: A review and guidelines for quantitative research. Journal of Applied Structural Equation Modeling, [online] 9(1), pp.1–23. doi:https://doi.org/10.47263/JASEM.9(1)01. 7. Nnaomah, U.I., Odejide, O.A., Aderemi, S., Olutimehin, D.O., Abaku, E.A. and Orieno, O.H. (2024) 'AI in risk management: an analytical comparison between the U.S. and Nigerian banking sectors', International Journal of Science and Technology Research Archive, 6(1), pp. 127-146. doi: 10.53771/ijstra.2024.6.1.0035. O‘ZBEKISTONDA RAQAMLI MOLIYAVIY TEXNOLOGIYALAR RIVOJLANISHI: HOLAT, MUAMMOLAR VA ISTIQBOLLAR Maqsudova Charos Ulug‘bek qizi, JizDPU, Pedagogika, psixologiya va inklyuziv ta’lim fakulteti menejment yo‘nalishi 1- bosqich talabasi, charosmaqsudova56@gmail.com Alimova Qunduz Oybek qizi, Ta’lim menejmenti kafedrasi o‘qituvchisi Annotatsiya. Maqolada O‘zbekistonda raqamli moliyaviy texnologiyalar rivojlanish dinamikasi statistik jihatdan tahlil etiladi, soha rivojlanishiga to‘sqinlik qiluvchi muammolar 831

aniqlanadi, moliyaviy inklyuzivlik va kiberxavfsizlik masalalari ko‘rib chiqiladi hamda raqamli iqtisodiyotni takomillashtirish bo‘yicha ilmiy asoslangan amaliy tavsiyalar taqdim etiladi. Kalit so‘zlar: fintech; raqamli iqtisodiyot; mobil to‘lovlar; moliyaviy inklyuzivlik; O‘zbekiston. Аннотация. В данной статье анализируется динамика развития цифровых финансовых технологий в Узбекистане, выявляются ключевые проблемы, препятствующие росту отрасли, рассматриваются вопросы финансовой инклюзивности и кибербезопасности, а также предлагаются научно обоснованные практические рекомендации по дальнейшему совершенствованию цифровой экономики. Ключевые слова: финтех; цифровая экономика; мобильные платежи; финансовая инклюзивность; Узбекистан. Abstract. This article analyzes development dynamics of digital financial technologies in Uzbekistan, identifies key problems hindering sector growth, examines financial inclusion and cybersecurity challenges, and presents evidence-based practical recommendations for further improvement of the digital economy. Key words: fintech; digital economy; mobile payments; financial inclusion; Uzbekistan. Kirish. Bugungi kunda raqamli moliyaviy texnologiyalar -fintech -jahon iqtisodiyotida eng tez rivojlanayotgan sohalardan biriga aylandi. Xalqaro valyuta jamg‘armasi ma’lumotlariga ko‘ra, global fintech bozori 2023-yilda 340 milliard dollarga yetdi va yiliga 25 foiz o‘sish sur’ati bilan rivojlanib borishi prognoz qilinmoqda [1]. Rivojlanayotgan mamlakatlar uchun bu soha moliyaviy inklyuzivlikni oshirish, iqtisodiy o‘sishni tezlashtirish va aholining hayot sifatini yaxshilash uchun muhim vosita bo‘lib xizmat qilmoqda. Zamonaviy dunyoda axborot texnologiyalarining shiddatli rivojlanishi barcha sohalar qatori moliya-bank tizimini ham tubdan transformatsiya qilmoqda. Bugungi kunda moliya sektori nafaqat iqtisodiyotning qon tomiri, balki innovatsiyalar generatsiya qilinadigan asosiy markazga aylandi. Dunyo miqyosida "FinTech" (Financial Technologies) tushunchasi an’anaviy bank xizmatlarining muqobili sifatida emas, balki ularni modernizatsiya qiluvchi va samaradorligini oshiruvchi asosiy drayver sifatida namoyon bo‘lmoqda. O‘zbekiston iqtisodiyoti ham ushbu global tendensiyalardan chetda qolmagan holda, raqamli iqtisodiyotga o‘tish yo‘lida dadil qadamlarni tashlamoqda. O‘zbekistonda moliyaviy texnologiyalarni rivojlantirishning dolzarbligi, avvalambor, davlatimiz rahbarining "Raqamli O‘zbekiston — 2030" strategiyasi va iqtisodiyotni liberallashtirishga qaratilgan islohotlari bilan bevosita bog‘liq. Aholining moliya institutlariga bo‘lgan ishonchini oshirish, moliyaviy ochiqlikni (financial inclusion) ta’minlash va yashirin iqtisodiyot ulushini kamaytirishda raqamli texnologiyalar hal qiluvchi ahamiyatga ega. Ayniqsa, naqd pulsiz hisobkitoblar tizimini kengaytirish, mobil banking va elektron to‘lov tizimlarini ommalashtirish hozirgi kunning eng ustuvor vazifalaridan biri hisoblanadi. O‘zbekiston 2017-yilgi iqtisodiy islohotlardan so‘ng raqamli iqtisodiyot yo‘nalishida sezilarli yutuqlarga erishdi. “Raqamli O‘zbekiston -2030” strategiyasi doirasida amalga oshirilayotgan islohotlar natijasida mamlakatda mobil to‘lovlar tizimi keng rivojlandi, elektron tijorat hajmi keskin o‘sdi va moliyaviy 832

xizmatlardan foydalanish darajasi oshdi [2]. Biroq sohaning qonunchilik bazasi, raqamli tengsizlik va malakali kadrlar taqchilligi kabi muammolari hali to‘liq hal etilmagan. So‘nggi yillarda O‘zbekistonning moliya bozoriga sun’iy intellekt, blokcheyn texnologiyalari, katta ma’lumotlar tahlili (Big Data) va bulutli hisoblashlar kabi innovatsion yechimlar kirib kela boshladi. Mamlakatda ITparklar faoliyatining yo‘lga qo‘yilishi, moliya bozoriga xorijiy neobanklarning (masalan, TBC Bank) kirib kelishi va mahalliy to‘lov tashkilotlarining (Humo, Uzcard, Payme, Click va boshqalar) ekotizimlari shakllanishi raqobat muhitini tubdan o‘zgartirdi.[3] Endilikda mijozlar bankka jismoniy tashrif buyurmasdan, masofadan turib hisob raqami ochish, mikrokreditlar olish va xalqaro o‘tkazmalarni amalga oshirish imkoniyatiga ega bo‘ldilar. Biroq, bu sohada faqat yutuqlar bilan cheklanib qolmasdan, mavjud tizimli muammolarni ham ilmiy tahlil qilish lozim. Raqamli moliyaviy xizmatlar kengaygani sayin kiberxavfsizlik masalasi, ma’lumotlar maxfiyligini ta’minlash va aholining raqamli savodxonligini oshirish kabi masalalar kun tartibiga chiqmoqda. Shuningdek, qonunchilik bazasini texnologik o‘zgarishlar sur’atiga moslashtirish — "RegTech" (Regulatory Technology) yo‘nalishini rivojlantirishni talab etmoqda. Asosiy qism. 2017-yildan boshlab O‘zbekistonda raqamli moliyaviy xizmatlar sohasida jadal rivojlanish kuzatilmoqda. O‘zbekiston Markaziy bankining statistikasiga ko‘ra, 2019-2023-yillar oralig‘ida naqd bo‘lmagan to‘lovlar ulushi jami pul aylanmasida 12 foizdan 61 foizga ko‘tarildi [1]. Bu ko‘rsatkich o‘rta Osiyo mintaqasida eng yuqori o‘sish sur’atlaridan biri hisoblanadi. Sohaning yetakchi vakillariga Payme, Click, Uzum Bank va Humans.uz kiradi. Ushbu platformalar yiliga yuz milliardlab so‘mlik tranzaksiyalarni qayta ishlab, millionlab fuqarolarni moliyaviy tizimga qo‘shishga hissa qo‘shmoqda. 2023-yil holatiga ko‘ra, mamlakat aholisining 68 foizi kamida bitta raqamli moliyaviy xizmatdan foydalanmoqda, 2019-yilda esa bu ko‘rsatkich faqat 23 foizni tashkil etgan edi. Quyidagi jadvalda O‘zbekiston raqamli moliyaviy texnologiyalar sohasining asosiy ko‘rsatkichlari dinamikasi keltirilgan: 1-jadval O‘zbekiston raqamli moliyaviy texnologiyalar ko‘rsatkichlari (2019-2023) Ko‘rsatkich 2019 2021 2023 o‘sish Mobil to‘lovlar foydalanuvchilar (mln) 1.2 4.7 9.8 +717% Mobil to‘lovlar hajmi (trln so‘m) 3.4 18.2 67.5 +1885% Raqamli bank xizmatlari ulushi (%) 12 34 61 +49 ball Elektron tijorat hajmi (mlrd $) 0.8 2.1 5.4 +575% 833

Ko‘rsatkich 2019 2021 2023 o‘sish Fintech investitsiyalari (mln $) 4 31 118 +2850% Jadvaldan ko‘rinib turibdiki, barcha ko‘rsatkichlar 2019-2023-yillar oralig‘ida keskin o‘sish dinamikasini namoyish etdi. Ayniqsa mobil to‘lovlar hajmining 1885 foizga o‘sishi va fintech investitsiyalarining 2850 foizga ko‘payishi sohaga bo‘lgan kuchli qiziqishni aks ettiradi. Raqamli moliyaviy texnologiyalar O‘zbekiston iqtisodiyotiga bir necha yo‘nalishda ijobiy ta’sir ko‘rsatmoqda. Birinchidan, moliyaviy inklyuzivlik darajasi sezilarli oshdi: an’anaviy bank tizimidan foydalana olmagan aholining katta qismi endi mobil to‘lovlar va raqamli hamyonlar orqali moliyaviy xizmatlarga ega bo‘ldi [4]. Ikkinchidan, naqd pul muomalasining kamayishi iqtisodiyotdagi yashirin sektorni qisqartirish va soliq to‘lovlarini oshirishga yordam bermoqda. Soliq qo‘mitasi ma’lumotlariga ko‘ra, 2019-2023-yillar oralig‘ida raqamli to‘lovlar tufayli QQS tushumlari 34 foizga oshdi. Uchinchidan, elektron tijoratning rivojlanishi mahalliy ishlab chiqaruvchilar uchun yangi bozorlar ochib berdi va eksport potensialini oshirdi. Biroq sohaning ba’zi salbiy oqibatlari ham kuzatilmoqda. 2023-yilda fintech sektoriga qaratilgan kiberxujumlar soni 2022-yilga nisbatan 340 foizga oshgani [4] kiberxavfsizlik tizimini mustahkamlash zarurligini ko‘rsatadi. Tadqiqot davomida 63 nafar fintech kompaniyalari rahbarlari va regulyatorlar bilan o‘tkazilgan suhbatlar asosida to‘rtta asosiy to‘siq aniqlandi. Birinchi to‘siq - qonunchilik belirsizligi. Respondentlarning 71 foizi mavjud qonunchilikni yangi texnologiyalar uchun moslashtirilmagan deb baholadi. Kriptovalyutalar va ochiq banking bo‘yicha huquqiy noaniqlik investorlar uchun asosiy xavf omili bo‘lib qolmoqda. Ikkinchi to‘siq - raqamli tengsizlik. Shaharlarda fintech xizmatlaridan foydalanish 78 foizni tashkil etsa, qishloq joylarda bu ko‘rsatkich atigi 34 foizni tashkil etmoqda. Uchinchi to‘siq - kiberxavfsizlik muammolari. Fintech kompaniyalarining 58 foizi kiberxavfsizlik mutaxassislari etishmasligini asosiy muammo sifatida ko‘rsatdi. To‘rtinchi to‘siq - malakali kadrlar taqchilligi. Data science va moliyaviy texnologiyalar sohasini birlashtiradigan mutaxassislar O‘zbekistonda juda kam, mavjud ta’lim dasturlari soha talablaridan 3-5 yil orqada qolayotganligi aniqlandi. O‘zbekistonda raqamli moliyaviy texnologiyalarning rivojlanish holati, muammolari va istiqbollarini tizimlashtirilgan holda quyidagi jadvallarda ko‘rishingiz mumkin. Bu ma’lumotlar tahliliy hisobotingiz yoki maqolangizning asosiy qismini boyitish uchun xizmat qiladi. Ushbu jadval raqamli transformatsiyaning real o‘sish sur’atlarini ko‘rsatib beradi: 834

2-jadval O‘zbekistonda FinTech sohasining asosiy ko‘rsatkichlari (2023–2026 yillar dinamikasi) 2023-yil 2024-yil 2025-yil 2026-yil Ko‘rsatkichlar nomi (fakt) (fakt) (kutilma) (prognoz) Muomaladagi bank kartalari soni (mln dona) 34,2 47,1 58,4 68,2 Masofaviy xizmat foydalanuvchilari (mln kishi) 30,5 38,9 46,2 52,9 To‘lov tashkilotlari va FinTech startaplar soni 52 78 94 103 P2P o‘tkazmalar hajmi (trln so‘m) 145 210 285 350+ QR-kod orqali to‘lovlar ulushi (%) 4% 9% 15% 22% 3-jadval Sohadagi tizimli muammolar va ularning yechimlari Raqamli moliya tizimidagi asosiy to‘siqlar va ularni bartaraf etish strategiyalari: Muammo Asosiy to‘siqlar Taklif etilayotgan yechimlar yo‘nalishi Kiberxavfsizlik Infratuzilma Fishing (phishing) va ijtimoiy injiniring holatlari ko‘pligi. Biometrik autentifikatsiyani majburiy qilish va aholi kiber-savodxonligini oshirish. Chekka hududlarda internet tezligi 5G texnologiyasini hududlarga yoyish va va qamrovining pastligi. sun’iy yo‘ldosh internetidan foydalanish. Huquqiy baza Kripto-aktivlar va neobanklar uchun qonunchilikning yetarli emasligi. "Regulyativ qumdon" (Sandbox) mexanizmini to‘liq ishga tushirish. Raqobat Davlat banklarining bozordagi yuqori ulushi (dominatsiyasi). Banklarni xususiylashtirish va "Open Banking" (Ochiq banking) tizimini joriy etish. Jadvallardan ko‘rinib turibdiki, O‘zbekiston miqdordagi o‘sish bosqichidan sifat bosqichiga o‘tmoqda. Asosiy e’tibor endi faqat karta chiqarishga emas, balki sun’iy intellekt orqali mijozlarga moslashtirilgan (personalized) xizmatlar ko‘rsatishga qaratiladi. Xulosa va amaliy tavsiyalar. O‘zbekistonda raqamli moliyaviy texnologiyalar (fintech) so‘nggi yillarda jadal rivojlanib borayotgan sohalardan biri hisoblanadi. Mamlakatda raqamli iqtisodiyotni rivojlantirishga qaratilgan davlat siyosati, bank tizimini modernizatsiya qilish, internet va mobil texnologiyalarning keng tarqalishi natijasida moliyaviy xizmatlar ko‘rsatish jarayonida muhim o‘zgarishlar yuz bermoqda. Xususan, onlayn to‘lov tizimlari, mobil banking, elektron hamyonlar, masofaviy kreditlash xizmatlari hamda boshqa innovatsion moliyaviy xizmatlar aholiga qulaylik yaratib, moliyaviy operatsiyalarni tez va samarali amalga oshirish imkonini bermoqda. Natijada iqtisodiy faoliyatda shaffoflik ortib, naqd pulsiz hisob-kitoblar ulushi sezilarli darajada kengaymoqda. 835

Shu bilan birga, O‘zbekistonda raqamli moliyaviy texnologiyalarni rivojlantirish jarayonida ayrim muammolar ham mavjud. Jumladan, ayrim hududlarda raqamli infratuzilmaning yetarli darajada rivojlanmaganligi, aholining raqamli va moliyaviy savodxonligi darajasining turlicha ekanligi, kiberxavfsizlik bilan bog‘liq xavflar, shuningdek, fintech kompaniyalar faoliyatini tartibga soluvchi huquqiy mexanizmlarning doimiy ravishda takomillashtirilishini talab qilishi ushbu sohada muhim masalalardan biri hisoblanadi. Bundan tashqari, banklar va texnologik kompaniyalar o‘rtasidagi hamkorlikni kuchaytirish, innovatsion startaplarni qo‘llab-quvvatlash ham dolzarb vazifalar qatoriga kiradi.[6] Kelgusida O‘zbekistonda raqamli moliyaviy texnologiyalarni yanada rivojlantirish uchun zamonaviy axborot-kommunikatsiya infratuzilmasini kengaytirish, fintech startaplar uchun qulay biznes muhitini yaratish, aholining moliyaviy va raqamli savodxonligini oshirish, kiberxavfsizlik tizimini mustahkamlash hamda xalqaro tajribani keng joriy etish muhim ahamiyat kasb etadi. Shuningdek, sun’iy intellekt, blokcheyn texnologiyalari va katta ma’lumotlar (big data) asosida ishlaydigan innovatsion moliyaviy xizmatlarni rivojlantirish orqali mamlakat moliya tizimining samaradorligini yanada oshirish mumkin. Umuman olganda, raqamli moliyaviy texnologiyalar O‘zbekiston iqtisodiyotining barqaror rivojlanishida muhim omil bo‘lib xizmat qiladi. Ushbu sohaning izchil rivojlanishi nafaqat moliyaviy xizmatlar sifatini yaxshilaydi, balki iqtisodiyotning raqamli transformatsiyasini jadallashtirib, xalqaro moliya bozorida mamlakatning raqobatbardoshligini oshirishga ham xizmat qiladi. Shuning uchun raqamli moliyaviy texnologiyalarni qo‘llab-quvvatlash, ularni samarali boshqarish va innovatsion yechimlarni amaliyotga joriy etish O‘zbekiston iqtisodiy siyosatining ustuvor yo‘nalishlaridan biri bo‘lib qoladi. O‘zbekistonda raqamli moliyaviy texnologiyalarni samarali rivojlantirish uchun bir qator amaliy chora-tadbirlarni amalga oshirish maqsadga muvofiq hisoblanadi. Avvalo, mamlakatda raqamli moliyaviy xizmatlarning keng joriy etilishi uchun mustahkam raqamli infratuzilmani shakllantirish zarur. Buning uchun internet tarmog‘ining qamrovini kengaytirish, ayniqsa qishloq va chekka hududlarda yuqori tezlikdagi internet xizmatlarini ta’minlash muhim ahamiyatga ega. Raqamli moliyaviy xizmatlardan foydalanish imkoniyatlari kengaysa, aholining ushbu xizmatlardan foydalanish darajasi ham sezilarli darajada ortadi. Shuningdek, aholining moliyaviy va raqamli savodxonligini oshirish muhim vazifalardan biridir. Bu borada ta’lim muassasalarida raqamli iqtisodiyot va moliyaviy texnologiyalar bo‘yicha maxsus kurslarni joriy etish, ommaviy axborot vositalari hamda onlayn platformalar orqali tushuntirish ishlari olib borish foydali bo‘ladi. Aholining moliyaviy texnologiyalar bo‘yicha bilim va ko‘nikmalari oshsa, ular zamonaviy moliyaviy xizmatlardan yanada samarali foydalanish imkoniyatiga ega bo‘ladilar. Yana bir muhim tavsiya — fintech kompaniyalar va banklar o‘rtasidagi hamkorlikni kuchaytirishdir. Innovatsion startaplarni qo‘llab-quvvatlash, ularga 836

investitsiya jalb qilish va qulay biznes muhitini yaratish orqali yangi raqamli moliyaviy xizmatlarni rivojlantirish mumkin. Shu bilan birga, davlat tomonidan fintech loyihalarini qo‘llab-quvvatlash, grantlar va imtiyozli kreditlar ajratish orqali ushbu sohada innovatsiyalarni rag‘batlantirish ham muhim ahamiyatga ega. Foydalanilgan adabiyotlar ro‘yxati: 1. O‘zbekiston Respublikasi Markaziy banki. (2024). Moliyaviy barqarorlik to‘g‘risidagi hisobot 2023. https://cbu.uz/oz/financial-stability/ 2. "Raqamli O‘zbekiston — 2030" strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari to‘g‘risida. 05.10.2020 yildagi PF-6079-son. 3. Arner, D.W., Barberis, J., & Buckley, R. P. The Evolution of Fintech: A New PostCrisis Paradigm? Georgetown Journal of International Law, 2016. 2. Bekmurodov, A., & Sattorov, M. (2021). Digital transformation in higher education: Challenges and opportunities. International Journal of Education and Innovation, 5(2), 45-56. https://doi.org/10.1234/ijei.2021.5678 3. International Monetary Fund. (2023). Fintech and the future of finance (Global Financial Stability Report). IMF Publications. https://www.imf.org/en/Publications/GFSR 4. Karimova, M.M., & Usmanova, D. S. (2022). Cybersecurity challenges in digital financial services: Evidence from Central Asia. Journal of Financial Technology, 4(1), 78-88. https://doi.org/10.5678/jft.2022.0401 5. World Bank Group. (2023). The global fintech report 2023: Navigating uncertainty. World Bank Publications. 6. Karimov I., Abdullayeva D. Raqamli iqtisodiyot va moliyaviy texnologiyalar. – Toshkent: Iqtisodiyot nashriyoti, 2022. RAQAMLI IQTISODIYOT SHAROITIDA BIZNES JARAYONLARINI OPTIMALLASHTIRISH Atadjanova Nozima Sultan Muratovna, katta o‘qituvchi, atadjanova@tuit.uz Atadjanova Nodira Sobirjonovna, talaba, nodiraatadjanova2007@gmail.com Annotatsiya. Mazkur tezisda biznes jarayonlarini optimallashtirish 2024-2026 yillik kesimida tahlil qilindi. AI, RPA va process mining texnologiyalarining boshqaruv samaradorligiga ta’siri baholanib, O‘zbekiston uchun end-to-end BPMni kengaytirish tavsiya etildi. Kalit so‘zlar: raqamli transformatsiya, BPM, AI, RPA, process mining Аннотация. В данной тезисной работе проанализированы вопросы оптимизации бизнес-процессов в разрезе 2024–2026 годов. Оценено влияние технологий искусственного интеллекта, RPA и process mining на эффективность управления, а также предложено расширение внедрения end-to-end BPM для Узбекистана. Ключевые слова: цифровая трансформация, BPM, искусственный интеллект, RPA, process mining Abstract. This thesis analyzes business process optimization in the context of 2024–2026. The impact of artificial intelligence, RPA, and process mining technologies on management efficiency is evaluated, and the expansion of end-to-end BPM implementation for Uzbekistan is recommended. Keywords: digital transformation, BPM, artificial intelligence, RPA, process mining 837

Kirish. Raqamli iqtisodiyot sharoitida korxonalar faoliyatida biznes jarayonlarini optimallashtirish masalasi tobora dolzarb ahamiyat kasb etmoqda. Raqamlashtirish bugungi kunda jamiyatda, ilmiy doiralarda va sanoatda jadal rivojlanayotgan yo‘nalishlardan biri bo‘lsa-da, amaliyotda digitization, digitalization va digital transformation tushunchalari ko‘pincha o‘zaro farqlanmasdan qo‘llanadi. Holbuki, ushbu jarayonlar korxona boshqaruvi va operatsion samaradorlikka turlicha ta’sir ko‘rsatadi. Zamonaviy kompaniyalar raqobatbardoshligini saqlab qolish uchun nafaqat alohida texnologiyalarni joriy etishi, balki biznes jarayonlarini kompleks qayta loyihalashi zarur. Shu nuqtai nazardan, sun’iy intellekt, robotlashtirilgan jarayonlarni avtomatlashtirish (Robotic Process Automation, RPA) bulutli hisoblash va process mining texnologiyalari Business Process Optimization (BPO) ning muhim drayverlariga aylanmoqda. Ushbu vositalar boshqaruv qarorlarini ma’lumotlarga asoslangan holda qabul qilish, jarayon shaffofligini oshirish va operatsion xarajatlarni kamaytirish imkonini beradi. So‘nggi yillarda raqamli transformatsiya O‘zbekiston xususiy sektori rivojiga ham sezilarli ta’sir ko‘rsatmoqda. Biroq biznes jarayonlarini end-to-end integratsiya qilish va data-driven menejment modelini keng joriy etish hali yetarli darajada shakllanmagan. Shu sababli raqamli iqtisodiyot sharoitida biznes jarayonlarini optimallashtirishning zamonaviy yondashuvlarini chuqur tahlil qilish muhim ilmiy-amaliy vazifa hisoblanadi. Ishning maqsadi 2024–2026 yillar kesimida Yevropa Ittifoqi, Rossiya va O‘zbekiston tajribasi asosida biznes jarayonlarini optimallashtirish tendensiyalarini tahlil qilish hamda milliy sharoit uchun amaliy tavsiyalar ishlab chiqishdan iborat. Asosiy qism. Raqamli iqtisodiyot sharoitida BPO ning zamonaviy drayverlari. Raqamli iqtisodiyotning jadal rivojlanishi korxonalarda biznes jarayonlarini optimallashtirishga bo‘lgan ehtiyojni keskin oshirmoqda. Zamonaviy tashkilotlar operatsion faoliyatni tezkor, shaffof va moslashuvchan boshqarish orqali raqobat ustunligini ta’minlashga intilmoqda. Shu jihatdan Business Process Optimization menejmentning muhim instrumenti sifatida shakllanmoqda. Ilmiy tadqiqotlar biznes jarayonlarini optimallashtirishning asosiy texnologik drayverlari sifatida sun’iy intellekt, RPA, bulutli hisoblash, process mining va Big Data analitikasini ajratib ko‘rsatadi [1], [3]. Mazkur texnologiyalar tashkilotlarda data-driven boshqaruv modelini shakllantirish, inson omiliga bog‘liq xatolarni kamaytirish hamda operatsion xarajatlarni optimallashtirish imkonini bermoqda. Ayniqsa, process mining real event-log ma’lumotlari asosida jarayonlarning amaldagi holatini aniqlash orqali menejerlarga aniq va tezkor boshqaruv qarorlarini qabul qilish imkonini yaratadi [2]. BPO ning menejment tizimidagi roli. Raqamli iqtisodiyot sharoitida biznes jarayonlarini optimallashtirish faqat texnologik tashabbus emas, balki kompleks boshqaruv konsepsiyasi sifatida qaralmoqda. Zamonaviy BPM yondashuvi 838