Известия Института экономических исследований
Библиографическое описание:
МЕТОДЫ ПРОГНОЗИРОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ РЕГИОНА: ГРАНИЦЫ ПРИМЕНИМОСТИ // Известия Института экономических исследований. - 2026. №3. . - С. 66-70.
Заглавие:
МЕТОДЫ ПРОГНОЗИРОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ РЕГИОНА: ГРАНИЦЫ ПРИМЕНИМОСТИ
Финансирование:
Коды:
Аннотация:
Статья посвящена сравнительному анализу инструментов прогнозирования социально-экономического развития региона с учётом специфики региональных данных. Рассмотрены экспертно-качественные, статистико-эконометрические и методы машинного обучения. На основе анализа отечественных исследований систематизированы преимущества и ограничения применения алгоритмов машинного обучения для прогнозирования региональных показателей. Обосновывается, что выбор метода должен определяться свойствами данных и горизонтом прогнозирования, а перспективы регионального прогнозирования связаны с определением условий устойчивого прогнозного преимущества конкретного класса методов.
Ключевые слова:
региональное прогнозирование, эконометрические модели, машинное обучение, ансамблевые методы.
Список литературы:
Астраханцева И. А., Герасимов А. С. Прогнозирование региональной инфляции на основе гибридной модели машинного обучения: градиентный бустинг и случайный лес // Научные труды Вольного экономического общества России. 2023. Т. 243, № 5. С. 200-226. DOI: 10.38197/2072-2060-2023- 243-5-200-226
Астраханцева И. А., Герасимов А. С., Смирнова О. П. Оценка применимости статистических и машинных моделей для прогнозирования инфляции // Современные наукоемкие технологии. Региональное приложение. 2024. Т. 79, № 3. С. 120–131. DOI: 10.6060/snt.20247903.0019
Байбуза И. К. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. 2018. № 4. С. 42–59.
Букина Т. А., Кашин Д. А. Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения? // Экономический журнал Высшей школы экономики. 2024. Т. 28, № 1. С. 81–107. DOI: 10.17323/1813-8691-2024-28-1-81-107
Гребенкина А. М., Синельникова-Мурылёва Е. В. Прогнозирование инфляции с использованием высокочастотных данных в моделях временных рядов // Экономическая политика. 2025. Т. 20, № 2. С. 34–55. DOI: 10.18288/1994-5124-2025-2-34-55
Латыпов Р., Ахмедова Е., Постолит Е., Микитчук М. Прогнозирование компонент инфляции методами машинного обучения // Деньги и кредит. 2024. Т. 83, № 3. С. 23–44.
Мхитарян В. С., Ванчикова Е. Н. Прогнозы в системе регионального управления: цели и зада- чи // Вестник Бурятского государственного университета. Экономика и менеджмент. 2015. № 4. С. 62–69.
Семитуркин О., Шевелёв А. Прогнозирование региональной инфляции с помощью методов машинного обучения (на примере макрорегиона Сибирь) // Банк России. Серия докладов об экономиче- ских исследованиях. 2022. № 91.
Чудаева А. Б. Интервальное прогнозирование российской инфляции с использованием квантильной регрессии и элементов машинного обучения // Экономика и математические методы. 2026. Т. 62, № 1. С. 116–130. DOI: 10.7868/S3034617726010094
Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5–32. DOI: 10.1023/A:1010933404324
Box G. E. P., Jenkins G. M. Time Series Analysis: Forecasting and Control. San Francisco: Holden- Day, 1970.
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD. 2016. P. 785-794. DOI: 10.1145/2939672.2939785
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. 2nd ed. New York: Sprin- ger, 2009.
Sims C. A. Macroeconomics and Reality // Econometrica. 1980. Vol. 48, No. 1. P. 1–48.
Астраханцева И. А., Герасимов А. С., Смирнова О. П. Оценка применимости статистических и машинных моделей для прогнозирования инфляции // Современные наукоемкие технологии. Региональное приложение. 2024. Т. 79, № 3. С. 120–131. DOI: 10.6060/snt.20247903.0019
Байбуза И. К. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. 2018. № 4. С. 42–59.
Букина Т. А., Кашин Д. А. Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения? // Экономический журнал Высшей школы экономики. 2024. Т. 28, № 1. С. 81–107. DOI: 10.17323/1813-8691-2024-28-1-81-107
Гребенкина А. М., Синельникова-Мурылёва Е. В. Прогнозирование инфляции с использованием высокочастотных данных в моделях временных рядов // Экономическая политика. 2025. Т. 20, № 2. С. 34–55. DOI: 10.18288/1994-5124-2025-2-34-55
Латыпов Р., Ахмедова Е., Постолит Е., Микитчук М. Прогнозирование компонент инфляции методами машинного обучения // Деньги и кредит. 2024. Т. 83, № 3. С. 23–44.
Мхитарян В. С., Ванчикова Е. Н. Прогнозы в системе регионального управления: цели и зада- чи // Вестник Бурятского государственного университета. Экономика и менеджмент. 2015. № 4. С. 62–69.
Семитуркин О., Шевелёв А. Прогнозирование региональной инфляции с помощью методов машинного обучения (на примере макрорегиона Сибирь) // Банк России. Серия докладов об экономиче- ских исследованиях. 2022. № 91.
Чудаева А. Б. Интервальное прогнозирование российской инфляции с использованием квантильной регрессии и элементов машинного обучения // Экономика и математические методы. 2026. Т. 62, № 1. С. 116–130. DOI: 10.7868/S3034617726010094
Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5–32. DOI: 10.1023/A:1010933404324
Box G. E. P., Jenkins G. M. Time Series Analysis: Forecasting and Control. San Francisco: Holden- Day, 1970.
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD. 2016. P. 785-794. DOI: 10.1145/2939672.2939785
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. 2nd ed. New York: Sprin- ger, 2009.
Sims C. A. Macroeconomics and Reality // Econometrica. 1980. Vol. 48, No. 1. P. 1–48.
Статья.pdf