В. С. Брезгин. Применение нейросетевых методов и моделей при анализе краткосрочной экономической динамики регионального развития

https://doi.org/10.15507/2413-1407.26343.498-518
EDN: https://elibrary.ru/jxusgz ISSN 2413-1407 
УДК / UDC 33:004.032.26:353 ISSN 2587-8549

Аннотация

Введение. В условиях структурных шоков традиционные эконометрические методы теряют эффективность при прогнозировании региональной экономики, особенно при работе с короткими временны́ми рядами. Цель исследования – разработка методологии анализа и краткосрочного прогнозирования территориальной динамики на основе нейросетевого моделирования, адаптированного к специфике региональной статистики.

Материалы и методы. Эмпирическую базу составили годовые данные Росстата по Забайкальскому краю за 2003–2022 гг., репрезентативные для ресурсных территорий РФ. Применены рекуррентные нейронные сети с LSTM-архитектурой. Авторский подход включает оценку системной значимости показателей через композитный индекс и сравнение стратегий формирования обучающей выборки (скользящего и расширяющегося окон).

Результаты исследования. Выявлена дифференцированная эффективность методов прогнозирования для различных типов показателей. Метод расширяющегося окна показал высокую точность для показателей с устойчивыми трендами (ошибка прогноза валового регионального продукта около 0,3 % в 2020–2021 гг.), тогда как метод скользящего окна оказался эффективнее для волатильных показателей. Разработанный инструментарий анализа системной значимости параметров выявил устойчивую кластерную структуру региональной экономики, включающую производственно-инвестиционный и социально-демографический кластеры. Верификация моделей подтвердила их устойчивость к типичным флуктуациям, однако продемонстрировала фундаментальные ограничения при беспрецедентных геополитических шоках 2022 г.

Заключение. Практическая значимость исследования заключается в создании комплексного инструментария для повышения эффективности регионального экономического планирования и прогнозирования в условиях структурных изменений. Материал может быть востребован в деятельности органов регионального управления и стратегического планирования.

Ключевые слова: региональная экономика, экономическое прогнозирование, нейронные сети, LSTM-модели, короткие временны́е ряды, структурные сдвиги, системная значимость, Забайкальский край

Конфликт интересов. Автор заявляет об отсутствии конфликта интересов.

Финансирование. Работа выполнена в рамках государственного задания Института природных ресурсов, экологии и криологии Сибирского отделения Российской академии наук, проект «Адаптация региональных социо-эколого-экономических систем приграничных территорий Востока РФ к геополитическим и климатическим рискам: стратегические подходы и механизмы» (№ 126020216343-0).

Для цитирования: Брезгин В.С. Применение нейросетевых методов и моделей при анализе краткосрочной экономической динамики регионального развития. Регионология. 2026;34(3):498–518. https://doi.org/10.15507/2413-1407.26343.498-518

СПИСОК ЛИТЕРАТУРЫ

1. Гамукин В.В. Изменение структуры ВРП в субъектах Уральского федерального округа. Экономика региона. 2017;13(2):410–421. https://doi.org/10.17059/2017-2-7

2. Бородин С.Н. Прогнозирование экономического развития региона на основе регрессионных и нейросетевых моделей. Russian Economic Bulletin. 2024;7(1):290–300. https://www.elibrary.ru/eqfigc

3. Lim B., Zohren S. Time-Series Forecasting with Deep Learning: A Survey. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 2021;379(2194):20200209. https://doi.org/10.1098/rsta.2020.0209

4. Видмант О.С. Прогнозирование финансовых временны́х рядов с использованием рекуррентных нейронных сетей LSTM. Общество: политика, экономика, право. 2018;(5):63–66. https://doi.org/10.24158/pep.2018.5.12

5. Siami-Namini S., Tavakoli N., Namin A.S. A Comparison of ARIMA and LSTM in Forecasting Time Series. In: 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). 2018. P. 1394–1401. https://doi.org/10.1109/ICMLA.2018.00227

6. Richardson A., van Florenstein Mulder T., Vehbi T. Nowcasting GDP Using Machine-Learning Algorithms: A Real-Time Assessment. International Journal of Forecasting. 2021;37(2):941–948. https://doi.org/10.1016/j.ijforecast.2020.10.005

7. Hamiane S., Ghanou Y., Khalifi H., Telmem M. Comparative Analysis of LSTM, ARIMA, and Hybrid Models for Forecasting Future GDP. Ingénierie des Systèmes d'Information. 2024;29(3):853–861. https://doi.org/10.18280/isi.290306

8. Матыцын А.В. Применение LSTM-модели к прогнозированию CPI и уровня инфляции на примере России. Вопросы инновационной экономики. 2022;12(2):1241–1252. https://doi.org/10.18334/vinec.12.2.114845

9. Abbasimehr H., Shabani M., Yousefi M. An Optimized Model Using LSTM Network for Demand Forecas­ting. Computers and Industrial Engineering. 2020;143:106435. https://doi.org/10.1016/j.cie.2020.106435

10. Летягина Е.Н., Перова В.И. Нейросетевое моделирование региональных инновационных экосистем. Journal of New Economy. 2021;22(1):71–89. https://doi.org/10.29141/2658-5081-2021-22-1-4

11. Трещевский Ю.И., Гладких М.О., Опойкова Е.А., Папина О.Н. Методический подход к прогнозированию целевых параметров социально-экономического развития регионов с использованием стандартного аппарата нейронных сетей. Регион: системы, экономика, управление. 2020;(4):114–126. https://doi.org/10.22394/1997-4469-2020-51-4-114-126

12. Feng Y., Zhang Y., Wang Y. Out-of-Sample Volatility Prediction: Rolling Window, Expanding Window, or Both? Journal of Forecasting. 2024;43(3):567–582. https://doi.org/10.1002/for.3046

13. Hall S.G., Tavlas G.S., Wang Y., Gefang D. Inflation Forecasting with Rolling Windows: An Appraisal. Journal of Forecasting. 2024;43(4):827–851. https://doi.org/10.1002/for.3059

14. Inoue A., Jin L., Rossi B. Rolling Window Selection for Out-of-Sample Forecasting with Time-Varying Parameters. Journal of Econometrics. 2017;196(1):55–67. https://doi.org/10.1016/j.jeconom.2016.03.006

Об авторе:

Брезгин Вячеслав Сергеевич, кандидат экономических наук, научный сотрудник лаборатории эколого-экономических исследований Института природных ресурсов, экологии и криологии Сибирского отделения Российской академии наук (672014, Российская Федерация, г. Чита, ул. Недорезова, д. 16а), ORCID: https://orcid.org/0000-0001-9008-4540, Researcher ID: R-5652-2016, SPIN-код: 2984-6475, monmanage@bk.ru

Доступность данных и материалов. Наборы данных, использованные и/или проанализированные в ходе текущего исследования, можно получить у автора по обоснованному запросу.

Автор прочитал и одобрил окончательный вариант рукописи.

Поступила 21.02.2025; одобрена после рецензирования 15.07.2025; принята к публикации 30.07.2025.