Целью данной работы является комплексный сравнительный анализ различных математических методов прогнозирования ключевого показателя промышленного развития – добавленной стоимости промышленности Российской Федерации. Исследование направлено на оценку эффективности и точности традиционных и современных подходов в условиях реальной, подверженной кризисным явлениям экономической динамики. Определение наиболее надежного инструментария для построения среднесрочных прогнозов имеет важное значение для повышения обоснованности макроэкономических решений.

Эмпирической базой исследования послужили официальные статистические данные Всемирного банка за период 2002–2021 гг. Для моделирования были отобраны такие показатели, как добавленная стоимость в промышленности, валовое накопление капитала и доля средне- и высокотехнологичного экспорта. Для обеспечения стационарности и устранения трендовой составляющей все временные ряды были преобразованы с помощью вторых разностей, что подтверждено тестом Дики-Фуллера. Сравнительный анализ проводился между тремя методами: методом экстраполяции на основе исторических трендов, многофакторной линейной эконометрической моделью, оцениваемой методом наименьших квадратов, и нейросетевой моделью с долгой краткосрочной памятью (LSTM). Оценка качества моделей выполнялась путем сравнения прогнозов на периоды 2011–2012 и 2019–2021 гг. с фактическими данными.

Результаты исследования выявили существенное превосходство современных методов над традиционной экстраполяцией, которая дала значительный и нарастающий разброс прогнозных значений. Эконометрическая модель показала значительно более высокую и устойчивую точность, адекватно отразив основные линейные зависимости. Наилучшие результаты продемонстрировала LSTM-модель, которая наиболее точно спрогнозировала траекторию восстановления после кризиса 2008–2010 гг. и корректно зафиксировала замедление роста в преддверии кризиса 2020 г. Однако ни одна из моделей не смогла предсказать экстремальный спад 2020 г., вызванный глобальным внешним шоком (пандемия COVID-19), что указывает на ограниченность любого формализованного подхода в условиях непредвиденных структурных изменений.

Проведенный анализ позволяет сделать вывод о высокой эффективности и перспективности применения архитектур глубокого обучения, в частности моделей LSTM, для задач прогнозирования сложных макроэкономических показателей. Эти модели способны устанавливать нелинейные зависимости и долгосрочные эффекты во временных рядах. Эконометрические модели сохраняют свою ценность как надежный и интерпретируемый инструмент для анализа устойчивых линейных взаимосвязей. Полученные результаты подтверждают, что использование LSTM-моделей с оптимизированными параметрами может существенно повысить точность макроэкономических прогнозов, что является важным условием для формирования научно обоснованной промышленной и экономической политики.