Прогнозирование развития промышленности Российской Федерации: сравнительный анализ математического инструментария

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.

1. тература 1. Григорьев А.Н. Добавленная стоимость через призму новой политэкономии // Символ науки. 2021. № 3. С. 56–61.

2. Terence C., Mills. A Very British Affair. Six Britons and the Development of Time Series Analysis During the 20th Century. UK: Loughborough University, 2013. 437 с. DOI: 10.1057/9781137291264.

3. Wichern D. W. Forecasting: Methods and Applications by Spyros Makridakis, Steven C. Wheelwright // Journal of the American Statistical Association. 1979. № 74(367). С. 733–734. DOI: 10.2307/2287014.

4. Stock J. H., Watson M. W. Vector Autoregressions // Journal of Economic Perspectives. 2001. № 15(4). С. 101–115. DOI: 10.1257/jep.15.4.101.

5. Stock J. H., Watson M. W. Forecasting Output and Inflation: The Role of Asset Prices // Journal of Economic Literature. 2003. № 41(3). С. 788–829. DOI: 10.1257/002205103322436197.

6. Hochreiter S., Schmidhuber J. Long ShortTerm Memory // Neural Comput. 1997. № 9(8). С. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735.

7. Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions // European Journal of Operational Research. 2018. № 270(2). С. 654–669. DOI: 10.1016/j.ejor.2017.11.054.

8. Siami Namini, S. A Comparison of ARIMA and LSTM in Forecasting Time Series // 17th IEEE International Conference on Machine Learning and Applications (ICMLA). 2018. DOI: 10.4108/EAI.13-7-2018.161409.

9. Котова Т.Н., Хачатурян Р.Е. Методы прогнозной экстраполяции в техническом сервисе // Достижения вузовской науки. 2014. № 8. С. 242–249.

10. Розенцвайг А.К. Методы эконометрического моделирования и анализа социально-экономических явлений. Набережные Челны: Набережночелнинский институт Казанского федерального университета, 2014. 121 с. DOI: 10.13140/RG.2.1.3998.5526.

11. Козлов С.В., Седенков С.А. Анализ LSTM и GRU моделей для построения прогнозов временных рядов // International Journal of Open Information Technologies. 2024. № 7. С. 43–50.

12. Шихалиева Д.С., Беляева С.В. Траектория экономических кризисов в России в период становления и развития рыночной экономики: оценка, эволюция, управление // Вестник университета. 2021. № 12. С. 144–150. DOI: 10.26425/1816-4277-2021-12-144-150.