Research indexJournal article
ПРОГНОЗИРОВАНИЕ ЭКОНОМИЧЕСКОГО РОСТА РЕГИОНОВ С ИСПОЛЬЗОВАНИЕМ ГИБРИДНЫХ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ И ПРОСТРАНСТВЕННОЙ ЭКОНОМЕТРИКИ
Дмитриевич, ШЕФЕР, МОУРАОВ
Региональные проблемы преобразования экономики29 Apr 2026Open access
NobleIDark:/48914/w1/20261105/126E872DDOI10.26726/rppe2026v1fregu
ПРОГНОЗИРОВАНИЕ ЭКОНОМИЧЕСКОГО РОСТА РЕГИОНОВ С ИСПОЛЬЗОВАНИЕМ ГИБРИДНЫХ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ И ПРОСТРАНСТВЕННОЙ ЭКОНОМЕТРИКИ
Дмитриевич, ШЕФЕР, МОУРАОВ · Региональные проблемы преобразования экономики · 2026
NobleIDark:/48914/w1/20261105/126E872DDOI10.26726/rppe2026v1fregu
Abstract
В статье рассматриваются возможности прогнозирования экономического роста регионов Российской Федерации на основе сочетания методов пространственной эконометрики и алгоритмов машинного обучения. Целью исследования является сопоставление интерпретируемости и прогностической эффективности пространственно-эконометрических моделей и нелинейных методов машинного обучения при анализе динамики валового регионального продукта на душу населения. В задачи исследования входит выявление межрегиональных эффектов экономического роста, оценка вклада ключевых экономических, социально-демографических и инфраструктурных факторов, а также сравнение качества вневыборочных прогнозов, полученных с использованием различных классов моделей. Эмпирическая база сформирована на панельных данных по регионам Российской Федерации за 2020–2024 годы. Полученные результаты свидетельствуют о наличии устойчивых пространственных эффектов, выражающихся в значимом влиянии экономической динамики соседних регионов на рост валового регионального продукта, а также о более высокой прогностической точности методов машинного обучения по сравнению с классическими пространственными моделями. В качестве вывода обосновывается целесообразность совместного применения пространственной эконометрики и машинного обучения для анализа и прогнозирования регионального экономического развития, что позволяет одновременно повышать точность прогнозов и сохранять аналитическую интерпретируемость результатов.