УДК 332.14

Прогнозирование экономического роста Свердловской области: сравнительный анализ машинного обучения, линейной регрессии и авторегрессионных моделей

Д.М. Балунгу, А. Кумар

Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, г. Екатеринбург, Россия

Аннотация

Актуальность точного экономического прогнозирования невозможно переоценить в условиях сегодняшней быстро меняющейся мировой экономики. Лица, принимающие решения как в государственном, так и в частном секторах, в значительной степени полагаются на надежные прогнозы для принятия обоснованных решений о распределении ресурсов, инвестиционных стратегиях и разработке политики. В этом контексте становится все более очевидной важность использования передовых аналитических методов, таких как машинное обучение, для повышения точности экономических прогнозов. Целью данного исследования является изучение использования различных моделей прогнозирования при прогнозировании динамики ВРП Свердловской области в России с акцентом на потенциальные выгоды от интеграции методов машинного обучения. Основная гипотеза, лежащая в основе этого исследования, заключается в том, что модели машинного обучения могут превзойти традиционные авторегрессионные модели в прогнозировании экономического роста. Используя обширный набор данных, включающий годовые данные по ВРП и макроэкономические показатели с 2005 по 2022 г., процедура исследования включала всесторонний сравнительный анализ различных подходов к моделированию. Основные результаты данного исследования подчеркивают более высокую эффективность модели случайного леса в прогнозировании роста ВРП по сравнению с традиционной моделью SARIMAX. Эти результаты не только дают ценную информацию о предсказательной силе алгоритмов машинного обучения в экономическом прогнозировании, но и подчеркивают потенциальные преимущества внедрения передовых аналитических методов в процессы принятия решений. Демонстрируя превосходство моделей машинного обучения в прогнозировании экономических показателей, таких как ВРП, это исследование вносит свой вклад в растущий объем литературы по применению подходов, основанных на данных, в экономическом анализе. В конечном счете теоретическая и практическая значимость этих выводов заключается в том, что они могут повысить точность и надежность экономических прогнозов, тем самым позволяя принимать более обоснованные решения в быстро меняющемся экономическом ландшафте.

Ключевые слова

экономический рост; валовой региональный продукт; региональная экономика; машинное обучение; временные ряды

JEL classification

Список использованной литературы

1. Choudhury P., Allen R.T., Endres M.G. Machine learning for pattern discovery in management research // Strategic Management Journal. 2021. Vol. 42, Issue 1. Рр. 30–57. https://doi.org/10.1002/smj.3215

   2. Graziano M., Alexander K.A., Liesch M., Lema E., Torres J.A. Understanding an emerging economic discourse through regional analysis: Blue economy clusters in the US Great Lakes basin // Applied Geography. 2019. Vol. 105. Рр. 111–123. https://doi.org/10.1016/j.apgeog.2019.02.013

   3. Gu G., Wu B., Zhang W., Lu R., Feng X., Liao W., Pang C., Lu C. Comparing machine learning methods for predicting land development intensity // PLOS ONE. 2023. Vol. 18, Issue 4. e0282476. https://doi.org/10.1371/journal.pone.0282476

   4. Hassan M.M., Mirza T. Using Time Series Forecasting for Analysis of GDP Growth in India // International Journal of Education and Management Engineering. 2021. Vol. 11, No. 3. Рр. 40–49. https://doi.org/10.5815/ijeme.2021.03.05

   5. Maccarrone G., Morelli G., Spadaccini S. GDP Forecasting: Machine Learning Linear or Autoregression? // Frontiers in Artificial Intelligence. 2021. Vol. 4. 757864. https://doi.org/10.3389/frai.2021.757864

   6. Tran C.L.H., Phan T.H., Thi-Ngoc-Diem P., Nguyen H.T. Gross Domestic Product Prediction in Various Countries with Classic Machine Learning Techniques // Nature of Computation and Communication. Proceedings of 8^th EAI International Conference, ICTCC 2022. Vol. 473 / еdited by C.V. Phan, T.D. Nguyen. Springer Cham, 2023. Pp. 136–147. https://doi.org/10.1007/978-3-031-28790-9_9

   7. Puttanapong N., Prasertsoong N., Peechapat W. Predicting Provincial Gross Domestic Product Using Satellite Data and Machine Learning Methods: A Case Study of Thailand // Asian Development Review. 2023. Vol. 40, No. 2. Pp. 39–85. https://doi.org/10.1142/S0116110523400024

   8. Martin L.-C. Machine Learning vs. Traditional Forecasting Methods: An Application to South African GDP // Stellenbosch Economic Working Papers. No. WP12/2019. University of Stellenbosch, Department of Economics, 2019. 29 p. URL: https://www.ekon.sun.ac.za/wpapers/2019/wp122019

   9. Richardson A., van Florenstein Mulder T., Vehbi T. Nowcasting GDP using machine-learning algorithms: A real-time assessment // International Journal of Forecasting. 2021. Vol. 37, Issue 2. Pp. 941–948. https://doi.org/10.1016/j.ijforecast.2020.10.005

   10. Азарнова Т.В., Трещевский Ю.И., Папин С.Н. Прогнозирование параметров социально-экономического развития региона с использованием аппарата нейронных сетей (на примере ВРП Воронежской области) // Современная экономика: проблемы и решения. 2020. Т. 3. С. 8–25. https://doi.org/10.17308/meps.2020.3/2321

   11. Ивченко Ю.С. Определение основных факторов уровня валового регионального продукта методами эконометрического моделирования по совокупности регионов Российской Федерации // Статистика и экономика. 2019. Т. 16, № 6. С. 4–18. https://doi.org/10.21686/2500-3925-2019-6-4-18

   12. Barykin S.E., Mikheev A.A., Kiseleva E.G., Putikhin Y.E., Alekseeva N.S., Mikhaylov A. An Empirical Analysis of Russian Regions’ Debt Sustainability // Economies. 2022. Vol. 10, Issue 5. 106. https://doi.org/10.3390/economies10050106

   13. Lavrovsky B.L., Shiltsin E.A. Spatial Configuration of Gross Regional Product of Russian Regions: Estimation and Forecast // R-Economy. 2016. Vol. 2, No. 2. Pp. 205–215. https://doi.org/10.15826/recon.2016.2.2.018

   14. Skufina T., Baranov S., Samarina V., Shatalova T. Production Functions in Identifying the Specifics of Producing Gross Regional Product of Russian Federation // Mediterranean Journal of Social Sciences. 2015. Vol. 6, No. 5. 265. https://doi.org/10.5901/mjss.2015.v6n5s3p265

   15. Прокапало О.М., Бардаль А.Б., Исаев А.Г., Мазитова М.Г., Суслов Д.В. Экономическая конъюнктура в Дальневосточном федеральном округе в <st1:metricconverter productid="2019 г" w:st="on">2019 г</st1:metricconverter>. // Пространственная экономика. 2020. № 2. С. 142–184. https://doi.org/10.14530/se.2020.2.142-184

   16. Yoon J. Forecasting of Real GDP Growth Using Machine Learning Models: Gradient Boosting and Random Forest Approach // Computational Economics. 2021. Vol. 57. Pp. 247–265. https://doi.org/10.1007/s10614-020-10054-w

   17. Breiman L. Random forests // Machine learning. 2001. Vol. 45, Issue 1. Pp. 5–32. https://dx.doi.org/10.1023/A:1010933404324

   18. Dudek G. Short-Term Load Forecasting Using Random Forests // Proceedings of the 7th IEEE International Conference Intelligent Systems IS’2014, Vol. 2: Tools, Architectures, Systems, Applications / еdited by D. Filev, J. Jabłkowski, J. Kacprzyk, M. Krawczak, I. Popchev, L. Rutkowski, V. Sgurev, E. Sotirova, P. Szynkarczyk, S. Zadrozny. Springer Cham, 2015. Pp. 821–828. https://doi.org/10.1007/978-3-319-11310-4_71

   19. Shrivastava G., Karmakar S., Kowar M., Guhathakurta P. Application of Artificial Neural Networks in Weather Forecasting: A Comprehensive Literature Review // International Journal of Computer Applications. 2012. Vol. 51, No. 18. Pp. 17–29. https://doi.org/10.5120/8142-1867

   20. Zhang G.P. Time series forecasting using a hybrid ARIMA and neural network model // Neurocomputing. 2003. Vol. 50. Pp. 159–175. https://doi.org/10.1016/S0925-2312(01)00702-0

   21. Kontopoulou V., Panagopoulos A., Kakkos I., Matsopoulos G. A Review of ARIMA vs. Machine Learning Approaches for Time Series Forecasting in Data Driven Networks // Future Internet. 2023. Vol. 15, Issue 8. 255. https://doi.org/10.3390/fi15080255

   22. Hamzaçebi C. Improving artificial neural networks’ performance in seasonal time series forecasting // Information Sciences. 2008. Vol. 178, Issue 23. Pp. 4550–4559. https://doi.org/10.1016/j.ins.2008.07.024

   23. Cools M., Moons E., Wets G. Investigating the variability in daily traffic counts through use of ARIMAX and SARIMAX models: assessing the effect of holidays on two site locations // Transportation Research Record. 2009. Vol. 2136, Issue 1. Pp. 57–66. https://doi.org/10.3141/2136-07

   24. Vu D.H., Muttaqi K.M., Agalgaonkar A.P., Bouzerdoum A. Short-term electricity demand forecasting using autoregressive based time varying model incorporating representative data adjustment // Applied Energy. 2017. Vol. 205. Pp. 790–801. https://doi.org/10.1016/j.apenergy.2017.08.135

   25. Wang J.J., Wang J.Z., Zhang Z.G., Guo S.P. Stock index forecasting based on a hybrid model // Omega. 2012. Vol. 40, Issue 6. Pp. 758–766. https://doi.org/10.1016/j.omega.2011.07.008

   26. Lydia, M., Kumar, S.S., Selvakumar, A.I., Kumar, G.E.P. Linear and non-linear autoregressive models for short-term wind speed forecasting // Energy Conversion and Management. 2016. Vol. 112. Pp. 115–124. https://doi.org/10.1016/j.enconman.2016.01.007

   27. Joaquin A.R., Javier E.O. Skforecast // Zenodo. 2023. Version v0.10.1dev. https://doi.org/10.5281/zenodo.8382788

   28. Casdagli M., Eubank S., Farmer J.D., Gibson J. State space reconstruction in the presence of noise // Physica D: Nonlinear Phenomena. 1991. Vol. 51, Issues 1-3. Pp. 52–98. https://doi.org/10.1016/0167-2789(91)90222-U

   29. Cheng H., Tan P. N., Gao J., Scripps J. Multistep-ahead time series prediction // Advances in Knowledge Discovery and Data Mining. Proceedings of 10th Pacific-Asia Conference / еdited by W.-K. Ng, M. Kitsuregawa, J. Li, K. Chang. Springer Berlin, Heidelberg, 2006. Pp. 765–774. https://doi.org/10.1007/11731139_89

   30. Hamzaçebi C., Akay D., Kutay F. Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting // Expert Systems with Applications. 2009. Vol. 36, Issue 2, Part 2. Pp. 3839–3844. https://doi.org/10.1016/j.eswa.2008.02.042

   31. Kline D.M. Methods for multi-step time series forecasting neural networks // Neural Networks in Business Forecasting / еdited by G. Zhang. IGI Global, 2004. Pp. 226–250. https://doi.org/10.4018/978-1-59140-176-6.ch012

   32. Sorjamaa A., Hao J., Reyhani N., Ji, Y., Lendasse A. Methodology for long-term prediction of time series // Neurocomputing. 2007. Vol. 70, Issues 16-18. Pp. 2861–2869. https://doi.org/10.1016/j.neucom.2006.06.015

   33. Tiao G.C., Tsay R.S. Some advances in non-linear and adaptive modelling in time-series // Journal of Forecasting. 1994. Vol. 13, Issue 2. Pp. 109–131. https://doi.org/10.1002/for.3980130206

   34. Bontempi G., Ben Taieb S., Le Borgne Y.A. Machine Learning Strategies for Time Series Forecasting // Business Intelligence. Second European Summer School, eBISS 2012. Lecture Notes in Business Information Processing, Vol. 138. Edited by M.-A. Aufaure, E. Zimányi. Springer Berlin, Heidelberg, 2013. Pp. 62–77. https://doi.org/10.1007/978-3-642-36318-4_3

   35. Camastra F., Filippone M. A comparative evaluation of nonlinear dynamics methods for time series prediction // Neural Computing and Applications, 2009, Vol. 18, Pp. 1021–1029. https://doi.org/10.1007/s00521-009-0266-y

Информация об авторах

Балунгу Даниель Мусафири

Ассистент базовой кафедры аналитики больших данных и методов видеоанализа Института радиоэлектроники и информационных технологий Уральского федерального университета имени первого Президента России Б.Н. Ельцина, г. Екатеринбург, Россия (<st1:metricconverter productid="620002, г" w:st="on">620002, г</st1:metricconverter>. Екатеринбург, ул. Мира, 19); ORCID https://orcid.org/0009-0001-5098-7603 e-mail: danielbal03.db@gmail.com

Кумар Авинаш

Ассистент базовой кафедры аналитики больших данных и методов видеоанализа Института радиоэлектроники и информационных технологий Уральского федерального университета имени первого Президента России Б.Н. Ельцина, г. Екатеринбург, Россия (<st1:metricconverter productid="620002, г" w:st="on">620002, г</st1:metricconverter>. Екатеринбург, ул. Мира, 19); ORCID https://orcid.org/0000-0001-6929-1852 e-mail: avinash.kumar@urfu.ru

Для цитирования

Балунгу Д.М., Кумар А. Прогнозирование экономического роста Свердловской области: сравнительный анализ машинного обучения, линейной регрессии и авторегрессионных моделей // Journal of Applied Economic Research. 2024. Т. 23, № 3. С. 674-695. https://doi.org/10.15826/vestnik.2024.23.3.027

Информация о статье

Дата поступления 26 апреля 2024 г.; дата поступления после рецензирования 22 июня 2024 г.; дата принятия к печати 27 июня 2024 г.

DOI: https://doi.org/10.15826/vestnik.2024.23.3.027

Скачать полный текст статьи: