Цель исследования – разработка и апробация методики прогнозирования межрегиональной дифференциации темпов роста валового регионального продукта субъектов Уральского макрорегиона на основе методов машинного обучения для информационной поддержки принятия решений в сфере пространственной политики. Исследование опирается на теории пространственного развития и концепции региональной конвергенции/дивергенции. Для прогнозирования темпов роста валового регионального продукта использованы методы градиентного бустинга (XGBoost, CatBoost) и случайного леса (Random Forest). На основе полученных прогнозов рассчитаны показатели межрегиональной дифференциации: коэффициент вариации, индекс Тейла и квартильный размах. Предложена двухэтапная методика прогнозирования дифференциации, включающая: 1) прогнозирование темпов роста валового регионального продукта каждого региона с использованием ансамблевых методов машинного обучения (средняя абсолютная процентная ошибка MAPE составила 2,67 %); 2) расчет и прогноз показателей межрегиональной дифференциации на 2026–2028 гг. Выполнена типологизация регионов Уральского макрорегиона по устойчивости темпов роста и характеру динамики дифференциации. Установлено, что наибольший вклад в усиление межрегиональных различий вносят ресурсные регионы, тогда как индустриальные регионы демонстрируют конвергентную динамику. Показано, что разработанная модель позволяет с высокой точностью прогнозировать точки перелома в динамике дифференциации, связанные с изменением внешнеэкономической конъюнктуры.
The purpose of the work is to develop and test a methodology for predicting the interregional differentiation of the growth rates of the gross regional product of the subjects of the Ural macroregion based on machine learning methods for information support of decision–making in the field of spatial policy. The research is based on the theory of spatial development and the concept of regional convergence/divergence. The methods of gradient boosting (XGBoost, CatBoost) and random Forest were used to predict the growth rates of the gross regional product. Based on the forecasts obtained, the indicators of interregional differentiation are calculated: the coefficient of variation, the Tail index and the quartile range. A two-stage methodology for predicting differentiation is proposed, including: 1) forecasting the growth rate of the gross regional product of each region using ensemble machine learning methods (the average absolute percentage error of MAPE was 2,67 %); 2) calculation and forecast of indicators of interregional differentiation for the period 2026-2028. The typologization of the regions of the Ural macroregion is carried out according to the stability of growth rates and the nature of the dynamics of differentiation. It has been established that resource regions make the greatest contribution to the strengthening of interregional differences, while industrial regions demonstrate convergent dynamics. It is shown that the developed model makes it possible to predict with high accuracy the turning points in the dynamics of differentiation associated with changes in the external economic environment.
1. 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 (123). № 3. С. 8–25. DOI: 10.17308/meps.2020.3/2321.
2. Сочков А. Л., Соловьев А. Е. Прогнозирование экономического развития Ставропольского края на базе нейросетевой модели // Актуальные проблемы управления: сборник научных статей по итогам VIII Всероссийской научно-практической конференции (г. Нижний Новгород, 16 ноября 2021 г.). Нижний Новгород: Национальный исследовательский Нижегородский государственный университет им. Н. И. Лобачевского, 2022. С. 386–391.
3. Balungu D. M., Kumar A. Forecasting the Economic Growth of Sverdlovsk Region: A Comparative Analysis of Machine Learning, Linear Regression and Autoregressive Models // Journal of Applied Economic Research. 2024. Vol. 23. Is. 3. P. 674–695. DOI: 10.15826/vestnik.2024.23.3.027.
4. Трифонов Ю. В., Сочков А. Л., Соловьев А. Е. Оценка экономического потенциала регионов РФ на основе методологии нейросетевого кластерного анализа // Вестник Нижегородского университета им. Н. И. Лобачевского. Серия: Социальные науки. 2021. № 3 (63). С. 38–47. DOI: 10.52452/18115942_2021_3_38.
5. Malkina M. Yu., Sochkov A. L., Kapustina Yu. I. Forecasting regional GRP using artificial intelligence methods // Journal of New Economy. 2025. Vol. 26. Is. 3. P. 67–85. DOI: 10.29141/2658-5081-2025-26-3-4.
6. Леонидова Е. Г. Резервы стимулирования конечного потребления населения в регионах Северо-Запада России // Управленец. 2025. Т. 16. № 1. С. 61–75. DOI: 10.29141/2218-5003-2025-16-1-5.
7. Вольчик В. В., Цыганков. С. С., Маскаев А. И. Политика нового менеджмента в государственном секторе как продолжение идеологии неолиберализма // Управленец. 2024. Т. 15. № 6. С. 2–16. DOI: 10.29141/2218-5003-2024-15-6-1.
8. Самсонов А. В., Сергеев Л. И. Прогнозирование динамики регионального ВРП с использованием аппарата рекуррентных нейронных сетей // Russian Economic Bulletin. 2021. Т. 4. № 5. С. 240–252.
9. Кулова М. Р., Соколова Э. Б., Федосова Е. В. Сравнительный анализ статистических и нейросетевых методов прогнозирования ВРП (на примере РСО-Алания) // Финансовый бизнес. 2025. № 11 (269). С. 52–56. EDN: RNFHUC.
10. Плехова Ю. О., Перова В. И. Инновационный метод анализа управления социально-экономическим развитием регионов России с применением нейросетевого моделирования // Вопросы инновационной экономики. 2025. Т. 15. № 1. С. 125–144. DOI: 10.18334/vinec.15.1.122530.
11. Пыхов П. А. Прогнозирование состояния энергобезопасности Урала: методический подход и результаты исследований // Управление экономическими системами: электронный научный журнал. 2019. № 12 (130). С. 65. EDN: AWVWFU.
12. Астраханцева И. А., Герасимов А. С. Прогнозирование региональной инфляции на основе гибридной модели машинного обучения: градиентный бустинг и случайный лес // Научные труды Вольного экономического общества России. 2023. Т. 243. № 5. С. 200–226. DOI: 10.38197/2072-2060-2023-243-5-200-226.
13. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. Is. 1. P. 5–32.
14. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794.
15. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. V., Gulin A. Catboost: Unbiased boosting with categorical features // Advances in Neural Information Processing Systems: 32 (Montreal, QC, 02–08 декабря 2018 г.). Montreal, QC, 2018. P. 6638–6648. EDN: NRYEVS.