Прогнозирование экономического развития Донецкой Народной Республики до 2040 г. с использованием нейросетевых алгоритмов

В статье рассматривается подход к долгосрочному прогнозированию экономического развития Донецкой Народной Республики (ДНР) Российской Федерации на период до 2040 г. с использованием нейросетевых алгоритмов. Актуальность исследования обусловлена необходимостью встраивания экономики ДНР и города Донецка в единое экономическое пространство Российской Федерации и ограниченной полнотой статистических данных по региону, высокой неопределенностью внешней среды и задачей формирования обоснованных ориентиров стратегического планирования социально-экономического развития. В качестве методологической основы предложена гибридная генеративная модель, сочетающая условный вариационный автоэнкодер (Conditional Variational Autoencoder – CVAE), и генеративно-состязательная сеть (Wasserstein GAN – WGAN), дополненная нейросетевым механизмом импутации пропусков временных рядов (TimeVAE). Модель обучена на многомерных временных рядах социально-экономических показателей Донецкой Народной Республики и сопоставимых по структуре и отраслевому набору регионов Российской Федерации (Ростовская, Свердловская и Кемеровская области), что позволяет учитывать как общие закономерности регионального развития, так и специфику исследуемой территории. Проведена проверка модели на выбранных регионах, которая продемонстрировала устойчивое качество прогнозирования на горизонте до двух лет. На основе настроенной модели сформирован базовый сценарий динамики валового регионального продукта и ключевых макроэкономических индикаторов ДНР до 2040 г. Полученные результаты указывают на потенциал восстановительного роста экономики региона с постепенным переходом к умеренным темпам развития в долгосрочной перспективе. В работе анализируются особенности сглаженной траектории прогноза, обусловленные вероятностной природой генеративной модели, характером исходных данных и встроенными экономическими ограничениями. Обсуждаются преимущества и ограничения предложенного подхода, а также возможности его использования в системе стратегического планирования регионального развития.

1. Барщевский Е. Г. Генеративно-состязательные нейронные сети // East European Scientific Journal. – 2024. – № 01 (98). – С. 4.

2. Долгих Е. А., Кудряшова Т. В. Прогнозирование инфляции на уровне региона в краткосрочном периоде на основе использования модели векторной авторегрессии // BENEFICIUM. – 2023. – № 2 (47). – С. 41–56.

3. Кетова К. В., Касаткина Е. В., Вавилова Д. Д. Кластеризация регионов Российской Федерации по уровню социально-экономического развития с использованием методов машинного обучения // Экономические и социальные перемены: факты, тенденции, прогноз. – 2021. – Т. 14. – № 6. – С. 70–85.

4. Чуб В. С. Использование рекуррентных нейронных сетей для анализа временных рядов и выявления тенденций в данных // Образовательные ресурсы и технологии. – 2024. – № 2 (47). – С. 91–102.

5. Яркова О. Н. Импутация данных методом статистического моделирования // Электронный научный журнал «Инженерный вестник Дона». – 2023. – № 6. – С. 1–18.

6. Kingma D. P., Welling M. Auto-Encoding Variational Bayes // Proceedings of the 2nd International Conference on Learning Representations. – 2014. – URL: https://www2.cs.arizona.edu/~pachecoj/courses/csc665-1/papers/kingma_vae_14.pdf

7. Tailoring Generative Adversarial Networks for Smooth Airfoil Design. – URL: https://arxiv.org/html/2404.11816v1