Прогнозирование макроэкономических показателей на основе рекуррентной нейронной сети

Прогнозирование макроэкономических показателей является ключевым инструментом для принятия решений на уровне государства и бизнеса. Традиционные методы прогнозирования, такие как линейная регрессия и ARIMA, часто не справляются с анализом сложных динамических зависимостей в данных. Рекуррентные нейронные сети (RNN), особенно их модификации LSTM (Long Short-Term Memory) и GRU (Gated Recurrent Unit), предоставляют новые возможности для анализа временных рядов и учета исторических данных [1]. Данная статья направлена на исследование применения RNN для прогнозирования макроэкономических показателей.

Рекуррентные нейронные сети (RNN) – это класс нейронных сетей, предназначенный для обработки последовательных данных, таких как временные ряды. Основная особенность RNN заключается в том, что они сохраняют информацию о предыдущих шагах последовательности, что позволяет учитывать

ГРНТИ 06.52.35

EDN KXCGPN

Рамиля Рамисовна Латыпова – кандидат экономических наук, заместитель директора колледжа Санкт-Петербург ского государственного морского технического университета. ORCID 0000-0002-7369-0159

исторические данные при анализе текущего состояния [4]. Преимущества RNN: учет временных зависимостей и способность моделировать сложные взаимосвязи между данными; гибкость, т.е. возможность работы с данными различной длины; минимизация ручного анализа данных. RNN бывают двух модификаций: LSTM (Long Short-Term Memory) – эффективна для анализа длинных временных рядов; GRU (Gated Recurrent Unit) – более быстрая альтернатива LSTM [5].

Материалы и методы

Для прогнозирования макроэкономических показателей с использованием RNN необходимо произвести выбор показателей. Для исследования были выбраны следующие макроэкономические показатели: валовой внутренний продукт (ВВП), который отражает общую экономическую активность страны; инфляция, которая измеряет изменение уровня цен на товары и услуги; безработица, которая характеризует состояние рынка труда. Данные были собраны за период 2000–2024 гг. из открытых информационных ресурсов Росстата и Центрального банка РФ.

Показатели анализа для ВВП были выбраны следующие: ВВП (в триллионах рублей), темпы ро-ста/спада ВВП (%), основные факторы, влияющие на ВВП, в т.ч. цены на нефть и газ, курсы валют, геополитическая обстановка, санкции. Показатели анализа для безработицы были выбраны следующие: объем расходов на безработицу (в млрд рублей), уровень безработицы (%), количество безработных (млн человек). Показатели анализа инфляции были выбраны следующие: уровень инфляции (%), экономические потери от инфляции (в млрд рублей), реальные доходы населения, изменение стоимости основных товаров и услуг.

Для анализа были использованы данные, представленные на диаграммах, приводимых в данном разделе статьи. Так, на рисунке 1 представлена диаграмма с данными о ВВП России в триллионах рублей (рисунок построен по данным Росстата и Центрального банка РФ).

Рис. 1. ВВП России, млрд руб.

Проанализируем динамику ВВП. Можно выделить следующие основные этапы:

• 1.    Период роста (2000–2008): высокие темпы роста, обусловленные благоприятной конъюнктурой мировых рынков; рост цен на нефть и газ как основной драйвер экономики.

• 2.    Финансовый кризис (2008–2009): резкий спад ВВП из-за мирового финансового кризиса; падение цен на нефть и ухудшение условий торговли.

• 3.    Восстановление (2010–2013): постепенное восстановление экономики; замедление темпов роста из-за структурных проблем.

• 4.    Санкционный период (2014–2015): снижение ВВП из-за санкций и падения цен на нефть; девальвация рубля.

• 5.    Стагнация (2016–2019): умеренные темпы роста; влияние внутренних факторов (низкая инвестиционная активность).

• 6.    Пандемия и новые вызовы (2020–2023): падение ВВП из-за пандемии и санкционных ограничений; адаптация к санкциям и геополитической напряженности.

Факторы, влияющее на ВВП: положительные факторы – высокие цены на нефть и газ, а также рост экспорта и государственные программы поддержки экономики; отрицательные факторы – санкции и геополитическая напряженность, пандемия и ограничения, структурные проблемы экономики [3].

На рисунке 2 представлена диаграмма с данными о безработице России (по данным Росстата и Центрального банка РФ).

Рис. 2. Безработица в России, %

Проанализируем динамику уровня безработицы. Основные этапы:

• 1.    Период стабилизации (2000–2008), который характеризуется постепенным снижением уровня безработицы. Расходы на поддержку безработных находились на уровне 25–70 млрд руб.

• 2.    Финансовый кризис (2008–2009): резкий рост числа безработных до 5,6 млн человек, расходы на преодоление безработицы и поддержку безработных увеличились до 120 млрд руб.

• 3.    Восстановление (2010–2019): снижение уровня безработицы до 4,6%, расходы, связанные с безработицей, стабилизировались на уровне 70–90 млрд руб.

• 4.    Пандемия COVID-19 (2020): рост числа безработных до 4,3 млн человек, расходы, связанные с безработицей, достигли пика в 200 млрд руб.

• 5.    Современный период (2021–2023) характеризуется снижением расходов благодаря восстановлению рынка труда, безработица находится на исторически минимальном уровне.

Выделены следующие факторы, влияющие на расходы, связанные с безработицей: экономические кризисы, так финансовые кризисы (2008–2009, 2014–2015) и пандемия (2020) привели к росту числа безработных и увеличению расходов; государственные программы поддержки (в кризисные периоды государство увеличивало размер пособий и расширяло программы переобучения); инфляция и курс рубля (рост цен и девальвация рубля увеличивали реальные затраты на поддержку безработных) [4].

На рисунке 3 представлена диаграмма с данными об уровне инфляции России (составлена по данным Росстата и Центрального банка РФ).

Проанализируем динамику инфляции. Основные этапы в ее динамике:

• 1.    Период высокой инфляции (2000–2008): уровень инфляции превышал 10%, экономические потери из-за инфляции достигали 2 трлн руб.

• 2.    Снижение инфляции (2009–2019): уровень инфляции снизился до 3–6%, потери стабилизировались на уровне 2,0–2,5 трлн руб.

• 3.    Пандемия и кризисы (2020–2023): рост инфляции до 11,9%, потери увеличились до 5,5 трлн руб.

• 4.    Современный период (2024): уровень инфляции – 9,5%, потери – 4,5 трлн руб.

Рис. 3. Инфляции в России, %

Факторы, влияющие на инфляцию: экономические кризисы (финансовые кризисы (2008–2009, 2014–2015) и пандемия (2020) привели к росту инфляции и увеличению потерь); государственные меры (политика Центрального банка РФ по снижению инфляции через изменение ключевой ставки, поддержка населения через социальные программы); внешние факторы (рост цен на нефть и газ, санкции и геополитическая напряженность.

Результаты и обсуждение

На основе описанных данных была составлена программа на Python для их обработки. Разделение данных выполнено в следующей пропорции: обучающая выборка – 80% данных (2000–2019 годы), тестовая выборка – 20% данных (2020–2024 годы). На основе обученной модели был выполнен прогноз макроэкономических показателей на 2025 год. В результате применения модели были получены следующие результаты прогнозирования на 2025 год:

• •    ВВП: 204,8 трлн рублей (рост на 2,4% относительно 2024 года);

• •    безработица: 2,48% (снижение на 0,1% относительно 2024 года);

• •    инфляция: 9,43% (снижение на 0,7% относительно 2024 года).

Была выполнена оценка точности. Метрики качества модели: MAE (Mean Absolute Error): 0,5 трлн руб. (для ВВП); RMSE (Root Mean Squared Error): 0,7 трлн руб. (для ВВП); R² (коэффициент детерминации): 0,95. Эти показатели говорят о приемлемо высоком качестве прогнозирования.

Анализ динамики макроэкономических показателей России за период 2000–2024 годы показывает значительные изменения, вызванные как внешними, так и внутренними факторами. Несмотря на достигнутые успехи, экономика сталкивается с рядом вызовов, требующих комплексного подхода к решению. Прогнозирование макроэкономических показателей с использованием современных методов позволяет разрабатывать стратегии для устойчивого развития экономики [2].

Заключение

Прогнозирование макроэкономических показателей с использованием рекуррентных нейронных сетей демонстрирует высокую точность и возможность учета сложных временных зависимостей. Однако успешное внедрение модели требует качественной подготовки данных, выбора подходящей архитектуры и постоянного мониторинга результатов. В будущем развитие технологий прогнозирования откроет новые горизонты для управления экономическими процессами, что, по мнению автора, потребует проведения дальнейших исследований, направленных на интеграцию экономико-математических методов в практику управления.