Пространственные особенности социально-трудовых отношений мегаполисов РФ и их моделирование с использованием нейросетевых решений
Журнал: Проблемы развития территории @pdt-vscc-ac
Рубрика: Территориальная организация и управление
Статья в выпуске: 5 т.30, 2026 года.
Бесплатный доступ
Цифровизация экономики и нарастающая внутригородская неоднородность занятости обесценивают среднегородские показатели как управленческий ориентир: решения принимаются на уровне отдельных зон, тогда как статистика описывает город целиком. Цель исследования – разработать и апробировать гибридную объяснимую нейросетевую модель (Hybrid NFE) для анализа пространственных особенностей социально-трудовых отношений мегаполисов РФ. Проверяется гипотеза о том, что совмещение нейросетевого прогнозирования, нечеткого вывода и пространственного подхода одновременно повышает точность прогноза и его интерпретируемость, что недостижимо ни для классических эконометрических спецификаций, ни для «черноящичных» моделей машинного обучения. Архитектура модели объединяет нечеткий вывод Такаги – Сугено – Канга первого порядка, эволюционный подбор параметров и модуль объяснимости на основе SHAP. Информационную базу составили 24 индикатора по пятнадцати крупнейшим мегаполисам за 2020– 2025 гг. (обучение – 2020–2023 гг., тестирование – 2024–2025 гг.) в разрезе укрупненных городских зон: ядра, полуцентров, жилых районов, пригородного пояса и специализированных территорий. На тестовой выборке Hybrid NFE достигает MAPE 5,4% и R² 0,92 против 8–9% и 0,75–0,78 у ARIMA и 6,3% и 0,89 у LSTM, снижая ошибку прогноза на 20–25% относительно SVR и случайного леса. Кластерный анализ выделяет три типа мегаполисов по напряженности рынка труда, а SHAP-анализ фиксирует пространственный сдвиг значимости факторов: в ядре доминируют индикаторы денежно-кредитной политики и транспортная доступность, на периферии – миграция и доля платформенной занятости. Научная новизна состоит в переносе гибридной нейро-фаззи-эволюционной архитектуры с задач транспорта, экологии и финансовых рядов на пространственный анализ социально-трудовой динамики и в получении верифицируемых правил «если – то» вместо непрозрачного прогноза. Ограничение исследования – укрупненный пространственный масштаб данных. Результаты могут быть использованы органами власти и бизнесом при разработке мер занятости, кадровой политики и городского развития.
Короткий адрес: https://sciup.org/147255092
IDS: 147255092 | УДК: 332.146.2 | DOI: 10.15838/ptd.2026.5.145.6
Spatial features of social and labor relations in Russian megacities and their modeling using neural network solutions
The digitalization of the economy and the growing heterogeneity of employment within Russia's largest cities render citywide averages inadequate as a basis for policy: decisions are taken at the level of individual urban zones, whereas official statistics describe the city as a whole. The purpose of the study is to develop and test a hybrid explainable neural network model (Hybrid NFE) for analyzing the spatial features of social and labor relations in Russian megacities. The hypothesis is that combining neural network forecasting, fuzzy inference and a spatial approach simultaneously improves forecast accuracy and interpretability – an outcome attainable neither by classical econometric specifications nor by black-box machine learning models. The architecture integrates first-order Takagi – Sugeno – Kang fuzzy inference, evolutionary parameter search and a SHAP-based explainability module. The empirical base comprises 24 indicators for the fifteen largest megacities over 2020–2025 (training on 2020–2023, testing on 2024–2025), disaggregated into the core, semi-centers, residential districts, the suburban belt and specialized territories. On the test sample Hybrid NFE reaches a MAPE of 5.4% and R² of 0.92, against 8–9% and 0.75–0.78 for ARIMA and 6.3% and 0.89 for LSTM, reducing forecast error by 20–25% relative to SVR and Random Forest. Cluster analysis identifies three types of megacities by labor market tension, while SHAP analysis records a spatial shift in factor weights: monetary policy indicators and transport accessibility dominate in the core, migration and the share of platform employment on the periphery. The scientific novelty lies in transferring the hybrid neuro-fuzzy-evolutionary architecture from traffic, environmental and financial applications to the spatial analysis of labor dynamics, and in producing verifiable if-then rules instead of an opaque forecast. The main limitation is the aggregated spatial scale of the data. The findings can be used by public authorities and business in designing employment, workforce and urban development policies.
