О подходе к прогнозированию показателей социально-экономического развития региона на основе косвенных показателей

Экономическое и общественное развитие требует постоянной модернизации системы управления, основанной на системе ключевых социально-экономических показателей развития региона и методах их анализа и прогнозирования. В статье предлагается комплексный подход к построению прогноза как на основе применения классических методов для существующих временных рядов статистических показателей, так и посредством выявления и анализа косвенных, семантически близких к новому показателей, в случае отсутствия у него необходимого для прогноза временного ряда. Приведена общая методика получения прогноза и подробно описана методика построения прогнозной оценки динамики изменения расчетного показателя, а также приведено описание библиотеки AutoML с открытым исходным кодом FEDOT, которая использовалась для построения прогноза. Рассмотрен вопрос построения и оптимизации комбинированного прогноза на основе автоматических средств машинного обучения. В заключении представлен результат эксперимента по прогнозированию показателей «Население субъекта Российской Федерации» и «Ожидаемая продолжительность жизни при рождении» по предложенным подходам и сравнение полученных результатов. Сделан вывод, что предложенный подход к формированию прогнозной оценки динамики изменения расчетного показателя на основе выделения косвенных показателей может быть применен к социально-экономическим показателям развития региона.

1. Указ Президента РФ от 04.02.2021 N 68 «Об оценке эффективности деятельности высших должностных лиц (руководителей высших исполнительных органов государственной власти) субъектов Российской Федерации и деятельности органов исполнительной власти субъектов Российской Федерации».

2. Постановление Правительства РФ от 03.04.2021 N 542 «Об утверждении методик расчета показателей для оценки эффективности деятельности высших должностных лиц (руководителей высших исполнительных органов государственной власти) субъектов Российской Федерации и деятельности органов исполнительной власти субъектов Российской Федерации.

3. Makridakis S., Spiliotis E. and Assimakopoulos V., Statistical and machine learning forecasting methods: Concerns and ways forward». PLoS ONE. 2018;13(3):e0194889.

4. Makridakis S., Hibon M. The M3-Competition: results, conclusions and implications. International jornal of forecasting. 2000;16(4):451–476.

5. Френкель А., Волкова Н., Сурков А., Романюк Э. Использование методов гребневой регрессии при объединении прогнозов. Финансы: теория и практика. 2018;4:124–133.

6. Френкель А., Волкова Н., Сурков А., Романюк Э. Сравнительный анализ методов построения объединенного прогноза. Вопросы статистики. 2017;7:17–27.

7. Френкель А., Сурков А. Определение весовых коэффициентов при объединении прогнозов. Вопросы статистики. 2017;12:3–15.

8. Polonskaia I., Nikitin N., Revin I., Vychuzhanin P. and Kalyuzhnaya A. Multi-objective evolutionary design of composite data-driven models. 2021 IEEE Congress on Evolutionary Computation (CEC). 2021:926–933.

9. Xie Y. and Jiang H. Stock market forecasting based on text mining technology: A support vector machine method. Journal of Computers. 2017;12(6):500–510.

10. Kuh S., Chiu G. and Westveld A. Modeling national latent socioeconomic health and examination of policy effects via causal inference. 2019. Available by: https://arxiv.org/abs/1911.00512.

11. Yagi I., Masuda Y. and Mizuta T. Analysis of the impact of high-frequency trading on artificial market liquidity. IEEE Transactions on Computational Social Systems. 2020;7:1324–1334.

12. He Q., Panp P. and Si Y. Multi-source transfer learning with ensemble for financial time series forecasting. 2020 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT). 2020;1:227–233.

13. Weeraddana D., Khoa N., O Neil L., Wang W. and Cai C. Energy Consumption Forecasting Using a Stacked Nonparametric Bayesian Approach. Machine Learning and Knowledge Discovery in Databases. Applied Data Science and Demo Track. ECML PKDD 2020. Lecture Notes in Computer Science. 2021;12461.

14. Rajapaksha D., Bergmeir C. and Hyndman R.J. LoMEF: A Framework to Produce Local Explanations for Global Model Time Series Forecasts. 2021. Available by: https://arxiv.org/abs/2111.07001.

15. Tilly S. and Livan G. Macroeconomic forecasting with statistically validated knowledge graphs. 2021. Available by: https://arxiv.org/abs/2104.10457.

16. Huang J., Chang K., Xiong J. and Hwu W. Open relation modeling: Learning to define relations between entities. 2021. Available by: https://arxiv.org/abs/2108.09241v1.

17. Nimishakavi M., Saini U. and Talukdar P. Relation schema induction using tensor factorization with side information. 2016 Conference on Empirical Methods in Natural Language Processing. 2016:414–423.

18. Feurer M., Klein A., Eggensperger K., Springenberg J.T., Blum M., and Hutter F. Auto-sklearn: efficient and robust automated machine learning. Automated Machine Learning. Springer, Cham. 2019:113–134.

19. Drori I., Krishnamurthy Y., Rampin R., Lourenco R., One J., Cho K., Silva C. and Freire J. AlphaD3M: Machine learning pipeline synthesis. ICML AutoML workshop. 2018.

20. Coors S., Schalk D., Bischl B. and Rügamer D. Automatic Componentwise Boosting: An Interpretable AutoML System. 2021. Available by: https://arxiv.org/abs/2109.05583.

21. Luo Z., He Z., Wang J., Dong M., Huang J., Chen M. and Zheng B. AutoSmart: An Efficient and Automatic Machine Learning framework for Temporal Relational Data. Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. 2021:3976–3984.