moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2022.38.3.004 1202 О подходе к прогнозированию показателей социально-экономического развития региона на основе косвенных показателей On the approach to forecasting indicators of socio-economic development of the region based on indirect indicators 0000-0002-9926-4609 Русанов Михаил Александрович Rusanov Mikhail Aleksandrovich RusanovMA@uriit.ru aff-1 Аббазов Валерьян Ринатович Abbazov Valeryan Rinatovich AbbazovVR@uriit.ru aff-2 Балуев Владимир Александрович Baluev Vladimir Aleksandrovich BaluevVA@uriit.ru aff-3 Бурлуцкий Владимир Владимирович Burlutsky Vladimir Vladimirovich Vladimir.Burlutskiy@gmail.com aff-4 0000-0002-1073-7108 Мельников Андрей Витальевич Melnikov Andrej Vitalievich MelnikovAV@uriit.ru aff-5 Югорский государственный университет АУ Югорский научно-исследовательский институт информационных технологий Department of Digital Technologies of Yugra State University Yugorsky Research Institute of Information Technologies Югорский научно-исследовательский институт информационных технологий Yugorsky Research Institute of Information Technologies Югорский научно-исследовательский институт информационных технологий Yugorsky Research Institute of Information Technologies Группа страховых компаний «Югория» Yugoria Group of Insurance Companies Югорский научно-исследовательский институт информационных технологий Yugorsky Research Institute of Information Technologies 01 01 2026 1 1 10.26102/2310-6018/2022.38.3.004 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

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.

Economic and social development requires constant modernization of the regional management system based on the system of key socio-economic indicators of the region's development and methods of their analysis and forecasting. The article proposes a comprehensive approach to forecasting based on the application of classical forecasting methods for existing time series of statistical indicators and by identifying and analyzing indirect semantically close indicators to a new indicator in the absence of the necessary time series for forecasting. The article provides a general methodology for obtaining a forecast and describes in detail the method for constructing a forecast estimate of the change dynamics in the estimated indicator as well as a description of the AutoML library with open source FEDOT, which was used to build forecasts. The issue of constructing and optimizing a combined forecast with the aid of automatic machine learning tools is considered. At the end of the article, the result of an experiment on predicting the indicators “Population of the subject of the Russian Federation” and “Life expectancy at birth” according to the proposed approaches and a comparison of the findings is presented. It can be concluded that the suggested approach to making a predictive assessment of the change dynamics in the estimated indicator by identifying indirect indicators can be applied to socio-economic indicators of the development of the region.

 социально-экономические показатели прогнозирование неполнота AutoML показатель деятельности высших должностных лиц socio-economic indicators forecasting incompleteness AutoML indicator of senior official activity effectiveness Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References 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». 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. Makridakis S., Spiliotis E. and Assimakopoulos V., Statistical and machine learning forecasting methods: Concerns and ways forward». PLoS ONE. 2018;13(3):e0194889. Makridakis S., Hibon M. The M3-Competition: results, conclusions and implications. International jornal of forecasting. 2000;16(4):451–476. Френкель А., Волкова Н., Сурков А., Романюк Э. Использование методов гребневой регрессии при объединении прогнозов. Финансы: теория и практика. 2018;4:124–133. Френкель А., Волкова Н., Сурков А., Романюк Э. Сравнительный анализ методов построения объединенного прогноза. Вопросы статистики. 2017;7:17–27. Френкель А., Сурков А. Определение весовых коэффициентов при объединении прогнозов. Вопросы статистики. 2017;12:3–15. 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. 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. 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. 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. 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. 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. 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. Tilly S. and Livan G. Macroeconomic forecasting with statistically validated knowledge graphs. 2021. Available by: https://arxiv.org/abs/2104.10457. 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. 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. 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. 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. 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. 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.

The authors declare that there are no conflicts of interest present.