Методические подходы к выбору оптимальных моделей прогнозирования динамики деловой активности на данных конъюнктурных опросов

ИСИЭЗ НИУ ВШЭ, 2026.

Лола И. С., Асосков Д. Г., Урсуленко В. С.

Руководитель авторского коллектива: Лола И. С.

Настоящая работа посвящена сравнению эффективности классических эконометрических моделей и современных алгоритмов машинного и глубокого обучения для кратко- и среднесрочного прогнозирования качественных данных бизнес-опросов деловой активности обрабатывающих производств России. На основе данных за период с января 2010 г. по март 2026 г. было комплексно протестировано 10 различных подходов, включая классические модели ARIMA, VAR, ETS, алгоритм XGBoost и различные нейросетевые архитектуры, такие как LSTM, GRU и Autoformer.

Эмпирические результаты опровергают ожидание о безусловном превосходстве сложных моделей: классические методы в среднем демонстрируют более высокую точность и устойчивость как на кратко- так и на среднесрочном горизонте планирования. Исследование подтверждает отсутствие универсального прогностического инструмента и рекомендует аналитикам начинать моделирование с простых классических подходов, переходя к нейросетям лишь при наличии достаточного объема данных и выраженных нелинейных зависимостей. Обоснованный выбор модели с учетом специфики качественной статистики признается ключевым фактором повышения надежности управленческих решений в условиях современной экономической турбулентности.

Ключевые слова: обрабатывающая промышленность, прогнозирование, конъюнктурный мониторинг, VAR, ARIMA-модели, LSTM, ETS, GRU, StemGNN, Autoformer, NLinear, TCN, модели машинного обучения (XGBoost)

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА: Оценка делового климата в условиях формирования новой модели экономического роста на базе результатов конъюнктурных обследований (2025)