сотрудник с 01.01.2025 по настоящее время
Российский государственный университет им. А.Н. Косыгина (Технологии. Дизайн. Искусство) (АСОИиУ, преподаватель)
сотрудник с 01.01.2022 по 01.01.2025
г. Москва и Московская область, Россия
сотрудник с 01.01.2005 по настоящее время
Москва, Россия
сотрудник с 01.01.1998 по настоящее время
Павловский Посад, г. Москва и Московская область, Россия
ВАК 5.2.5 Мировая экономика
УДК 330.46 Теория систем, теория управления и кибернетика в экономике. Экономическая кибернетика
УДК 004.89 Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
ГРНТИ 06.52 Экономическое развитие и рост. Прогнозир-ние и планирование экономики. Экономич. циклы и кризисы
ОКСО 38.00.00 Экономика и управление
ОКСО 38.06.01 Экономика
ББК 65 Экономика. Экономические науки
ББК 6501 Общая экономическая теория
ББК 6505 Управление экономикой. Экономическая статистика. Учет. Экономический анализ
ТБК 7 ОБЩЕСТВЕННЫЕ НАУКИ. ЭКОНОМИКА. ПРАВО.
ТБК 772 Экономический анализ и планирование
ТБК 773 Мировая экономика
BISAC BUS049000 Operations Research
Статья посвящена изучению методов машинного обучения (МО) и их применению в экономике. Рассматриваются различные подходы, такие как классификация, регрессия, кластеризация и анализ текста, применяемые для решения ключевых задач, включая прогнозирование макроэкономических показателей, управление рисками и повышение эффективности бизнес-процессов. Проводится сравнение традиционного эконометрического анализа с новыми методами, основанными на искусственном интеллекте. Основной акцент делается на эмпирическом анализе, проведенном на открытых данных Всемирного банка, а также на практических примерах успешной реализации проектов с использованием МО. Отдельно рассматриваются преимущества и ограничения машинного обучения, а также поднимаются важные вопросы этики, связанные с возможными предвзятыми результатами алгоритмов. Полученные результаты представляют интерес для исследователей и практиков, стремящихся повысить качество прогнозирования и принятия решений в условиях быстро растущего объема данных. Общая цель статьи заключается в демонстрации современного состояния и перспектив применения МО в экономике.
машинное обучение, эконометрика, прогнозирование ВВП, сегментация рынков, финансовое моделирование, экономическая политика, кластеризация, регрессия, обработка текстовых данных, риск-менеджмент
1. Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685–725.
2. Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3–28.
3. Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, 31(2), 87–106.
4. Abdukhalilova, L. T. Applying machine learning methods in electronic document management systems / L. T. Abdukhalilova, O. Yu. Iliashenko, D. Yu. Alchinova // Technoeconomics. – 2023. – Vol. 2, No. 4(7). – P. 61-71. – DOIhttps://doi.org/10.57809/2023.2.4.7.6. – EDN GRCBLV.
5. Бова В. В., Кравченко Ю. А., Родзин С. И. Методы и алгоритмы кластеризации текстовых данных // Известия ЮФУ. Технические науки. 2022. № 4(228), С. 122–143. DOIhttps://doi.org/10.18522/2311-3103-2022-4-122-143. EDN QLLPYM.
6. Ходжаханов В. А., Адаев Р. Б. Методы анализа и визуализации средствами машинного обучения // Сборник трудов конференции ИНТЕКС-2025. Часть 5. М.: РГУ им. А. Н. Косыгина, 2025. С. 227–231.
7. Вахромеева Е. Н., Зензинова Ю. Б. Автоматизация кластеризации компаний по финансовым показателям с использованием алгоритма K-means // Дискуссия. 2024. № 5(126), С. 46–50. EDN HZSNEV.
8. Реальные кейсы применения искусственного интеллекта в промышленности. URL: https://trubomet.ru/blog-post/realnye-kejsy-primeneniya-ii-v-promyshlennosti/ (дата обращения: 22.10.2025).
9. EORA: Искусственный интеллект как инструмент повышения маржинальности бизнеса. URL: https://eora.ru/blog/article/5-bisznes-keisov-marzhinalnosti (дата обращения: 22.10.2025).
10. Kleinberg, J., Ludwig, J., & Mullainathan, S. (2018). Algorithmic fairness. AEA Papers and Proceedings, 108, 22–27.
11. Адаев Р. Б., Севостьянов П. А. Цифровые методы принятия решений в задачах управления запасами // Научный аспект. 2024. Т. 25, № 7, С. 3168–3176.
12. Кирсанова О. Г., Прохоренков П. А., Регер Т. В. Макроэкономический анализ отраслей экономики при помощи методов машинного обучения // Экономика и предпринимательство. 2024. № 5(166), С. 337–342. DOIhttps://doi.org/10.34925/EIP.2024.166.5.068. EDN EPHZCR.
13. PwC. (2017). Экономическое воздействие искусственного интеллекта на экономику Великобритании. PwC UK. URL: https://www.pwc.co.uk/economic-services/assets/ai-uk-report-v2.pdf (дата обращения: 22.10.2025).
14. Goulet Coulombe, P., et al. (2023). Machine learning for economics research: when, what and how. Bank of Canada Staff Analytical Note, 2023-16.
15. Развитие методов машинного обучения и информационных технологий для решений задач экономических исследований: моделирование стоимости медиакомпании / Д. Г. Родионов, А. В. Половян, П. А. Пашинина, Е. А. Конников // Вестник Института экономических исследований. – 2023. – № 3(31). – С. 224-238. – EDN PTMCLG.
16. Эггерс, Д. Л., Нюман, А. (2020). Влияние машинного обучения на экономику // Стэнфордская школа бизнеса. URL: https://www.gsb.stanford.edu/faculty-research/publications/impact-machine-learning-economics (дата обращения: 22.10.2025).
17. Turing. (2025). 10 реальных кейсов науки о данных, которые стоит изучить. URL: https://www.turing.com/resources/data-science-case-studies (дата обращения: 22.10.2025).
18. ProjectPro. (2024). Кейсы машинного обучения с важными выводами. URL: https://www.projectpro.io/article/machine-learning-case-studies/855 (дата обращения: 22.10.2025).
