Вестник Поволжского государственного университета сервиса. Серия: Экономика

2073-93382949-1983

10.65891/2949-1983-2026-22-2-10-13

Other

ПРОГНОЗИРОВАНИЕ ВРП РЕГИОНОВ УРАЛЬСКОГО МАКРОРЕГИОНА С ИСПОЛЬЗОВАНИЕМ LSTM-МОДЕЛЕЙ В УСЛОВИЯХ СТРУКТУРНОЙ ПЕРЕСТРОЙКИ ЭКОНОМИКИ

FORECASTING THE GRP OF THE URAL MACROREGION REGIONS USING LSTM MODELS IN THE CONTEXT OF ECONOMIC RESTRUCTURING

КУКЛИНОВА

Полина Сергеевна

KUKLINOVA

Polina Sergeevna

kuklinova_ps@usue.ru

https://orcid.org/0000-0003-3027-2165

Ural State University of Economics (Russia, Yekaterinburg)Уральский государственный экономический университет (Россия, Екатеринбург)

29062026

222(85)10132303202613042026https://creativecommons.org/licenses/by-nc/4.0/

CC BY-NC 4.0

https://pvguseconomy.ru/ru/portfolio/2026/no2-85-2026/prognozirovanie-vrp-regionov-uralskogo-makroregiona-s-ispolzovaniem-lstm-modelej-v-usloviyakh-strukturnoj-perestrojki-ekonomiki.html

Современная экономическая ситуация характеризуется высокой неопределённостью: санкционные ограничения, политика импортозамещения и структурная перестройка промышленности требуют от региональных властей более точных и адаптивных инструментов прогнозирования. Для субъектов Уральского макрорегиона, где промышленный сектор остаётся системообразующим, такие инструменты приобретают особое значение. В статье предлагается нейросетевая модель прогнозирования валового регионального продукта (ВРП), построенная на основе рекуррентных сетей с долгой краткосрочной памятью (LSTM). Исходные данные – официальная статистика Росстата за 2005–2024 гг. по шести регионам макрорегиона. Для повышения точности прогнозов применена предварительная кластеризация территорий со сходной отраслевой структурой, что позволило расширить обучающие выборки за счёт регионов-аналогов. Сравнительная оценка показала, что LSTM-модель обеспечивает снижение среднеквадратичной ошибки на 18–25 % для индустриальных регионов и на 12–15 % для ресурсных по сравнению с классической ARIMA. Разработанный подход может быть использован региональными органами управления для уточнения бюджетных параметров и корректировки стратегий развития.

The current economic situation is characterized by high uncertainty: sanctions restrictions, import substitution policies, and industrial restructuring require more accurate and adaptive forecasting tools from regional authorities. For the subjects of the Ural macro-region, where the industrial sector remains systemically important, such tools are of particular importance. The article proposes a neural network model for forecasting gross regional product (GRP) based on recurrent networks with long-term short-term memory (LSTM). The initial data are the official statistics of Rosstat for 2005–2024 for six regions of the macroregion. To improve the accuracy of forecasts, preliminary clustering of territories with a similar industry structure was applied, which made it possible to expand the training samples at the expense of analog regions. A comparative assessment showed that the LSTM model reduces the root-mean-square error by 18–25 % for industrial regions and by 12–15 % for resource regions compared to the classical ARIMA. The developed approach can be used by regional governments to clarify budget parameters and adjust development strategies.

валовой региональный продукт (ВРП)нейросетевое моделированиеLSTM-сетипрогнозированиеУральский макрорегионрегиональная экономика

Gross regional product (GRP)neural network modelingLSTM networksforecastingUral macroregionregional economy

1. Самсонов, А. В. Прогнозирование динамики регионального ВРП с использованием аппарата рекуррентных нейронных сетей / А. В. Самсонов, Л. И. Сергеев // Russian Economic Bulletin. – 2021. – Т. 4, № 5. – С. 240-252. – EDN ETSFAV.

2. Кулова, М. Р. Сравнительный анализ статистических и нейросетевых методов прогнозирования ВРП (на примере РСО-Алания) / М. Р. Кулова, Э. Б. Соколова, Е. В. Федосова // Финансовый бизнес. – 2025. – № 11(269). – С. 52-56. – EDN RNFHUC.

3. Азарнова, Т. В. Прогнозирование параметров социально-экономического развития региона с использованием аппарата нейронных сетей (на примере ВРП Воронежской области) / Т. В. Азарнова, Ю. И. Трещевский, С. Н. Папин // Современная экономика: проблемы и решения. – 2020. – № 3(123). – С. 8-25. – DOI 10.17308/meps.2020.3/2321. – EDN PKXNNJ.

4. Ельшин, Л. А. Методические подходы к прогностической оценке динамики ВРП региона в условиях санкционных атак / Л. А. Ельшин, А. Д. Гатин, А. М. Мингулов // Современные технологии управления. – 2024. – № 1(105). – EDN CZAFPS.

5. Ghazo, A. Applying the ARIMA Model to the Process of Forecasting GDP and CPI in the Jordanian Economy / A. Ghazo // International Journal of Financial Research. – 2021. – Vol. 12, No. 3. – P. 70. – DOI 10.5430/ijfr.v12n3p70. – EDN SGMFME.

6. Barbaglia, L. Forecasting GDP in Europe with textual data / L. Barbaglia, S. Consoli, S. Manzan // Journal of Applied Econometrics. – 2024. – Vol. 39, No. 2. – P. 338-355. – DOI 10.1002/jae.3027. – EDN WYINXX.

7. Chow, H. K. Forecasting GDP with many predictors in a small open economy: forecast or information pooling? / H. K. Chow, Y. Fei, D. Han // Empirical Economics. – 2023. – Vol. 65, No. 2. – P. 805-829. – DOI 10.1007/s00181-022-02356-9. – EDN RRTOTG.

8. Yusuf, M. A. Forecasting GDP Per Capita in the USA: Integrating Econometric and Machine Learning Approaches for Policy Insights / M. A. Yusuf // International Journal of Innovative Science and Research Technology (IJISRT). – 2025. – P. 2081-2100. – DOI 10.38124/ijisrt/25mar1083. – EDN FBMQJY.

9. Galimberti, J. K. Forecasting GDP Growth from Outer Space / J. K. Galimberti // Oxford Bulletin of Economics and Statistics. – 2020. – Vol. 82, No. 4. – P. 697-722. – DOI 10.1111/obes.12361. – EDN EVVFUK.

10. Китрар, Л. А. Прогнозирование роста ВВП с учетом кризисных шоков на основе результатов обследований деловой активности / Л. А. Китрар, Т. М. Липкинд, Н. А. Усов // Вопросы статистики. – 2021. – Т. 28, № 4. – С. 80-95. – DOI 10.34023/2313-6383-2021-28-4-80-95. – EDN TXOJFG.

11. Aralbaeva, G. G. Analysis of the structure and dynamics of GRP of the Kyzylorda region of the Republic of Kazakhstan / G. G. Aralbaeva, U. D. Berikbolova // Экономика и предпринимательство. – 2023. – No. 7(156). – P. 462-467. – DOI 10.34925/EIP.2023.156.7.077. – EDN PFXYYZ

12. Холодная, А. К. Особенности влияния межрегиональных дисбалансов по доле научно-исследовательского персонала на ВРП на душу населения / А. К. Холодная // Вестник Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых. Серия: Экономические науки. – 2020. – № 2(24). – С. 5-8. – EDN TRSNDH.

13. Смирнова, О. П. Влияние цифровых технологий отраслей промышленности на экономический рост индустриальных регионов / О. П. Смирнова, Л. К. Чеснюкова // Региональная экономика: теория и практика. – 2023. – Т. 21, № 9(516). – С. 1653-1670. – DOI 10.24891/re.21.9.1653. – EDN LOVNAT.

14. Смирнова, О. П. Технологическая трансформация промышленности как фактор экономического роста: статистический анализ за период 2010-2022 гг / О. П. Смирнова, Л. К. Чеснюкова // Финансовая аналитика: проблемы и решения. – 2024. – Т. 17, № 1(367). – С. 56-73. – DOI 10.24891/fa.17.1.56. – EDN AJRLMJ.

15. Роткевич, Т. А. Прогнозирование динамики электропотребления и электроёмкости ВРП как элемент программы регионального социально-экономического развития / Т. А. Роткевич // Фундаментальные и прикладные исследования кооперативного сектора экономики. – 2025. – № 4. – С. 125-133. – EDN VABOTI.

16. Smirnova, O. Assessment of Sustainable Development Potential and the Green Growth of the Russian Macro-Region / O. Smirnova, L. Chesnyukova // Green Taxonomy for Sustainable Development: From Green Technologies to Green Economy, Tashkent, Uzbekistan, 14–16 июня 2024 года. Vol. 574. – EDP Sciences - Web of Conferences, Les Ulis, France: EDP Sciences - Web of Conferences, 2024. – P. 02004. – DOI 10.1051/e3sconf/202457402004. – EDN MBBMPQ

17. .Kumar, V. Technological development of smart industrial regions in Russia: A cluster analysis / V. Kumar, O. Smirnova, L. Chesnyukova // E3S Web of Conferences : VII International Scientific Conference “Cities of New Age: GLASS” (REC-2023), Ekaterinburg, 27–29 июня 2023 года. Vol. 435. – Ekaterinburg: EDP Sciences, 2023. – P. 03001. – DOI 10.1051/e3sconf/202343503001. – EDN XQEOLC.

18. Филатов, Д. В. Кластеризация регионов России по структуре доходов населения / Д. В. Филатов, Л. К. Чеснюкова, Н. С. Панкин // Горизонты экономики. – 2025. – № 5(92). – С. 32-41. – EDN GJNTLG.

19. Tsekhan, O. B. Analysis of the GRP of China's provinces based on multiple regression models / O. B. Tsekhan, Ya. Zhu // Vesnik of Yanka Kupala State University of Grodno. Series 5. Economics. Sociology. Biology. – 2021. – Vol. 11, No. 3. – P. 64-72. – EDN VFIRIL.

20. Aralbaeva, G. G. Statistical studies of the impact of innovations, investments in innovations and exports on the GRP of the Kyzylorda region of the Republic of Kazakhstan / G. G. Aralbaeva, U. D. Berikbolova // International Research Journal. – 2021. – No. 9-2(111). – P. 138-142. – DOI 10.23670/IRJ.2021.9.111.060. – EDN PVFPQJ.

1. Samsonov, A.V. Forecasting the dynamics of regional GRP using recurrent neural networks / A.V. Samsonov, L. I. Sergeev // Russian Economic Bulletin. – 2021. – Vol. 4, No. 5. – pp. 240-252. – EDN ETSFAV.

2. Kulova M. R., Sokolova E. B., Fedosova E. V. Comparative analysis of statistical and neural network methods of forecasting GRP (on the example of North Ossetia-Alania) // Financial business. – 2025. – № 11(269). – Pp. 52-56. – EDN RNFHUC.

3. Azarnova T. V., Treshchevsky Yu. I., Papin S. N. Forecasting the parameters of socio-economic development of a region using neural network apparatus (using the example of GRP in the Voronezh region) // Modern economics: problems and solutions. – 2020. – № 3(123). – Pp. 8-25. – DOI 10.17308/meps.2020.3/2321. – EDN PKXNNJ.

4. Yelshin L. A., Gatin A.D., Mingulov A.M. Methodological approaches to the prognostic assessment of the dynamics of GRP in the region in the context of sanctions attacks // Modern management technologies. – 2024. – № 1(105). – EDN CZAFPS.

10. Kitrar, L. A. Forecasting GDP growth taking into account crisis shocks based on the results of business activity surveys / L. A. Kitrar, T. M. Lipkind, N. A. Usov // Questions of statistics. - 2021. – Vol. 28, No. 4. – pp. 80-95. – DOI 10.34023/2313-6383-2021-28-4-80-95. – EDN TXOJFG.

11. Aralbayeva, G. G. Analysis of the structure and dynamics of GRP of the Kyzylorda region of the Republic of Kazakhstan / G. G. Aralbayeva, U. D. Berikbolova // Economics and Entrepreneurship. – 2023. – No. 7(156). – P. 462-467. – DOI 10.34925/EIP.2023.156.7.077. – EDN PFXYYZ

12. Kholodnaya, A. K. Peculiarities of the influence of interregional imbalances in the share of research staff on GRP per capita / A. K. Kholodnaya // Bulletin of Vladimir State University named after Alexander Grigoryevich and Nikolai Grigoryevich Stoletov. Series: Economic Sciences. – 2020. – № 2(24). – Pp. 5-8. – EDN TRSNDH.

13. Smirnova, O. P. The influence of digital technologies of industries on the economic growth of industrial regions / O. P. Smirnova, L. K. Chesnyukova // Regional economics: theory and practice. – 2023. – Vol. 21, No. 9(516). – pp. 1653-1670. – DOI 10.24891/re.21.9.1653. – EDN LOVNAT.

14. Smirnova, O. P. Technological transformation of industry as a factor of economic growth: statistical analysis for the period 2010-2022 / O. P. Smirnova, L. K. Chesnyukova // Financial analytics: problems and solutions. – 2024. – Vol. 17, No. 1(367). – pp. 56-73. – DOI 10.24891/fa.17.1.56. – EDN AJRLMJ.

15. Rotkevich, T. A. Forecasting the dynamics of electricity consumption and electrical consumption of GRP as an element of the program of regional socio-economic development / T. A. Rotkevich // Fundamental and applied research of the cooperative sector of the economy. – 2025. – No. 4. – pp. 125-133. – EDN VABOTI.

16. Smirnova, O. Assessment of Sustainable Development Potential and the Green Growth of the Russian Macro-Region / O. Smirnova, L. Chesnyukova // Green Taxonomy for Sustainable Development: From Green Technologies to Green Economy, Tashkent, Uzbekistan, June 14-16, 2024. Vol. 574. – EDP Sciences - Web of Conferences, Les Ulis, France: EDP Sciences - Web of Conferences, 2024. – P. 02004. – DOI 10.1051/e3sconf/202457402004. – EDN MBBMPQ

17.Kumar, V. Technological development of smart industrial regions in Russia: A cluster analysis / V. Kumar, O. Smirnova, L. Chesnyukova // E3S Web of Conferences : VII International Scientific Conference “Cities of New Age: GLASS" (REC-2023), Yekaterinburg, June 27-29, 2023. Vol. 435. – Ekaterinburg: EDP Sciences, 2023. – P. 03001. – DOI 10.1051/e3sconf/202343503001. – EDN XQEOLC.

18. Filatov, D. V. Clusterization of Russian regions by the structure of household income / D. V. Filatov, L. K. Chesnyukova, N. S. Pankin // Horizons of Economics. – 2025. – № 5(92). – Pp. 32-41. – EDN GJNTLG.