Инструментарий прогнозирования экономического роста регионов с использованием технологий больших данных и бизнес-аналитики

Актуальность исследования обусловлена возрастающей сложностью прогнозирования регионального экономического роста в условиях цифровой трансформации экономики и ограниченности традиционных методов анализа. По данным исследований, объем генерируемых данных о социально-экономическом развитии регионов ежегодно увеличивается на 40–50%, что требует принципиально новых подходов к их обработке и анализу. При этом существующие методы прогнозирования не позволяют эффективно учитывать нелинейные взаимосвязи и синергетические эффекты между различными факторами регионального развития. Цель исследования заключается в разработке комплексного инструментария прогнозирования экономического роста регионов на основе интеграции технологий больших данных и современных методов бизнес-аналитики. Методология исследования включает модифицированные алгоритмы машинного обучения, специально адаптированные для анализа региональных данных, с использованием как структурированных, так и неструктурированных источников информации. Разработанный инструментарий апробирован на данных 76 регионов России за период 2015–2023 гг. с применением распределенных вычислительных систем. Новизна результатов заключается в создании интегрированного инструментария, позволяющего выявлять нелинейные эффекты и синергетические взаимодействия между факторами роста, а также количественно оценивать пороговые значения факторов и лаговые эффекты их влияния. Впервые предложена методика комплексной оценки влияния цифровой трансформации на региональное развитие, учитывающая взаимосвязи между технологическими, социальными и институциональными факторами. Практическая ценность подтверждается успешной апробацией результатов в системе регионального управления, обеспечивающей повышение эффективности управленческих решений на 20–25% за счет более точного прогнозирования и комплексного учета факторов роста. Разработанный инструментарий внедрен в практику стратегического планирования ряда российских регионов и показал высокую эффективность при разработке программ социально-экономического развития. Направления дальнейших исследований включают расширение набора анализируемых показателей за счет данных интернета вещей и цифровых платформ, совершенствование алгоритмов машинного обучения для работы в условиях экономической нестабильности, адаптацию инструментария для муниципального уровня управления и развитие механизмов интеграции с существующими информационными системами регионального управления.