Прогнозирование доходов бюджета от внутреннего производства с использованием гибридных моделей машинного обучения

Стерник С.Г.,

доктор экономических наук, профессор, ведущий научный сотрудник Института народно-хозяйственного прогнозирования Российской академии наук; профессор Финансового университета при Правительстве Российской Федерации; профессор Московского государственного строительного университета, Москва, Россия

Аннотация. Доходы бюджета играют важную роль в экономической политике государства, выполнении им ключевых функций, решении социальных задач и финансовой безопасности.

Настоящая статья посвящена прогнозированию доходов бюджета от внутреннего производства с использованием экономико-математических моделей и методов машинного обучения. На основе статистических данных за период с 2008 по 2023 год выявлены ключевые свойства временного ряда, которые позволили в дальнейшем сформировать дополнительные переменные-признаки, используемые для его прогнозирования.

Предложен подход к прогнозированию доходов бюджета с использованием гибридных моделей, базирующихся на комбинации классических моделей ARIMA и PROPHET с бустинговыми алгоритмами машинного обучения и позволяющий существенно повысить качество и точность прогноза. Сформирован прогноз доходов бюджета от внутреннего производства на 2024 г.

Приведены практические рекомендации по применению методов машинного обучения для прогнозирования доходов государственного бюджета.

Ключевые слова: доходы федерального бюджета, прогнозирование, экономико-математические модели, методы машинного обучения, искусственный интеллект, гибридные модели.

Forecasting budget revenues from domestic production using hybrid machine learning models

Sternik S.G.,

Doctor of Economics, Professor, Leading Researcher, Institute of Economic Forecasting of the Russian Academy of Sciences; Professor, Financial University under the Government of the Russian Federation; Professor, Moscow State University of Civil Engineering, Moscow, Russia

Abstract. Budget revenues play an important role in the economic policy of the state, the performance of its key functions, solving social problems and financial security.

This article is devoted to forecasting budget revenues from domestic production using economic and mathematical models and machine learning methods. Based on statistical data for the period from 2008 to 2023, key properties of the time series were identified, which made it possible to further form additional variable attributes used for its forecasting.

An approach to forecasting budget revenues using hybrid models based on a combination of classical ARIMA and PROPHET models with boosting machine learning algorithms is proposed, which allows for a significant improvement in the quality and accuracy of the forecast. A forecast of budget revenues from domestic production for 2024 has been generated.

Practical recommendations for the use of machine learning methods for forecasting state budget revenues are provided.

Keywords: federal budget revenues, forecasting, economic and mathematical models, machine learning methods, artificial intelligence, hybrid models.

DOI: 10.33983/2075-1826-2024-3-121-136

Библиографический список

1. Федеральный закон № 172-ФЗ «О стратегическом планировании в Российской Федерации» // Президент России [Электронный ресурс]. — URL: http://www.kremlin.ru/acts/bank/38630 (дата обращения: 04.07.2023).
2. Аганбегян А.Г. Финансы, бюджет и банки в новой России. — М.: Дело, 2019. — 400 с.
3. Стерник С.Г. Исследование динамики доходов Федерального бюджета // Финансы. — 2023. — № 9. — С. 6–13.
4. Стерник С.Г. Исследование аномалий в доходах федерального бюджета // Менеджмент и бизнес-администрирование — 2023. — № 3. — С. 40–54.
5. Хайндман Р., Атанасопулос Дж. Прогнозирование: принципы и практика / пер. с англ. — М.: ДМК Пресс, 2023. — 458 с.
6. Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time series analysis: Forecasting and control (5th ed). — John Wiley & Sons Inc., Hoboken, New Jersey, 2015. — 712 р.
7. Choi H.K. Stock price correlation coefficient prediction with ARIMA-LSTM hybrid model // arXiv preprint arXiv:1808.01560. — 2018.
8. Ord J.K., Fildes R., Kourentzes N. Principles of business forecasting (2nd ed.). — Wessex Press Publishing Co, 2017. — 588 р.
9. Taylor S.J., Letham B. Forecasting at scale // The American Statistician. — 2018. — Vol. 72(1). — Рр. 37–45.
10. Rathnayaka R.K.T., Seneviratna D., Jianguo W., Arumawadu H.I. A hybrid statistical approach for stock market forecasting based on artificial neural network and ARIMA time series models // International Conference on Behavioral, Economic and Socio-cultural Computing (BESC). — IEEE, 2015. — Pp. 54–60.
11. Santos D., Oliveira J., De Mattos Neto P. An intelligent hybridization of ARIMA with machine learning models for time series forecasting // Knowledge-Based Systems. — 2019. — Vol. 175. — Pp. 72–86.
12. Spiliotis E., Kouloumos A., Assimakopoulos V., Makridakis S. Are forecasting competitions data representative of the reality? // International Journal of Forecasting. — 2020b. — Vol. 36(1). — Рр. 37–53.
13. Stein M. Large Sample Properties of Simulations Using Latin Hypercube Sampling // Technometrics. — 1987. — Vol. 29(2). — Рр. 143–151.
14. Zhang G.P. Time series forecasting using a hybrid ARIMA and neural network model // Neurocomputing. — 2003. — Vol. 50. — Pp. 159–175.
15. Единый портал бюджетной системы Российской Федерации [Электронный ресурс]. — URL: https://budget.gov.ru (дата обращения: 04.08.2024).
16. Краткая информация об исполнении федерального бюджета // Министерство финансов Российской Федерации [Электронный ресурс]. — URL: https://minfin.gov.ru/ru/statistics/fedbud/execute/ (дата обращения: 04.08.2024).