Выявление угроз жизнестойкости экономической системы с применением машинного обучения и пробит-модели

Целью данной статьи является определение механизма диагностики шоков и выявление факторов, облегчающих либо усугубляющих угрозу жизнестойкости экономической системы. Методы. В работе применены 4 алгоритма машинного обучения: kNN, AdaBoost, Random Forest и MLP Neural Network, а также с помощью пробит-модели проведен эконометрический анализ. В результате исследования у алгоритмов AdaBoost и Random Forest выявлены хорошие способности по диагностированию шоков. Обнаружены факторы, оказывающие наиболее существенное влияние на повышение и понижение вероятности шока. Практическая значимость состоит в том, что результаты данной работы могут быть использованы для диагностики жизнестойкости территорий, а также для разработки моделей прогнозирования устойчивости экономических систем.

1. Важенин С.Г., Важенина И.С. Жизнестойкость территорий в конкурентном экономическом пространстве. Регион: экономика и социология. 2015;(2):175-199. DOI: 10.15372/REG20150609

2. Basu S., Taylor A.M. Business cycles in international historical perspective. Journal of Economic Perspectives. 1999;13(2):45-68. DOI: 10.1257/jep.13.2.45

3. Lee D. Transmission of domestic and external shocks through input-output network: Evidence from Korean industries. IMF Working Paper. 2019;(117). URL: https://www.imf.org/-/media/Files/Publications/WP/2019/WPIEA2019117.ashx

4. Rossi B. Forecasting in the presence of instabilities: How we know whether models predict well and how to improve them. Journal of Economic Literature. 2021;59(4):1135-1190. DOI: 10.1257/jel.20201479

5. Drautzburg T. Why are recessions so hard to predict? Random shocks and business cycles. Economic Insights. 2019;4(1):1-8. URL: https://www.philadelphiafed.org/-/media/frbp/assets/economy/articles/economicinsights/2019/q1/eiq119.pdf

6. Briguglio L.P. Exposure to external shocks and economic resilience of countries: Evidence from global indicators. Journal of Economic Studies. 2016;43(6):1057-1078. DOI: 10.1108/JES-12-2014-0203

7. Jermann U., Quadrini V. Macroeconomic effects of financial shocks. American Economic Review. 2012;102(1):238- 271. DOI: 10.1257/aer.102.1.238

8. Soufi H.R., Esfahanipour A., Shirazi M.A. A quantitative approach for analysis of macroeconomic resilience due to socio-economic shocks. Socio-Economic Planning Sciences. 2022;79:101101. DOI: 10.1016/j.seps.2021.101101

9. Bruneckiene J., Pekarskiene I., Palekiene O., Simanaviciene Z. An assessment of socio-economic systems’ resilience to economic shocks: The case of Lithuanian regions. Sustainability. 2019;11(3):566. DOI: 10.3390/su11030566

10. Иванов П.А. К вопросу о методике экспресс-оценки устойчивости экономики территорий к внешним шокам. Экономика и бизнес: теория и практика. 2022;(6-1):172-175. DOI: 10.24412/2411-0450-2022-6-1-172-175

11. Song G., Zhong S., Song L. Spatial pattern evolution characteristics and influencing factors in county economic resilience in China. Sustainability. 2022;14(14):8703. DOI: 10.3390/su14148703

12. Li L., Zhang P., Li X. Regional economic resilience of the old industrial bases in China —A case study of Liaoning Province. Sustainability. 2019;11(3):723. DOI: 10.3390/su11030723

13. Foster K.A. A case study approach to understanding regional resilience. University of California, Institute of Urban and Regional Development Working Paper. 2007;(8). URL: https://www.econstor.eu/bitstream/10419/59413/1/592535347.pdf

14. Pontarollo N., Serpieri C. A composite policy tool to measure territorial resilience capacity. Socio-Economic Planning Sciences. 2020;70:100669. DOI: 10.1016/j.seps.2018.11.006

15. Alessi L., Benczur P., Campolongo F., et al. The resilience of EU member states to the financial and economic crisis. Social Indicators Research. 2020;148(2):569-598. DOI: 10.1007/s11205-019-02200-1

16. Benczur P., Cariboni J., Joossens E., et al. Monitoring resilience in the EU. Luxembourg: European Union; 2023. 70 p. DOI: 10.2760/63111

17. Высоцкий С.Ю. Методика статистической оценки индекса резильентности территорий. Вестник Полоцкого государственного университета. Серия D. Экономические и юридические науки. 2023;(1):16-20. DOI: 10.52928/2070-1632-2023-63-1-16-20

18. Жихаревич Б.С., Климанов В.В., Марача В.Г. Шокоустойчивость территории: концепция, измерение, управление. Региональные исследования. 2020;(3):4-15. DOI: 10.5922/1994-5280-2020-3-1

19. Никоноров С.М., Кривичев А.И., Насонов А.Н., Цветков И.В. Методика оценки и ранжирования социальноэкономического развития моногородов на основе многофакторного анализа фрактальных показателей. Регионология. 2024;32(2):326-344. DOI: 10.15507/2413-1407.127.032.202402.326-344

20. Фёдорова Е.А., Лукасевич И.Я. Прогнозирование финансовых кризисов с помощью экономических индикаторов в странах СНГ. Проблемы прогнозирования. 2012;(2):112-122.

21. Pierri F., Scotti F., Bonaccorsi G., Flori A., Pammolli F. Predicting economic resilience of territories in Italy during the COVID 19 first lockdown. Expert Systems with Applications. 2023;232:120803. DOI: 10.1016/j.eswa.2023.120803

22. Du S., Xu Y., Wang L. Predicting economic resilience: A machine learning approach to rural development. Alexandria Engineering Journal. 2025;121:193-200. DOI: 10.1016/j.aej.2025.02.049

23. Villacis A.H., Badruddoza S., Mishra A.K. A machine learning-based exploration of resilience and food security. Applied Economic Perspectives and Policy. 2024;46(4):1479-1505. DOI: 10.1002/aepp.13475

24. Poonia R.C., Prabu P., Maheshwari A., Malhotra A., Gupta V. AI enhanced global economic resilience: Predicting and mitigating financial crises. In: Kumar S., Hiranwal S., Garg R., Purohit S., eds. Proc. Int. conf. on communication and computational technologies (ICCCT 2024). Singapore: Springer; 2024:267-279. (Lecture notes in networks and systems. Vol. 1122). DOI: 10.1007/978-981-97-7426-5_20

25. Cover T., Hart P. Nearest neighbor pattern classification. IEEE Transactions on Information Theory. 1967;13(1):21- 27. DOI: 10.1109/TIT.1967.1053964

26. Freund Y., Schapire R. A short introduction to boosting. Journal of Japanese Society for Artificial Intelligence. 1999;14(5):771-780. URL: https://cseweb.ucsd.edu/~yfreund/papers/IntroToBoosting.pdf

27. Quinlan J.R. Induction of decision trees. Machine Learning. 1986;1(1):81-106. DOI: 10.1007/BF00116251

28. Ruck D.W., Rogers S.K., Kabrisky M. Feature selection using a multilayer perceptron. Journal of Neural Network Computing. 1990;2(2):40-48. URL: https://www.researchgate.net/publication/2430790_Feature_Selection_Using_a_Multilayer_Perceptron

29. Train K.E. Discrete choice methods with simulation. Cambridge: Cambridge University Press; 2009. 400 p. DOI: 10.1017/CBO9780511805271

30. Wooldridge J.M. Econometric analysis of cross section and panel data. Cambridge, MA: The MIT Press; 2010. 741 p.

31. Demirgüç-Kunt A., Detragiache E. The determinants of banking crises in developing and developed countries. IMF Staff Papers. 1998;45(1):81-109. DOI: 10.2307/3867330

32. Sheng L., Zhang Z. Revisiting global imbalances: A comparative analysis of income and consumption inequality. Economics & Politics. 2022;34(2):382-390. DOI: 10.1111/ecpo.12202

33. Aladangady A., Cho D., Feiveson L., Pinto E. Excess savings during the COVID 19 pandemic. FEDS Notes. October 21, 2022. DOI: 10.17016/2380-7172.3223

34. Царева Л.В. Контроль прямых иностранных инвестиций как современная тенденция инвестиционного законодательства. Журнал зарубежного законодательства и сравнительного правоведения. 2021;17(5):94- 103. DOI: 10.12737/jflcl.2021.056

35. Abbott P., Borot de Battisti A. Recent global food price shocks: Causes, consequences and lessons for African governments and donors. Journal of African Economies. 2011;20(S1): i12 i62. DOI: 10.1093/jae/ejr007

36. Laborde D., Martin W., Vos R. Impacts of COVID 19 on global poverty, food security, and diets: Insights from global model scenario analysis. Agricultural Economics. 2021;52(3):375-390. DOI: 10.1111/agec.12624