Применение алгоритмов машинного обучения для прогнозирования спроса на продукцию перерабатывающих предприятий в условиях нестабильного рынка

Утакаева И.Х.1
1 Финансовый университет при Правительстве Российской Федерации, ,

Купить PDF | Цитирований: 2

Статья в журнале

Экономика сельскохозяйственных и перерабатывающих предприятий (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 100, Номер 5 (Май 2025)

Цитировать эту статью:

Утакаева, И. Х. Применение алгоритмов машинного обучения для прогнозирования спроса на продукцию перерабатывающих предприятий в условиях нестабильного рынка / И. Х. Утакаева // Экономика сельскохозяйственных и перерабатывающих предприятий. – 2025. – Т. 100, № 5. – С. 35-43. – DOI 10.31442/0235-2494-2025-0-5-35-43. – EDN UIDTKD.
(2025). Application of machine learning algorithms to predict demand for products of processing enterprises in unstable markets. Economy of agricultural and processing enterprises, 100(5), 35-43. https://doi.org/10.31442/0235-2494-2025-0-5-35-43

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=82483008
Цитирований: 2

Аннотация:
Исследование посвящено комплексному анализу и разработке экономико-математических моделей прогнозирования спроса на продукцию перерабатывающих предприятий в условиях рыночной нестабильности с применением современных алгоритмов машинного обучения. В работе проведен сравнительный анализ эффективности различных алгоритмических подходов к прогнозированию конъюнктуры рынка с учетом специфики производственно-сбытовых цепочек агропромышленного комплекса. Методология исследования базируется на интеграции статистических методов, нейросетевого моделирования и ансамблевых алгоритмов машинного обучения, адаптированных к экономическим условиям волатильных рынков. Эмпирической базой послужили данные о деятельности 47 перерабатывающих предприятий различного масштаба за период 2018-2023 гг., охватывающие более 15 000 транзакций и 270 товарных позиций. Результаты показали, что гибридные модели на основе градиентного бустинга и рекуррентных нейронных сетей демонстрируют наивысшую прогностическую точность (MAPE 6,42%) в условиях рыночной волатильности, превосходя традиционные статистические методы на 18,7%. Разработанная методика динамической переоценки весовых коэффициентов позволила повысить устойчивость прогнозов в периоды экономических флуктуаций на 24,3%. Экономический эффект от внедрения разработанных моделей выражается в снижении издержек на формирование товарных запасов в среднем на 14,8% и в увеличении оборачиваемости активов на 9,6%. Предложенный методологический подход обладает значительным потенциалом для оптимизации экономических решений в сфере управления производственными системами в условиях рыночной неопределенности.

Ключевые слова: экономическое прогнозирование, машинное Обучение, управление Спросом, нестабильные Рынки, производственная Экономика, гибридные модели прогнозирования, оптимизация товарных запасов

JATS XML

Страница обновлена: 23.06.2026 в 21:59:15

 
 

BYU PDF | Citations: 2

Application of machine learning algorithms to predict demand for products of processing enterprises in unstable markets

Utakaeva I.Kh.


Journal paper

Economy of agricultural and processing enterprises
Volume 100, Number 5 (May 2025)

Citation:

(2025). Application of machine learning algorithms to predict demand for products of processing enterprises in unstable markets. Economy of agricultural and processing enterprises, 100(5), 35-43. https://doi.org/10.31442/0235-2494-2025-0-5-35-43

Abstract:
The research is devoted to the complex analysis and development of economic and mathematical models for forecasting demand for products of processing enterprises in conditions of market instability using modern machine learning algorithms. The paper provides a comparative analysis of the effectiveness of various algorithmic approaches to forecasting market conditions, taking into account the specifics of the production and distribution chains of the agro-industrial complex. The research methodology is based on the integration of statistical methods, neural network modeling and ensemble machine learning algorithms adapted to the economic conditions of volatile markets. The empirical basis was data on the activities of 47 processing enterprises of various scales for the period 2018-2023, covering more than 15,000 transactions and 270 commodity items. The results showed that hybrid models based on gradient boosting and recurrent neural networks demonstrate the highest predictive accuracy (MAPE 6.42%) in conditions of market volatility, surpassing traditional statistical methods by 18.7%. The developed method of dynamic re-evaluation of weighting coefficients has made it possible to increase the stability of forecasts during periods of economic fluctuations by 24.3%. The economic effect of the implementation of the developed models is expressed in a reduction in the cost of inventory formation by an average of 14.8% and an increase in asset turnover by 9.6%. The proposed methodological approach has significant potential for optimizing economic decisions in the field of production system management in conditions of market uncertainty.

Keywords: [Key words: economic forecasting, Machine Learning, Demand Management, Unstable Markets, Production Economics, Hybrid Forecasting Models, Inventory Optimization]