Применение методов машинного обучения для экономического анализа конъюнктуры рынка рыбной продукции

Введение. Рыбохозяйственный комплекс в современных экономических условиях сохраняет статус стратегически значимого сектора национальной экономики, выполняя ключевые функции в обеспечении продовольственной безопасности государства, наращивании экспортного потенциала и поддержании занятости населения. Вместе с тем конъюнктура рынка рыбной продукции характеризуется повышенной волатильностью, обусловленной комплексным воздействием разнородных детерминант: к их числу относятся климатические трансформации, естественные флуктуации биомассы водных биологических ресурсов, логистические и финансовые риски, ярко выраженная сезонность потребительского спроса, а также регуляторные и внешнеторговые факторы, что находит свое отражение в работах Мнацаканяна А.Г. [5], Романовой Л.В [21] и др.

Существующие традиционные методики экономического анализа, опирающиеся на линейные модели и упрощённые корреляционные оценки, демонстрируют ограниченную применимость при работе с многомерными и нелинейными массивами данных, типичными для рассматриваемой отрасли. В условиях динамичного изменения рыночной среды и экспоненциального роста объёма доступной информации, классические аналитические подходы оказываются недостаточно оперативными и точными. В связи с этим возрастает актуальность интеграции современных аналитических инструментов, в частности методов машинного обучения, которые обладают потенциалом для эффективной обработки больших объёмов разнородных данных и выявления неявных закономерностей.

Научные исследования подтверждают перспективность указанного направления: в работах Труженникова Н. А., Сорокина С. А., Косникова О. В. [17], Усмонова А. А. [18], а также Жукова Г. А., Михайлусь В. Е., Осадчей А. В. [1] освещаются вопросы применения машинного обучения для анализа рыночной конъюнктуры. Отдельно следует отметить труды Ломакина Н. И. [5] и Кулабухиной М. В. [3], в которых эмпирически обоснована эффективность ансамблевых моделей, включая алгоритм Random Forest, при прогнозировании экономических показателей в условиях высокой неоднородности входных данных. Следует подчеркнуть, что методы машинного обучения также активно задействуются в задачах прогнозирования объёмов вылова водных биоресурсов и показателей производства в секторе аквакультуры. Данная тенденция находит отражение в ряде научных исследований отчечественных и зарубежных авторов, в частности, в работах В. В. Кулика [4], S. Lüdtke [21], В. П. Черданцева [20]. Приведённые труды свидетельствуют о растущей востребованности ML‑подходов для моделирования и прогнозирования ключевых индикаторов рыбохозяйственного комплекса. Полученные в указанных исследованиях результаты свидетельствуют о целесообразности использования подобных методов для построения интегральных индикаторов и прогнозирования финансово‑экономических результатов в рыбохозяйственной сфере.

Цель проводимого исследования состоит в разработке и апробации методологического подхода к оценке конъюнктуры рынка рыбной продукции, который интегрирует алгоритмы машинного обучения и систему экспертных оценок.

Научная новизна исследований состоит в разработке методических рекомендаций и предложений по оценки конъюнктуры рынка рыбной продукции с учетом системного подхода и применения интегрированных методов. Разработанный подход может быть использован органами государственной власти для мониторинга и прогнозирования состояния рыбной отрасли с учётом как объективных данных, так и отраслевой экспертизы. Также возможно применение предприятиями отрасли для стратегического планирования и оптимизации бизнес-процессов на основе верифицированных оценок влияния ключевых факторов.

Методологическая база исследования включала такие методы как балансовый, расчетно-конструктивной, экономико-статистические, экономико-математические и другие.

Информационной базой исследования выступают данные Федеральной службы государственной статистики РФ и ее территориальных органов, нормативные и правовые документы, материалы научных конференций и периодических изданий, а также собственные исследования авторов.

Основная часть. В рамках проводимого исследования продовольственный рынок рыбной продукции Российской Федерации трактуется как сложная организационно‑экономическая система, объединяющая субъектов рыночных отношений - производителей, продавцов и потребителей продукции рыболовства и рыбопереработки. Функционирование данной системы реализуется посредством рыночной инфраструктуры, которая создаёт условия для товарного оборота на территории страны и способствует формированию равновесной цены. При этом рынок обладает специфической динамикой и механизмами регулирования, формирующимися под воздействием совокупности внешних и внутренних факторов [19]. Для количественной характеристики конъюнктуры отрасли в работе предложен интегральный показатель, позволяющий консолидировать разнородные индикаторы в единую измеримую метрику состояния рынка. Необходимость применения такого агрегированного индикатора продиктована структурной неоднородностью протекающих на рынке процессов: ключевые параметры демонстрируют выраженную сезонную цикличность, существенно коррелируют с природно‑климатическими условиями ведения промысла, а также чувствительны к внешнеторговым и макроэкономическим шокам. Использование отдельных частных показателей в подобных условиях не обеспечивает комплексной оценки рыночной ситуации, тогда как интегральный индекс позволяет получить сопоставимую во времени характеристику совокупного влияния основных детерминант конъюнктуры, что повышает обоснованность аналитических выводов.

Базой для расчёта ML-версии индекса выступает ансамблевая модель машинного обучения Random Forest, позволяющая объективно оценить значимость факторов за счёт выявления нелинейных зависимостей и эффектов взаимодействия между переменными. В состав исходного набора предикторов ( ) включены объёмно‑стоимостные и внешнеторговые показатели, макроэкономические индикаторы, а также переменные природно‑климатического блока; Весовые коэффициенты формируются автоматически в ходе обучения модели на основе метрики важности признаков, а в качестве целевой переменной (y) используется показатель прибыли отраслевых предприятий, это придаёт весам прямую экономическую интерпретацию и обеспечивает отражение реальных механизмов формирования отраслевой эффективности, делая индекс пригодным для сценарного анализа и оценки управленческих решений.

В рамках исследования проводился анализ набора из пятнадцати ключевых факторов ( ), потенциально влияющих на конъюнктуру рынка:

· Объём добычи (вылова) ВБР, тыс. т.

· Производство аквакультуры, тыс. т.

· Выпуск продуктов глубокой переработки, тыс. т.

· Средняя потребительская цена, руб./кг.

· Рентабельность продаж (рыболовство и рыбоводство), %.

· Себестоимость проданных товаров, тыс. руб.

· Объём экспорта рыбной продукции, объём, млрд т.

· Объём экспорта рыбной продукции, стоимость, млрд долл. США.

· Объём импорта рыбной продукции, объём, млрд т.

· Объём импорта рыбной продукции, стоимость, млрд долл. США.

· Потребление рыбопродуктов на душу населения, кг.

· Выручка предприятий отрасли, млн руб.

· Цена реализации, тыс. руб./т.

· Дуговая эластичность спроса.

· Налоговая нагрузка на предприятия отрасли, %.

Таблица 1 – Основные показатели развития рыбохозяйственного комплекса РФ [7, 9, 10, 11, 12, 14, 15, 16].

В рамках подготовки исходных данных для последующего построения интегрального индекса конъюнктуры рынка рыбной продукции выполним нормализацию показателей за период 2020–2024 гг. Эта процедура призвана привести разнородные по масштабу и единицам измерения индикаторы (объёмные, стоимостные, финансовые, внешнеторговые и прочие) к единой шкале, что критически важно для корректного расчёта весовых коэффициентов и сопоставления вклада отдельных факторов в итоговый индекс.

В качестве инструмента преобразования используется формула линейного масштабирования (min‑max‑нормализации), которая обеспечивает пропорциональное сжатие или растяжение исходного диапазона значений до целевых границ без искажения относительных соотношений между наблюдениями. Формула имеет следующий вид:

x' = (x - min(x))/(max(x) - min(x)) (1)

где:

· x - исходное значение;

· x' - нормализованное значение;

· min(x) - минимальное значение признака в наборе данных;

· max(x) - максимальное значение признака в наборе данных.

Для трансформации значений выбран диапазон от 0,5 до 1 - такой выбор обусловлен методологическими соображениями: нижняя граница выше нуля позволяет избежать нулевых значений в расчётах, а сам интервал сохраняет достаточную вариативность для отражения различий между годами и показателями. Кроме того, диапазон [0,5; 1] удобно интерпретируется в экономическом контексте как «уровень выше среднего минимального», что, например, упрощает качественную трактовку результатов при презентации выводов лицам, принимающим решения. Поэтому усовершенствованный вариант формулы следующий:

x' = a+((x - min(x)) *(b-a))/(max(x) - min(x)) (2)

где a=0,5, b=1 - установленные границы целевого диапазона, в который должны быть приведены все значения, все остальные обозначения соответствуют исходной формуле (1).

В результате проведённой процедуры линейного масштабирования сформирован массив нормализованных значений, отражающий динамику исследуемых показателей за период 2020–2024 гг. в унифицированной шкале от 0,5 до 1.

Таблица 2 – Нормализованные данные для расчета интегрального коэффициента ПРРП в РФ

В рамках построения интегрального показателя конъюнктуры рынка рыбной продукции расчёт весовых коэффициентов факторов реализуется с применением методов машинного обучения, в частности алгоритма «Случайный лес» (Random Forest). «Случайный лес» представляет собой ансамблевый метод машинного обучения, основанный на построении множества решающих деревьев и агрегировании их прогнозов [3]. Алгоритм формирует ансамбль из большого числа независимых деревьев решений, каждое из которых обучается на случайной подвыборке исходных данных и на случайном подмножестве признаков. Итоговый прогноз определяется путём усреднения предсказаний всех деревьев. Важным преимуществом данного метода является встроенная оценка относительной значимости каждого признака (feature importance), которая рассчитывается на основе уменьшения неопределённости (например, по критерию Джини или среднеквадратической ошибки) при разбиении узлов дерева по данному фактору. Эта характеристика позволяет количественно оценить вклад каждого предиктора в предсказание целевой переменной.

Рассчитаем веса факторов интегрального показателя путем использования ML-модели «Случайный лес» и их последующей нормализации по формуле линейного масштабирования. Нормализация проводится по формуле (1) без сдвига от 0 (сумма всех весовых коэффициентов должна быть равна 1):

Таблица 3 – Веса интегральных показателей конъюнктуры рынка рыбной продукции на основе ML-расчета

Наряду с расчётом весовых коэффициентов посредством ML‑модели, в исследовании реализована альтернативная оценка значимости факторов интегрального показателя - на основе метода экспертных оценок. Такой гибридный подход позволяет сопоставить выводы, полученные алгоритмическим путём, с суждениями отраслевых специалистов, и тем самым повысить обоснованность итоговой системы весов за счёт сочетания объективных данных и профессиональной экспертизы.

Сбор экспертных мнений был осуществлён в июне 2026 года: в опросе приняли участие три сотрудника АО «Русское море», чья профессиональная деятельность непосредственно связана с ключевыми сегментами рыбохозяйственной отрасли - добычей, переработкой и сбытом рыбной продукции (компания является крупнейшим в РФ дистрибьютором рыбной продукции [8]). Привлечение экспертов именно этой компании обусловлено их глубоким пониманием как внутренних операционных процессов, так и внешних рыночных условий, характерных для отрасли, что обеспечивает высокую практическую релевантность высказанных суждений. В рамках опроса экспертам предлагалось оценить степень влияния каждого из рассматриваемых показателей на формирование рыночной конъюнктуры и финансовые результаты предприятий, используя шкалу относительной значимости. На этапе экспертного ранжирования для повышения валидности итоговых оценок респондентам демонстрировали статистические данные, использовавшиеся для расчета индексов ML-моделью (таблица 1). Представленная статистическая информация о динамике взаимосвязи индикаторов с прибыльностью предприятий отрасли за предшествующие годы выступала в качестве объективной опоры, дополняющей субъективную экспертную оценку и тем самым снижающей степень влияния индивидуальных когнитивных искажений

Таблица 4 – Веса интегральных показателей конъюнктуры рынка рыбной продукции на основе экспертных оценок

После того, как были получены весовые коэффициенты факторов интегрального показателя: с одной стороны - посредством применения ML‑модели, а с другой - на основе агрегированных экспертных оценок, осуществим расчёт собственно интегрального показателя конъюнктуры рынка рыбной продукции. Данная процедура предполагает формирование линейной комбинации нормализованных значений частных индикаторов, взвешенных по соответствующим коэффициентам, что позволяет трансформировать многомерный массив разнородных данных в единый количественный индикатор состояния рынка. При этом использование двух наборов весов (машинно‑обученных и экспертных) обусловливает построение двух параллельных версий интегрального индекса, сопоставление которых обеспечивает комплексную оценку рыночной конъюнктуры с учётом как статистических закономерностей, выявленных алгоритмами, так и профессиональных суждений отраслевых специалистов. Формула расчета интегрального показателя для ML-весов факторов и тех весов, которые были получены экспертными оценками, будет одинаковая:

I = Σ (wᵢ × xᵢ) (3)

где:

· I - сам интегральный показатель;

· wᵢ - весовой коэффициент (показывает важность i-го показателя);

· xᵢ - значение i-го показателя.

Для верификации практической применимости алгоритмов машинного обучения, проведем сопоставление интегральных индексов конъюнктуры рынка с прибылью посредством расчёт коэффициента корреляции Пирсона. Расчет производится по формуле:

(4)

где:

· r - коэффициент корреляции Пирсона;

· и - значения двух переменных для каждого наблюдения;

· и - средние значения переменных x и y;

Для оценки линейной зависимости между интегральными индексами конъюнктуры рынка (сформированными на основе ML‑модели и экспертных суждений) и динамикой прибыли предприятий отрасли применим шкалу Чеддока. Её использование позволяет трансформировать формальные значения коэффициента корреляции Пирсона в содержательную качественную характеристику силы связи. Дифференцированная градация шкалы Чеддока предусматривает выделение пяти уровней тесноты связи: интервал 0,1–0,3 соответствует слабой зависимости, 0,3–0,5 - умеренной, 0,5–0,7 - заметной, 0,7–0,9 - высокой, а диапазон 0,9–1,0 трактуется как очень высокая связь.

Таблица 5 – Корреляция методов оценки рынка рыбной продукции с прибылью от продаж

Заключение. Результаты корреляционного анализа демонстрируют существенную разницу в степени взаимосвязи между двумя вариантами интегрального индекса и прибылью предприятий отрасли. Индекс, сформированный на основе весов, определённых с помощью модели машинного обучения, демонстрирует сильную положительную корреляцию с прибылью (r=0,778). Это означает, что динамика данного индекса достаточно чётко отражает изменения уровня прибыли: рост интегрального показателя, рассчитанного с использованием алгоритмов ML, сопровождается устойчивой тенденцией к увеличению финансовых результатов предприятий отрасли. Коэффициент детерминации (R2=0,605) позволяет заключить, что около 60,5 % вариации прибыли объясняется изменениями именно этого индекса, что свидетельствует о высокой объясняющей способности модели.

В свою очередь, интегральный индекс, построенный на основе экспертных оценок весов показателей, характеризуется умеренной положительной корреляцией с прибылью (r=0,583). Хотя связь между индексом и прибылью присутствует, она выражена значительно слабее по сравнению с индексом ML модели. В данном случае изменения индекса объясняют лишь около 34 % вариации прибыли, что указывает на меньшую точность отражения реальных экономических процессов при использовании экспертно назначенных весов. Это может быть связано с субъективностью экспертных суждений, ограниченностью охвата факторов или недоучётом сложных нелинейных взаимосвязей между показателями.

Полученные результаты подчёркивают перспективность внедрения методов машинного обучения в задачах экономического моделирования и прогнозирования конъюнктуры рынка. Алгоритмы ML обладают рядом принципиальных преимуществ перед традиционными экспертными оценками. Во-первых, они способны обрабатывать большие массивы данных и выявлять скрытые закономерности, которые могут ускользать от внимания экспертов. [6, 21]. Во-вторых, ML модели автоматически оптимизируют веса показателей на основе объективной статистики, минимизируя влияние субъективных факторов. В-третьих, такие модели могут адаптироваться к изменениям рыночной среды, перестраивая свои параметры по мере поступления новых данных, что особенно важно в условиях высокой волатильности и неопределённости.

Таким образом, использование машинного обучения для расчёта интегральных индексов и прогнозирования финансовых показателей представляется обоснованным шагом к повышению точности и надёжности экономических прогнозов. Внедрение подобных технологий позволит не только лучше отражать текущую конъюнктуру рынка, но и более эффективно планировать стратегические решения на уровне отдельных предприятий и отрасли в целом. При этом оптимальным подходом может стать гибридная схема, сочетающая сильные стороны экспертного знания (понимание отраслевой специфики, учёт качественных факторов) с возможностями ML моделей (объективность, масштабируемость, адаптивность), что обеспечит комплексный и сбалансированный анализ экономических процессов.