Заведующий кафедрой экономики и управления, доктор экономических наук, профессор
Аспирант кафедры экономики и управления
The article examines a methodology for assessing the market conditions of the fishery products sector using modern analytical tools that fully account for complex interrelations between economic indicators and environmental factors in industry analysis. To evaluate the state of the market, the article develops an integral indicator, encompassing fifteen key market metrics, taking into account production, price, financial, and foreign trade indicators. In this framework, weighting coefficients are determined through machine learning methods (Random Forest and expert assessments. The research reveals significant differences in forecasting accuracy. The index based on machine learning demonstrates a higher correlation with the profit indicators of companies in the sector (correlation coefficient of 0.778 versus 0.583 for the expert-based index). This is attributed to the ability of ML algorithms to identify hidden patterns in data and automatically optimize weighting coefficients. The research findings indicate that the application of machine learning techniques enhances the precision of market condition analysis. The proposed methodological toolkit can be utilized for monitoring the state of the fishing industry, forecasting market performance, and optimizing managerial decisions at both the level of individual companies and the industry as a whole.
В статье рассматривается методология оценки конъюнктуры рынка рыбной продукции с применением современных аналитических инструментов, которые в полной мере учитывают сложные взаимосвязи между экономическими показателями и факторами внешней среды при анализе отраслевого рынка. Для оценки состояния рынка разработан интегральный показатель, включающий пятнадцать ключевых показателей рынка с учетом производственных, ценовых, финансовых и внешнеторговые индикаторы. При этом весовые коэффициенты определяются методами машинного обучения «случайный лес» и экспертных оценок. Проведенные исследования показали существенные различия в точности прогнозирования. Индекс, построенный на основе машинного обучения, демонстрирует более высокую корреляцию с показателями прибыли предприятий отрасли (коэффициент корреляции 0,778 против 0,583 у экспертного индекса). Это обусловлено способностью алгоритмов ML выявлять скрытые закономерности в данных и автоматически оптимизировать весовые коэффициенты. Результаты исследования свидетельствуют о том, что использование методов машинного позволяет повысить точность анализа рыночной конъюнктуры. Предложенный методологический инструментарий может быть использован для мониторинга состояния рыбной отрасли, прогнозирования рыночных показателей и оптимизации управленческих решений на уровне отдельных предприятий и отрасли в целом.