Прогнозирование инфляции в регионах ДФО: возможности и ограничения машинного обучения
Русаков М.А.1 
, Цыренов Д.Д.1
1 Бурятский государственный университет им. Доржи Банзарова, Улан-Удэ, Россия
Статья в журнале
Информатизация в цифровой экономике (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 7, Номер 4 (Октябрь-декабрь 2026)
Аннотация:
Предметом данного исследования являются процессы прогнозирования индекса потребительских цен в субъектах Дальневосточного федерального округа с применением технологий машинного обучения, при этом основной целью работы выступает оценка точности прогнозов индекса потребительских цен с использованием ансамблевых алгоритмов машинного обучения, выявление региональных и временных ограничений их применимости. Для достижения поставленной цели в методологии работы было выполнено сопоставление результатов авторегрессии первого порядка с алгоритмами случайного леса (Random Forest) и градиентного бустинга (XGBoost), а также их гибридными модификациями на горизонте прогнозирования от 1 до 12 месяцев. Полученные результаты подтверждают превосходство методов машинного обучения над классическими подходами в 84% контрольных точек. Установлено, что гибридные алгоритмы, учитывающие динамику ключевой ставки Банка России, значительно повышают точность прогноза в большинстве регионов. В то же время выявлена полная несостоятельность данных моделей в специфических условиях Магаданской области. Так же результаты исследования позволяют сделать вывод, что эффективность конкретного алгоритма машинного обучения напрямую зависит от структуры локальной экономики и характера монетарной трансмиссии. Игнорирование региональной специфики при выборе модели ведёт к низкой точности прогнозов, что требует от исследователя тщательного подбора параметров и адаптации признакового пространства под индивидуальные особенности каждого субъекта
Ключевые слова: региональная инфляция, прогнозирование ИПЦ, машинное обучение, ДФО
JEL-классификация: R11, R15, E31
Источники:
2. Абрамова М.А., Дубова С.Е., Ларионова И.В., Ершов М.В., Захарова О.В., Зеленева Е.С., Пищик В.Я. Об основных направлениях единой государственной денежно-кредитной политики на 2023 год и период 2024 и 2025 годов: мнение экспертов Финансового университета // Экономика. Налоги. Право. – 2023. – № 1. – c. 6-21. – doi: 10.26794/1999-849X-2023-16-1-6-21.
3. Азарнова Т. В., Аснина Н. Г., Колосов А. И., Лепендин А. В. Применение методов машинного обучения для прогнозирования индекса потребительских цен // International Journal of Open Information Technologies. – 2025. – № 2. – c. 15-23.
4. Ариничева И. В., Фощан Г. И., Селезнев Е. С. Анализ уровня инфляции в экономической системе России // Вестник Бурятского государственного университета. Экономика и менеджмент. – 2025. – № 3. – c. 13-20. – doi: 10.18101/2304-4446-2025-3-13-20.
5. Астраханцева И. А., Герасимов А. С. Прогнозирование региональной инфляции на основе гибридной модели машинного обучения градиентный бустинг и случайный лес // Научные труды Вольного экономического общества России. – 2023. – № 5. – c. 200-226. – doi: 10.38197/2072-2060-2023-243-5-200-226.
6. Астраханцева И. А., Герасимов А. С., Астраханцев Р. Г. Прогнозирование региональной инфляции с помощью алгоритмов машинного обучения // Известия вузов. – 2022. – doi: 10.6060/ivecofin.2022544.620.
7. Астраханцева И. А., Герасимов А. С., Смирнова О. П. Оценка применимости статистических и машинных моделей для прогнозирования инфляции // Современные наукоемкие технологии. Региональное приложение. – 2024. – № 3. – c. 120-131. – doi: 10.6060/snt.20247903.0019.
8. Байбуза И. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. – 2018. – № 4. – c. 42-59. – doi: 10.31477/rjmf.201804.42.
9. Борзых О. А. Канал банковского кредитования в России оценка с помощью TVP-FAVAR модели // Прикладная эконометрика. – 2016. – № 3. – c. 96-117. – url: https://cyberleninka.ru/article/n/kanal-bankovskogo-kreditovaniya-v-rossii-otsenka-s-pomoschyu-tvp-favar-modeli.
10. Букина Т. А., Кашин Д. А. Прогнозирование региональной инфляции эконометрические модели или методы машинного обучения // Высшая школа. – 2024. – № 1. – c. 81-107. – doi: 10.17323/1813-8691-2024-28-1-81-107.
11. Головнин М. Ю. Денежно-кредитная политика России реакция на новые внешние вызовы // Вестник ИЭ РАН. – 2023. – № 1. – c. 7-20. – url: https //cyberleninka.ru/article/n/denezhno-kreditnaya-politika-rossii-reaktsiya-na-novye-vneshnie-vyzovy.
12. Гребенкина А. М., Синельникова-Мурылева Е. В. Прогнозирование инфляции с использованием высокочастотных данных в моделях временных рядов // Экономическая политика. – 1994. – № 2. – c. 34-55. – doi: 10.18288/1994-5124-2025-2-34-55.
13. Жемков М.И. Региональные эффекты таргетирования инфляции в России: факторы неоднородности и структурные уровни инфляции // Вопросы экономики. – 2019. – № 9. – c. 70-89. – doi: 10.32609/0042-8736-2019-9-70-89.
14. Колесникова О. С., Лагодина Н. А. Региональная инфляция в России факторы и тенденции (на примере субъектов Дальневосточного федерального округа) // Вестник Амурского государственного университета. Серия: Естественные и экономические науки. – 2022. – № 99. – c. 112-117. – doi: 10.22250/20730268_2022_99_112.
15. Кремлева В. В., Аджаматова Д. С., Халимбекова А. М. Проблемы трансмиссии денежно-кредитной политики в регионах РФ // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. – 2022. – № 3. – c. 91-100. – doi: 10.14529/em220310.
16. Латыпов Р., Ахмедова Е., Постолит Е., Микитчук М. Прогнозирование компонент инфляции методами машинного обучения // Деньги и кредит. – 2024. – № 3. – c. 23-44. – url: https://rjmf.econs.online/upload/iblock/f37/pxwofoch9cxi9iy2aj9plc95au2qtfyd/Prognozirovaniye-komponent-inflyatsii-metodami-mashinnogo-obucheniya.pdf.
17. Мхитарян В. С., Ванчикова Е. Н. Прогнозы в системе регионального управления цели и задачи // Вестник Бурятского государственного университета. Экономика и менеджмент. – 2015. – № 4. – c. 62-69. – url: https://journals.bsu.ru/content/articles/187.pdf.
18. Напалков В. В., Новак А. Е., Шульгин А. Г. Различия в эффектах единой денежно-кредитной политики случай регионов России // Деньги и кредит. – 2021. – № 1. – c. 3-45. – doi: 10.31477/rjmf.202101.03.
19. Семитуркин О., Шевелев А. // Банк России. Серия докладов об экономических исследованиях. – 2022. – № 91. – url: https://www.cbr.ru/ec_research/ser/wp_91/.
20. Синельников-Мурылев С.Г., Перевышин Ю.Н., Трунин П.В. Различия темпов роста потребительских цен в российских регионах: эмпирический анализ // Экономика региона. – 2020. – № 2. – c. 479-493. – doi: 10.17059/2020-2-11.
21. Черкунова М. Е., Черкунова Н. А. Взаимосвязь ключевой ставки Банка России и уровня инфляции в РФ // Экономика и бизнес: теория и практика. – 2022. – № 8. – c. 245-250. – doi: 10.24412/2411-0450-2022-8-245-250.
22. Чудаева А. Б. Интервальное прогнозирование российской инфляции с использованием квантильной регрессии и элементов машинного обучения // Экономика и математические методы. – 2026. – № 1. – c. 116-130. – doi: 10.7868/S3034617726010094.
23. Breiman L. Random Forests. - Machine Learning, 2001. – 5–32 p.
24. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2016. – p. 785–794. – doi: 10.1145/2939672.2939785.
Страница обновлена: 15.09.2026 в 18:10:55
Forecasting inflation in the regions of the Far Eastern Federal District: opportunities and constraints of machine learning
Rusakov M.A., Tsyrenov D.D.Journal paper
Informatization in the Digital Economy
Volume 7, Number 4 (October-December 2026)
Abstract:
The subject of this research is the processes of forecasting the consumer price index in the regions of the Far Eastern Federal District using machine learning technologies.
The article aims to assess the accuracy of forecasts of the consumer price index using ensemble machine learning algorithms and to identify regional and time limitations of their applicability. To achieve this goal, the methodology of the work includes comparison of the results of first-order autoregression with random Forest and gradient boosting algorithms (XGBoost), as well as their hybrid modifications over a forecast horizon from 1 to 12 months. The results obtained confirm the superiority of machine learning methods over classical approaches in 84% of control points. It has been established that hybrid algorithms that take into account the dynamics of the key rate of the Bank of Russia significantly increase the accuracy of the forecast in most regions. At the same time, the complete inconsistency of these models in the specific conditions of the Magadan region has been revealed. The results of the study allow to conclude that the effectiveness of a particular machine learning algorithm directly depends on the structure of the local economy and the nature of the monetary transmission. Ignoring regional specifics when choosing a model leads to low forecast accuracy, which requires the researcher to carefully select parameters and adapt the feature space to the individual characteristics of each region.
Keywords: regional inflation, consumer price index forecasting, machine learning, Far Eastern Federal District
JEL-classification: R11, R15, E31
References:
Abdurakhmanov M. I. (2023). Modeling the Effect of Bank of Russia Key Rate Forecasts on Market Participants’ Expectations. Money and credit. 82 (2). 3-20.
Abramova M.A., Dubova S.E., Larionova I.V., Ershov M.V., Zakharova O.V., Zeleneva E.S., Pischik V.Ya. (2023). On the main directions of the unified state monetary policy for 2022 and the period 2023 and 2024: Financial University experts’ opinion. Economy. Taxes. Law. 16 (1). 6-21. doi: 10.26794/1999-849X-2023-16-1-6-21.
Arinicheva I. V., Foschan G. I., Seleznev E. S. (2025). An Analysis of Inflation Level in Russian Economics. Bulletin of the Buryat State University. Economics and Management. (3). 13-20. doi: 10.18101/2304-4446-2025-3-13-20.
Astrakhantseva I. A., Gerasimov A. S. (2023). Regional Inflation Prediction Based on Hybrid Machine Learning Model: Gradient Boosting and Random Forest. Scientific papers of the Free Economic Society of Russia. 243 (5). 200-226. doi: 10.38197/2072-2060-2023-243-5-200-226.
Astrakhantseva I. A., Gerasimov A. S., Astrakhantsev R. G. (2022). Forecasting regional inflation using machine learning algorithms. Forecasting regional inflation using machine learning algorithms. doi: 10.6060/ivecofin.2022544.620.
Astrakhantseva I. A., Gerasimov A. S., Smirnova O. P. (2024). Evaluating Statistical and Machine Learning Models for Inflation Forecasting. Modern high-tech technologies. Regional application. 79 (3). 120-131. doi: 10.6060/snt.20247903.0019.
Azarnova T. V., Asnina N. G., Kolosov A. I., Lependin A. V. (2025). Application of Machine Learning Methods for Forecasting the Consumer Price Index. International Journal of Open Information Technologies. 13 (2). 15-23.
Baybuza I. (2018). Inflation Forecasting Using Machine Learning Methods. Money and Credit. 77 (4). 42-59. doi: 10.31477/rjmf.201804.42.
Borzyh O. A. (2016). `Bank Lending Channel in Russia: A TVP-FAVOR Approach`. Applied econometrics. 43 (3). 96-117.
Breiman L. (2001). Random Forests
Bukina T. A., Kashin D. A. (2024). Forecasting regional inflation econometric models or machine learning methods. Higher school. 28 (1). 81-107. doi: 10.17323/1813-8691-2024-28-1-81-107.
Chen T., Guestrin C. (2016). XGBoost: A scalable tree boosting system Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 785–794. doi: 10.1145/2939672.2939785.
Cherkunova M. E., Cherkunova N. A. (2022). Correlation of the Key Rate of the Bank of Russia and the Rate of Inflation in the Russian Federation. Economics and Business: theory and practice. (8). 245-250. doi: 10.24412/2411-0450-2022-8-245-250.
Chudaeva A. B. (2026). Constructing Interval Forecasts of Inflation in Russia Using Quantile Regression and Machine Learning Approaches. Economics and mathematical methods. 62 (1). 116-130. doi: 10.7868/S3034617726010094.
Golovnin M. Yu. (2023). Monetary Policy in Russia: Reaction to New External Challenges. Vestnik IE RAN. (1). 7-20.
Grebenkina A. M., Sinelnikova-Muryleva E. V. (1994). Inflation Forecasting in Time Series Models Using High Frequency Data. Economic policy. 20 (2). 34-55. doi: 10.18288/1994-5124-2025-2-34-55.
Kolesnikova O. S., Lagodina N. A. (2022). Regional Inflation in Russia: Factors and Trends (on the Example of Subjects of the Far Eastern Federal District). Bulletin of Amur State University. Series: Natural and Economic Sciences. (99). 112-117. doi: 10.22250/20730268_2022_99_112.
Kremleva V. V., Adzhamatova D. S., Khalimbekova A. M. (2022). Problems of Transmission of Monetary Policy in the Regions of the Russian Federation. Bulletin of the South Ural State University. Series: Economics and Management. 16 (3). 91-100. doi: 10.14529/em220310.
Latypov R., Akhmedova E., Postolit E., Mikitchuk M. (2024). Bottom-up Inflation Forecasting Using Machine Learning Methods. Money and credit. 83 (3). 23-44.
Mkhitaryan V. S., Vanchikova E. N. (2015). Forecasts in the Regional Management: Goals and Objectives. Bulletin of the Buryat State University. Economics and Management. (4). 62-69.
Napalkov V. V., Novak A. E., Shulgin A. G. (2021). Variations in the Effects of a Single Monetary Policy: The Case of Russian Regions. Money and credit. 80 (1). 3-45. doi: 10.31477/rjmf.202101.03.
Semiturkin O., Shevelev A. (2022). Forecasting regional inflation using machine learning methods (on the example of the Siberia macro region). The Bank of Russia. A series of reports on economic research. (91).
Sinelnikov-Murylev S.G., Perevyshin Yu.N., Trunin P.V. (2020). Inflation Differences in the Russian Regions: An Empirical Analysis. Economy of the region. 16 (2). 479-493. doi: 10.17059/2020-2-11.
Zhemkov M.I. (2019). Regional Effects of Inflation Targeting in Russia: Factors of Heterogeneity and Structural Inflation Rates. Voprosy Ekonomiki. (9). 70-89. doi: 10.32609/0042-8736-2019-9-70-89.