Исследование посвящено применению нелинейных моделей машинного обучения в задаче прогнозирования региональной производительности труда и выявлению факторов, оказывающих наибольшее влияние на данный показатель. В ходе работы были использованы ансамблевые методы, среди которых наилучшие результаты продемонстрировала модель случайного леса. Для учета межрегиональной неоднородности выполнена кластеризация временных рядов производительности труда и введена категориальная метка принадлежности региона к группе, что позволило отразить структурные различия и повысить устойчивость и интерпретируемость прогнозов. Качество прогнозов сравнивалось с результатами линейных моделей, традиционно применяемых в отечественной литературе. Среди этих результатов было зафиксировано устойчивое преимущество нелинейных подходов. Интерпретация итоговой модели случайного леса с помощью метода Mean Decrease in Gini показала, что ключевыми факторами, влияющими на производительность труда, являются темпы роста реальной заработной платы и динамика инвестиций в основной капитал, что согласуется с результатами предыдущих исследований. Применение метода SHAP-values позволило дополнительно оценить направление и степень влияния признаков на прогнозируемый показатель, повысив интерпретируемость и прозрачность модели. Полученные результаты позволили подтвердить возможность перехода от традиционных эконометрических методов к методам машинного обучения при прогнозировании макроэкономических показателей.