Прогнозирование и интерпретация факторов производительности труда с применением ансамблевых методов машинного обучения

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.

1. Шумилина В.Е., Цвиль М.М. Статистическое моделирование и прогнозирование индекса производительности труда в Российской Федерации // Вестник евразийской науки. 2019. Т. 11, № 1. С. 46.

2. Шумилина В.Е., Цвиль М.М. Построение модели регрессии по временным рядам с целью прогнозирования индекса производительности труда в Российской Федерации // Вестник евразийской науки. 2020. Т. 12, № 1. С. 73.

3. Цвиль М.М., Нестерова А.В. Прогнозирование индекса производительности труда по Центральному федеральному округу // Инженерный вестник Дона. 2021. № 3. С. 120–129.

4. Дьячкова А.В., Карасс В.О. Оценка влияния заработной платы на производительность труда в России: эконометрический анализ // Управленческий учет. 2022. № 10-3. С. 710–715. doi:10.25806/uu10-32022710-715.

5. Баканач О.В., Лопоухова Я.С. Статистическое моделирование индекса производительности труда в РФ // Наука XXI века: актуальные направления развития. 2020. № 1-1. С. 234–238.

6. Бахтизин А.Р., Сулакшин С.С., Колесник И.Ю. Заработная плата как фактор повышения производительности труда // Контуры глобальных трансформаций: политика, экономика, право.и2009. Т. 2, № 1. С. 79–87.

7. Печура О.В., Полыгалова Н.Ю. Заработная плата как фактор роста производительности труда // Аллея науки. 2020. Т. 1, № 5. С. 168–172.

8. Бурцева Т.А. Прогнозирование роста региональной производительности труда // Russian Journal of Labor Economics. 2023. Т. 10, № 3. doi:10.18334/et.10.3.117464.

9. Towards more timely measures of labour productivity growth / Y. Dorville [et al.]. OECD Publishing, 2025. doi:10.1787/436ecbb5-en.

10. Букина Т.В., Кашин Д.В. Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения? // Экономический журнал Высшей школы экономики. 2024. Т.28, № 1. С. 81–107. doi:10.17323/1813-8691-2024-28-1-81-107.

11. Pavlov E. Forecasting inflation in Russia using neural networks // Russian Journal of Money and Finance. 2020. Vol. 79, No. 1. Pp. 57–73. doi:10.31477/rjmf.202001.57.

12. Chakraborty C., Joseph A. Machine learning at central banks. 2017. doi:10.2139/ssrn.3031796.

13. How is machine learning useful for macroeconomic forecasting? / Goulet Coulombe P. [et al.] // Journal of Applied Econometrics. 2022. Vol. 37, No. 5. Pp. 920-964. DOI: 10.1002/jae.2910.

14. Yurtsever M. Unemployment rate forecasting: LSTM-GRU hybrid approach // Journal for Labour Market Research. 2023. Vol. 57, No. 1. P. 18. doi:10.1186/s12651-023-00345-8.

15. Unemployment rate prediction using a hybrid model of recurrent neural networks and genetic algorithms / K. Mero [et al]. // Applied Sciences. 2024. Vol. 14, No. 8. P. 3174. doi:10.3390/app14083174.

16. Breiman L. Random forests // Machine learning. 2001. Vol. 45, No. 1. Pp. 5-32. doi:10.1023/A:1010933404324.

17. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of statistics. 2001. Pp. 1189–1232. doi:10.1214/aos/1013203451.

18. Ribeiro M.T., Singh S., Guestrin C. "Why should i trust you?" Explaining the predictions of any classifier // Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016. Pp. 1135–1144. doi:10.1145/2939672.2939778.

19. Lundberg S.M., Lee S.I. A unified approach to interpreting model predictions // Advances in neural information processing systems. 2017. Vol. 30. doi:10.5555/3295222.3295230.

20. Федеральная служба государственной статистики : официальный сайт. URL: https://rosstat.gov.ru/ (дата обращения: 05.10.2025).

21. Scikit-learn: machine learning in Python / F. Pedregosa [et al.] // The Journal of machine Learning research. 2011. Vol. 12. Pp. 2825–2830.

22. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova [et al.] // Advances in neural information processing systems. 2018. Vol. 31.