Информационно-аналитическая система прогнозирования промышленных показателей России: интеграция адаптивного гибридного ансамбля и новостной аналитики
В. Р. Иксанов
Аннотация. Краткосрочное прогнозирование индексов промышленного производства остается одной из методически трудоемких задач прикладной информатики.
Цель исследования – описание архитектурных решений и методологических принципов ИАС, объединяющей адаптивный гибридный ансамбль с новостной аналитикой, а также представление результатов ее верификации на реальных данных Росстата за 2013–2025 годы.
Материалы и методы исследования. Эмпирической базой послужили квартальные данные Росстата за 2013–2025 годы, 48 наблюдений по шести отраслевым сегментам, включая сводный индекс промышленного производства. Архитектура ИАС объединяет три подсистемы: количественного прогнозирования МАГСП, новостной аналитики на основе агрегации восьми RSS-источников без обращения к внешним API и семантической сети из 67 отраслевых факторов, формирующей поправку СемП. Верификация проведена по схеме Walk-Forward с начальным окном 24 квартала, горизонтом расширения, управляемым последовательным критерием Вальда и детектированием структурных изломов CUSUM-статистикой с YoY-нормализацией, параметры подобраны на периоде 2013-2020 гг., протестированы вне выборки на 2021–2025 гг. Доверительные интервалы MAPE рассчитаны бутстрепом, значимость различий проверена тестом Диболда–Мариано.
Результаты. В статье описана авторская информационно-аналитическая система (ИАС) прогнозирования промышленных показателей Российской Федерации, реализующая разработанную методологию адаптивного гибридного сценарного прогнозирования (МАГСП). Отличительной чертой предложенного подхода является органичное включение новостной аналитики в количественный прогностический процесс. Восемь RSS-источников – РИА «Новости», ТАСС, Интерфакс, Банк России, МЭР РФ, РБК, «Коммерсантъ» и «Ведомости» – обрабатываются специализированным лексиконным сентимент-анализатором, результаты которого поступают в семантическую сеть отраслевых факторов. Семантическая сеть формирует поправочный коэффициент к квартальному прогнозу в диапазоне от -20 % до +20 %, не замещая статистическую оценку экспертным суждением, а дополняя ее качественными сигналами внешней среды. МАГСП реализована в виде десятиэтапного итерационного алгоритма с четырьмя формализованными точками принятия решений и двумя режимами работы: стабильным, опирающимся на адаптивный гибридный ансамбль с механизмом внимания к внешним факторам (АГАМВФ), и шоковым, использующим метод адаптивного переключения ансамбля при структурных изломах (АСПР). Апробация на квартальных данных Росстата за 2013–2025 годы показала снижение средней абсолютной процентной ошибки на 17–29 % относительно базового фиксированного ансамбля. Преимущество МАГСП статистически подтверждено тестом Диболда–Мариано при уровне значимости 0,05.
Заключение. Предложенная ИАС и реализующая ее методология МАГСП обеспечивают методологически согласованное решение задачи краткосрочного прогнозирования на коротких нестационарных рядах квартальной промышленной статистики России. Практическая значимость определяется тремя результатами: органичной интеграцией новостной аналитики через четырехкомпонентную семантическую поправку без подмены статистической оценки экспертным суждением; двухрежимным адаптивным ансамблем, переключающимся между attention-взвешиванием и структурной перекомпоновкой состава при структурных изломах; адаптацией последовательного критерия Вальда, сократившей вычислительную нагрузку примерно на треть без потери качества прогноза. Направления дальнейших исследований – расширение охвата до полного перечня разделов ОКВЭД, разработка нейросетевого компонента сентимент-анализа с сохранением автономности системы и адаптация SPRT для среднесрочных горизонтов прогнозирования.
Ключевые слова: лавинный кадастр, уязвимость в пространстве, полный лавинный риск, индивидуальный лавинный риск
Для цитирования. Иксанов В. Р. Информационно-аналитическая система прогнозирования промышленных показателей России: интеграция адаптивного гибридного ансамбля и новостной аналитики // Известия Кабардино-Балкарского научного центра РАН. 2026. Т. 28. № 5. С. 103–114. DOI: 10.35330/1991-6639-2026-28-5-103-114
© Иксанов В. Р., 2026

Контент доступен под лицензией Creative Commons Attribution 4.0 License
Список литературы
- Якименко И. В. Моделирование устойчивого развития региональной экономики и прогнозирование экономической динамики региона // Инновации и инвестиции. 2015. № 9. С. 108–112. EDN: WIRYYT
- Комков Н. И., Ерошкин С. Ю. Методические основы прогнозирования технологического развития // Научные труды: Институт народнохозяйственного прогнозирования РАН. Т. 4. С. 176–206. EDN: KWODSH.
- Березкин Д. В., Козлов И. А., Мартынюк П. А. Гибридный подход к прогнозированию возникновения и развития новых направлений в научно-технической сфере // Гибридные и синергетические интеллектуальные системы: материалы VI Всероссийской Поспеловской конф., Калининград, 27 июня, 01 июля 2022 г. Калининград: БФУ им. И. Канта, 2022. С. 143–150. DOI: 10.5922/978-5-9971-0687-4-5. EDN EFKJME.
- Болсуновская М. В., Гинцяк А. М., Бурлуцкая Ж. В. и др. Возможности применения гибридного подхода в моделировании социально-экономических и социотехнических систем // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2022. № 3. С. 73–86. DOI: 10.17308/sait/1995-5499/2022/3/73-86
- Китова О. В., Савинова В. М. Структура и информационно-логическая схема работы системы прогнозирования экономических временных рядов «СГМ Горизонт» // Modern Economy Success. 2020. № 5. С. 190–197. EDN: JUVJEJ.
- Breiman L. Random forests. Machine Learning. 2001. Vol. 45. No. 1. Pp. 5–32. DOI: 10.1023/A:1010933404324
- Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning forecasting methods: concerns and ways forward. PLOS ONE. 2018. Vol. 13. No. 3. P. e0194889. DOI: 10.1371/journal.pone.0194889
- Page E.S. Continuous inspection schemes. Biometrika. 1954. Vol. 41. No. 1/2. Pp. 100–115. DOI: 10.2307/2333009
- Chow G.C. Tests of equality between sets of coefficients in two linear regressions. Econometrica. 1960. Vol. 28. No. 3. Pp. 591–605. DOI: 10.2307/1910133
- Wald A. Sequential tests of statistical hypotheses. Annals of Mathematical Statistics. 1945. Vol. 16. No. 2. Pp. 117–186. DOI: 10.1214/aoms/1177731118
- Baker S.R., Bloom N., Davis S.J. Measuring economic policy uncertainty. Quarterly Journal of Economics. 2016. Vol. 131. No. 4. Pp. 1593–1636. DOI: 10.1093/qje/qjw024
- Nassirtoussi A.K., Aghabozorgi S., Wah T.Y., Ngo D.C.L. Text mining for market prediction: a systematic review. Expert Systems with Applications. 2014. Vol. 41. No. 16. Pp. 7653–7670. DOI: 10.1016/j.eswa.2014.06.009
- Kalamara E., Turrell A., Redl C. et al. Making text count: economic forecasting using newspaper text. Journal of Applied Econometrics. 2022. Vol. 37. No. 5. Pp. 896–919. DOI: 10.1002/jae.2907
- Ansari A.F., Stella L., Turkmen C. et al. Chronos: learning the language of time series. Transactions on Machine Learning Research. 2024. DOI: 10.48550/arXiv.2403.07815
- Vaswani A., Shazeer N., Parmar N. et al. Attention is all you need. Advances in Neural Information Processing Systems. 2017. Vol. 30. Pp. 5998–6008.
- Chen T., Guestrin C. XGBoost: a scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, Pp. 785–794. DOI: 10.1145/2939672.2939785
- Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997. Vol. 9. No. 8. Pp. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735
- Zadeh L.A. Fuzzy sets. Information and Control. 1965. Vol. 8. No. 3. Pp. 338–353. DOI: 10.1016/S0019-9958(65)90241-X
- Diebold F.X., Mariano R.S. Comparing predictive accuracy. Journal of Business & Economic Statistics. 1995. Vol. 13. No. 3. Pp. 253–263. DOI: 10.2307/1392185
- Hyndman R.J., Athanasopoulos G. Forecasting: principles and practice. 3rd ed. Melbourne: OTexts, 2021. 442 p.
- Китова О. В., Дьяконова Л. П., Савинова В. М. Комплекс гибридных моделей прогнозирования социально-экономических показателей Российской Федерации и их реализация в интеллектуальной системе «Горизонт» // Экономика, предпринимательство и право. Т. 13. № 4. С. 1057–1084. DOI: 10.18334/epp.13.4.117552.
- Аганбегян А. Г. О новой роли банков в финансировании послекризисного социально-экономического развития России (субъективные заметки) // Деньги и кредит. 2011. № 1. С. 27–36. EDN: NDBOVR
- Friedman J.H. Greedy function approximation: a gradient boosting machine. Annals ofStatistics. 2001. Vol. 29. No. 5. Pp. 1189–1232. DOI: 10.1214/aos/1013203451
- Dickey D.A., Fuller W.A. Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association. 1979. Vol. 74. No. 366. Pp. 427–431. DOI: 10.2307/2286348
Информация об авторе
Иксанов Владислав Рашидович, аспирант кафедры информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
vlad-iksanov@mail.ru, ORCID: https://orcid.org/0009-0003-7810-3720, SPIN-код: 6750-3298
Финансирование
Работа выполнена в рамках научной работы аспиранта.










