УДК 330.34
DOI: 10.36871/ek.up.p.r.2025.08.01.003

Авторы

Али Анварович Халидов,
Казанский государственный энергетический университет, Казань, Россия
Гапур Курбанович Гапизов,
Российский государственный геологоразведочный университет имени Серго Орджоникидзе, Москва, Россия
Ирина Сергеевна Кузнецова,
Донской государственный технический университет, Ростов-на-Дону, Россия

Аннотация

В статье рассматриваются теоретико-методологические основы интеграции сценарного анализа и многомерных байесовских моделей машинного обучения. Сценарный анализ представлен как инструмент стратегического планирования в условиях радикальной неопределённости, позволяющий формировать альтернативные траектории развития сложных систем. В свою очередь, байесовские модели в машинном обучении – в том числе Bayesian additive regression trees (BART), байесовские нейронные сети (BNN) и вариационные байесовские методы – обеспечивают формальное представление априорной неопределённости и латентной структуры данных. Особое внимание уделено методам построения условных прогнозов и обобщённых функций импульсного отклика (GIRF), адаптированным для нелинейных и непараметрических моделей. Обоснована практическая значимость данного подхода в макроэкономическом моделировании, энергетическом планировании и оценке инвестиционных рисков.

Ключевые слова

сценарный анализ, байесовские модели, машинное обучение, априорная неопределённость, вероятностное моделирование