УДК 330.4:004.6
DOI: 10.36871/26189976.2026.05-2.002

Авторы

Наталья Васильевна Захарова,
РЭУ им.Г.В. Плеханова, Москва, Россия
Анастасия Анатольевна Бабошкина,
МГИМО МИД России Финансового университета при Правительстве РФ, Москва, Россия
Салидат Магомедовна Юнаева,
Чеченский государственный университет имени А.А. Кадырова, Грозный, Россия

Аннотация

В настоящем исследовании, посвященном всестороннему анализу трансформационных процессов, происходящих в сфере экономической аналитики вследствие беспрецедентного внедрения передовых информационных технологий, алгоритмов обработки массивов неструктурированных данных (Big Data) и усовершенствованных методов статистического моделирования, предпринимается попытка систематизировать существующие подходы к оценке ключевых макроэкономических индикаторов, демонстрируя, что интеграция высокочастотных альтернативных данных с традиционными эконометрическими моделями позволяет не только существенно снизить временные лаги, характерные для публикации официальной статистики, но и повысить точность краткосрочного прогнозирования таких критически важных показателей, как валовой внутренний продукт, уровень инфляции и динамика занятости, что, в свою очередь, создает фундамент для принятия более обоснованных управленческих решений органами государственной власти и корпоративными структурами в условиях высокой степени неопределенности и структурной волатильности современной глобальной экономики.

Ключевые слова

большие данные
экономические показатели
статистическое моделирование
машинное обучение

Список литературы

[1] Айвазян С. А., Мхитарян, В. С. Прикладная статистика и основы эконометрики / С. А. Айвазян, В. С. Мхитарян. — М.: ЮНИТИ, 2020. — 1024 с.

[2] Бокс Дж., Дженкинс, Г. Анализ временных рядов: прогноз и управление / Дж. Бокс, Г. Дженкинс. — М.: Мир, 2019. — 406 с.

[3] Васильев А. П., Козлов, Д. А. Применение методов машинного обучения для анализа макроэкономических показателей // Прикладная эконометрика. — 2024. — № 3. — С. 34–51.

[4] Григорьев М. В., Соколова, Т. Н. Альтернативные данные в экономическом анализе: обзор методов и источников // Экономика и математические методы. — 2024. — Т. 60, № 2. — С. 45–62.

[5] Дробышевский С. М., Синельников-Мурылев, С. Г. Прогнозирование макроэкономических показателей в России: современное состояние и перспективы // Экономическая политика. — 2023. — Т. 18, № 5. — С. 8–35.

[6] Ермаков С. В., Кузнецова, О. И. Большие данные в экономическом анализе: вызовы и перспективы // Вопросы экономики. — 2025. — № 2. — С. 56–73.

[7] Иванов К. Л., Смирнова, Е. А. Системы мониторинга экономических показателей в реальном времени // Экономический журнал ВШЭ. — 2024. — Т. 28, № 4. — С. 34–51.

[8] Кузнецов А. В., Фролова, Е. А. Гибридные модели прогнозирования экономических показателей // Журнал Новой экономической ассоциации. — 2025. — № 1. — С. 45–62.

[9] Лебедев А. А., Михайлова, О. В. Объяснимый искусственный интеллект в экономическом анализе // Искусственный интеллект и принятие решений. — 2024. — № 4. — С. 23–41.

[10] Морозов В. П., Тихомирова, Н. П. Анализ текстовых данных для мониторинга экономических настроений // Информационные технологии и вычислительные системы. — 2025. — № 1. — С. 56–71.