Орлова Екатерина Андреевна, студентка 4-го курса бакалавриата, факультет экономики и финансов
Санкт-Петербург
Ekaterina A. Orlova, BA student, Faculty of Economics and Finance
Saint Petersburg
Введение: актуальной задачей региональной политики является не только мониторинг индекса человеческого развития, но и выявление ключевых социально-эконо мических факторов, определяющих его уровень. Понимание этих зависимостей необходимо для разработки научно-обоснованных мер по сокращению межрегионального неравенства и повышению качества жизни.
Методы: исследование построено на анализе официальных статистических данных. На основе медианного значения целевой показатель был преобразован в бинарную переменную для задачи классификации. После обработки пропусков и генерации новых признаков было обучено и оптимизировано шесть алгоритмов машинного обучения, включая линейные и ансамблевые методы. Для интеграции их сильных сторон был дополнительно создан стекинг-ансамбль. Качество моделей оценивалось по комплексным метрикам на тестовой выборке.
Результаты: корреляционный анализ выявил сильную отрицательную связь индекса с уровнем бедности и безработицы и сильную положительную связь с показателями демографической нагрузки и экономической активности. Среди моделей наилучшую способность к прогнозированию продемонстрировал градиентный бустинг, достигший точности 0,8824 и значения ROC-AUC 0,9523. Стекинг-ансамбль позволил получить сбалансированный классификатор с конкурентными показателями.
Обсуждение: результаты подтверждают эффективность современных ансамблевых методов для моделирования комплексных социально-экономических зависимостей. Построенные модели служат инструментом для аналитической поддержки управленческих решений, позволяя оценивать потенциальное влияние изменений в отдельных сферах на интегральный показатель развития региона. Перспективой работы является углубление интерпретации моделей для выработки конкретных рекомендаций.
Introduction: An urgent task of regional policy consists not only in monitoring the human development index, but also in identifying key socio-economic factors determining its level. Realizing these dependencies necessitates the development of evidence-based measures to reduce inter-regional inequality and improve the quality of life.
Methods: The study is based on the analysis of official statistical data. The target indicator was transformed into a binary variable for classification tasks based on the median value. After processing the gaps and generating new features, six machine learning algorithms, including linear and ensemble methods, were trained and optimized. A stacking ensemble was additionally developed to integrate their strengths. The quality of the models was assessed using complex metrics in a test sample.
Results: Correlation analysis has revealed a strong negative relationship between the index and the level of poverty and unemployment, and a strong positive relationship with the indicators of demographic burden and economic activity. Among the models, gradient boosting demonstrated the best predictive ability, reaching an accuracy of 0.8824 and a ROC-AUC value of 0.9523. The stacking ensemble has enabled us to obtain a balanced classifier with competitive indicators.
Discussion: The results have confi rmed the effectiveness of modern ensemble methods for modeling complex socio-economic dependencies. The constructed models serve as a tool for analytical support of management decisions, providing the opportunity to assess the potential impact of changes in individual areas on the integral indicator of the region’s development. The future work will focus on providing a more profound interpretation of the models to develop specifi c recommendations.
The authors declare that there are no conflicts of interest present.