Машинное обучение в комплексном исследовании индекса человеческого развития

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.

1. Астапов Р. Л. Автоматизация подбора параметров машинного обучения и обучение модели машинного обучения / Р. Л. Астапов, Р. М. Мухамадеева // Актуальные научные исследования в современном мире. 2021. № 5-2 (73). С. 34–37. EDN: GJEUNW

2. Буценко И. Н. Индекс человеческого развития — инструмент сравнения глобальных тенденций развития человечества / И. Н. Буценко // Актуальные проблемы и перспективы развития экономики : Труды XXIII Международной научно-практической конференции, Симферополь – Гурзуф, 17–19 октября 2024 года. Симферополь: ИП Зуева Т. В., 2024. С. 72–74. EDN: HOCTKY

3. Камалдинова И. М. Анализ индекса человеческого развития России и его роль в темпах экономического развития страны / И. М. Камалдинова, Г. Р. Мухаметшина // Вестник Ростовского государственного экономического университета (РИНХ). 2023. Т. 28, № 2. С. 106–114. DOI: 10.54220/v.rsue.1991-0533.2023.2.28.013. EDN: AYMPQE

4. Каменева А. И. Зависимость индекса человеческого развития от роста валового внутреннего продукта на примере Норвегии / А. И. Каменева, И. А. Карпухно // Экономическая теория в условиях глобализации экономики : Тезисы докладов и выступлений ХI Международной научно-практической конференции студентов и молодых ученых. Донецк, 13–14 марта 2019 года / Под общ. ред. Л. И. Дмитриченко. Донецк: Донецкий национальный университет, 2019. С. 172–173. EDN: NGLVAN

5. Колосов В. С. Возможности оптимизации гиперпараметров для разработки моделей градиентного бустинга на примере открытого набора данных / В. С. Колосов // Медицина будущего 2025 : Материалы Всероссийского научного форума с международным участием. Тюмень, 27–29 марта 2025 года. Тюмень: РИЦ «Айвекс», 2025. С. 149–150. EDN: FSBJOT

6. Кузнецова М. В. Социально-экономическое развитие через призму индексов человеческого развития и развития человеческого капитала / М. В. Кузнецова, Н. С. Ивашина // Устойчивое развитие территорий: теория и практика : Материалы X Всероссийской научно-практической конференции с международным участием. В 2-х тт. Сибай, 14–16 ноября 2019 года. Т. 2.Сибай: Сибайский информационный центр-филиал ГУП РБ ИД «Республика Башкортостан», 2019. С. 357–359. EDN: EUUTNA

7. Макаров С. М. Прогнозирование уровня отклонений в производственном процессе с помощью регрессии на основе градиентного бустинга / С. М. Макаров // Парадигма. 2025. № 5-2. С. 137–144. EDN: IFPBFR

8. Михайлова С. С. Разработка модели бинарной классификации на малых данных с использованием методов машинного обучения / С. С. Михайлова, Н. В. Гринева // Проблемы экономики и юридической практики. 2024. Т. 20, № 1. С. 129–140. DOI: 10.33693/2541-8025-2024-20-1-129-140. EDN: WFJKOK

9. Рукомин М. А. Обзор ансамблевых моделей предиктивной аналитики и их сравнение с традиционными ML-подходами / М. А. Рукомин // Вестник науки. 2025. Т. 1, № 8 (89). С. 368–373. EDN: GJBKYS

10. Шуткина Е. В. Применение метода CATBOOST для задачи прогнозирования СХД / Е. В. Шуткина, С. О. Курашкин // Актуальные проблемы авиации и космонавтики : сборник материалов X Международной научно-практической конференции, посвященной 100-летию академика М. Ф. Решетнева и Дню космонавтики: в 3-х тт. Красноярск, 08–12 апреля 2024 года. Красноярск: Сибирский государственный университет науки и технологий им. акад. М. Ф. Решетнева, 2024. С. 251–253. EDN: LDGCVK