Методы интеллектуального анализа данных в исследовании экономического развития стран

Цель исследования — выявить взаимосвязи между относительными экономическими показателями (индексами развития) стран мира на основе данных Всемирного банка за 2023 г. Для решения задачи применены методы машинного обучения и анализа структурных уравнений.

Материалы и методы. Исследование охватило 205 стран — при анализе методом взвешенных синдромов; 180 стран — при однои двухфакторном подтверждающем анализе. В качестве исходных данных использованы восемь ключевых относительных экономических показателей развития стран. Группирующим критерием выступил темп роста ВВП в 2023 г. (в %). Для анализа применены метод взвешенных синдромов; однои двухфакторный подтверждающий анализ; оценка качества моделей по индикатору ROC AUC, индексам сравнительного соответствия и Такера-Льюиса (TLI).

Результаты. 1. Модель на основе метода взвешенных синдромов показала высокое качество распознавания: ROC AUC = 0,92. Диаграммы рассеяния подтвердили четкое разделение стран на две группы по анализируемым показателям. 2. При факторном анализе построены: однофакторная модель с низкими нагрузками (λ= 0,258; λ= 0,131), что указывает на слабую связь наблюдаемых переменных с латентным фактором; двухфакторная модель с неудовлетворительным индексом соответствия TLI = 0,474 (при пороге > 0,90–0,95).

Выводы. Методы машинного обучения продемонстрировали преимущество при работе с данными, содержащими пропуски. Факторный анализ дал неудовлетворительные результаты: модели не объясняют дисперсию переменных и не соответствуют данным. Содержательная экономическая интерпретация латентных факторов не проведена из-за низкого качества факторных моделей. Сравнение методов машинного обучения и факторного анализа затруднено из-за разного объема пригодных данных. 

1. Кузнецова А.В., Борисова Л.Р., Кремер Н.Ш., Фридман М.Н. Сравнительный анализ дотационных регионов Российской Федерации методами машинного обучения по широкому набору показателей основных фондов. Бизнес. Образование. Право. 2025;1(70):20-28. DOI: 10.25683/VOLBI.2025.70.1182

2. Visbal-Cadavid D., Delahoz-Dominquez E., Mendoza-Mendoza A. A multiple factor analysis and hierarchical clustering of global logistics governance and development. Decision Analytics Journal. 2025;(15):100579. DOI: 10.1016/j.dajour.2025.100579

3. Sheng X., Cepni O., Gupta R., Markovski M. Mixed Frequency Machine Learning Forecasting of the Growth of Real Gross Fixed Capital Formation in the United States: The Role of Extreme Weather Conditions 2025: Working Papers University of Pretoria. 2025;202520. URL: https://EconPapers.repec.org/RePEc:pre:wpaper:202520

4. Langa E.S., Giannetti B.F., Sevegnani f., Agostinho F., Almeida C. From theory to application: measuring development disparities in Mozambique through an Odum-inspired emergy framework. Ecological Modeling. 2025;(510):111287. DOI: 10.1016/j.ecolmodel.2025.111287

5. Yahyaoui M.El., Amine S. Mathematical modeling of unemployment dynamics with skills development and cyclical effects. Partial differential equations in applied mathematics. 2024; (911):100800. DOI: 10.1016/j.padiff.2024.100800

6. Baklouti N., Boujelbene Y. A simultaneous equation model of economic growth and shadow economy: Is there a difference between the developed and developing countries? Economic Change and Restructuring, Springer. 2020;53(1):151-170. DOI: 10.1007/s10644-018-9235-8

7. Bihun R., Lytvyn V., Oleksiv N. Mathematical modeling and analysis of the development of territorial communities. Technology Audit and Production Reserves. 2021;3(2(59)):6-12. DOI: 10.15587/2706-5448.2021.232788

8. Степанов В.С.,Бобков В.Н.,Шамаева Е.Ф.,Одинцова Е.В. Построение модели, связывающей индикатор уровня жизни населения с комплексом показателей социально-экономической политики в регионах России. Уровень жизни населения регионов России. 2022;18(4):450-465. DOI: 10.19181/lsprr.2022.18.4.3

9. Степанов В.С. Прогноз общей онкологической заболеваемости в регионах и муниципалитетах России на основе многофакторной модели. Моделирование, оптимизация и информационные технологии. 2023;11(1):1-17. DOI: 10.26102/2310-6018/2023.40.1.022

10. Матвиевский С.С., Борисова Л.Р. Кластеризация стран Азиатско-Тихоокеанского региона по значениям инклюзивного экономического роста. Вестник университета. 2023;(1):112-121. DOI: 10.26425/1816-4277-2024-1-112-121

11. Борисова Л.Р. Сравнительный анализ регионов Российской Федерации методами машинного обучения по набору показателей электронных услуг и сервисов. Цифровая социология. 2024;7(4):33-43. DOI: 10.26425/2658-347X-2024-7-4-33-43

12. Senko O.V., Kuznetsova A.V. A recognition method based on collective decision-making using systems of regularities of various types. Pattern Recogn. Image Anal. 2010;20(2):152-162. DOI: 10.1134/S1054661810020069