Сценарное моделирование динамики показателей АПК Калининградской области: сравнительный анализ AR, SARIMA и LSTM

В статье представлен сравнительный анализ прогнозных траекторий развития агропромышленного комплекса Калининградской области, полученных с применением авторегрессионной модели, сезонной модели SARIMA и рекуррентной нейронной сети долгой краткосрочной памяти. Эмпирическую базу составили годовые данные за 2000–2023 гг. по пяти ключевым показателям, характеризующим развитие регионального АПК. В условиях ограниченной длины временных рядов предложен методический подход, основанный на оценке устойчивости (коэффициент вариации, дисперсия темпов роста, CAGR) и согласованности (корреляция Пирсона, MAPD) прогнозных траекторий. Установлено, что модели AR и SARIMA формируют согласованные инерционные сценарии с высокой корреляцией (r>0,97), тогда как нейросетевой аппарат генерирует более волатильные траектории, особенно по факторным показателям. В результате определены рекомендации по многосценарному прогнозированию для целей стратегического планирования развития регионального АПК.

1. Постановление Правительства Калининградской области "О Стратегии социально-экономического развития Калининградской области на долгосрочную перспективу" от 02.08.2012 г. № 583.

2. Бийбосунов Б. И., Сабитов Б. Р., Алмасбекова З., Эсенаманова Г. К.

3. Численный метод построения моделей для прогнозирования экономических показателей сельского хозяйства // Электронный научный журнал "Дневник науки". 2020. № 2.

4. Иванов А. В., Коваленко О. А. Некоторые аспекты оценки эффективности отраслевого развития (на примере рыбной отрасли) // Балтийский экономический журнал. 2025. № 3(51). С. 23-37.

5. Карлов А. М., Муров В. М. Методология имитационного моделирования бизнес-процессов океанического промысла // Балтийский экономический журнал. 2023. № 3(43). С. 37-47.

6. Карлов А. М., Мнацаканян Р. А. Сравнительная оценка эконометрических моделей по точности прогнозирования. // Балтийский экономический журнал. 2024. № 2(46). С. 6 - 17.

7. Коваленко А. В., Сюсюра Д. А., Теунаев Д. М. Использование методов машинного обучения и искусственного интеллекта для анализа социально- экономического развития городских округов, районов и поселений Краснодарского края // Научный журнал КубГАУ. 2019. №153. С. 1-13.

8. Крылова О. С., Каличкин В. К. Машинное обучение для прогнозирования урожайности ярового ячменя в зависимости от агроклиматических условий // Вестник Алтайского государственного аграрного университета. 2025. № 7 (249). С. 9-15.

9. Марченко С. С., Новиков А. Е., Бурцева Н. И., Семененко С. Я.

10. Применение методов машинного обучения к построению прогнозных моделей продуктивности многолетних трав при орошении // Мелиорация и гидротехника. 2024. Т. 14. № 2. С. 94–107.

11. Мнацаканян А. Г., Мнацаканян Р. А., Харин А. Г. Моделирование динамики цен на рыбопродукты в России // Балтийский экономический журнал. 2023. № 3(43). С. 82-98.

12. Мнацаканян А. Г., Харин А. Г. Исследование внутренних факторов цен на рыбопродукты в России // Балтийский экономический журнал. 2023. № 4(44). С. 103-114.

13. Панамарева О. Н., Храмов И. С., Биденко С. И. Нейросетевое моделирование и оценка территориальной экономической ситуации // Вестник МФЮА. 2020. №4. С. 63-75.

14. Подвальный С. Л., Лихотин М. А., Михайлусов А. В., Донских А. К.

15. Использование рекуррентных сетей для прогнозирования потребления электроэнергии // Вестник ВГТУ. 2022. №3. С. 45-50.

16. Самсонов А. В. Совершенствование инструментария прогнозирования развития АПК: комбинация рекуррентных нейронных сетей и множественной регрессии для регионально-отраслевого анализа // Russian Economic Bulletin. 2025. №3. С. 428-443.

17. Самсонов А. В., Сергеев Л. И. Прогнозирование динамики регионального ВРП с использованием аппарата рекуррентных нейронных сетей // Russian Economic Bulletin. 2021. №5. С. 240-252. 15. Сергеев Л. И., Сергеев Д. Л. Обобщение взаимосвязи численности населения и добычи водных биоресурсов приморских регионов страны // Балтийский экономический журнал. 2024. № 3(47). С. 101-116. 16. Тимофеев А. Г., Лебединская О. Г. Модель применения сверточной нейронной сети (CNN) в сочетании с долговременной памятью (LSTM) прогнозирования цены на нефть в условиях неопределенности // ТДР. 2022. №2. С. 54-59.

18. Труфляк Е. В., Рагозин Л. В. Эффективность дифференцированного внесения азотных удобрений с использованием модели искусственного интеллекта // Инженерные технологии и системы. 2025. Т. 35, № 3. С. 489–512. 18. Файзуллин Р. В., Новикова О. А. Применение методов машинного обучения для прогнозирования в сельскохозяйственном секторе экономики // Интеллектуальные системы в производстве. 2024. Т. 22. № 2. С. 69-79. 19. Харин А. Г. О некоторых целях рыбохозяйственной политики в Российской Федерации и влиянии внешней торговли на потребление рыбопродуктов // Балтийский экономический журнал. 2023. № 2(42). С. 36–49. 20. Официальный сайт Единой межведомственной информационно- статистической системы (ЕМИСС). - [Электронный ресурс] – Режим доступа: https://www.fedstat.ru/ 21. Официальный сайт Федеральной службы государственной статистики. - [Электронный ресурс] – Режим доступа: https://rosstat.gov.ru