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. Resolution of the Government of the Kaliningrad Region "On the Strategy of socio-economic development of the Kaliningrad region for the long term" dated 08/02/2012 N 583.

2. Biybosunov B. I., Sabitov B. R., Almasbekova Z., Esenamanova G. K.

3. Numerical method of constructing models for forecasting economic indicators of agriculture // Electronic scientific journal "Diary of Science". 2020. № 2.

4. Ivanov A. V., Kovalenko O. A. Some aspects of assessing the effectiveness of sectoral development (using the example of the fishing industry) // Baltic Economic Journal. 2025. № 3(51). pp. 23-37.

5. Karlov A. M., Murov V. M. Methodology of simulation modeling of business processes of oceanic fishing // Baltic Economic Journal. 2023. No. 3(43). pp. 37-47.

6. Kovalenko A. V., Syusyura D. A., Teunaev D. M. Using machine learning and artificial intelligence methods to analyze the socio-economic development of urban districts, districts and settlements of the Krasnodar Territory // KubGAU Scientific Journal. 2019. №153. pp. 1-13. 6. Krylova O. S., Kalichkin V. K. Machine learning for predicting the yield of spring barley depending on agro-climatic conditions // Bulletin of the Altai State Agrarian University. 2025. No. 7 (249). pp. 9-15. 7. Marchenko S. S., Novikov A. E., Burtseva N. I., Semenenko S. Ya.

7. Application of machine learning methods to the construction of predictive models of productivity of perennial grasses during irrigation // Melioration and hydraulic engineering. 2024. Vol. 14. No. 2. pp. 94-107. 8. Mnatsakanyan A. G., Mnatsakanyan R. A., Kharin A.G. Modeling the dynamics of prices for fish products in Russia // Baltic Economic Journal. 2023.

8. No. 3(43). pp. 82-98. 9. Mnatsakanyan A. G., Kharin A. G. Investigation of internal factors of prices for fish products in Russia // Baltic Economic Journal. 2023. No. 4(44). pp. 103-114. 10. Panamareva O. N., Khramov I. S., Bidenko S. I. Neural network modeling and assessment of the territorial economic situation // Bulletin of the MFUA. 2020.

9. No. 4. pp. 63-75. 11. Podvalny S. L., Likhotin M. A., Mikhailusov A. V., Donskikh A. K. The use of recurrent networks for forecasting electricity consumption. Vestnik VGTU. 2022.

10. No. 3. pp. 45-50. 12. Samsonov A. V. Improving tools for predicting the development of agriculture: a combination of recurrent neural networks and multiple regression for regional and sectoral analysis // Russian Economic Bulletin. 2025. No. 3. pp. 428-443. 13. Samsonov A. V., Sergeev L. I. Forecasting the dynamics of regional GRP using recurrent neural networks // Russian Economic Bulletin. 2021. No.5. pp. 240-252. 14. Sergeev L. I., Sergeev D. L. Generalization of the relationship between the population and the extraction of aquatic biological resources in the coastal regions of the country // Baltic Economic Journal. 2024 No. 3(47). pp. 101-116. 15. Timofeev A. G., Lebedinskaya O. G. A model for using a convolutional neural network (CNN) in combination with long-term memory (LSTM) for predicting oil prices under conditions of uncertainty // TDR. 2022. No. 2. pp. 54-59. 16. Truflyak E. V., Ragozin L. V. The effectiveness of differentiated nitrogen fertilizer application using an artificial intelligence model // Engineering technologies and systems. 2025. Vol. 35, No. 3. pp. 489-512. 17. Fayzullin R. V., Novikova O. A. Application of machine learning methods for forecasting in the agricultural sector of the economy // Intelligent systems in production. 2024. Vol. 22. No. 2. pp. 69-79. 18. Kharin A. G. On some objectives of fisheries policy in the Russian Federation and the impact of foreign trade on the consumption of fish products // Baltic Economic Journal. 2023. No. 2(42). pp. 36-49.

11. Official website of the Unified Interdepartmental Information and Statistical System (EMISS). - [Electronic resource] – Access mode: https://www.fedstat.ru / 20. The official website of the Federal State Statistics Service. - [Electronic resource] – Access mode: https://rosstat.gov.ru