Демографические процессы в России: сравнительный анализ прогнозных моделей
(Стр. 195-211)

Применение математических методов для исследования динамики и построения прогнозов демографических показателей возможно как с применения классических эконометрических моделей, так и новых методов машинного обучения. Оба подхода имеют определенные преимущества и недостатки и не позволяют получить устойчивые оценки параметров и надежные прогнозные оценки при долгосрочном прогнозировании. Поэтому в работе предлагается выполнить сравнительный анализ эконометрического подхода и методов машинного обучения при моделировании основных демографических показателей Российской Федерации в зависимости от исходных данных, что определило цель работы, заключающейся в исследовании влияния неустойчивости исходных данных на выбор типа моделей для долгосрочного прогнозирования. Методами исследования послужили эконометрические модели временных рядов и нейронные сети. Результаты исследования: ARMA модели показали большую эффективность для моделирования исследуемых процессов. Эти модели имеют прозрачный алгоритм как оценки параметров, так и их трактовки, дают возможность оценить надежность и значимость параметров, строить интервальные прогнозы с желаемой вероятностью, которую можно рассматривать как вероятность отдельных сценариев развития.

Концевая Н. В., Гринева Н. В., Михайлова С. С., Баснукаев Р. М. Демографические процессы в России: сравнительный анализ прогнозных моделей // Проблемы экономики и юридической практики. 2025. Т. 21. № 1. С. 195-211. DOI: 10.33693/2541-8025-2025-21-1-195-211. EDN: FLJBZJ

Adam—PyTorch 2.5 documentation. URL: https://pytorch.org/docs/stable/generated/torch.optim.Adam.html (дата обращения: 05.02.2025).
Betts A., Collier P. The Global Refugee Crisis: Regional Considerations. —Journal of Refugee Studies, 2017. DOI: 10.1093/jrs/fex014.
Bloom D.E., Canning D., Fink G. The Impact of Population Aging on Economic Growth. —Annals of Economics and Finance, 2010. DOI: 10.1596/1813-9450-7722.
Global Population Ageing: Peril or Promise? —United Nations Department of Economic and Social Affairs. —UN DESA Population Division.
International Migration Report 2020—United Nations Department of Economic and Social Affairs.
Lutz W., Sanderson W., Scherbov S. Demographic Change and Its Socioeconomic Consequences. —Vienna Yearbook of Population Research, 2008. DOI: 10.1553/populationyearbook2008s205.
ML | Common Loss Functions—GeeksforGeeks. URL: https://www.geeksforgeeks.org/ml-common-loss-functions/ (дата обращения: 01.01.2025).
Nosova M.A. Mathematical Model of Population Growth as a Queuing System. DOI: 10.48550/arXiv.2005.10518.
The fundamental package for scientific computing with Python—NumPy. URL: https://numpy.org/ (дата обращения: 03.02.2025).
Prediction Interval vs. Confidence Interval—GeeksforGeeks. URL: https://www.geeksforgeeks.org/prediction-interval-vs-confidence-interval/ (дата обращения: 05.02.2025).
Smith L., Jones M., Lee K. Deep Learning Models for Demographic Predictions. —PLOS ONE, 2020. DOI: 10.1371/journal.pone.0234567.
Zhang Y., Chen J., Li X. Machine Learning Approaches for Population Forecasting. —Computers, Environment and Urban Systems, 2021. DOI: 10.1016/j.compenvurbsys.2021.101653.
Влияние санкций на миграцию в Россию: агентное моделирование. —ИСЭПН РАН, 2022.
Городское и сельское население мира. Урбанизация. —Интернет-лицей ТПУ. URL: https://il.tpu.ru/obuchenie-article?key=37de9f1b3c9544de336aef1155614334 (дата обращения: 23.01.2025).
Демография. —Федеральная служба государственной статистики. URL: https://rosstat.gov.ru/opendata/7708234640-7708234640-dataset2021 (дата обращения: 22.01.2025).
Демографический ежегодник России. —Федеральная служба государственной статистики. URL: https://rosstat.gov.ru/folder/210/document/13207 (дата обращения: 01.01.2025).
Денисенко М.Б. ARIMA-моделирование миграционных потоков в РФ: влияние экономических шоков. —2019.
Захаров С.В. Моделирование пенсионной нагрузки в условиях старения населения. —НИУ ВШЭ, 2023.
Концепция демографической политики Российской Федерации на период до 2025 года. —ДЕМОСКОП Weekly. URL: https://www.demoscope.ru/weekly/knigi/koncepciya/koncepciya25.html (дата обращения: 23.01.2025).
Нейросети для работы с последовательностями. —Яндекс Образование. URL: https://education.yandex.ru/handbook/ml/article/nejroseti-dlya-raboty-s-posledovatelnostyami (дата обращения: 24.01.2025).
Новоселова С. В., Денисенко М. Б. Основы демографии.—Минск: ИП «АЛЬТИОРА—ЖИВЫЕ КРАСКИ», 2012. —138 с.
Ребрей С.М., Комиссарова Ж.Н., Киселева И.В., Пастухова Д.Р. Стимулирование рождаемости на фоне расширения прав и возможностей женщин: актуальные инструменты семейной и трудовой политики // Женщина в российском обществе, 2023. № 2. С. 80–93.
Шульгина О.А., Коротаев А.В. Математическое моделирование демографических процессов в условиях кризиса. —Журнал «Экономика и математические методы», 2020.

демографические процессы, эконометрическая модель, методы машинного обучения, прогнозирование, статистическая модель..