Целью работы является исследование и применение математических моделей и методов машинного обучения для анализа и прогнозирования экономических показателей, а также выявление ограничений и возможностей их использования. В центре внимания данной статьи – разработка и тестирование моделей, сочетающих методы линейного программирования и машинного обучения. В рамках исследования проверялось, насколько предложенный метод работает в условиях, приближенных к реальным задачам управления. В качестве предмета анализа были выбраны сценарии, где требовалась оптимизация расходов при ограниченности ресурсов и изменчивости внешних параметров. За основу бралась классическая задача линейного программирования: целевая функция отражала стремление минимизировать совокупные издержки, а ограничения описывали ресурсные лимиты, бюджетные рамки и предполагаемые значения ключевых экономических факторов. Алгоритм на основе метода градиентного бустинга строил прогноз для ключевых параметров на основе структурированного массива данных, имитирующего поведение спроса, динамику цен и доступность ресурсов. Затем эти значения передавались в модуль линейного программирования, где уже происходил сам расчёт оптимального решения. Машинное обучение в этом случае не подменяет линейную модель, а усиливает её, делая более гибкой и устойчивой. Эксперимент показал: даже ограниченный, но осмысленно подобранный массив данных может лечь в основу адаптивной системы, способной генерировать устойчивые управленческие решения.
The purpose of this work is to study and apply mathematical models and machine learning methods for analyzing and predicting economic indicators, as well as to identify the limitations and possibilities of their use. This article focuses on the development and testing of models that integrate linear programming and machine-learning methods. The study tested how well the proposed method works in conditions that are close to real-world management tasks. The analysis focused on scenarios that required cost optimization with limited resources and variable external parameters. The study builds on a classical linear programming problem: the objective function captures the aim of minimizing total costs, while the constraints represent resource limits, budgetary bounds, and assumed values of key economic factors. A gradient boosting–based algorithm generates forecasts for the core parameters using a structured dataset that simulates demand behavior, price dynamics, and resource availability. These predicted values are then fed into the linear programming module, where the optimal solution is computed. In this case, machine learning does not replace the linear model, but enhances it, making it more flexible and stable. The experiment demonstrates that even a limited yet thoughtfully curated dataset can serve as the basis for an adaptive system capable of producing robust managerial decisions.
1. Жаткин А. С. Тенденции развития управленческого учета на основе цифровых технологий // Вопросы региональной экономики. 2025. Вып 3. С. 79-85. URL: https://vre.unitech-mo.ru/2025-%d0%b3%d0%be%d0%b4/%d0%b2%d1%8b%d0%bf%d1%83%d1%81%d0%ba-%e2%84%963/ (дата обращения: 08.03.2026).
2. Наркевич Л. В. Математическое моделирование процессов оптимизации экономического потенциала отрасли в условиях глобализации экономики // Экономика Северо-Запада: проблемы и перспективы развития. 2025. № 1 (80). С. 100-107. DOI: 10.52897/2411-4588-2025-1-100-107.
3. Егорова А. Ю. Информационные технологии моделирования экономических процессов в промышленности РФ // Вестник Самарского университета. Экономика и управление. 2025. Т. 16. № 4. С. 107-114. DOI: 10.18287/2542-0461-2025-16-4-107-114.
4. Брусакова И. А. Имитационное моделирование бизнес-процессов для цифровых двойников // Петербургский экономический журнал. 2023. № 1. С. 51-61. URL: https://www.elibrary.ru/item.asp?id=53701616 (дата обращения: 08.03.2026).
5. Сафонова А. В., Сушко А. В., Осадчая А. В. Цифровые двойники и их применение в экономике // Журнал монетарной экономики и менеджмента. 2025. № 3. С. 271-274. DOI: 10.26118/2782-4586.2025.79.14.042.
6. Жуковская И. В., Кузьмин М. С. Технология формирования цифрового двойника как драйвер развития цифровой экономики // Микроэкономика. 2023. № 6. С. 71-75. DOI: 10.33917/mic-6.113.2023.71-75.
7. Жаров В. Г., Шайтура С. В., Останкова Н. В. Экономико-математическая модель инфраструктуры сервиса // Информационно-технологический вестник. 2023. № 4 (38). С. 39-65. URL: https://www.elibrary.ru/item.asp?id=61326999 (дата обращения: 08.03.2026).
8. Шарохина С. В., Панцева Е. Ю., Градалева Е. М., Хазова А. А. Оптимизация распределения финансовых ресурсов предприятия // Фундаментальные исследования. 2025. № 2. С. 71-76. DOI: 10.17513/fr.43781.
9. Арванова С. М., Мешева Л. А., Ксенофонтов А. С., Шаваев И. Я. Имитационное моделирование производства видов сельскохозяйственной продукции // Современные наукоемкие технологии. 2016. № 4-2. С. 221-224. URL: https://www.elibrary.ru/download/elibrary_25984566_50627114.pdf (дата обращения: 08.03.2026).
10. Досалиев Б. А. Применение линейного программирования в решении экономических задач // Bulletin of Series of Economic. 2025. Т. 83. № 1. DOI: 10.51889/3078-8579.2025.83.1.004.
11. Шульженко Н. А., Шульженко С .Н. Корреляционная зависимость подсистем инновационного развития предприятий с учетом особенностей их корпоративного взаимодействия на отраслевом и региональном уровне // Информационно-технологический вестник. 2023. № 4 (38). С. 77-93. URL: https://unitech-mo.ru/upload/files/science/information-technology-journal/itv04_2023.pdf (дата обращения: 08.03.2026).
12. Новосельцев В. И., Тарасов А. Б. Базовые модели управления и координации в социально-экономических системах // Моделирование, оптимизация и информационные технологии. 2013. № 1 (1). URL: https://www.elibrary.ru/download/elibrary_20226731_14267861.pdf (дата обращения 08.03.2026).
13. Пестунов А. И., Гинтофт А. С., Криветченко О. В. BIG DATA как феномен: причины и следствия появления больших данных // ЭКО. 2023. № 9 (591). С. 137-154. DOI: 10.30680/ECO0131-7652-2023-9-137-154.
14. Конищев Е. С. Современные инструменты проведения исследований пространственной экономики: возможности автоматизации процессов и инструментарий PYTHON // Вопросы региональной экономики. 2024. № 4 (61) С. 105-114. URL: https://vre.unitech-mo.ru/2024-%d0%b3%d0%be%d0%b4/%d0%b2%d1%8b%d0%bf%d1%83%d1%81%d0%ba-%e2%84%964/ (дата обращения: 08.03.2026).
15. Щинова Р. А. Модель оптимизации производственно-сбытовой структуры промышленного предприятия // Вестник Казанского государственного финансово-экономического института. 2011. № 4 (25). С. 27-33. URL: https://www.elibrary.ru/download/elibrary_19568142_77841622.pdf (дата обращения: 08.03.2026).
16. Боев А. Г., Пузаков А. Г., Анисимов Ю. П. Оптимизация бюджета стратегии преобразований промышленного комплекса на основе нейросетевого моделирования // Статистика и Экономика. 2022. Т. 19. № 3. С. 50-63. DOI: 10.21686/2500-3925-2022-3-50-63.