Новые подходы к прогнозированию доходов бюджетов Российской Федерации на основе резервуарных вычислений

Актуальность исследования обусловлена необходимостью повышения точности прогностического инструментария при определении будущих доходов бюджета Российской Федерации в условиях динамичности макроэкономической ситуации, связанной с санкционными ограничениями. В сложившейся ситуации необходима оперативная реакция на происходящие изменения, что стимулирует использование данных различной периодичности в прогностических моделях и поиск новых более точных методов прогнозирования.

Объектом исследования является динамика доходов федерального бюджета.

Предмет исследования – применимость резервуарных вычислений для прогнозирования доходов федерального бюджета Российской Федерации.

Цель исследования заключается в выявлении целесообразности использования моделей резервуарных вычислений при прогнозировании доходов федерального бюджета Российской Федерации. В процессе исследования применялись эмпирические и теоретические методы. Они позволили описать суть резервуарных вычислений, пояснить полученные прогностические результаты и выбрать наиболее оптимальные гиперпараметры. В результате была предложена авторская модель на базе резервуарных вычислений, учитывающая динамику ежемесячных и ежедневных факторов развития российской экономики. Сделан вывод о том, что первый в мире опыт использования резервуарных вычислений при прогнозировании доходов федерального бюджета Российской Федерации позволил повысить качество модели. Характеристики полученной модели существенно лучше аналогов, рассчитанных с использованием иных методов. Также выявлена высокая фрагментарность российских данных и короткая длина временных рядов, что было устранено за счет сокращения временного периода для обучения моделей и импутации отсутствующих значений в данных.

1. Glenday G. Revenue forecasting. In: Allen R., Hemming R., Potter B. H., eds. The international handbook of public financial management. London: Palgrave Macmillan; 2013:435-452. DOI: https://doi.org/10.1057/9781137315304_21

2. Noor N., Sarlan A., Aziz N. Government revenue prediction using feed forward neural network. Journal of Theoretical and Applied Information Technology. 2023;101(6):2459-2473.

3. Batóg B., Batóg J. Regional government revenue forecasting: Risk factors of investment financing. Risks. 2021;9(12):210. DOI: 10.3390/risks9120210

4. Серков Л. А. Критический подход к анализу проблем динамических стохастических моделей общего равновесия. Экономика и бизнес: теория и практика. 2015;(8):122-126.

5. Storm S. Cordon of conformity: Why DSGE models are not the future of macroeconomics. International Journal of Political Economy. 2021;50(2):77-98. DOI: 10.1080/08911916.2021.1929582

6. Abdi G., Mazur T., Szaciłowski K. An organized view of reservoir computing: A perspective on theory and technology development. Japanese Journal of Applied Physics. 2024;63(5):050803. DOI: 10.35848/1347-4065/ad394f

7. Караев А. К., Борисова О. В. Перспективные модели финансового прогнозирования доходов бюджета. Финансы: теория и практика. 2025;29(1):20-33. DOI: 10.26794/2587-5671-2025-29-1-20-33

8. Ballarin G., et al. Reservoir computing for macroeconomic forecasting with mixed-frequency data. International Journal of Forecasting. 2024;40(3):1206-1237. DOI: 10.1016/j.ijforecast.2023.10.009

9. Santos A., Lima R. R., Alves J. L., Misturini D. W., Florindo J. B. Reservoir computing and non-linear dynamics for time series analysis: An application in the financial market. Physica D: Nonlinear Phenomena. 2025;476:134698. DOI: 10.1016/j.physd.2025.134698

10. Jaeger H. The “echo state” approach to analysing and training recurrent neural networks — with an erratum note. German National Research Center for Information Technology. GMD Report. 2001;(148). URL: https://www.researchgate.net/publication/215385037_The_echo_state_approach_to_analysing_and_training_recurrent_neural_networks-with_an_erratum_note’

11. Jaeger H., Haas H. Harnessing nonlinearity: Predicting chaotic systems and saving energy in wireless communication. Science. 2004;304(5667):78-80. DOI: 10.1126/science.1091277

12. Pathak J., et al. Model-free prediction of large spatiotemporally chaotic systems from data: A reservoir computing approach. Physical Review Letters. 2018;120:024102. DOI: 10.1103/PhysRev-Lett.120.024102

13. Gauthier D. J. et al. Next generation reservoir computing. Nature Communications. 2021;12:5564. DOI: 10.1038/s41467-021-25801-2

14. Platt J. A., Wong A., Clark R., Penny S. G., Abarbanel H. D.I. Forecasting using reservoir computing: The role of generalized synchronization. arXiv preprint. 2021. DOI: 10.48550/arXiv.2103.00362

15. Tziatzios P. Financial nonlinear time-series analysis and prediction with reservoir computing. Master of science thesis in data science. School of Science & Technology. 2019.

16. Bollt E. M. On explaining the surprising success of reservoir computing forecaster of chaos? The universal machine learning dynamical system with contrast to VAR and DMD. Chaos: An Interdisciplinary Journal of Nonlinear Science. 2021;31(1):013108. DOI: 10.1063/5.0024890

17. Борисова О. В. Отдельные аспекты финансового прогнозирования в государственном секторе. РИСК: Ресурсы, Информация, Снабжение, Конкуренция. 2023;(2):177-181. DOI: 10.56584/1560-8816-2023-2-177-181

18. Караев А. К., Понкратов В. В. Основы балансовой механики Вольфганга Штютцела. Мир новой экономики. 2018;12(1):104-113. DOI: 10.26794/2220-6469-2018-12-1-104-113

19. Караев А. К., Понкратов В. В. Взаимосвязь финансового развития и экономического роста России (2000-2022 годы). Экономика. Налоги. Право. 2024;17(2):17-26. DOI: 10.26794/1999-849X-2024-17-2-17-26