Сентябрь 2025 (опубликовано: 15.09.2025)
Выпуск 3(62)
УДК 338.27, 332.142
DOI 10.17586/2310-1172-2025-18-3-98-112
Нейросетевое моделирование взаимосвязи инвестиционного потенциала российских регионов и их ESG рэнкинга
Ссылка для цитирования: Киршин И.А., Кох И.А., Захматов Д.Ю. Нейросетевое моделирование взаимосвязи инвестиционного потенциала российских регионов и их ESG рэнкинга // Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2025. № 3. С. 98-112. DOI: 10.17586/2310-1172-2025-18-3-98-112.
Аннотация. Целью данной статьи является выявление, тестирование и оценка влияния ESG рэнкинга на инвестиционный потенциал российских регионов (субъектов РФ) на основе нейросетевого моделирования. В качестве статистической выборки были использованы данные 83 российских регионов за 2020 год. Был проведен кросс-региональный множественный регрессионный анализ с использованием моделей нейронной сети многослойного персептрона. Для выявления причинно-следственных связей между переменной инвестиционного потенциала и тремя регрессорами: ESG рэнкинг региона, инвестиционный риск региона и валовой региональный продукт - использовалось приложение регрессия (regression) аналитического программного пакета STATISTICA (StatSoft). Оценка качества и точности модели многослойного персептрона производилась посредством вычисления средней абсолютной процентной ошибки. Проведенные численные эксперименты показали, что метод нейросетевого моделирования доступен в реализации, не требует больших вычислительных мощностей и демонстрирует хорошую точность. В ходе нейросетевого моделирования нелинейной регрессии инвестиционного потенциала субъектов РФ была специфицирована достоверная модель MLP 3-4-1 с высокой точностью описывающая и предсказывающая целевую переменную -инвестиционный потенциал региона. Полученные результаты подтверждают выдвинутую в статье гипотезу: инвестиционный потенциал российских регионов в большей степени зависит от ESG фактора и в меньшей степени от инвестиционного риска региона и валового регионального продукта. Глобальный анализ чувствительности показал, что все построенные нейронные сети определяют ESG переменную как наиболее важную. Доказанный приоритет важности влияния ESG рэнкинга на инвестиционный потенциал региона может быть использован региональными властями для обоснования приоритетных направлений региональной политики повышения инвестиционной привлекательности субъектов Российской Федерации.
Читать статью полностью
Ключевые слова: ESG-концепция, инвестиционная привлекательность региона, нейронные сети; многослойный персептрон, глобальный анализ чувствительности, программный пакет STATISTICA.
Список литературы:
1. Беляева О.И. Стратегические приоритеты государственной политики в снижении регионального неравенства // Экономика и предпринимательство. 2021. № 10(135). С. 481–484. DOI 10.34925/EIP.2021.135.10.092. 2. Двас Г.В., Цыплакова Е.Г., Саргсян М.В. Инвестиционный потенциал региона и методы управления его формированием и развитием // Теория и практика общественного развития. 2023. № 6(182). С. 117–124. DOI 10.24158/tipor.2023.6.14. 3. Бэй Г. Оценка инвестиционного потенциала в российских регионах // Первый экономический журнал. 2024. № 9(351). С. 82–86. DOI 10.58551/20728115_2024_9_82. 4. Методика составления рейтинга инвестиционной привлекательности регионов России компании «РАЭКС-Аналитика». [Электронный ресурс] https://raex-rr.com/regions/investment_appeal/investment_potential_of_regions/2020/methods/ (дата обращения 21.05.2025). 5. OECD (2022), 2022 Synthesis Report World Observatory on Subnational Government Finance and Investment, OECD Publishing, Paris. DOI:10.1787/b80a8cdb-en. 6. Измайлов М.К., Пупенцова С.В. ESG-трансформация в России как инструмент стратегического развития // Научный журнал НИУ ИТМО. Серия: Экономика и экологический менеджмент. 2024. № 4. С. 105–115. DOI 10.17586/2310-1172-2024-17-4-105-115. 7. Institutional investors and ESG worldwide – statistics & facts. [Электронный ресурс] https://www.statista.com/topics/13428/institutional-investors-and-esg-worldwide/#topicOverview (дата обращения 14.05.2025). 8. Abhiram Dash, Debasis Bhattacharya, Digvijay Singh Dhakre, Madhuchhanda Kishan (2022) On Selection of Best Model from Spline Regression and ARIMA Models for Forecasting Rabi Food Grain Production of Odisha // Environment and Ecology. 40(3B). pр. 1428–1437. 9. Mateus B.C., Mendes M., Farinha J.T., Cardoso A.J.M., Assis R., da Costa L.M. (2023) Forecasting Steel Production in the World // Assessments Based on Shallow and Deep Neural Networks. Appl. Sci. 13, 178. DOI: 10.3390/ app13010178. 10. Захматов Д.Ю., Киршин И.А., Кох И.А. Построение финансовых временных рядов с применением нейронных сетей в отношении прогнозных показателей предприятия // KANT. 2025. № 1(54). С. 51-62. DOI: 10.24923/2222-243X.2025-54.9. 11. Инвестиционный потенциал российских регионов в 2020 году. [Электронный ресурс] https://raex-rr.com/regions/investment_appeal/investment_potential_of_regions/2020/ (дата обращения 25.05.2025). 12. ESG-рейтинг субъектов РФ, 2020 год. [Электронный ресурс] https://raex-rr.com/ESG/ESG_regions/ESG_rating_regions/2020/ (дата обращения 25.05.2025). 13. Инвестиционный потенциал российских регионов в 2020 году. [Электронный ресурс] https://raex-rr.com/regions/investment_appeal/investment_potential_of_regions/2020/ (дата обращения 25.05.2025) 14. Социально-экономические показатели регионов России//Росстат; обработка «Если быть точным», 2023. Условия использования: Creative Commons BY 4.0. [Электронный ресурс] https://tochno.st/datasets/regions_collection (дата обращения 24.05.2025). 15. Witt S.F., Witt C.A. (1992) Modeling and Forecasting Demand in Tourism. London: Academic Press. 16. Box G.E.P., Jenkins G.M. and Reinsel G.C. (1994) Time Series Analysis; Forecasting and Control, 3rd ed., Prentice Hall, Englewood Cliff, New Jersey. 17. Williams P., Norris K. (2001) Near-infrared Technology: In the Agricultural and Food Industries. 2nd ed. USA: American Association of Cereal Chemists, St. Paul, Minn. 18. Cheng J.H., Sun D.W. (2015) Recent applications of spectroscopic and hyperspectral imaging techniques with chemometric analysis for rapid inspection of microbial spoilage in muscle foods // Compr Rev Food Sci F. Vol. 14. Issue 14. P. 478-490. DOI: 10.1111/1541-4337.12141 19. Ясницкий Л.Н. Введение в искусственный интеллект. –М.: Академия. 2005. 176 с.
