ШТУЧНИЙ ІНТЕЛЕКТ В ЕКОНОМІЧНОМУ АНАЛІЗІ ТА ПРОГНОЗУВАННІ РЕСПУБЛІКИ МОЛДОВА
Анотація
Актуальність даного дослідження зумовлена зростаючою потребою у високоточних інструментах макроекономічного прогнозування для Республіки Молдова ‒ невеликої відкритої економіки, яка історично дуже вразлива до зовнішніх цінових шоків, має значну залежність від імпорту енергоносіїв та характеризується постійною волатильністю реального сектора. Традиційні методи прогнозування продемонстрували свої обмеження під час останніх кризових періодів, що підкреслює потребу в більш досконалих аналітичних моделях. Метою цього дослідження є проведення всебічної порівняльної оцінки прогнозної здатності трьох різних класів моделей ‒ множинної лінійної регресії (MLR), авторегресійної інтегрованої моделі з ковзним середнім (ARIMA) та рекурентних нейронних мереж з довгою короткостроковою пам’яттю (LSTM). Ці моделі застосовуються для прогнозування темпів інфляції та зростання валового внутрішнього продукту (ВВП) Молдови на основі макроекономічних даних за період з 2018 по 2025 рік. Емпірична інформаційна база сформована виключно на основі офіційних публікацій, наданих Національним банком Молдови (НБМ) та Національним бюро статистики Республіки Молдови. З метою забезпечення методологічної строгості якість та точність моделей оцінювалися та піддавалися перехресній валідації з використанням стандартних статистичних показників, а саме: середньоквадратичної похибки (RMSE), середньої абсолютної похибки (MAE) та середньої абсолютної процентної похибки (MAPE).
Результати порівняльного аналізу переконливо свідчать про те, що модель LSTM на основі глибокого навчання демонструє значну та стабільну перевагу над традиційною економетрикою. Зокрема, вона знижує середньоквадратичну похибку (RMSE) прогнозів інфляції з 1,139 (лінійна регресія) та 0,973 (ARIMA) до 0,354, одночасно покращуючи середньоабсолютну відхилення (MAPE) з 21,4 % та 17,3 % до надзвичайно точного показника 6,85 % відповідно. Крім того, прогноз за сценарієм на найближчий період 2026–2027 років вказує на те, що інфляція, ймовірно, стабілізується на рівні близько 5,0 % та 4,5 %, що повністю відповідає встановленому Національним банком Молдови цільовому коридору. Крім того, у базовому сценарії прогнозується стабільне зростання ВВП на рівні 2,2 % у 2026 році та 3,0 % у 2027 році. Практична цінність та новизна цього дослідження полягають у потенційній безпосередній інтеграції запропонованих прогнозних моделей на основі штучного інтелекту в стратегічні аналітичні системи Національного банку та Міністерства економічного розвитку та цифровізації Республіки Молдова, що сприятиме вдосконаленню процесу формування політики в умовах невизначеності.
Завантаження
Посилання
Yang Liu, Ran Pan, and Rui Xu. "Mending the Crystal Ball: Enhanced Inflation Forecasts with Machine Learning", IMF Working Papers 2024, 206 (2024), accessed 25.06.2026, https://doi.org/10.5089/9798400285387.001.
Jönsson, K. (2026), Forecasting Quarterly GDP Growth Rates Using Machine Learning Methods. Journal of Forecasting. https://doi.org/10.1002/for.70184.
Grigorescu, Aura Elena. "Artificial Intelligence in Central Banking." Proceedings of the International Conference on Business Excellence, vol. 18, no. 1, Bucharest University of Economic Studies, 2024, pp. 1892-1901, https://doi.org/10.2478/picbe-2024-0159.
Bondarenko, K., Strilets, V., & Shevchenko, D. (2024). Forecasting economic indicators using the LSTM model. Bulletin of V.N. Karazin Kharkiv National University, Series «Mathematical Modeling. Information Technology. Automated Control Systems», 64, 13-24. https://doi.org/10.26565/2304-6201-2024-64-02
Skolastika Kadang, Vivi Peggie Rantung (2026). Comparison of LSTM and ARIMA Methods in Predicting the Inflation Rate in Manado City. Journal of Artificial Intelligence and Engineering Applications, 5(2), 2564–2571. https://ioinformatic.org/index.php/JAIEA/article/view/1929
Lenzu, S (2026), ‘DP21248 Artificial Intelligence and Monetary Policy: A Framework and Perspective on Cyclical Transmission, Structural Transition, and Financial Stability‘, CEPR Discussion Paper No. 21248. CEPR Press, Paris & London. https://cepr.org/publications/dp21248
Mirza, N., Rizvi, S. K. A., Naqvi, B., & Umar, M. (2024). Inflation prediction in emerging economies: Machine learning and FX reserves integration for enhanced forecasting. International Review of Financial Analysis. Article: 103238 Volume: Volume 94 https://doi.org/10.1016/j.irfa.2024.103238
Anesti, N., Kalamara, E., & Kapetanios, G. (2024). Forecasting with Machine Learning methods and multiple large datasets. Econometrics and Statistics. https://doi.org/10.1016/j.ecosta.2024.08.003
Gonçalves, J. V. M., Alexandre, M., & Lima, G. T. (2023). ARIMA and LSTM: A Comparative Analysis of Financial Time Series. Working Paper FEA-USP, https://ideas.repec.org/p/spa/wpaper/2023wpecon13.html
Orazio Angelini, Andrea Gabrielli, Andrea Tacchella, Andrea Zaccaria, Luciano Pietronero, T. Di Matteo "Forecasting the countries' gross domestic product growth: The case of technological fitness." Chaos, Solitons & Fractals 2024. Volume 184, July 2024, 115006 https://doi.org/10.1016/j.chaos.2024.115006.
Goulet Coulombe, P., Leroux, M., Stevanovic, D., & Surprenant, S. (2022). How is machine learning useful for macroeconomic forecasting? Journal of Applied Econometrics, 37(5), 920-964. https://doi.org/10.1002/jae.2910
Medeiros, M. C., Vasconcelos, G. F., Veiga, Á., & Zilberman, E. (2021). Forecasting inflation in a data-rich environment: the benefits of machine learning methods. Journal of Business & Economic Statistics, 39(1), 98-119. https://doi.org/10.1080/07350015.2019.1637745
Baumeister, C., & Hamilton, J. D. (2019). Structural interpretation of vector autoregressions with incomplete identification: Revisiting the role of oil supply and demand shocks. American Economic Review, 109(5), 1873-1910. https://doi.org/10.1257/aer.20151569
Siami-Namini, S., Tavakoli, N., & Namin, A. S. (2018). A comparison of ARIMA and LSTM in forecasting time series. 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), 1394-1401. https://doi.org/10.1109/ICMLA.2018.00227
Fotopoulou, E., Maduako, I., Srivastava, P., & Sbrancia, M. B. (2026). Nowcasting Economic Growth with Machine Learning and Satellite Data. IMF Working Paper. https://doi.org/10.5089/9798229037471.001
Chakraborty, C., & Joseph, A. (2017). Machine learning at central banks. Bank of England Working Paper No. 674. https://www.bankofengland.co.uk/-/media/boe/files/working-paper/2017/machine-learning-at-central-banks.pdf
ameh, T., & Victor, A. O. (2026). Inflation Prediction: A Hybrid Time-Series Approach. DBS Applied Research and Theory Journal, 3(1). https://journal.dbs.ie/index.php/dbs/article/view/158/84
Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society A, 379(2194), 20200209. https://doi.org/10.1098/rsta.2020.0209
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54-74. https://doi.org/10.1016/j.ijforecast.2019.04.014
Doerr, S., Gambacorta, L., & Serena Garralda, J. M. (2021). Big data and machine learning in central banking. BIS Working Papers No 930. https://www.bis.org/publ/work930.pdf
Lenza, M., & Primiceri, E. (2022). How to estimate a vector autoregression after March 2020. Journal of Applied Econometrics, 37(4), 688-699. https://doi.org/10.1002/jae.2895
Pesaran, M. H., Pick, A., & Pranovich, M. (2013). Optimal forecasts in the presence of structural breaks. Journal of Econometrics, 177(2), 134-152. https://doi.org/10.1016/j.jeconom.2013.04.002

Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.