ИСПОЛЬЗОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ ФАКТОРОВ РЕЦЕССИИ АФРИКАНСКИХ ЭКОНОМИК
DOI:
https://doi.org/10.17213/2075-2067-2023-5-126-136Keywords:
страновой риск, машинное обучение, рецессия, кластеризация, деревья решений, экономическая сложностьAbstract
Цель исследования — установить важнейшие факторы, которые провоцируют наступление рецессии в развивающихся и наименее развитых странах африканского континента.
Методологическую базу исследования составляют методы машинного обучения: метод градиентного бустинга и кластеризация по алгоритму DBSCAN. Эти методы были реализованы с помощью библиотек Python 3.7: pandas, matplotlib, imblearn, itertools, sklearn. Для выполнения исследования применен так называемый пайплайн, который последовательно осуществляет балансировку набора данных, проводит валидацию модели, настройку её гиперпараметров.
Результаты исследования. Применение методов машинного обучения выявило принципиальную значимость цен на энергию, уровня технологии и национального потребления как важнейших факторов, приводящих к рецессии. Кластеризация данных показала наличие нескольких явно очерченных исторических периодов развития региона в начале XXI столетия, которые были связаны с глобальной экономической конъюнктурой. Делается вывод о значении экономической сложности как показателя устойчивости экономики перед лицом внешних факторов.
Перспективы исследования заключаются в применении ансамбля методов машинного обучения для оценки страновых или макрорегиональных рисков на основе несбалансированных массивов данных. Также экономическая сложность как фактор возникновения кризисных явлений представляет интерес для дальнейших исследований.
References
Baldwin R. The Great Convergence Information Technology and the New Globalization. Harvard University Press, 2016. 344 p. DOI: 10.2307/j.ctv24w655w.
Barrientos S., Gereffi G., Rossi A. Economic and Social Upgrading in Global Production Networks: A New Paradigm for a Changing World // International Labour Review. 2011. №150. Рр. 319–340. DOI: 10.1111/j.1564-913X.2011.00119.x.
Bouchet M. H. Managing Country Risk in an Age of Globalization / M. H. Bouchet, C. A. Fishkin, A. Goguel. Palgrave Macmillan, 2018. 527 p.
Dimitrescu E. I., Hué S., Hurlin C. et al. Machine Learning or Econometrics for Credit Scoring: Let’s Get the Best of Both Worlds // SSRN Electronic Journal. 2020. 42 p. DOI:10.2139/ssrn.3553781.
Gereffi G. Global Value Chains and Development: Redefining the Contours of 21st Century Capitalism. Cambridge University Press, 2018. 494 p. DOI: 10.1017/9781108559423.
Goldin I. Risk and Complexity / I. Goldin, C. Kutarna // Finance and Development. 2017. №54(3). Pр. 46–49.
Marsland S. Machine Learning: An Algorithmic Perspective. Chapman and Hall: NY, 2014. 457 p. DOI: 10.1201/b17476.
Parvin H., Mehrshad A., Azizi, A. Big Data Approach to Firm Level Innovation in Manufacturing: Industrial Economics. Springer Singapore, 2020. 72 p. DOI: 10.1007/978-981-15-6300-3.
Pedregosa F.-Varoquaux et al. Scikit-learn: Machine Learning in Python // JMLR. 2011. №12. Pр. 2825–2830.
Wang C., Sen M., Yao B. et al. Harnessing Machine Learning Emerging Technology in Financial Investment Industry: Machine Learning Credit Rating Model Implementation // Journal of Financial Risk Management. 2021. №10(3). Pр. 317–341. DOI: 10.4236/jfrm.2021.103019.
