«МАШИННОЕ ОБУЧЕНИЕ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ: НОВЫЙ ПОДХОД К ЭКОНОМЕТРИЧЕСКОМУ АНАЛИЗУ» ЭКОНОМЕТРИЧЕСКИЙ АНАЛИЗ И МАШИННОЕ ОБУЧЕНИЕ В ОЦЕНКЕ ВЛИЯНИЯ ЦИФРОВОЙ ТРАНСФОРМАЦИИ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА ESG-ПОКАЗАТЕЛИ УСТОЙЧИВОГО РАЗВИТИЯ

Исследование основано на практическом вопросе, с которым всё чаще сталкиваются органы государственного планирования в Центральной Азии: насколько надёжны линейные модели при оценке влияния цифровизации, искусственного интеллекта и факторов устойчивого развития и достаточна ли их предсказательная способность для описания реальных социально-экономических процессов? Для ответа на данный вопрос была сформирована сбалансированная панель данных по 34 развивающимся экономикам и экономикам переходного типа за 2012–2024 гг., включая пять стран Центральной Азии: Узбекистан, Казахстан, Кыргызстан, Таджикистан и Туркменистан. В исследовании использованы открытые базы данных Всемирного банка (World Development Indicators), Международного союза электросвязи (ICT Development Index), Всемирной организации интеллектуальной собственности (Global Innovation Index), а также рейтинги ESG Country Risk. На одном и том же массиве данных были построены две группы моделей. Первая основана на классической эконометрике панельных данных и включает сквозную регрессию методом наименьших квадратов (МНК), модель с фиксированными эффектами и модель со случайными эффектами. Вторая объединяет четыре алгоритма машинного обучения: Ridge и Lasso как регуляризованные линейные модели, а также Random Forest и Gradient Boosting как ансамблевые методы на основе деревьев решений. Качество моделей сравнивалось на отложенной 20%-ной тестовой выборке по трём метрикам: коэффициенту детерминации (R²), среднеквадратичной ошибке и средней абсолютной ошибке. Полученные результаты свидетельствуют о существенном преимуществе модели Gradient Boosting. Она объяснила 96,8% дисперсии ESG-индекса против 81,2% у обычной линейной регрессии, при этом ошибка прогноза сократилась более чем в два раза — с 5,18 до 2,14 пункта. Данное преимущество связано не только с подбором коэффициентов, но и с различиями в природе рассматриваемых моделей: алгоритмы на основе деревьев решений способны выявлять пороговые эффекты и взаимодействия между переменными, которые в линейной спецификации усредняются в рамках единой функциональной зависимости. Расчёт важности признаков показал, что готовность к использованию искусственного интеллекта и уровень цифровизации совместно формируют более половины объясняющей способности модели, опережая по значимости даже ВВП на душу населения. Отдельный раздел статьи посвящён Узбекистану, индекс цифровизации которого за тринадцать лет увеличился почти втрое. На основе полученных результатов сформулированы три практические рекомендации по совершенствованию национальной системы ESG-мониторинга. EN The study is based on a practical question that public planning authorities in Central Asia are increasingly facing: how reliable are linear models in assessing the impact of digitalization, artificial intelligence, and sustainable development factors, and is their predictive capacity sufficient to describe real socio-economic processes? To address this question, a balanced panel dataset covering 34 developing and transition economies for the period 2012–2024 was constructed, including five Central Asian countries: Uzbekistan, Kazakhstan, Kyrgyzstan, Tajikistan, and Turkmenistan. The study uses open data from the World Bank (World Development Indicators), the International Telecommunication Union (ICT Development Index), the World Intellectual Property Organization (Global Innovation Index), as well as ESG Country Risk ratings. Two groups of models were developed using the same dataset. The first is based on classical panel-data econometrics and includes pooled ordinary least squares (OLS) regression, a fixed-effects model, and a random-effects model. The second group combines four machine-learning algorithms: Ridge and Lasso as regularized linear models, as well as Random Forest and Gradient Boosting as ensemble methods based on decision trees. Model performance was compared on a 20% holdout test sample using three metrics: the coefficient of determination (R²), root mean squared error, and mean absolute error. The results demonstrate a substantial advantage of the Gradient Boosting model. It explained 96.8% of the variance in the ESG index compared with 81.2% for conventional linear regression, while the prediction error decreased by more than half, from 5.18 to 2.14 points. This advantage is associated not only with coefficient estimation but also with fundamental differences in the nature of the models: decision-tree-based algorithms are capable of identifying threshold effects and interactions among variables that are averaged within a single functional relationship in linear specifications. Feature-importance analysis showed that AI readiness and the level of digitalization jointly account for more than half of the model's explanatory power, exceeding even GDP per capita in importance. A separate section of the article focuses on Uzbekistan, whose digitalization index increased almost threefold over thirteen years. Based on the results obtained, three practical recommendations are formulated for improving the national ESG monitoring system. UZ Tadqiqot Markaziy Osiyoda davlat rejalashtirish organlari tobora koʻproq duch kelayotgan amaliy savolga asoslanadi: raqamlashtirish, sun'iy intellekt va barqaror rivojlanish omillarining ta'sirini baholashda chiziqli modellar qay darajada ishonchli va ularning prognozlash qobiliyati real ijtimoiy-iqtisodiy jarayonlarni tavsiflash uchun yetarlimi? Ushbu savolga javob berish maqsadida 2012–2024-yillar uchun 34 ta rivojlanayotgan va oʻtish iqtisodiyotiga ega mamlakatlarni qamrab oluvchi muvozanatlashgan panel ma'lumotlar bazasi shakllantirildi. Unga Markaziy Osiyoning beshta davlati — Oʻzbekiston, Qozogʻiston, Qirgʻiziston, Tojikiston va Turkmaniston ham kiritildi. Tadqiqotda Jahon bankining (World Development Indicators), Xalqaro elektraloqa ittifoqining (ICT Development Index), Butunjahon intellektual mulk tashkilotining (Global Innovation Index) ochiq ma'lumotlar bazalari, shuningdek, ESG Country Risk reytinglaridan foydalanildi. [email protected] Bir xil ma'lumotlar toʻplami asosida ikki guruh model tuzildi. Birinchi guruh klassik panel ma'lumotlar ekonometrikasiga asoslanib, birlashtirilgan eng kichik kvadratlar usuli (OLS) regressiyasi, qayd etilgan effektlar modeli va tasodifiy effektlar modelini oʻz ichiga oladi. Ikkinchi guruh toʻrtta mashinaviy oʻrganish algoritmini birlashtiradi: Ridge va Lasso — regulyarlashtirilgan chiziqli modellar sifatida, Random Forest va Gradient Boosting esa qaror daraxtlariga asoslangan ansambl usullari sifatida qoʻllanildi. Modellarning sifati 20% hajmdagi ajratilgan test tanlanmasida uchta mezon — determinatsiya koeffitsienti (R²), oʻrtacha kvadratik xato va oʻrtacha mutlaq xato boʻyicha taqqoslandi. Olingan natijalar Gradient Boosting modelining sezilarli ustunligini koʻrsatdi. Mazkur model ESG indeksidagi dispersiyaning 96,8% ini tushuntirdi, oddiy chiziqli regressiyada esa bu koʻrsatkich 81,2% ni tashkil etdi. Shu bilan birga, prognoz xatosi ikki barobardan koʻproq kamayib, 5,18 punktdan 2,14 punktgacha tushdi. Ushbu ustunlik nafaqat koeffitsientlarni baholash bilan, balki modellar tabiatidagi tub farqlar bilan ham bogʻliq: qaror daraxtlariga asoslangan algoritmlar chiziqli spetsifikatsiyada yagona funksional bogʻliqlik doirasida oʻrtachalashtiriladigan chegaraviy effektlar va oʻzgaruvchilar oʻrtasidagi oʻzaro ta'sirlarni aniqlashga qodir. Belgilar muhimligi tahlili sun'iy intellektdan foydalanishga tayyorgarlik darajasi va raqamlashtirish darajasi birgalikda modelning tushuntirish qobiliyatining yarmidan koʻprogʻini shakllantirishini hamda ahamiyati boʻyicha hatto aholi jon boshiga YaIM koʻrsatkichidan ustun turishini koʻrsatdi. Maqolaning alohida boʻlimi Oʻzbekistonga bagʻishlangan boʻlib, mamlakatning raqamlashtirish indeksi oʻn uch yil davomida qariyb uch barobar oshgan. Olingan natijalar asosida milliy ESG-monitoring tizimini takomillashtirish boʻyicha uchta amaliy tavsiya ishlab chiqildi.

Hali tarjima qilinmagan