МАШИННОЕ ОБУЧЕНИЕ В ПРОГНОЗИРОВАНИИ РЫНОЧНЫХ ТЕНДЕНЦИЙ В УСЛОВИЯХ ПЕРЕХОДА К ЗЕЛЁНОЙ ЭКОНОМИКЕ
DOI:
https://doi.org/10.5281/zenodo.19543245Keywords:
машинное обучение, прогнозирование, рыночные тенденции, зелёная экономика, устойчивое развитие, цифровая экономика, УзбекистанAbstract
В статье рассматриваются теоретические и прикладные аспекты применения методов машинного
обучения в прогнозировании рыночных тенденций в условиях перехода к зелёной экономике. Обосновано, что
экологическая трансформация экономики сопровождается усложнением структуры спроса, инвестиционных
потоков и факторов рыночной динамики, что требует использования более точных и адаптивных инструментов
анализа. Проведён анализ международного опыта применения алгоритмов машинного обучения в прогнозировании
энергетических, финансовых и рыночных процессов. Выявлены ключевые особенности внедрения данных
технологий в условиях Узбекистана, включая фрагментированность данных, недостаточную интеграцию
цифровых систем и дефицит аналитических компетенций. Предложены направления совершенствования системы
прогнозирования, основанные на использовании гибридных моделей, интеграции «зелёных» индикаторов и
развитии институциональной среды цифровой экономики.
References
1. Указ Президента Республики Узбекистан от 30 января 2025 года № УП-16 «О Государственной программе по
реализации Стратегии “Узбекистан – 2030” в “Год охраны окружающей среды и зелёной экономики”». https://
lex.uz/uz/docs/7369745
2. Указ Президента Республики Узбекистан от 5 октября 2020 года № УП-6079 «Об утверждении Стратегии
“Цифровой Узбекистан – 2030” и мерах по её эффективной реализации». https://lex.uz/ru/docs/5031048
3. Президент Республики Узбекистан. Представлены планы в сфере цифровых технологий // Официальный веб-
сайт Президента Республики Узбекистан. – 1 июля 2025 года.
4. Президент Республики Узбекистан. «Без цифровой экономики нет будущего у экономики страны» //
Официальный веб-сайт Президента Республики Узбекистан. – 22 сентября 2020 года.
5. Национальный комитет Республики Узбекистан по статистике. Социально-экономическое положение
Республики Узбекистан за январь–декабрь 2025 года. – Ташкент, 2026.
6. World Bank. Uzbekistan Country Climate and Development Report. – Washington, DC: World Bank, 2024.
7. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. – 3rd ed. – Melbourne: OTexts, 2021.
8. Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning Forecasting Methods: Concerns and
Ways Forward // PLOS ONE. – 2018. – Vol. 13. – No. 3. – Article e0194889.
9. Carbonneau R., Laframboise K., Vahidov R. Application of Machine Learning Techniques for Supply Chain Demand
Forecasting // European Journal of Operational Research. – 2008. – Vol. 184. – No. 3. – P. 1140–1154.
10. Zournatzidou G. Advancing Sustainability Through Machine Learning: Modeling and Forecasting Renewable Energy
Consumption // Sustainability. – 2025. – Vol. 17. – No. 3. – Article 1304.
11. Alonso-Robisco A., Carbó J. M., Marqués J. M. Machine Learning Methods in Climate Finance: A Systematic Review
// SUERF Policy Brief. – 2023. – No. 553.
12. Kim T., Lee D., Hwangbo S. A Deep-Learning Framework for Forecasting Renewable Demands Using Variational
Auto-Encoder and Bidirectional Long Short-Term Memory // Sustainable Energy, Grids and Networks. – 2024. – Vol.
38. – Article 101245.
13. Shin S.-Y., Woo H.-G. Energy Consumption Forecasting in Korea Using Machine Learning Algorithms // Energies. –
2022. – Vol. 15. – No. 13. – Article 4880.
14. Полторацкий П. Г. Прогнозирование спроса в электронной коммерции методами машинного обучения //
Экономика и управление. – 2021.
15. Пилипенко А. Ю. Прогнозирование спроса на товары средствами машинного обучения // StudNet. – 2022.
16. Леохин Ю. Л., Фатхулин Т. Д., Занегин А. В. Методы машинного обучения в решении задачи прогнозирования
спроса на отдельные виды товаров // T-Comm: Телекоммуникации и транспорт. – 2024.
17. Astakhov A. S. Algorithms of Machine Learning for Forecasting Demand for Goods and Services. – 2023.
18. Mimenbayeva A., Muratova G., Issakova G., Arynova A., Turebayeva R. Energy Consumption Prediction in Kazakhstan
Using Machine Learning Techniques. – 2025.
19. Романюк П. В. Модели прогнозирования спроса в логистике: машинное обучение. – Беларусь, 2024.
20. Франко А. А., Картель Д. Е. Применение искусственного интеллекта и машинного обучения в логистике. –
Беларусь, 2024.
21. Ayupov R. H., Boltaboeva G. R. Raqamli iqtisodiyot asoslari. – Toshkent, 2020.
22. Gulyamov S. S., Ayupov R. H., Abdullaev O. M., Baltabaeva G. R. Blockchain Technologies in the Digital Economy. –
Tashkent: Iqtisod-Moliya, 2019.
23. Abdurakhmanova G., Rustamov D., Shayusupova N., Irmatova A. The Role of the Digital Economy in the Development
of the Human Capital Market. – 2020–2021.
24. Eshchanov B., Stultjes M. G. P., Eshchanov R. A., Salaev S. K. Prospects of Renewable Energy Penetration in
Uzbekistan – Perception of the Khorezmian People. – 2013.
25. Saidmamatov O., Salaev S., Eshchanov B. Challenges and Optimization Strategy for Feed-In Tariffs of Renewable
Energy in CIS Countries. – 2015.
26. Avezova N. R. Resource Indicators Used for Solar Photovoltaic Plants in Uzbekistan // Applied Solar Energy. – 2018.
27. Allaev K. R., Avezova N. R. Hydrogen – the Future of Power Engineering for the World and Uzbekistan // Applied Solar
Energy. – 2021.
28. Yarmatov S., Nazarov F. M. Optimization of Prediction Results Based on Ensemble Methods of Machine Learning //
Proceedings of the International Russian Smart Industry Conference (SmartIndustryCon). – 2023. – P. 181–185.
29. UNDP Uzbekistan. Green Development Finance Assessment. – Tashkent, 2025.
30. Официальные материалы по реализации государственной программы развития зелёной энергетики Республики
Узбекистан на 2025–2030 годы // Lex.uz; материалы Президента Республики Узбекистан. – 2025.
31. Lindas E., Goude Y., Ciais P. Towards Accurate Forecasting of Renewable Energy: Building Datasets and Benchmarking
Machine Learning Models for Solar and Wind Power in France. – 2025.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 GREEN ECONOMY AND DEVELOPMENT
This work is licensed under a Creative Commons Attribution 4.0 International License.