Научные сотрудники лаборатории отраслевых рынков и инфраструктуры Института Гайдара выяснили, что современные языковые модели способны прогнозировать изменения промышленного производства по анализу новостей, заявлений компаний и сообщений регуляторов. Новый подход позволяет точнее оценивать будущее состояние экономики в условиях нестабильности и быстрее реагировать на изменения, чем традиционные методы прогнозирования.
Сегодня большинство моделей прогнозирования промышленного производства опирается на официальную статистику, которая публикуется с задержкой. При этом экономические изменения — от санкций и перебоев в логистике до колебаний спроса — начинают влиять на экономику значительно раньше и почти сразу отражаются в новостном потоке.
Авторы исследования решили проверить, способны ли большие языковые модели извлекать из новостей полезную экономическую информацию и использовать ее для прогнозирования индексов промышленного производства.
Ученые сравнили несколько подходов. Первый основывался на классическом анализе тональности новостей с помощью модели RuBERT. Второй использовал большую языковую модель Llama 3.1, которая оценивала влияние новостей на промышленность с учетом контекста. Наиболее сложным оказался третий подход — комбинация языковой модели DeepSeek и технологии RAG, при которой ИИ анализировал не только отдельную новость, но и связанные с ней материалы, включая публикации СМИ и пресс-релизы Банка России.
В большинстве отраслей новостные индексы значимо повышали качество прогнозов выпуска: прогнозы точнее попадали в фактический темп изменения производства — средняя ошибка прогноза снижалась до 4,41 процентного пункта.
Максимальный эффект наблюдался в отраслях, тесно встроенных в глобальную экономику и зависимых от внешних поставок: производстве машин и оборудования, металлургии, выпуске резиновых и пластмассовых изделий. Для них санкционные ограничения, сбои логистики и разрывы производственных цепочек быстро отражаются в информационном фоне и дают ранние сигналы об изменении выпуска.
Слабее всего новости связаны с динамикой выпуска в производствах с низкой гибкостью выпуска: нефтепродукты, химическое производство — здесь значимого улучшения прогноза не наблюдалось. Причина в длинном производственном цикле и высокой инерционности выпуска: оперативные сигналы внешней конъюнктуры не сразу транслируются в изменение объёмов из-за инфраструктурных и контрактных ограничений.
Показательный пример — блокировка Ормузского пролива: в новостях шок цен отразился почти мгновенно, но нефтяные компании физически не смогли так же быстро отреагировать на изменение условий поставок, поэтому новостной сигнал не улучшил бы прогноз краткосрочной динамики выпуска.
По словам авторов, главный результат работы заключается в том, что современные языковые модели позволяют перейти от простого анализа эмоциональной окраски новостей к более глубокому моделированию причинно-следственных связей событий.
«Большие языковые модели начинают работать не как обычные системы анализа тональности текста, а как инструмент экономической интерпретации информации. Особенно важным оказался подход с расширением контекста: модель анализирует не отдельную новость, а всю связанную экономическую ситуацию вокруг события. Это позволяет точнее оценивать влияние событий и оперативнее прогнозировать изменение динамики выпуска», — отмечает один из авторов исследования, младший научный сотрудник лаборатории отраслевых рынков и инфраструктуры Института Гайдара Михаил Аникутин.
Авторы считают, что такие технологии могут стать важной частью систем экономического мониторинга. Для государства это возможность быстрее реагировать на изменения макроконтекста, а для бизнеса и аналитиков — дополнительный инструмент оценки текущей экономической ситуации и будущих рисков.