ИНТЕГРАЦИЯ ДАННЫХ ЭЛЕКТРОННОЙ КОММЕРЦИИ И ЗЕЛЁНЫХ ИНДИКАТОРОВ В МОДЕЛЯХ ПРОГНОЗИРОВАНИЯ РЫНОЧНЫХ ТЕНДЕНЦИЙ (НА ПРИМЕРЕ УЗБЕКИСТАНА)
Ключевые слова:
электронная коммерция, машинное обучение, прогнозирование, цифровая экономика, зелёная экономика, ESG, большие данные, УзбекистанАннотация
В статье рассматривается интеграция данных электронной коммерции и зелёных индикаторов в моделях прогнозирования рыночных тенденций в условиях цифровой трансформации экономики Узбекистана. Обосновано, что использование высокочастотных транзакционных данных в сочетании с экологическими показателями позволяет повысить точность прогнозирования по сравнению с традиционными макроэкономическими подходами. Предложена многофакторная модель, учитывающая цифровые, экономические и экологические переменные. Показано, что данный подход обеспечивает более адекватное отражение краткосрочной динамики спроса и долгосрочных структурных изменений. Выявлены ограничения, связанные с фрагментацией данных и недостаточной интеграцией информационных систем. Сделан вывод о необходимости развития единой архитектуры данных и применения методов машинного обучения.
Библиографические ссылки
International Trade Administration. Uzbekistan – E-commerce Market Overview // U.S. Department of Commerce. – 2024. – URL: https://www.trade.gov/country-commercial-guides/uzbekistan-ecommerce
World Bank. Uzbekistan Country Climate and Development Report. – Washington, DC: World Bank, 2024.
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».
Uzum. Официальные данные о цифровой платформе Uzum и развитии электронной коммерции в Узбекистане // Официальный сайт. – 2025. – URL: https://uzum.uz
UNDP Uzbekistan. Green Development Finance Assessment
Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning forecasting methods: Concerns and ways forward // PLOS ONE. – 2018.
Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. – Melbourne: OTexts, 2021.
Carbonneau R., Laframboise K., Vahidov R. Application of machine learning techniques for supply chain demand forecasting // European Journal of Operational Research. – 2008.
Zournatzidou G. Advancing sustainability through machine learning: modeling renewable energy consumption // Sustainability. – 2025.
Alonso-Robisco A., Carbó J., Marqués J. Machine Learning Methods in Climate Finance // SUERF Policy Brief. – 2023






