В условиях цифровой трансформации государственного управления и необходимости повышения эффективности бюджетного планирования актуальной становится задача разработки и внедрения интеллектуальных методов прогнозирования объемов бюджетного финансирования. На основе анализа авторы выделяют особенности прогнозирования кассового исполнения расходов по государственным программам в России на региональном уровне, которые снижают качество и эффективность прогнозирования в настоящее время. В статье рассматриваются некоторые теоретические и прикладные аспекты применения моделей временных рядов и алгоритмов машинного обучения для прогнозирования расходов в рамках государственных программ. Исследуется зарубежный опыт применения различных моделей, выявлены преимущества и ограничения различных подходов для российской практики. Предлагается подход к построению архитектуры прогностической системы на основе ГИИС «Электронный бюджет» и современных моделей.
государственные программы, прогнозирование расходов регионального бюджета, временные ряды, машинное обучение, модели прогнозирования бюджетного финансирования
1. Федеральный закон от 7 мая 2013 года №104-ФЗ «О внесении изменений в Бюджетный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации в связи с совершенствованием бюджетного процесса»/ Информационно-правовая система «ГАРАНТ». URL:https://base.garant.ru/70373192/
2. Анализ действующей практики формирования бюджетных прогнозов субъектов Российской Федерации. / Официальный сайт Минфина РФ. URL: https://minfin.gov.ru/ru/document/?id_4=132277-analiz_deistvuyushchei_ praktiki_formirovaniya_byudzhetnykh_prognozov_subektov_rossiiskoi_federatsii&ysclid=mnbmobcq61846879825
3. Приказ Минфина России от 9 июня 2025 г. № 69н «Об утверждении Порядка разработки и утверждения главными администраторами доходов федерального бюджета с использованием государственной интегрированной информационной системы управления общественными финансами «Электронный бюджет» методики прогнозирования поступлений доходов в бюджеты бюджетной системы РФ»/ Информационно-правовая система «ГАРАНТ». URL: https://www.garant.ru/hotlaw/minfin/1885277/
4. Методические рекомендации для субъектов Российской Федерации по порядку публикации финансовой и иной информации о бюджете и бюджетном процессе, подлежащей размещению в открытом доступе на едином портале бюджетной системы Российской Федерации. / Официальный сайт Минфина РФ. URL:https://sudact.ru/law/metodicheskie-rekomendatsii-dlia-subektov-rossiiskoi-federatsii-po_1/
5. Баранова Е. С. Проблемы формирования бюджетов субъектов Российской Федерации в период финансово-экономического кризиса / Е. С. Баранова, Н. В. Яковлева // Финансовые аспекты структурных преобразований экономики. – 2015. – № 1. – С. 5-9.
6. Бегчин Н. А. О едином порядке внесения изменений в сводную бюджетную роспись, лимиты бюджетных обязательств, информацию об объектах капитальных вложений, паспорта нацпроектов и госпрограмм. Особенности формирования прогноза кассового исполнения расходов федерального бюджета./ Официальный сайт Минфина РФ. URL: https://minfin.gov.ru/common/upload/library/2023/12/main/Begchin_N.A..pdf
7. Истомина Н.А. О сущности и современной практике применения методов бюджетного планирования и прогнозирования// Национальные интересы: приоритеты и безопасность. 2012. №37. URL: https://cyberleninka.ru/article/n/o-suschnosti-i-sovremennoy-praktike-primeneniya-metodov-byudzhetnogo-planirovaniya-i-prognozirovaniya (дата обращения: 31.03.2026).
8. Козырева С. Е. Развитие и использование искусственного интеллекта в сфере налогообложения/ С. Е. Козырева, Н. В. Яковлева // Экономика и бизнес: теория и практика. – 2023. – № 6-2(100). – С. 14-16.
9. Маркова А.А. Государственные программы как инструмент бюджетного планирования и прогнозирования// Вестник РУДН. Серия: Экономика. 2013. №5. URL: https://cyberleninka.ru/article/n/gosudarstvennye-programmy-kak-instrument-byudzhetogo-planirovaniya-i-prognozirovaniya (дата обращения: 30.03.2026).
10. Просалова В.С. Возможности применения нейронных сетей в экономике// Вестник Алтайской академии экономики и права. 2024. № 8-2. С. 325-331; URL:https://vaael.ru/ru/article/view?id=3663 (дата обращения: 30.03.2026).
11. Рубанова Д. В. Развитие цифровизации в экономике России / Д. В. Рубанова, Н. В. Яковлева // Экономика и бизнес: теория и практика. – 2024. – № 11-3(117). – С. 72-74.
12. Zwiller-Panicz P., Novikova M., Gaudreau K., Paslawski M. Applying Random Forest Algorithms to Enhance Expenditure Predictions in Government Grants and Contributions Programs// Statistics Canada. – 2025. URL: https://www.statcan.gc.ca/en/random-forest-algorithms
13. Gür Y.E., Yıldız A., Ünal E. Advanced AI Models for Future Forecasting of Budget Expenditures via Machine Learning and Deep Learning// Panoeconomicus. – 2025.– P.1 – 36. URL:https://panoeconomicus.org/index.php/ jorunal/article/view/2307/916
14. Deep Neural Network-based Consumer Price Index Forecasting in the Case of Macau// ACM International Conference Proceedings. – 2025. URL:https://dl.acm.org/doi/10.1145/3745238.3745288
