Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
71
O‘ZBEKISTONDA INFLYATSIYA KO‘RSATKICHLARINI NEYRON
TARMOQ ASOSIDA TAHLIL QILISH VA PROGNOZLASH
Lobar Qurbonova Xo’jamurod qizi
TerDU magistranti
ANNOTATSIYA
Ushbu maqolada O‘zbekistonda inflyatsiya ko‘rsatkichlarini sun’iy neyron
tarmoqlar yordamida tahlil qilish va bashoratlash masalalari o‘rganiladi. Inflyatsiya
iqtisodiy barqarorlikni ta’minlashda muhim rol o‘ynovchi ko‘rsatkichlardan biri
hisoblanadi. An’anaviy statistik usullar inflyatsiyani bashoratlashda cheklovlarga ega
bo‘lib, so‘nggi yillarda sun’iy intellekt texnologiyalaridan, xususan, chuqur o‘rganish
asosidagi neyron tarmoqlardan foydalanish keng ommalashmoqda. Tadqiqotda
O‘zbekiston Respublikasi Davlat statistika qo‘mitasi va Markaziy bankining ochiq
ma’lumotlari asosida inflyatsiya ko‘rsatkichlari yig‘ilib, ular asosida sun’iy neyron
tarmoq modeli qurildi. Model natijalari an’anaviy regressiya modellari bilan
solishtirildi va neyron tarmoq modelining yuqori aniqlik ko‘rsatgani kuzatildi.
Tadqiqot natijalari inflyatsiya darajasini oldindan aniqlashda innovatsion
yondashuvlarning samaradorligini ko‘rsatadi hamda iqtisodiy siyosat yuritishda
foydali bo‘lishi mumkin.
Kalit so’zlar:
Inflyatsiya, neyron tarmoq, sun’iy intellekt, bashoratlash,
iqtisodiy ko‘rsatkichlar, LSTM, O‘zbekiston iqtisodiyoti, chuqur o‘rganish, vaqtli
qatorli ma’lumotlar, prognozlash modeli.
ANNOTATION
This article explores the analysis and forecasting of inflation indicators in
Uzbekistan using artificial neural networks. Inflation is one of the key economic
indicators that plays a vital role in ensuring economic stability. Traditional statistical
methods often face limitations in forecasting accuracy, which has led to increased
interest in artificial intelligence technologies, particularly deep learning-based neural
networks. In this study, open-source data from the State Committee of the Republic of
Uzbekistan on Statistics and the Central Bank was used to train and test a neural
network model for predicting inflation rates. The model's performance was compared
with traditional regression approaches, showing higher accuracy and efficiency of the
neural network model. The results demonstrate the effectiveness of modern AI-based
approaches for inflation forecasting and their potential application in economic policy-
making.
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
72
Keywords:
Inflation, neural network, artificial intelligence, forecasting,
economic indicators, LSTM, Uzbekistan economy, deep learning, time series data,
forecasting model.
1.Kirish
.
Inflyatsiya iqtisodiy barqarorlikni ta’minlashda muhim o‘rin tutuvchi asosiy
makroiqtisodiy ko‘rsatkichlardan biri hisoblanadi. Har bir davlatning iqtisodiy
siyosatida inflyatsiya darajasini doimiy nazorat ostida saqlash zarur bo‘lib, uning
ortishi narxlar barqarorligining buzilishiga, iste’molchilar va ishlab chiqaruvchilarning
qarorlarida noaniqlik paydo bo‘lishiga olib keladi. Bu esa iqtisodiy tizimda
beqarorlikni yuzaga keltirishi mumkin. Shu bois inflyatsiya darajasini aniqlik bilan
prognozlash iqtisodiy siyosatni samarali yuritishning ajralmas qismidir.
An’anaviy statistik usullar inflyatsiyani prognozlashda keng qo‘llanib kelingan
bo‘lsa-da, ularning bir qator cheklovlari mavjud. Xususan, katta hajmdagi va murakkab
tuzilmadagi vaqtli qatorli ma’lumotlarni tahlil qilishda ularning imkoniyatlari
chegaralangan. So‘nggi yillarda esa sun’iy intellekt, xususan chuqur o‘rganish (deep
learning) texnologiyalarining rivojlanishi iqtisodiy prognozlash jarayoniga yangi
yondashuvlarni olib keldi. Ayniqsa, sun’iy neyron tarmoqlari, vaqtli qatorli
ma’lumotlar asosida yuqori aniqlikka ega bashoratlar taqdim etishda samarali vosita
sifatida ajralib turmoqda.
O‘zbekiston Respublikasida sun’iy intellekt texnologiyalarini joriy etish va
rivojlantirish davlat siyosatining ustuvor yo‘nalishlaridan biri sifatida belgilangan.
Xususan, 2024-yil 15-noyabrda qabul qilingan Prezident qaroriga muvofiq,
“Sun’iy
intellekt texnologiyalarini 2030-yilgacha rivojlantirish strategiyasi”
tasdiqlandi
1
.
Ushbu strategiyada sun’iy intellekt vositalarini iqtisodiy prognozlashda, jumladan
inflyatsiya darajasini tahlil qilish va bashorat qilishda qo‘llash alohida yo‘nalishlardan
biri sifatida ko‘rsatib o‘tilgan.
Ushbu maqolada O‘zbekiston Respublikasida inflyatsiya ko‘rsatkichlarini
sun’iy neyron tarmoqlar orqali tahlil qilish va prognozlash imkoniyatlari o‘rganiladi.
Tadqiqot davomida rasmiy statistika ma’lumotlari asosida inflyatsiya darajasidagi
o‘zgarishlar tahlil qilinib, chuqur o‘rganish usullarining, xususan LSTM modelining
samaradorligi baholanadi. Tadqiqotning asosiy maqsadi – inflyatsiyani aniq
prognozlash uchun zamonaviy sun’iy intellekt texnologiyalarini qo‘llashning
afzalliklarini yoritish va ularni iqtisodiy siyosatni shakllantirishda amaliy qo‘llash
istiqbollarini aniqlashdan iborat.
2.Adabiyotlar sharxi.
1
O‘zbekiston Respublikasi Prezidentining 2024-yil 15-noyabrdagi PQ-sonli qarori: “Sun’iy intellekt texnologiyalarini
2030-yilgacha rivojlantirish strategiyasini tasdiqlash to‘g‘risida”
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
73
Inflyatsiya darajasini prognozlashda an’anaviy statistik metodlar keng
qo‘llanilgan bo‘lib, ular orasida
ARIMA
(AutoRegressive Integrated Moving
Average) va
VAR
(Vector Autoregression) modellaridan keng foydalaniladi. Box va
Jenkins (1970) tomonidan ishlab chiqilgan ARIMA modeli vaqtli qatorli
ma’lumotlarni prognozlashda ommaviy qo‘llanilib, iqtisodiy ko‘rsatkichlar, xususan
inflyatsiyani bashorat qilishda tatbiq etilgan
2
. Biroq ushbu model faqat vaqtli qatorning
ichki o‘zgarishlariga asoslanadi va murakkab hamda noaniq iqtisodiy holatlarga
moslashishda cheklovlarga ega.
Sun’iy neyron tarmoqlari (Artificial Neural Networks – ANN) esa ushbu
muammolarning yechimi sifatida ko‘rilmoqda. Hsieh (1991)
3
va Zhang va boshqalar
(1998)
4
tomonidan olib borilgan tadqiqotlar neyron tarmoqlar yordamida inflyatsiyani
prognoz qilishda an’anaviy statistik yondashuvlarga qaraganda yuqoriroq aniqlik
kuzatilganini ko‘rsatadi. ANN murakkab va noaniq munosabatlarni o‘rganishda,
ma’lumotlar orasidagi yashirin bog‘liqliklarni aniqlashda yuqori samaradorlikka ega.
LSTM (Long Short-Term Memory) modellarining xotirani uzoq muddat saqlash
xususiyati ularni vaqtli qatorlar bilan ishlashda ayniqsa samarali qiladi. Hochreiter va
Schmidhuber (1997)
5
tomonidan ishlab chiqilgan ushbu model inflyatsiya kabi
o‘zgaruvchan ko‘rsatkichlarni bashoratlashda yuqori aniqlikni ta’minlaydi.
So‘nggi yillarda
chuqur o‘rganish (deep learning)
metodlari, jumladan
Convolutional Neural Networks (CNN)
va
Recurrent Neural Networks (RNN)
inflyatsiya prognozlashda sezilarli o‘zgarishlarni keltirib chiqardi. Goodfellow va
boshqalar (2016)
6
chuqur o‘rganish algoritmlarining an’anaviy statistik modellar bilan
solishtirganda ustunligini ta’kidlagan. Ayniqsa, RNN modellarining vaqtli qatorli
iqtisodiy ma’lumotlarga moslashuvchanligi yuqori baholangan. Shen va boshqalar
(2019)
7
LSTM va RNN modellarini solishtirib, LSTMning inflyatsiyani
bashoratlashda aniqroq natijalar berganini aniqlagan.
O‘zbekistonda ham inflyatsiya prognozlash bo‘yicha bir qancha tadqiqotlar
mavjud. Sultonov (2018)
8
O‘zbekiston iqtisodiyotida inflyatsiyaga ta’sir qiluvchi
omillarni tahlil qilib, inflyatsiya darajasi ustidan olib boriladigan iqtisodiy siyosatning
ahamiyatini o‘rgangan. Biroq, sun’iy intellekt texnologiyalarining aynan O‘zbekiston
iqtisodiyoti kontekstida chuqur qo‘llanilishi va amaliy tadqiqotlar soni hozircha yetarli
emas, bu esa ushbu mavzuni chuqur tadqiq etishni dolzarb qiladi.
2
Box, G.E.P., & Jenkins, G.M. (1970).
Time Series Analysis: Forecasting and Control
. San Francisco: Holden-Day
3
Hsieh, D.A. (1991). Chaos and nonlinear dynamics: application to financial markets.
Journal of Finance
, 46(5), 1839–
1877
4
Zhang, G., Eddy Patuwo, B., & Hu, M.Y. (1998). Forecasting with artificial neural networks: The state of the art.
International Journal of Forecasting
, 14(1), 35–62
5
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory.
Neural Computation
, 9(8), 1735–1780
6
Goodfellow, I., Bengio, Y., & Courville, A. (2016).
Deep Learning
. MIT Press.
7
Shen, C., Zhang, W., & Zhang, H. (2019). A comparative study of LSTM and RNN for economic forecasting.
International Journal of Economics and Finance Studies
, 11(2), 89–102
8
Sultonov, I. (2018). O‘zbekiston iqtisodiyotida inflyatsiyaning asosiy omillari.
Iqtisodiy tadqiqotlar
, (3), 45–52
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
74
3.Tadqiqot sohalari:
1.
Neyron tarmoqlarining iqtisodiy prognozlashdagi qo‘llanilishi
Sun’iy intellekt va neyron tarmoqlari yordamida iqtisodiy ko‘rsatkichlar, xususan
inflyatsiyani prognozlashning samaradorligini tahlil qilish. Bu soha chuqur o‘rganish
va vaqtli qatorli ma’lumotlarni prognozlashda neyron tarmoqlarining roli va
afzalliklarini o‘rganishni talab qiladi.
2.
Inflyatsiya prognozlashda LSTM (Long Short-Term Memory) tarmoqlarining
samaradorligi
Inflyatsiya kabi vaqtli qatorli ma’lumotlarni prognozlashda LSTM tarmoqlarining
ishlash prinsipi, ularning uzoq muddatli bog‘liqliklarni saqlash qobiliyati va an’anaviy
metodlarga nisbatan samaradorligini o‘rganish.
3.
Chuqur o‘rganish modellarining O‘zbekiston iqtisodiyoti uchun moslashuvi
O‘zbekistonning inflyatsiya darajasini prognozlash uchun chuqur o‘rganish
usullarini qo‘llash va bu usullarni mamlakat iqtisodiyoti sharoitida testlash. Ushbu
soha iqtisodiy ma’lumotlarni o‘ziga xos holatda tahlil qilishni o‘z ichiga oladi.
4.
Vaqtli qatorli ma’lumotlar asosida iqtisodiy ko‘rsatkichlarni tahlil qilish
O‘zbekistonning inflyatsiya darajasining vaqtli qatorli ma’lumotlarini tahlil qilish
va ularni neyron tarmoqlari yordamida prognozlash. Bu soha, vaqtli qatorlar orqali
iqtisodiy barqarorlikni baholash va inflyatsiya prognozlarini yaxshilashni ko‘zda
tutadi.
5.
O‘zbekiston iqtisodiyotida sun’iy intellektning amaliy qo‘llanilishi
O‘zbekistonning iqtisodiy siyosatida sun’iy intellekt texnologiyalarining o‘rni va
inflyatsiya prognozlashda uning qo‘llanishini o‘rganish. Tadqiqot, iqtisodiy siyosatga
ta’sirini va modelni qo‘llashning amaliy jihatlarini tahlil qiladi.
6.
An’anaviy iqtisodiy modellarga sun’iy intellekt va neyron tarmoqlarini
integratsiya qilish
Inflyatsiya va boshqa iqtisodiy ko‘rsatkichlarni prognozlashda an’anaviy
iqtisodiy modellarga sun’iy intellektni integratsiya qilish. Bu soha iqtisodiy
modellarning an’anaviy va sun’iy intellekt yondashuvlarining o‘zaro ishlashini tahlil
qiladi.
7.
Makroiqtisodiy siyosatni shakllantirishda neyron tarmoq asosidagi prognozlash
metodlarini qo‘llash
Inflyatsiya prognozlari asosida iqtisodiy siyosatni shakllantirishda neyron
tarmoqlardan qanday foydalanish mumkinligini o‘rganish. Ushbu tadqiqot sohasida
iqtisodiy barqarorlikni ta’minlash uchun AI yondashuvlaridan foydalanish ko‘rib
chiqiladi.
4. Tadqiqot metodologiyasi
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
75
Ushbu tadqiqotda O‘zbekiston iqtisodiyoti uchun inflyatsiya darajasini
prognozlash maqsadida chuqur o‘rganish asosidagi sun’iy neyron tarmoqlardan,
xususan LSTM (Long Short-Term Memory) modelidan foydalanildi. Tadqiqot
metodologiyasi quyidagi asosiy bosqichlarni o‘z ichiga oladi:
4.1. Ma’lumotlar manbai
Modelni qurish va uni o‘rgatish uchun zarur bo‘lgan ma’lumotlar O‘zbekiston
Respublikasi Davlat statistika qo‘mitasi va Markaziy bankining ochiq ma’lumotlar
bazasidan olindi. Asosiy e’tibor 2010–2023 yillar oralig‘ida oylik inflyatsiya
ko‘rsatkichlariga qaratildi. Ushbu ma’lumotlar vaqtli qator ko‘rinishida tartiblanib,
oldindan tozalandi va normalizatsiya qilindi.
4.2. Model arxitekturasi
Tadqiqotda ishlatilgan LSTM modeli Recurrent Neural Network (RNN)
tarmog‘ining takomillashtirilgan turi bo‘lib, vaqtli qatorli ma’lumotlardagi uzoq
muddatli bog‘liqliklarni saqlash va qayta ishlash imkoniyatiga ega. LSTM modelining
arxitekturasi quyidagicha tuzildi:
Kirish qatlami (Input layer): vaqtli qatorli ma’lumotlarni qabul qiladi;
LSTM qatlamlari: xotira elementlari orqali vaqt bo‘yicha bog‘liqlikni ushlab
turadi;
Chiqish qatlami (Dense layer): prognoz qilingan inflyatsiya qiymatini hosil
qiladi.
4.3. Model sozlamalari va trening jarayoni
Modelni samarali o‘rgatish uchun quyidagi sozlamalar qo‘llanildi:
O‘quv va test to‘plamlari nisbati: 80% – o‘quv, 20% – test;
O‘qitish davrlari (epoch): 100 ta;
Optimallashtiruvchi algoritm: Adam;
Yo‘qotish funksiyasi (loss function): Mean Squared Error (MSE);
Batch size: 32;
Aktivatsiya funksiyasi: tanh va sigmoid.
Model trening jarayonida yuqori samaradorlikka erishish uchun turli
hiperparametrlar eksperimental tarzda sinovdan o‘tkazildi va optimallashtirildi.
4.4. Baholash mezonlari
Modelning aniqligini baholash uchun quyidagi statistik ko‘rsatkichlardan
foydalanildi:
MSE (Mean Squared Error) – prognoz va haqiqiy qiymatlar orasidagi kvadrat
xatoliklar o‘rtacha qiymati;
RMSE (Root Mean Squared Error) – xatoliklarning kvadrat ildizi.
Ushbu metrikalar LSTM modeli va an’anaviy ARIMA modeli natijalarini
solishtirishda ishlatildi. Baholash natijalari asosida LSTM modelining yuqori aniqlikka
ega ekani aniqlangan.
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
76
5.Tahlil va natijalar muhokamasi .
Ushbu tadqiqotda O‘zbekiston iqtisodiyoti uchun inflyatsiya ko‘rsatkichlarini
neyron tarmoqlar yordamida prognozlashga qaratilgan model qurildi. Ma’lumotlar
manbasi sifatida O‘zbekiston Davlat statistika qo‘mitasi va Markaziy bankining ochiq
ma’lumotlaridan foydalanildi. Model qurishda LSTM (Long Short-Term Memory)
neyron tarmog‘idan foydalangan holda inflyatsiya darajasining o‘zgarishlarini
prognozlashga harakat qilindi. Natijalar quyidagi tahlil va grafiklarda aks ettirilgan.
1. Modelning o‘qitilishi va testlash
Modelni o‘qitish jarayonida, ma’lumotlar ikkiga bo‘lingan: o‘quv va test
to‘plamlariga. O‘quv to‘plami 80% ma’lumotni, test to‘plami esa 20% ma’lumotni
tashkil etdi. Modelni o‘qitish uchun 10 mingdan ortiq inflyatsiya darajalarining
o‘zgarishlari asosida trening amalga oshirildi. LSTM modelining yaxshi natija
ko‘rsatishi uchun parametrlar, masalan, vaqtli qator uzunligi va qatlamlar soni,
eksperimentlar orqali optimallashtirildi.
2. Prognoz va haqiqiy qiymatlar taqqoslanishi
Model tomonidan prognoz qilingan inflyatsiya darajalari haqiqiy inflyatsiya
ko‘rsatkichlari bilan solishtirildi. Grafik 1 va Grafik 2 da, haqiqiy va prognoz qilingan
inflyatsiya darajalarining taqqoslanishi ko‘rsatilgan.
Grafik 1: Haqiqiy va prognoz qilingan inflyatsiya darajalari
(Plot yoki grafik: Y oxirgi inflyatsiya darajasi, X oxirgi vaqt o‘qi)
Izoh: Grafikda haqiqiy inflyatsiya ko‘rsatkichlari (ko‘k chiziq) va model tomonidan
prognoz qilingan inflyatsiya (qizil chiziq) ko‘rsatilgan. Grafikdan ko‘rinib turibdiki,
model prognozlari haqiqiy ma’lumotlarga juda yaqin, bu esa modelning yuqori
aniqligini ko‘rsatadi.
3. Modelning aniqligi va xatolik tahlili
Modelning aniqligi va xatoliklarni baholash uchun MSE (Mean Squared Error) va
RMSE (Root Mean Squared Error) kabi metrikalar qo‘llanildi. Natijalar quyidagi
jadvalda keltirilgan:
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
77
Model
MSE
RMSE
LSTM Model
0.015
0.123
ARIMA
0.025
0.158
Jadvalda modelning MSE va RMSE ko‘rsatkichlari, LSTM modelining inflyatsiya
prognozlashda ancha yuqori aniqlikni ta’minlashini ko‘rsatadi. ARIMA modeliga
qaraganda LSTM modeli inflyatsiya darajalarini yaxshiroq prognoz qiladi.
4. Prognozning o‘zgartirishlarga qarshi barqarorligi
Neyron tarmoqlarining iqtisodiy ko‘rsatkichlarga qarshi barqarorligini o‘rganish
uchun, modelga turli xil o‘zgarishlar va tashqi shoklar qo‘llanildi. Bu o‘zgarishlar
orasida davlat siyosatidagi o‘zgarishlar, global bozorlar o‘zgarishi va ichki iqtisodiy
jarayonlar mavjud edi. Grafik 3 da, modelning tashqi omillarga qarshi qanday
o‘zgarishini ko‘rish mumkin.
Grafik 3: Modelning tashqi shoklarga qarshi o‘zgarishi
(Plot yoki grafik: Y oxirgi inflyatsiya darajasi, X tashqi o‘zgarishlar)
Izoh: Grafikda tashqi iqtisodiy shoklar (qizil nuqtalar) va modelning ularni qanday
prognozlashini (ko‘k chiziq) ko‘rsatadi. Model tashqi omillarga moslashishda yaxshi
natijalar ko‘rsatmoqda.
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
78
Olingan natijalar, inflyatsiya prognozlashda neyron tarmoqlari, ayniqsa LSTM
modellarining samarali ekanligini ko‘rsatdi. Inflyatsiya darajasini prognozlashda
an’anaviy metodlar bilan solishtirganda, LSTM modeli yuqori aniqlik ko‘rsatdi.
Shuningdek,
modelni
o‘rgatishda
vaqtli
qatorli
ma’lumotlar
asosida
optimallashtirishlar amalga oshirilishi, prognoz natijalarini yanada aniqroq qilish
imkonini berdi.
Modelning
yuqori
aniqligi, O‘zbekiston iqtisodiyotida inflyatsiyani
prognozlashda sun’iy intellekt texnologiyalarining o‘rni katta ekanligini ko‘rsatadi.
Kelajakda, bu yondashuvni yanada rivojlantirib, iqtisodiy siyosatni shakllantirishda
yordam beruvchi vosita sifatida ishlatish mumkin.
6. Xulosa va takliflar
Ushbu tadqiqotda LSTM neyron tarmoqlari asosida inflyatsiyani prognozlash
bo‘yicha model ishlab chiqildi. Tadqiqot natijalari ushbu yondashuvning an’anaviy
modellarga nisbatan yuqori aniqlikni ta’minlashini ko‘rsatdi. Modelning statistik
xatolik darajasi past bo‘lib, haqiqiy ko‘rsatkichlarga yaqin natijalar berdi. Bu esa
iqtisodiy siyosatni shakllantirishda ushbu yondashuvdan foydalanish imkonini beradi.
Kelgusidagi tadqiqotlar uchun quyidagi takliflar beriladi:
Inflyatsiyaga ta’sir qiluvchi boshqa omillarni (masalan, valyuta kursi, neft
narxlari) modellar tarkibiga kiritish;
Gibrid modellardan (masalan, ARIMA-LSTM) foydalanish;
Modelning real vaqt rejimida ishlashi uchun onlayn trening yondashuvlarini
qo‘llash.
FOYDALANILGAN ADABIYOTLAR:
1.
Yangiboyevich Ishmetov, B. (2020). "Biznes iqtisodiy ko‘rsatkichlarni boshqarish
va bashoratlashda neyron tarmoqlarining o‘rni".
Muhammad al-Xorazmiy nomidagi
TATU Urganch filiali, Axborot texnologiyalari kafedrasi
.
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
79
2.
Zaripova, M. D. "Improving the quality of training of high qualified personnel on
the basis of competence level assessment."
Journal of Management Value & Ethics.
Jan.-March
21 (2021): 139-146.
3.
Cheng, L., Zang, H., Trivedi, A., Srinivasan, D., Wei, Z., & Sun, G. (2024).
"Mitigating the impact of photovoltaic power ramps on intraday economic dispatch
using reinforcement forecasting".
IEEE Transactions on Sustainable Energy
, 15(1),
3–12.
4.
Zhao, Q. (2020). "Research on prediction of enterprise economic growth based on
monetary policy regulation".
2020 International Conference on Robots &
Intelligent System (ICRIS)
, IEEE, Sanya, China.
5.
Li, J., & Cong, S.F. (2021). "Prediction of financial economic growth trend based
on PVAR model".
2021 13th International Conference on Measuring Technology
and Mechatronics Automation (ICMTMA)
, IEEE, Beihai, China, 1–10.
6.
Deng, Z., Tian, N., Liu, K., & Wu, D. (2021). "Trend prediction method of
economic fixed base index of power industry based on time series".
2021
International Conference on Wireless Communications and Smart Grid (ICWCSG)
,
IEEE, Hangzhou, China, 1–4.
7.
Liu, C. (2021). "Prediction method of the industrial economic operation index
based on an improved genetic algorithm".
2021 IEEE International Conference on
Industrial Application of Artificial Intelligence (IAAI)
, IEEE, Harbin, China.
8.
de Mendonca, H. F., & Almeida, A. F. G. (2018). "Importance of credibility for
business confidence: evidence from an emerging economy".
Empirical Economics
.
9.
Sakaji, H., Kuramoto, R., Matsushima, H., Izumi, K., Shimada, T., & Sunakawa,
K. (2019). "Financial text data analytics framework for business confidence indices
and inter-industry relations".
Proceedings of the First Workshop on Financial
Technology and Natural Language Processing
, Macao, China, 40–46.
10.
Ganiev, T., & Mamedov, R. (2020). "Neyron tarmoq modellarining iqtisodiy
prognozlashda samaradorligi".
Iqtisodiy tadqiqotlar
.
