HUDUDLARDA INVESTITSIYALAR SAMARADORLIGINI QISQA PANEL MAʼLUMOTLARI ASOSIDA OʻRTA MUDDATGA PROGNOZLASH: TOSHKENT VILOYATI MISOLIDA

Jomolov Muzaffar Mirzoxitovich

O‘zbekiston Respublikasi

Milliy statistika qo‘mitasining

Investitsiyalar va qurilish statistikasi

 boshqarmasi boshlig‘i, 
Kadrlar malakasini oshirish

va statistik tadqiqotlar institute

 mustaqil tadqiqotchisi;
E-mail: jomolovmuzaffar@gmail.com

 ORCID: 0009-0006-6019-8735

Annotatsiya. Maqolada Toshkent viloyatining 22 ta shahar va tumani boʻyicha investitsiyalar samaradorligi koʻrsatkichlarini 2026–2028-yillarga prognozlash masalasi koʻrib chiqilgan. Prognozlangan koʻrsatkichlar: investitsiyalarni jalb qilish samaradorligi indeksi (IPI), DEA-CCR texnik samaradorlik ballari va integral samaradorlik indeksi. Maʼlumotlar qisqa (T = 6), chegaralangan, oʻzgaruvchan va tuzilmaviy siljishlarga ega panel sifatida tavsiflangan. Yetti prognoz usuli aylanma validatsiya orqali qiyoslangan. Oddiy va kombinatsiyalashgan usullarni umumlashtiruvchi oʻrtachaga qaytuvchi model eng past oʻrtacha xatolikni berdi (MAPE 25,3–26,2 %). Prognoz natijalariga koʻra, joriy trayektoriya saqlansa, viloyat darajasida samaradorlikning sezilarli oʻsishi kutilmaydi: integral indeks 0,46 atrofida barqarorlashadi, hududlararo tafovutlar esa sekin qisqaradi.

Kalit soʻzlar: investitsiyalar samaradorligi, prognozlash, qisqa panel, oʻrtachaga qaytish, aylanma validatsiya, MAPE, DEA, integral indeks, Toshkent viloyati.

СРЕДНЕСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭФФЕКТИВНОСТИ ИНВЕСТИЦИЙ В РЕГИОНАХ НА ОСНОВЕ КОРОТКИХ ПАНЕЛЬНЫХ ДАННЫХ: НА ПРИМЕРЕ ТАШКЕНТСКОЙ ОБЛАСТИ

Джомолов Музаффар Мирзохитович

начальник управления статистики

инвестиций и строительства

 национального комитета

Республики Узбекистан по статистике,
независимый исследователь

института повышения квалификации

кадров и статистических исследований;
E-mail: jomolovmuzaffar@gmail.com

ORCID: 0009-0006-6019-8735

Аннотация. В статье рассмотрена задача прогнозирования показателей эффективности инвестиций на 2026–2028 гг. для 22 городов и районов Ташкентской области. Прогнозируются индекс эффективности привлечения инвестиций (IPI), баллы технической эффективности DEA-CCR и интегральный индекс эффективности. Данные охарактеризованы как короткая (T = 6), ограниченная, изменчивая панель со структурными сдвигами. Семь методов прогнозирования сопоставлены с помощью скользящей валидации. Наименьшую среднюю ошибку показала модель возврата к среднему, обобщающая простые и комбинированные методы (MAPE 25,3–26,2 %). Согласно прогнозу, при сохранении текущей траектории существенного роста эффективности на уровне области не ожидается: интегральный индекс стабилизируется около 0,46, а межтерриториальные различия медленно сокращаются.

Ключевые слова: эффективность инвестиций, прогнозирование, короткая панель, возврат к среднему, скользящая валидация, MAPE, DEA, интегральный индекс, Ташкентская область.

MEDIUM-TERM FORECASTING OF REGIONAL INVESTMENT EFFICIENCY WITH SHORT PANEL DATA: EVIDENCE FROM TASHKENT REGION

Jomolov Muzaffar Mirzokhitovich

Head of the Department of Investment and

Construction Statistics

National Statistics Committee

 of the Republic of Uzbekistan,
Independent Researcher at the

 Institute for Professional

 Development and Statistical Research;
E-mail: jomolovmuzaffar@gmail.com

ORCID:0009-0006-6019-8735

Abstract. The article addresses the forecasting of investment efficiency indicators for 2026–2028 for 22 cities and districts of Tashkent region. The forecast indicators are the investment attraction efficiency index (IPI), DEA-CCR technical efficiency scores and a composite efficiency index. The data are characterised as a short (T = 6), bounded and volatile panel with structural breaks. Seven forecasting methods are compared using rolling-origin validation. A mean-reverting model that generalises simple and combination methods yields the lowest average error (MAPE 25.3–26.2%). According to the forecast, if the current trajectory persists, no substantial increase in efficiency is expected at the regional level: the composite index stabilises at about 0.46, and inter-district disparities narrow slowly.

Keywords: investment efficiency, forecasting, short panel, mean reversion, rolling-origin validation, MAPE, DEA, composite index, Tashkent region.

https://doi.org/10.5281/zenodo.23142571

Foydalanilgan adabiyotlar

1. Oʻzbekiston Respublikasi Prezidentining 2023-yil 11-sentabrdagi “«Oʻzbekiston — 2030» strategiyasi toʻgʻrisida”gi PF-158-son Farmoni. URL: https://lex.uz/docs/6600413

2. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. — 3rd ed. — Melbourne: OTexts, 2021. — 442 p.

3. Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning Forecasting Methods: Concerns and Ways Forward // PLoS ONE. — 2018. — Vol. 13, No. 3. — e0194889.

4. Бегалов Б.А., Жуковская И.Е., Абдурахмонов А.Д., Жомолов М.М. Статистический анализ инвестиций в основной капитал в Республике Узбекистан в условиях цифровой трансформации // Цифровые модели и решения. — 2023. — Т. 2, № 3. DOI: 10.29141/2949-477X-2023-2-3-3.

5. Makroiqtisodiy va hududiy tadqiqotlar instituti. Hududlarda investitsiyalarni jalb qilish samaradorligi (IPI) tahlili. — Toshkent, 2023. URL: https://imrs.uz/files/publications/ru/57750.pdf

6. Charnes A., Cooper W.W., Rhodes E. Measuring the Efficiency of Decision Making Units // European Journal of Operational Research. — 1978. — Vol. 2, No. 6. — P. 429–444.

7. Box G.E.P., Jenkins G.M. Time Series Analysis: Forecasting and Control. — San Francisco: Holden-Day, 1976. — 575 p.

8. Brown R.G. Statistical Forecasting for Inventory Control. — New York: McGraw-Hill, 1959. — 223 p.

9. Holt C.C. Forecasting Seasonals and Trends by Exponentially Weighted Moving Averages // International Journal of Forecasting. — 2004. — Vol. 20, No. 1. — P. 5–10.

10. Winters P.R. Forecasting Sales by Exponentially Weighted Moving Averages // Management Science. — 1960. — Vol. 6, No. 3. — P. 324–342.

11. Gardner E.S. Exponential Smoothing: The State of the Art // Journal of Forecasting. — 1985. — Vol. 4, No. 1. — P. 1–28.

12. Makridakis S., Hibon M. The M3-Competition: Results, Conclusions and Implications // International Journal of Forecasting. — 2000. — Vol. 16, No. 4. — P. 451–476.

13. Makridakis S., Spiliotis E., Assimakopoulos V. The M4 Competition: 100,000 Time Series and 61 Forecasting Methods // International Journal of Forecasting. — 2020. — Vol. 36, No. 1. — P. 54–74.

14. Deng J. Control Problems of Grey Systems // Systems & Control Letters. — 1982. — Vol. 1, No. 5. — P. 288–294.

15. Liu S., Lin Y. Grey Systems: Theory and Applications. — Berlin; Heidelberg: Springer, 2010. — 379 p.

16. Quah D. Empirical Cross-Section Dynamics in Economic Growth // European Economic Review. — 1993. — Vol. 37, No. 2–3. — P. 426–434.

17. Baltagi B.H. Econometric Analysis of Panel Data. — 4th ed. — Chichester: John Wiley & Sons, 2008. — 351 p.

18. Bates J.M., Granger C.W.J. The Combination of Forecasts // Operational Research Quarterly. — 1969. — Vol. 20, No. 4. — P. 451–468.

19. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование: учебник. — М.: Финансы и статистика, 2010. — 320 с.

20. Дуброва Т.А. Статистические методы прогнозирования: учеб. пособие. — М.: ЮНИТИ-ДАНА, 2003. — 206 с.

21. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: учеб. пособие. — М.: Финансы и статистика, 2003. — 416 с.

22. Färe R., Grosskopf S., Norris M., Zhang Z. Productivity Growth, Technical Progress, and Efficiency Change in Industrialized Countries // The American Economic Review. — 1994. — Vol. 84, No. 1. — P. 66–83.

23. Mamadaliyev O.T. Methods of Selecting Indicators for Comprehensive Assessment of the Socio-Economic Development of Regions // EPRA International Journal of Economic and Business Review. — 2023. — Vol. 11, Issue 10. DOI: 10.36713/epra14549.