Прогнозирование финансовой эффективности российского кинематографа с помощью многофакторной ансамблевой модели машинного обучения, тренированной на данных прошлых периодов ...

Институт социологии
ФНИСЦ РАН

Прогнозирование финансовой эффективности российского кинематографа с помощью многофакторной ансамблевой модели машинного обучения, тренированной на данных прошлых периодов ...



Дождиков А.В.
Прогнозирование финансовой эффективности российского кинематографа с помощью многофакторной ансамблевой модели машинного обучения, тренированной на данных прошлых периодов // Финансы: теория и практика. 2025. Т. 29. № 6. С. 243-268.
ISSN 2587-5671
DOI: 10.26794/2587-5671-2025-29-6-243-268

Размещена на сайте: 06.01.26

Текст статьи на сайте журнала URL: https://financetp.fa.ru/jour/article/view/4074 (дата обращения 06.01.2026)



Ссылка при цитировании:

Дождиков А.В. Прогнозирование финансовой эффективности российского кинематографа с помощью многофакторной ансамблевой модели машинного обучения, тренированной на данных прошлых периодов // Финансы: теория и практика. 2025. Т. 29. № 6. С. 243-268.
DOI: 10.26794/2587-5671-2025-29-6-243-268

Аннотация

Цель исследования — доказать, что модели машинного обучения, обученные на данных прошлых периодов, могут прогнозировать будущие данные. Это особенно важно для финансирования программ развития национального кинематографа в России и привлечения частных инвестиций в условиях ухода иностранных кинодистрибьюторов с рынка. В исследовании использовались методы оценки кинопроектов на основе исторической доходности по прокатным показателям и характеристикам творческих (съемочных) групп. Акцент сделан на ансамблевых моделях — AdaBoost, Bagging, ExtraTrees, GradientBoosting, RandomForest, Stacking, Voting, XGBoost, CatBoost. Новизна исследования заключается во введении в научный оборот новых источников и возможности практического применения разработанных подходов для государственного и частного инвесторов при оценке проектов фильмов до начала производственного цикла. Выводы: поскольку падение метрик качества (accuracy, roc_auc и других) на выборке из 185 новых кинофильмов (по сентябрь 2023 г.) оказалось незначительным, это открывает возможность использования предобученных моделей на данных прошлых периодов для прогнозирования сборов и других результатов кинопроката. Проанализировав прошлые проекты режиссера, сценаристов, оператора, продюсеров, художника, монтажера, композитора и ключевых актеров, а также предполагаемые прокатные данные и объем финансирования, можно с высокой точностью предсказать успех фильма. Это позволит оценить общие сборы, окупаемость, количество просмотров и зрительский рейтинг.

Ключевые слова:

финансовая эффективность прогноз киносборов прокатные данные национальный кинематограф машинное обучение ансамблевые модели классификация регрессия CatBoost XGBoost государственная политика в кино экспорт киноконтента financial efficiency film box office forecast box office data national cinema machine learning ensemble models classification regression CatBoost XGBoost government policy in cinema export of film content

Рубрики:

Экономическая социология
Социология культуры



Возможно, вам будут интересны другие публикации: