Предмет. Российский автомобильный рынок, претерпевший структурную трансформацию после 2022 г. Цели. Разработка и апробация прогнозной модели машинного обучения (бинарной логистической регрессии) для оценки вероятности успешного выхода новой модели автомобиля на российский рынок на основе ее технико-эксплуатационных характеристик (на примере Haval Xialong Max). Методология. Основу исследования составляет эконометрическое моделирование: построение и оценка модели бинарной логистической регрессии на репрезентативной выборке из 70 моделей, проданных в 2024 г., с использованием библиотек Python (Statsmodels, Pandas). Для оценки модели использовались ROC-анализ и метрики Accuracy, Precision, Recall, F1-score. Результаты. Оценка модели показала высокое прогнозное качество (Accuracy = 85%, AUC = 0,94). Установлено, что максимальная скорость и средняя стоимость автомобиля являются наиболее статистически значимыми факторами спроса. На основе модели определена вероятность высоких продаж новой модели Haval Xialong Max на уровне 79%. Разработана целевая маркетинговая стратегия для данной модели. Выводы. Российский автомобильный рынок после 2022 г. радикально трансформировался с доминированием китайских брендов. Созданная модель логистической регрессии является эффективным аналитическим инструментом для прогнозирования успеха новых моделей, демонстрируя высокую точность. Модель подтвердила высокий потенциал кроссовера Haval Xialong Max на российском рынке. Результаты исследования имеют практическую ценность для производителей и дилеров в формировании обоснованных решений о выходе на рынок и разработке маркетинговых стратегий.
Ключевые слова: автомобильный рынок, аддитивная модель, сегментирование, логистическая регрессия, модель машинного обучения
Список литературы:
Соколова Е.С. Оценка эффективности транспортной системы РФ: анализ динамики и перспективы развития // Регионология. 2025. № 4. С. 697–714. DOI: 10.15507/2413-1407.129.033.202504.697-714 EDN: ITLMUR
Струбалин П.В. Трансформация авторынка России // Экономические науки. 2024. T. 3. № 232. С. 362–366. DOI: 10.14451/1.232.362 EDN: MIYRGN
Кельчевская Н.Р., Контобойцева А.Е., Земзюлина В.Ю., Пелымская И.С. Исследование рыночной структуры отрасли автомобильной промышленности Российской Федерации: тенденции и перспективы // Креативная экономика. 2024. Т. 18. № 12. С. 3383–3406. DOI: 10.18334/ce.18.12.122189 EDN: LUZJGB
Михайленко Д.И. Статистика и аналитика автомобильного рынка в России // Вестник науки. 2023. № 6. С. 189–195. EDN: LZZETZ
Смелков К.А. Мировой рынок легковых автомобилей: конкуренция как движущая сила развития потенциальных возможностей компаний // Фундаментальные исследования. 2025. № 5. С. 95–101. DOI: 10.17513/fr.43838 EDN: OOHYGQ
Ogneva E.D. Automotive industry digitalization: effect on the labor market, business models and consumer behavior // Научный журнал молодых ученых. № 3. С. 89–91. EDN: EKZEJQ
Милякин С.Р., Скубачевская Н.Д., Мигаль А.В. Рынок легковых автомобилей в России: история, текущее состояние и прогноз // Проблемы прогнозирования. 2025. № 1. C. 137–150. DOI: 10.47711/0868-6351-208-137-150 EDN: AAQNTD
Донцова О.И., Климонов Д.В. Перспективы развития международного автомобильного рынка // Экономика, предпринимательство и право. 2023. Т. 13. № 9. С. 3397–3412. DOI: 10.18334/epp.13.9.118275 EDN: LSQCTZ
Дьяченко Н.С. Анализ перспектив развития электрических транспортных средств в России // Вестник науки. 2025. Т. 21. № 6. С. 2306–2312. EDN: LQGENO
Пирогова О.Е., Шишова М.О. Применение логистической регрессии для оценки финансового состояния предприятий // Инновационная экономика: перспективы развития и совершенствования. 2016. № 5. С. 114–122. EDN: WMNGFB
Матраева Л.В. Использование логистической регрессии при выявлении приоритетов региональной инвестиционной политики в отношении иностранных инвесторов в регионы РФ // Статистика и математические методы в экономике. 2013. № 6. С. 170–174. EDN: RPKPQV
Тырсин А.Н., Васильева Е.В. Бинарная логистическая регрессия как модель управления на примере задачи повышения качества жизни населения // Фундаментальные исследования. 2020. № 10. С. 96–102. DOI: 10.17513/fr.42862 EDN: VHENEK
Устинов Д.А., Емельянцев Д.О., Дуров И.В., Татаренков А.С. Автоматизация ценообразования в ритейле с применением машинного обучения // Universum: технические науки. 2024. № 6. С. 20–26. DOI: 10.32743/UniTech.2024.123.6.17762 EDN: SKSABX
Lixian Qian, Soopramanien D. Using diffusion models to forecast market size in emerging markets with applications to the Chinese car market. Journal of Business Research, 2014, vol. 67, iss. 6, pp. 1226–1232. DOI: 10.1016/j.jbusres.2013.04.008
Dong Guo, Wei Yan, Xingbang Gao et al. Forecast of passenger car market structure and environmental impact analysis in China. Science of the Total Environment, 2021, vol. 772, no. 144950. DOI: 10.1016/j.scitotenv.2021.144950 EDN: ZEQJUN
Ziye Lin. Analysis of the Used Car Market in the United States. BCP Business & Management, 2022, vol. 29, pp. 99–105. DOI: 10.54691/bcpbm.v29i.2193 EDN: YBPKZU
Domarchi C., Cherchi E.. Role of car segment and fuel type in the choice of alternative fuel vehicles: A cross-nested logit model for the English market. Applied Energy, 2024, vol. 357, no. 122451. DOI: 10.1016/j.apenergy.2023.122451 EDN: XWTTLS
Wentao He, Xiaoli Hao. Competition and welfare effects of introducing new products into the new energy vehicle market: Empirical evidence from Tesla's entry into the Chinese market. Transportation Research Part A: Policy and Practice, 2023, vol. 174, no. 103730. DOI: 10.1016/j.tra.2023.103730 EDN: QZKUXS
Орлова И.В. Использование пакета Prophet в прогнозировании временных рядов // Фундаментальные исследования. 2021. № 3. С. 94–102. DOI: 10.17513/fr.42987 EDN: KPRAPD
