gosuprГосударственное управление. Электронный вестникPublic Administration. E-journal (Russia)2070-1381Факультет государственного управления МГУ имени М.В. Ломоносова10.55959/MSU2070-1381-115-2026-129-146gosupr-35Research ArticleЦИФРОВАЯ ЭКОНОМИКАDIGITAL ECONOMYИсследование потенциала применения ChatGPT-5 для эконометрического моделирования показателей инновационной активности организаций: методологические основы и сравнительный анализ результатов экспериментаA Study of the Potential of ChatGPT-5 for Econometric Modelling of Organizational Innovation Performance: Methodological Foundations and Comparative Analysis of Experimental Resultshttps://orcid.org/0009-0006-4082-1315КлимачевТ. Д.KlimachevT. D.

Климачев Тимур Денисович, Магистрант

Ростов-на-Дону

Timur D. Klimachev, Master’s degree student

Rostov-on-Don

klimachev.2020@gmail.comhttps://orcid.org/0000-0001-5756-4630БабиковаА. В.BabikovaA. V.

Бабикова Анна Валерьевна, Кандидат экономических наук, доцент

Ростов-на-Дону

Anna V. Babikova, PhD (Economics), Associate Professor

Rostov-on-Don

avbabikova@sfedu.ruЮжный федеральный университет (ЮФУ)Southern Federal University2026200520261115129146Copyright © Климачев Т.Д., Бабикова А.В., 20262026Климачев Т.Д., Бабикова А.В.Klimachev T.D., Babikova A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.spajournal.ru/jour/article/view/35

В статье проводится экспериментальное исследование возможности применения искусственного интеллекта ChatGPT для проведения эконометрического моделирования показателей инновационной активности российских организаций. Актуальность исследования обусловлена необходимостью модернизации традиционного эконометрического инструментария для работы с растущими массивами данных. Целью работы является методологическое обоснование и экспериментальная проверка возможностей применения ChatGPT-5 для проведения комплексного эконометрического моделирования показателей инновационной активности организаций. Методологическую базу составил сравнительный подход, который был реализован с использованием официальных данных Росстата за 2010–2024 гг. В ходе эксперимента проводился корреляционно-регрессионный анализ по трем ключевым показателям: уровню инновационной активности организации, объему выпуска инновационных товаров и количеству разработанных передовых производственных технологий. Всего было проведено 15 наблюдений по трем показателям. Результаты расчетов в стандартном пакете «Анализ данных» Excel сопоставлялись с аналитикой ChatGPT-5, генерируемой через интерпретатор Python. Эксперимент подтвердил полную идентичность количественных расчетов между пакетом «Анализ данных» Excel и моделью искусственного интеллекта. При этом ChatGPT-5 позволил точно интерпретировать статистические метрики (p-значений, R-квадрата и др.), выявить ограничения регрессионных моделей и сформировать рекомендации по их улучшению. Выявлено, что ключевыми драйверами инновационной активности организаций являются затраты на инновационную деятельность российских организаций, индекс изобретательской активности (патентная активность) и финансирование науки из средств федерального бюджета. В заключение предложены три сценария развития инновационной активности организаций до 2035 года. Сделан вывод о высокой применимости ChatGPT-5 как интеллектуального помощника в эконометрическом моделировании при условии соблюдения методологических ограничений.

This article explores the feasibility of using the ChatGPT artificial intelligence (AI) for econometric modelling of Russian organizations’ innovation performance. The study’s relevance stems from the need to modernize traditional econometric tools to handle growing data sets. The aim of the study is to provide methodological justification and experimental verification of the feasibility of using ChatGPT-5 for comprehensive econometric modelling of organizations’ innovation performance. The methodological framework was based on a comparative approach implemented using official Rosstat data for 2010–2024. The experiment included a correlation and regression analysis for three key indicators: the organization’s level of innovation performance, the volume of innovative product output, and the number of advanced manufacturing technologies developed. A total of 15 observations were conducted on three indicators. Calculation results obtained in the standard Excel Data Analysis package were compared with ChatGPT-5 analytics generated through the Python interpreter. The experiment confirmed the complete identity of the quantitative calculations between the Excel Data Analysis package and the AI model. ChatGPT-5 enabled the accurate interpretation of statistical metrics (p-values, R-squared, etc.), identified limitations of regression models, and generated recommendations for their improvement. It was found that the key drivers of organizational innovation are innovation expenditures in Russian organizations, the Inventive Activity Index (patent activity), and federal research funding. In conclusion, three scenarios for the development of organizational innovation through 2035 were proposed. It is concluded that ChatGPT-5 is highly applicable as an intelligent assistant in econometric modelling, provided that methodological limitations are observed.

Инновационная активностьискусственный интеллектChatGPT-5инновациимоделированиесценарии.Innovation activityartificial intelligenceChatGPT-5innovationmodellingscenarios.ReferencesАржаев Ф.И., Кокарев М.А. Потенциал использования нейросетевых моделей на примере ChatGPT: возможности, ограничения, применение в анализе внешней торговли // Российский внешнеэкономический вестник. 2023. Т. 12. С. 87–100. DOI: 10.24412/2072-8042-2023-12-87-100Arzhaev F.I., Kokarev M.A. (2023) The Potential of Neural Network Models on the Example of ChatGPT: Opportunities, Limitations and Application in the Analysis of Foreign Trade. Rossiyskiy vneshneekonomicheskiy vestnik. Vol. 12. P. 87–100. DOI: 10.24412/2072–s8042–s2023–s12–s87–s100Бывшев В.И., Суслова Ю.Ю., Волошин А.В., Писарев И.В. Генезис инноваций и инновационного развития // Вестник ОмГУ. Серия: Экономика. 2025. Т. 23. № 1. C. 16–27. DOI: 10.24147/1812-3988.2025.23(1).16-27Astrakhantseva I.A., Gerasimov A.S., Smirnova O.P. (2024) Evaluating Statistical and Machine Learning Models for Inflation Forecasting. Sovremennyye naukoyemkiye tekhnologii. Regional’noye prilozheniye. No. 3(79). P. 120–131. DOI: 10.6060/snt.20247903.0019Шаповалов В.В. Основные инновационные теории XX в. (часть 1) // Вестник Томского государственного университета. Экономика. 2024. № 66. С. 345–353. DOI: 10.17223/19988648/66/22Byvshev V.I., Suslova Yu.Yu., Voloshin A.V., Pisarev I.V. (2025) The Genesis of Innovations and Innovative Development. Vestnik OmGU. Seriya: Ekonomika. Vol. 23. No. 1. P. 16–27. DOI: 10.24147/1812–s3988.2025.23(1).16–s27Дмитриев С.Г. Методологические параллели: экономическая теория и интерпретируемость моделей искусственного интеллекта // Kant. 2025. № 1(54). С. 28–33. DOI: 10.24923/2222–s243X.2025–s54.5Cheng Y., Zeng Y., Zou J. (2024) Harnessing ChatGPT for Predictive Financial Factor Generation: A New Frontier in Financial Analysis and Forecasting. The British Accounting Review. Vol. 58. Is. 2. DOI: 10.1016/j.bar.2024.101507Имамов М.М. Использование ChatGPT в экономике // Дискуссия. 2023. № 4(119). С. 62–72. DOI: 10.46320/2077–s7639–s2023–s4-119–s62–s72Dmitriev S.G. (2025) Methodological Parallels: Economic Theory and Interpretability of Artificial Intelligence Models. Kant. No. 1(54). P. 28–33. DOI: 10.24923/2222–s243X.2025–s54.5Астраханцева И.А., Герасимов А.С., Смирнова О.П. Оценка применимости статистических и машинных моделей для прогнозирования инфляции // Современные наукоемкие технологии. Региональное приложение. 2024. № 3(79). С. 120–131. DOI: 10.6060/snt.20247903.0019Imamov M.M. (2023) Using ChatGPT in Economics. Diskussiya. No. 4(119). P. 62–72. DOI: 10.46320/2077–s7639–s2023–s4-119–s62–s72Кириченко А.О., Золкин А.Л., Свердликова Е.А., Подолько П.М. Методы и возможности применения искусственного интеллекта в анализе экономических тенденций // Прикладные экономические исследования. 2024. № 1. С. 177–184. DOI: 10.47576/2949–s1908.2024.1.1.022Just J. (2024) Natural Language Processing for Innovation Search — Reviewing an Emerging Non-Human Innovation Intermediary. Technovation. Vol. 129. DOI: 10.1016/j.technovation.2023.102883Киселёв Р.О. Инновационная активность как компетенция деятельности организации // Ученые записки Крымского федерального университета имени В.И. Вернадского. Экономика и управление. 2024. Т. 10. № 4. С. 39–48.Kassa B.Y., Worku E.K. (2025) The Impact of Artificial Intelligence on Organizational Performance: The Mediating Role of Employee Productivity. Journal of Open Innovation: Technology, Market, and Complexity. Vol. 11. Is. 1. DOI: 10.1016/j.joitmc.2025.100474Ложкина С.Л., Новикова Е.В., Карпенко А.В. Аналитический потенциал инновационной активности промышленных организаций // Естественно-гуманитарные исследования. 2025. № 3(59). С. 307–311.Kirichenko A.O., Zolkin A.L., Sverdlikova E.A., Podolko P.M. (2024) Methods and Possibilities of Using Artificial Intelligence in the Analysis of Economic Trends. Prikladnyye ekonomicheskiye issledovaniya. No. 1. P. 177–184. DOI: 10.47576/2949–s1908.2024.1.1.022Овчинникова А.В., Дорф Е.А. Эволюция теории инноваций // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. 2024. Т. 18. № 1. С. 160–169. DOI: 10.14529/em240115Kiselev R.O. (2024) Innovatsionnaya aktivnost’ kak kompetentsiya deyatel’nosti organizatsii [Innovative activity as a competence of an organization’s activities]. Uchenyye zapiski Krymskogo federal’nogo universiteta imeni V.I. Vernadskogo. Ekonomika i upravleniye. Vol. 10. No. 4. P. 39–48.Плахова С.Е., Меликова Ю.Б., Руднев С.Г., Ковалева К.А. Применение методов искусственного интеллекта в макроэкономическом прогнозировании // Журнал прикладных исследований. 2023. № S1. С. 65–72. DOI: 10.47576/2949–s1878_2023_S1_65Lozhkina S.L., Novikova E.V., Karpenko A.V. (2025) Analytical Potential of Innovative Activities of Industrial Organizations. Yestestvenno-gumanitarn·yye issledovaniya. No. 3(59). P. 307–311.Поскочинова О.Г., Мурашов Д.С. Управление инновациями в современной экономике и факторы, стимулирующие процессы инновационного развития России // Прогрессивная экономика. 2024. № 10. С. 175–186. DOI: 10.54861/27131211_2024_10_175Ovchinnikova A. V., Dorf E. A. (2024) The Evolution of the Theory of Innovations. Vestnik Yuzhno-Ural’skogo gosudarstvennogo universiteta. Seriya: Ekonomika i menedzhment. Vol. 18. No. 1. P. 160–169. DOI: 10.14529/em240115Шумпетер Й. Теория экономического развития. М.: Прогресс, 1982.Plakhova S.E., Melikova Yu.B., Rudnev S.G., Kovaleva K.A. (2023) Application of Artificial Intelligence Methods in Macroeconomic Forecasting. Zhurnal prikladnykh issledovaniy. No. S1. P. 65–72. DOI: 10.47576/2949–s1878_2023_S1_65Cheng Y., Zeng Y., Zou J. Harnessing ChatGPT for Predictive Financial Factor Generation: A New Frontier in Financial Analysis and Forecasting // The British Accounting Review. 2024. Vol. 58. Is. 2. DOI: 10.1016/j.bar.2024.101507Poskochinova O.G., Murashov D.S. (2024) Innovation Management in the Modern Economy and Factors Stimulating the Processes of Innovative Development of Russia. Progressivnaya ekonomika. No. 10. P. 175–186. DOI: 10.54861/27131211_2024_10_175Just J. Natural Language Processing for Innovation Search — Reviewing an Emerging Non-Human Innovation Intermediary // Technovation. 2024. Vol. 129. DOI: 10.1016/j.technovation.2023.102883Schumpeter J. (1982) Theorie der wirtschaftlichen Entwicklung. Moscow: Progress.Kassa B.Y., Worku E.K. The Impact of Artificial Intelligence on Organizational Performance: The Mediating Role of Employee Productivity // Journal of Open Innovation: Technology, Market, and Complexity. 2025. Vol. 11. Is. 1. DOI: 10.1016/j.joitmc.2025.100474Shapovalov V.V. (2024) Major Innovations Theories of the 20th Century (Part 1). Vestnik Tomskogo gosudarstvennogo universiteta. Ekonomika. No. 66. P. 345–353. DOI: 10.17223/19988648/66/22Yang K., Deng R., Wei Y., Wang S. The Power of ChatGPT in Processing Text: Evidence from Analysis and Prediction in the Exchange Rate Markets // Financial Innovation. 2025. Vol. 11. DOI: 10.1186/s40854–s025–s00789–s6Yang K., Deng R., Wei Y., Wang S. (2025) The Power of ChatGPT in Processing Text: Evidence from Analysis and Prediction in the Exchange Rate Markets. Financial Innovation. Vol. 11. DOI: 10.1186/s40854–s025–s00789–s6Zakhem N.B., Diab M.B., Tahan S.A Cross-Disciplinary Academic Evaluation of Generative AI Models in HR, Accounting, and Economics: ChatGPT-5 vs. DeepSeek // Administrative Sciences. 2025. Vol. 15. Is. 11. DOI: 10.3390/admsci15110412Zakhem N.B., Diab M.B., Tahan S.A (2025) Cross-Disciplinary Academic Evaluation of Generative AI Models in HR, Accounting, and Economics: ChatGPT-5 vs. DeepSeek. Administrative Sciences. Vol. 15. Is. 11. DOI: 10.3390/admsci15110412Zhang B. GPT in Finance Forecasting // Advances in Economics Management and Political Sciences. 2024. Vol. 99. P. 73–80. DOI: 10.54254/2754–s1169/99/2024OX0199Zhang B. (2024) GPT in Finance Forecasting. Advances in Economics Management and Political Sciences. Vol. 99. P. 73–80. DOI: 10.54254/2754–s1169/99/2024OX0199Zhang G., Lu C., Luo Q. Application of Large Language Models in the AECO Industry: Core Technologies, Application Scenarios, and Research Challenges // Buildings. 2025. Vol. 15. Is. 11. DOI: 10.3390/buildings15111944Zhang G., Lu C., Luo Q. (2025) Application of Large Language Models in the AECO Industry: Core Technologies, Application Scenarios, and Research Challenges. Buildings. Vol. 15. Is. 11. DOI: 10.3390/buildings15111944

The authors declare that there are no conflicts of interest present.