Международный научно-образовательный электронный журнал «образование и наука в XXI веке». Выпуск №25 (том 2)

Mundarija (Table of Contents): 
1.
Kirish (Introduction) ……………………………………………… 4
2.
Adabiyotlar sharhi (Literature review) …………………………… 9 
3.
Ma’lumotlar va metodologiya tavsifi (Data and methodology) ….. 12 
4.
Natijalar (Results) ………………………………………………… 25 
5.
Xulosalar (Conclusion) …………………………………………… 36 
Adabiyotlar ro`yxati (References) ……………………………………38 
 
 

---

782 
1.
 
Kirish (Introduction) 
Makroiqtisodiy ko`rstatkichlarni prognozlash mamlakat iqtisodiy faoliyati uchun muhim 
ahamiyatga ega. To`g`ri va aniq prognozlash orqali kelgusidagi iqtisodiy holatlarga 
tayyorgarlik ko`rish, ularga nisbatan javob mexanizmini ishlab chiqish hamda umuman, 
kelajakdagi iqtisodiy faoliyatga ta’sir ko`rsatish imkoniyati paydo bo`ladi. 
Iqtisodchilar orasida turli makroiqtisodiy ko`rsatkichlarni prognozlashga doir ishlarning 
soni anchagina ekanligini ham shu bilan izohlash mumkin. Aynan shunday iqtisodiy 
prognozlar bilan shug`ullanuvchi iqtisodiyotning alohida bo`limi – ekonometrika fani 
ushbu prognozlarni ishlab chiqishda o`zining an’anaviy metodlarini ishlab chiqqan. Ushbu 
metodlar yordamida iqtisodiyotning turli ko`rsatkichlari samarali va aniq prognoz qilinishi 
mumkin. XXI asr boshiga kelib esa iqtisodiy prognozlashda ekonometrik modellar bilan 
birgalikda, komputer orqali – sun’iy ong yordamida prognozlash amaliyoti ham boshlandi. 
Bunday sun’iy ong orqali prognozlash metodlari keng ma’noda “machine learning” deb 
ataladi. 
“Machine learning” – “mashina o`rganishi
172
”, hozirgi kunda eng qizg`in mavzulardan biri 
hisoblanadi. Turli adabiyotlar va yangiliklarda doimiy yangrayotgan “sun’iy intellekt” (AI), 
“Big Data” kabi terminlar uzoq kelajakdagi texnologiyalar sifatida qaralayotgan bo`lsa-da, 
ularning asl ma’nosi kundalik hayotga ancha yaqinroq hisoblanadi. Hozirda, machine 
learning turli sohalarda qo`llanilmoqda. Jumladan, emailni spam sifatida filtrlash, 
foydalanuvchiga kerakli xizmat va tovarlarni tavsiya qilish, kelgusi talabni prognozlash va 
hattoki, avtonom (o`zini boshqaradigan) avtomobillarda ham qo`llaniladi. Keng ma’noda, 
machine learning – komputerning aniq programmalarsiz amaldagi ma’lumotlar asosida 
o`zining kelgusi harakatlarinig belgilashi deyish mumkin. Avtonom mashinalar ishlashi 
aynan shunday tarzda bo`ladi: mashina o`z atrofidagi ma’lumotlarni qabul qilib, ularni tahlil 
qiladi va ushbu ma’lumotlar asosida keyingi qarorlarga keladi. Ushbu vazifalarni bajarishda 
MLning ko`plab algoritmlari mavjud. 
172
Muallif atamaning original variantini ishlatishni maqsadga muvofiq deb topdi 
Izoh: Machine learning – komputer tomonidan bor ma’lumotlarga asoslanib, matematik modelni qurish va ushbu model orqali 
kelgusi ko`rsatkichlarni prognoz qilish jarayonini anglatadi. Bunda, komputer unga berilgan ma’lumotlar asosida “o`rganadi” 
va “o`rgangan” bilimlarini yangi ma’lumotlarga tatbiq qila oladi 

---

783 
Biz an’anaviy ekonometrik va statistic prognozlash metodlarini yangi machine learning 
metodlari bilan taqqoslab, ular orasida O`zbekiston iqtisodiyotini to`g`ri tavsiflash va 
kelgusi jarayonlarni bashoratlash uchun eng maqul metodlarni tanlaymiz. 
Maqsadli makroiqtisodiy ko`rsatkichlar sifatida YaIM hamda inflatsiya darajasi asosiy 
e’tiborga olindi. YaIMning asosiy maqsad sifatida olinishi iqtisodiy tomondan tushunarli 
bo`lsa, inflatsiyaning asosiy ko`rsatkichlar orasida ekanligi ayrim tushuntirishlar talab 
qiladi. Hozirda O`zbekiston iqtisodiyotining inflatsiyani targetlashga o`tish jarayoni davom 
etayotganligi, ushbu jarayonda O`zbekiston Respublikasi Markaziy Banki tomonidan 
inflatsiya darajasini to`g`ri prognozlashi muhim ahamiyatga ega ekanligi inflatsiyaning 
tanlanishini tushuntiradi. Shu o`rinda, Markaziy Bank tomonidan inflatsiyani 
prognozlashda OLS va ARIMA metodlaridan foydalanilayotganligi, kelajakda VAR 
modelidan foydalanishga o`tilishi tog`risidagi ma’lumotlarga asoslanib
173
, ushbu ilmiy 
tadqiqot Markaziy Bank uchun tavsiya bo`lib xizmat qilishi mumkinligi hisobga olinadi. 
Inflatsiyani prognozlashning ahamiyati targetlash jarayoni bilan birga aynan iste’mol 
narxlari indeksi orqali hisoblangan inflatsiya bo`yicha O`zbekiston uchun ma’lumotlar 
ancha keng qamrovga ega. Biz bu o`rinda 2000 yil yanvar oyidan 2019 yil dekabr oyiga 
qadar bo`lgan (jami 240 ta kuzatuv) ma’lumotlarni yig`ish va ularni tahlil qilishga muvaffaq 
bo`ldik. Boshqa makroiqtisodiy ko`rsatkichlar uchun bunday katta hajmdagi ma’lumotlar 
mavjud emas. 
Prognozlash uchun tuzilgan modelning aniqligini baholash uchun amaldagi kuzatuvlar ikki 
guruhga ajratildi: o`rganiladigan va tekshiriladigan. Dastlabki qism asosida model tuziladi 
hamda keyingi qismga qarab ushbu modelning prognozlash qobiliyati baholanadi. Shu 
orqali model haqida chiqariladigan xulosaning ortiqcha optimistik bo`lib ketmasligiga 
zamin yaratadi. 
Turli modellarning ahamiyatlilik darajasini baholash uchun benchmark model sifatida VAR 
modellari qabul qilindi. Ya’ni, boshqa modellar VAR modeliga nisbatan xatolik darajasi 
baholanadi. 
Ushbu ishda machine learning metodlarining iqtisodiyotga, xususan O`zbekiston 
iqtisodiyotiga tadbiq qilish haqida so`z yuritiladi. Bunda, statistic metodlar - AR(1) va 
173
 
http://cbu.uz/uzc/monetarnaya-politika/concept/ 
Pul-kredit siyosatini rivojlnatirish va amalga oshirish Konsepsiyasi 

---

784 
AR(p)
174
, ARIMA va SARIMA, OLS, VAR, BVAR, machine learning metodlari - LASSO, 
Elastic to`r (Elastic Net), Rij regressiya (Ridge regression), busting, “tasodifiy o`rmon” 
(Random Forest) kabi metodlarning nazariy asoslarini yoritiladi hamda ularni ishlatib 
O`zbekiston iqtisodiyoti uchun asosiy makroiqtisodiy ko`rsatkichlar prognozi amalga 
oshiriladi.
Umuman olib aytganda, machine learning metodlarini makroiqtisodiy prognozlashda 
qo`llashning asosiy afzalligi – katta hajmli ma’lumotlar bilan ishlashda ko`rinadi. Masalan, 
oddiy statistik metodlarda 3 yoki undan ko`p korrelyatsiyasi o`rtacha bo`lgan ma’lumotlar 
kombinatsiyasidan juda kuchli korrelyatsiyaga ega model yaratish mumkin. Ya’ni, agar 
uchta parametrning 
y
ga nisbatan mos ravishda, 0,3, 0,4 va 0,5 korrelyatsiya (
r
) ga ega 
bo`lsa, umumiy korrelyatsiya koeffitsienti 0,7, va hattoki, 0,8 ga yetishi mumkin. Bunda 
model o`zi kuzatgan ma’lumotlarda xatolik darajasini minimallashtirishi mumkin bo`lsa-
da, undan tashqaridagi ma’lumotlarni prognozlashning imkoni bo`lmaydi. Bu esa 
ekonometrik modellarni katta hajmli ko`p parametrlarga ega ma’lumotlar uchun 
qo`llashning ahamiyatini pasaytiradi. Machine learning metodlari ekonometrik 
modellarning aynan shu kamchiligini bartaraf etish uchun qo`llaniladi.
Hozirgi kunda makroiqtisodiy ko`rsatkichlarni to`g`ri prognozlash masalasi butun dunyo 
iqtisodchilari oldida turgan muammolardan biri hisoblanadi. Ushbu muammo O`zbekiston 
iqtisodiyoti uchun ham actual bo`lib, ushbu ko`rsatkichlarni prognozlashga hozirda katta 
e’tibor qaratilmoqda. 
Makroko`rsatkichlarni prognozlashda ML (machine learning) metodlaridan foydalanish esa 
XXI asr boshlaridan buyon qo`llanilib kelinib, ushbu usullar an’anaviy ekonometrik 
modellardan ko`ra bir necha barobar ustunlk namoyon etmoqda. 
Ushbu ishning maqsadi – makroiqtisodiy ko`rsatkichlarni prognoz qilishda ML usullaridan 
foydalanishni O`zbekiston iqtisodiyoti uchun tadbiq etish hisoblanadi. Bu usullar butun 
dunyo iqtisodchilari uchun tadqiqot mavzusiga aylanganiga qaramasdan, muallif 
tomonidan ularning O`zbekistondagi tadbiqini ko`rsatuvchi ilmiy ishlar topilmadi. 
174
Izoh: AR (p) – p lagli avtoregressiya modeli 

---

785