Цифровизация экономики и нарастающая внутригородская неоднородность занятости обесценивают среднегородские показатели как управленческий ориентир: решения принимаются на уровне отдельных зон, тогда как статистика описывает город целиком. Цель исследования – разработать и апробировать гибридную объяснимую нейросетевую модель (Hybrid NFE) для анализа пространственных особенностей социально-трудовых отношений мегаполисов РФ. Проверяется гипотеза о том, что совмещение нейросетевого прогнозирования, нечеткого вывода и пространственного подхода одновременно повышает точность прогноза и его интерпретируемость, что недостижимо ни для классических эконометрических спецификаций, ни для «черноящичных» моделей машинного обучения. Архитектура модели объединяет нечеткий вывод Такаги – Сугено – Канга первого порядка, эволюционный подбор параметров и модуль объяснимости на основе SHAP. Информационную базу составили 24 индикатора по пятнадцати крупнейшим мегаполисам за 2020– 2025 гг. (обучение – 2020–2023 гг., тестирование – 2024–2025 гг.) в разрезе укрупненных городских зон: ядра, полуцентров, жилых районов, пригородного пояса и специализированных территорий. На тестовой выборке Hybrid NFE достигает MAPE 5,4% и R² 0,92 против 8–9% и 0,75–0,78 у ARIMA и 6,3% и 0,89 у LSTM, снижая ошибку прогноза на 20–25% относительно SVR и случайного леса. Кластерный анализ выделяет три типа мегаполисов по напряженности рынка труда, а SHAP-анализ фиксирует пространственный сдвиг значимости факторов: в ядре доминируют индикаторы денежно-кредитной политики и транспортная доступность, на периферии – миграция и доля платформенной занятости. Научная новизна состоит в переносе гибридной нейро-фаззи-эволюционной архитектуры с задач транспорта, экологии и финансовых рядов на пространственный анализ социально-трудовой динамики и в получении верифицируемых правил «если – то» вместо непрозрачного прогноза. Ограничение исследования – укрупненный пространственный масштаб данных. Результаты могут быть использованы органами власти и бизнесом при разработке мер занятости, кадровой политики и городского развития
Ключевые слова
Пространственное развитие, мегаполис, социально-трудовые отношения, гибридные нейро-нечеткие модели, эволюционная оптимизация, объяснимый искусственный интеллект (XAI), SHAP, территориальные дисбалансы рынка труда, платформенная занятость, прогнозирование занятости