Математические, статистические и инструментальные методы в экономике

в СПбГУ · Санкт-Петербург

Год	БюджетПроходной балл на бюджетные места — сумма баллов последнего зачисленного в этом году.	ПлатноеПроходной балл на платные места в этом году.	Мест БЧисло бюджетных мест в этом году.	Мест ПЧисло платных мест в этом году.	Цена/год
2026	214	—	2	4	350 000 ₽

Программа посвящена созданию и применению математических, статистических и вычислительных методов для решения экономических задач. Темами диссертаций становятся прогнозирование, оценка причинных эффектов, моделирование рисков, оптимизация решений, анализ временных рядов, сетей и больших массивов данных. Аспиранты осваивают эконометрику, вероятностные модели, алгоритмы оптимизации, программирование, машинное обучение и воспроизводимую обработку данных. СПбГУ позволяет развивать такие исследования на пересечении экономики, математики, статистики и информационных технологий. В университетской подготовке важны как вычислительная точность, так и содержательная интерпретация модели. Аспирант учится проверять предпосылки, работать с пропусками и смещениями выборки, сравнивать качество моделей, документировать код и объяснять, какие экономические выводы действительно следуют из расчётов. Программа подойдёт тем, кто хочет исследовать экономику количественно и готов уделять много внимания данным и алгоритмам. Нужны уверенная математика, навыки программирования и интерес к предметной экономической постановке задачи. Степень кандидата экономических наук подтверждает способность создавать и валидировать аналитические методы, полезна для академической карьеры, прогнозирования, риск-анализа, консалтинга и работы с данными в государственном и корпоративном секторе.

Направление «Математические, статистические и инструментальные методы в экономике» (ФГОС 5.2.2) в аспирантуре готовит исследователей и преподавателей, владеющих современными количественными методами анализа экономических систем. Программа направлена на формирование глубоких знаний в области математического моделирования, эконометрики, теории вероятностей и статистики, а также навыков работы с инструментальными программными средствами (R, Python, Stata, MATLAB). Обучение включает освоение методов оптимизации, анализа временных рядов, панельных данных, машинного обучения и имитационного моделирования для решения прикладных экономических задач. Ключевые дисциплины: «Эконометрика (продвинутый уровень)», «Математические методы в экономике», «Статистический анализ данных», «Инструментальные методы (Big Data, Data Mining)», «Теория игр и принятия решений», «Моделирование экономической динамики». Студенты изучают построение и верификацию экономико-математических моделей, методы оценки параметров, тестирование гипотез, прогнозирование, а также алгоритмы обработки больших данных. Выпускник приобретает компетенции: способность формулировать и решать научные проблемы с использованием математического аппарата, проводить эконометрический анализ, разрабатывать и адаптировать инструментальные средства для исследования экономических процессов. Навыки включают программирование статистических и оптимизационных задач, интерпретацию результатов, подготовку научных публикаций и преподавание. Направление востребовано в академической среде, аналитических отделах компаний, государственных органах (ЦБ, Минфин), банках, страховых и консалтинговых фирмах. Особенность — междисциплинарность: сочетание экономической теории, математики и IT, что позволяет выпускникам быть гибкими и решать широкий спектр задач от прогнозирования рыночных трендов до оценки эффективности политик.

Выпускники работают экономистами-аналитиками, эконометриками, data scientist’ами, риск-аналитиками, консультантами по количественным методам в банках (анализ кредитных рисков), инвестиционных компаниях (портфельный анализ), страховых организациях (актуарные расчеты), IT-компаниях (анализ пользовательского поведения), государственных структурах (макроэкономическое прогнозирование). Перспективы: научно-исследовательская деятельность (НИИ, вузы), руководство аналитическими отделами. Востребованность высокая из-за роста объемов данных и потребности в обоснованных решениях.