Современная цифровизация государственного управления усиливает потребность в инструментах точного прогнозирования бюджетных параметров. Несмотря на накопленные исследования в области межбюджетных отношений, остается недостаточно изученной проблема выявления количественной взаимосвязи между социально-экономическими показателями регионов и распределением федеральных трансфертов, особенно с применением методов искусственного интеллекта. Недостаток работ, использующих нейронные сети для прогнозирования финансовой помощи субъектам Федерации, высокий запрос на повышение эффективности бюджетного планирования, стали ключевыми причинами выбора темы. Цель исследования - выявление зависимости между показателями социально-экономического развития регионов и объемами межбюджетных трансфертов, а также построение модели прогнозирования будущих трансфертов с использованием метода обратного распространения ошибки. Задачи включают формирование выборки данных, построение структуры нейронной сети, ее обучение и тестирование. Методологическая основа - полносвязный многослойный персептрон с двумя скрытыми слоями по 34 нейрона, обучаемый на нормированных данных методом обратного распространения ошибки. Выборка включает 16 годовых социально-экономических показателей, поквартальные данные о трансфертах для 85 регионов РФ за 2015-2021 гг., что обеспечивает высокую репрезентативность модели. Временные рамки выборки ограничены 2022 годом, поскольку данные, относящиеся к последующему периоду, характеризуются изменением внешних условий, что влияет на их сопоставимость с предшествующим временным рядом. Результаты демонстрируют устойчивое снижение ошибки на тестовой выборке и подтверждают существование статистически значимой зависимости социально-экономическими параметрами и объемами трансфертов. Модель успешно прогнозирует величину трансфертов на следующий квартал. Практическая значимость заключается в возможности применения модели для поддержки решений при планировании федеральной финансовой помощи, разработки «модельного бюджета». Ограничения связаны с отсутствием в выборке качественных факторов и политико-административных параметров. Будущие исследования могут быть направлены на включение более широкого набора индикаторов и сравнение нейронных сетей с альтернативными методами машинного обучения.