CC BY
106
Концептуальный подход к разработке прогнозов в индустрии
гостеприимства и туризма
Conceptual approach to the forecasts development in hospitality industry and
tourism
Попов Леонид Алексеевич Popov Leonid Alekseevich
к.э.н., профессор, ФГБОУ ВО «РЭУ им. Г.В. Плеханова» кафедра гостиничного и туристического бизнеса
E-mail: popov@rea.ru Козлов Дмитрий Александрович Kozlov Dmitry Aleksandrovich к.э.н., доцент, ФГБОУ ВО «РЭУ им. Г.В. Плеханова» кафедра гостиничного и туристического бизнеса
E-mail: bwave@yandex.ru Романюк Антон Викторович Romanyuk Anton Viktorovich к.э.н., доцент, ФГБОУ ВО «РЭУ им. Г.В. Плеханова» кафедра гостиничного и туристического бизнеса
E-mail: romanyuk.av@rea.ru
Аннотация
Современная экономика индустрии гостеприимства и туризма подвержена влиянию множества внутренних и внешних факторов. Для оценки туристского спроса и других параметров рынка необходимы современные инструменты анализа и прогнозирования. Традиционные методические подходы не всегда дают положительные результаты. В статье раскрыта новый концептуальный подход к процессу разработки прогнозов индустрии гостеприимства и туризма на основе комплексного применения количественных, качественных методов прогнозирования, нейроагентных и облачных технологий.
Abstract
The modern economy of hospitality and tourism is affected by many internal and external factors. For the assessment of tourist demand and other market parameters it is necessary some modern tools of analysis and forecasting. Traditional methodological approaches do not always give positive results. This article reveals a new conceptual approach to the process of developing forecasts of hospitality and tourism based on the integrated use of quantitative, qualitative forecasting techniques, neuroagent and cloud technologies.
Ключевые слова: прогнозирование, гостиничный бизнес, туризм, туристский спрос, нейроагент
Keywords: forecasting, hotel business, tourism, tourist demand, neuroagent
Введение
В современных условиях индустрия гостеприимства и туризма подвержена влиянию большого количества факторов. Кроме того, самих показателей деятельности этой сферы экономики становится все больше и больше [5]. Современные экономические теории, продвигаемые Всемирной туристской организацией, например, концепция устойчивого развития,
предполагают изучение множества показателей и необходимость инструмента воздействия на них. В этих условиях все шире проявляется присутствие распределенных процессов в индустрии гостеприимства и туризма, что делает необходимым применение интеллектуального управления [2]. Одним из важных направлений применения такого интеллектуального управления выступает автоматизация обнаружения и исправления максимального количества негативных событий в отрасли с помощью современных программно-аппаратных компьютерных систем [1]. Применение элементов искусственного интеллекта в совокупности с облачнными технологиями позволяют создавать обучающиеся советующие ситуационные системы, которые могут быстро реагировать на изменение условий хозяйствования и предлагать варианты выхода из возникающих негативных экономических ситуаций [4].
Методология
Всемирная туристская организация в 2008 г. выпустила документ под названием «Handbook on Tourism Forecasting Metodology», в котором раскрыла основные вопросы прогнозирования в индустрии гостепримства и туризма, включая описание методов прогнозирования и примеров такового прознозирования в разных странах. Цель прогнозирования - предсказать будущее. Иногда это сделать легко, особенно если события регулярно повторяются и следуют простым моделям. Но если процесс носит комплексный характер и зависит от большого количества факторов, то его прогнозирование становится сложным, а иногда и невозможным [10]. Прогнозирование в индустрии гостеприимства и туризма относится именно к такому типу. Прогноз сильно влият на планы развития и их эффективность[3]. Сотрудники туристской отрасли прекрасно понимают, что на туристский спрос (в широком смысле этого слова) влияют огромное количество факторов, поэтому прогнозировать этот показатель труднее всего [7]. Прогноз туристского спроса может быть осуществлен разными методами
от экспертных до сложных математических моделей, позволяющих существенно повысить точность прогнозов [6]. Всемирная туристская оррганизация к основным методам прогнозирования достаточно простые: простую линейную регрессию, декомпозицию, разностный метод, метод «без изменений», метод скользящих средних, экспоненциальное сглаживание -количественные; Дельфи, сценарное планирование, экспертные оценки -качественные. Рекомендовано применять смешанные варианты. К сожалению, такой подход применим в большей мере в макроэкономических исследованиях на уровне национальных экономик, где показатели ведут себя достаточно стабильно и точность получаемых прогнозов достаточно велика [8]. На уровне микроэкономики или даже на уровне предприятия такой подход не всегда оказывается максимально эффективным [9].
В связи с этим предлагается концепция разработки прогнозов, основанная на следующем: ключ к прогнозному управлению в индустрии гостеприимства и туризма - идентифицировать ряд состояний, которые последовательно ведут к другим известным состояниям. Для реализации такого подхода возможно применение так называемой агентной технологии, которая может быть реализована с помощью разных инструментов, включая такой как искусственные нейронные сети. В этом случае они называются нейроагентами.
Применение нейроагентных технологий
Наибошьшее применение агентные и нейроагентные технологии получили в управлении компьютерными сетями. Однако в экономике также есть ряд вопросов, где применение таких технологий может принести пользу. К ним можно отнести анализ и прогноз всевозможной экономической информации на разных уровнях хозяйствования, прогноз спроса на основании многофакторных моделей, идентификация нестандартных экономических ситуаций или возникновения экономических угроз, необычных рисков, анализ их возможных последствий.
Нейроагент способен проанализировать большое количество информации, включающей огромные базы данных, собираемые как на уровне экономики в целом, так и на уровне конкретных предприятий, сегментов предприятий или конкурентов. В результате такого анализа нейроагент в состоянии определить явные и скрытые зависимости в данных, модели экономического поведения для того, чтобы обнаружить неожиданные или неявные изменения и получить прогноз развития.
Для того, чтобы нейроагент начал успешно функционировать, ему необходимо обучение. Таковое обучение заключается в прогоне определенного количества данных, характеризующих некие шаблоны поведения экономической системы. Это делается для того, чтобы распознать существующие в их основе модели, а также определить причинно-следственные связи. Этот процесс обучения продолжается постоянно: при появлении новых данных нейроагент добавляет их в базу обучения, что приводит к обновлению или коррекции моделей и связей. Может случиться такое, что нейроагент выявляет ситуацию, которая раньше ему была неизвестна. В этом случае он опять обновит свою внутреннюю модель, увеличив свои аналитические способности. В конечном счете, нейроагент использует все более и более возрастающее адаптивное обучение, которое ведет только к росту его способностей. В этом смысле нейроагенты можно использовать как некую прогнозную систему, которая выявляет возможные проблемы прежде чем они произойдут на самом деле.
Вкратце, метод нейроагента выглядит следующим образом: после создания некоего уникального индивидуального профиля контролируемой экономической системы начинается контроль режима ее деятельности; происходит выявление и анализ изменения необходимых показателей с учетом имеющегося опыта; далее нейроагент разрабатывает прогноз нахождения экономической системы в ближайшем или отдаленном будущем; если появляется возможность некоей негативной или непредвиденной ситуации, которая еще ни разу не попадалась в процессе обучений, то
нейроагент подает контекстно-ориентированный сигнал о возникновении такой ситуации.
Таким образом, нейроагент осуществляет прогнозирование неких критических состояний экономической системы, что позволяет управлять ими и производить требуемые действия по их предупреждению прежде, чем они проявят негативное воздействие на экономику в целом или на деятельность конкретного предприятия. Нейроагент не требует больших материальных или нематериальных ресурсов; он не становится проблемой сам по себе, ему не нужно присутствие высококвалифицированных сотрудников, как это необходимо при применении классических методов прогнозирования. Нейроагент может настраиваться на определенные условия, при которых система переходит в состояние тревоги. Кроме того, отсутствует потребность пересмотра прогнозных моделей при возникновении каких-то новых, ранее неизвестных данных или ситуаций, поскольку при их возникновении нейроагент обновляет существующие экономические профили, что повышает качество разрабатываемых прогнозов. Нейроагент очень быстро обучается, однако для его работы не требуется супервычислительные мощности. Кроме того, в нейроагент можно подгружать данные по новым факторам, влияющим на экономическую деятельность.
Схема нейроагента представлена на рис. 1. Некоторое время или постоянно собираются данные по большому количеству экономических показателей на любом уровне. Получается некая база данных, называемая временной куб. После этого проводится снижение размерности данных (этот шаг может быть опущен в условиях современных вычислительных мощностей и доступных объемов дискового пространства): удаляются данные, которые носят неизменяющийся характер, а также данные с высокой степенью корреляции. В классических подходах необходима качественная оценка таких мультиколлинеарных данных, поскольку возможно появление ошибки в интерпретации, однако для нейроагентных технологий их удаление
не влияет на результаты прогноза. Далее оставшиеся показатели представляются графически в виде многомерного гиперпространства. После кластеризации на таком графике появляются определенные устойчивые состояния. Затем на этот график накладывается график переходов, что в конечном результате представляет собой некую систему раннего предупреждения. Работа такой системы связана с вводом новых данных, автоматическим отнесением этих новых измерений к определенным ситуациям (или возникновении неизученной ранее), а затем получению прогнозов о возможных вариантах дальнейшего развития.
Л fr il
• ••!• : • N
Построение связей и вероятностей переходов
Кластеризация
Анализ и
отбор
данных
Рис. 1. Принцип действия нейроагента
Для реализации нейроагентных технологий требуется специальное программное обеспечение. К самым распространенным программным продуктам, реализующим элементы искусственных нейронных сетей можно отнести: семейство NeuroSolutions, GMDH Shell, Simbrain, IBM SPSS Neural Networks, STATISTICA Automated Neural Networks, Statgraphics Centurion и др. Однако в настоящее время большую актуальность получают облачные технологии статистической обработки данных, например, SAS OnDemand или Statgraphics Online. К преимуществам таких технологий можно отнести
отсутствие необходимости в собственных больших вычислительных мощностях, в высококвалифицированном персонале (что делает возможным применение нейроагентных технологий даже в малых предприятиях индустрии гостеприимства и туризма), мобильность пользователей, доступность сервисов, высокая надежность и отсутствие дополнительных затрат на постоянное требуемое обновление программного обеспечения.
Заключение
Индустрия гостеприимства и туризма в современных условиях выступает одной из ведущих мировых отраслей, однако она сильно подвержена влиянию ряда внутренних и внешних факторов. Количество и степень влияния каждого из этих факторов постояно изменяется. В этих условиях для оценки экономических условий хозяйствования и разработки моделей предупреждения или ответа на возникающие изменения необходимы современные инструменты анализа и прогнозирования. Традиционные качественные и количественные методы прогнозирования могут с успехом применяться при макроэкономических исследованиях с простыми моделями поведения данных, однако при росте количества факторов и их внезапных изменениях традиционные методы не всегда могут обеспечить положительные результаты. В этих условиях предлагается новый концептуальный подход к процессу разработки прогнозов индустрии гостеприимства и туризма на основе комплексного применения традиционных количественных, качественных методов прогнозирования, а также включения нейроагентных и облачных технологий.
Список литературы
1. Афанасьев В., Юзбашев М. Анализ временных рядов и прогнозирование М.: Финансы и статистика, Инфра-М, 2010.
2. Белянский В.П., Лайко М.Ю., Попов Л.А., Козлов Д.А. Прогнозирование в индустрии гостеприимства и туризма: Учебник. М.: Изд-во Рос. экон. акад., 2005. - 17,5 п.л.
3. Волков Е. Анализ и прогнозирование экономической деятельности на основе имитационного моделирования. М.: ТНТ, 2011.
4. Демидова Л. Пылькин А., Скворцов С., Скворцова Т. Гибридные модели прогнозирования коротких временных рядов. М.: Издательство: Горячая Линия - Телеком, 2012.
5. Лайко М.Ю., Попов Л.А., Воронова Т.А., Шевчук И.А., Скобкин С.С., Козлов Д.А., Валединская Е.Н., Кошелева А.И., Милорадов К.А. Аналитический отчет о научно-исследовательской работе «Концепция развития туристско-рекреационного потенциала Крыма» // Хроники объединенного фонда электронных ресурсов Наука и образование. - 2015. -№2 (69). - С. 41.
6. Kozlov D.A. Modelling and forecasting of Russian outbound tourism // Actual Problems of Economics. Volume 181, Issue 7, 2016, Pages 446-453.
7. Dwyer L., Gill A., Seetaram N. Handbook of Research Methods in Tourism. Quantitative and Qualitative Approaches. Edward Elgar Publishing Limited, UK, Edward Elgar Publishing, Inc., USA, 2012.
8. Frechtling, D. C. Exploring the Full Economic Impact of Tourism for Policy Making. Extending the Use of the Tourism Satellite Account through Macroeconomic Analysis Tools. UNWTO, 2011.
9. Makridakis S., Wheelwright S., Hyndman R. Forecasting Methods and Applications. - John Wiley & Sons, 2007.
10. Song H., Witt S.F. The Advanced Econometrics of Tourism Demand. Routledge, 270 Madison Ave, New York, NY, 2009.
