CC BY
45
локальное в глобальном: формула туризма
LOCAL IN GLOBAL: FORMULA FOR TOURISM
УДК 338.48
DOI: 10.24412/1995-0411-2021-1-7-20
АЛЕКСАНДРОВА Анна Юрьевна
Московский государственный университет имени М.В. Ломоносова (Москва, РФ) доктор географических наук, профессор; analexan@mail.ru
ДОМБРОВСКАЯ Вероника Евгеньевна
Тверской государственный университет (Тверь, РФ)
кандидат физико-математических наук, доцент; veronikadom@mail.ru
ПРИМЕНЕНИЕ АДАПТИВНОГО МОДЕЛИРОВАНИЯ В ИССЛЕДОВАНИЯХ ТУРИСТСКИХ ПОТОКОВ
Статья посвящена прогнозированию как одному из направлений специальных научных исследований, позволяющему оценивать перспективы развития туристской деятельности, выявлять основные факторы развития и критерии принятия эффективных управленческих решений. В работе представлен обзор современных методик, используемых в российских и зарубежных научных работах, для получения прогнозов в сфере туризма. Предложен пилотный вариант получения прогноза одного из основных показателей конкурентоспособности туристской дестинации - объема туристских потоков - на основе методики построения адаптивных моделей, которые хорошо зарекомендовали себя применительно к исследованию процессов с неустойчивым характером динамики. Эти модели способны учитывать эволюцию развития исследуемого явления, закономерно и постепенно подстраиваясь под изменяющиеся условия. Туризм, зависящий от большого числа в том числе внешних факторов, часто оказывается в условиях неопределенности, что ярко проиллюстрировала ситуация пандемии, негативно повлиявшая на туристский бизнес. Однако любой кризис, в конечном итоге, приводит к поиску новых возможностей для развития бизнеса, оптимизации управления, стратегическому и тактическому планированию, в которых роль прогнозирования чрезвычайно велика. Кроме того, в пользу адаптивного прогнозирования можно отнести способность учитывать сезонную компоненту, влияние которой на туризм порой является превалирующим. Предлагаемая модель носит универсальный характер и может быть применена к разным типам, видам, формам туризма, в том числе нишевым. В статье модель апробируется на примере массового туризма. В качестве исследуемого туристского объекта взят г. Барселона, на протяжении долгого времени (вплоть до 2019 года включительно) демонстрирующий признаки сверхтуризма, подтверждённые в данной статье с помощью анализа динамики ряда показателей за 2010-2019 гг., взятых с официальных сайтов Испании.
Ключевые слова: прогнозирование, адаптивное моделирование, туристские потоки, сверхтуризм.
Для цитирования: Александрова А.Ю., Домбровская В.Е. Применение адаптивного моделирования в исследованиях туристских потоков // Современные проблемы сервиса и туризма. 2021. Т.15. №1. С. 7-20. DOI: 10.24412/1995-0411-2021-1-7-20.
Дата поступления в редакцию: 13 января 2021 г.
Дата утверждения в печать: 16 февраля 2021 г.
UDC 338.48
DOI: 10.24412/1995-0411-2021-1-7-20
Anna Yu. ALEKSANDROVA
Lomonosov Moscow State University (Moscow, Russia)
PhD (Dr.Sc.) in Geography, Professor; e-mail: analexan@mail.ru
Veronika E. DOMBROVSKAYA
Tver State University (Tver, Russia)
PhD in Physical and Mathematical, Associate Professor; e-mail: veronikadom@mail.ru
APPLICATION OF ADAPTIVE MODELING IN TOURIST FLOW STUDIES
Abstract. The article is devoted to forecasting as one of the areas of special scientific research, which makes it possible to assess the development prospects of tourist activities, to identify the main development factors and criteria for making effective management decisions. The article provides an overview of modern methods used in Russian and foreign scientific works to obtain forecasts in the field of tourism. The authors propose pilot version of obtaining a tourist flows forecast, one of the main indicators of the tourist destination competitiveness, based on the method of constructing adaptive models, which have proven themselves well in relation to the study of processes with an unstable nature of dynamics. It is these models are able to consider the evolution of the phenomenon under study, naturally and gradually adjusting to changing conditions. Tourism depending on many external factors, often finds itself in conditions of uncertainty, which was clearly illustrated by the situation of the pandemic negatively affected all areas of the tourism business. However, any crisis ultimately leads to the search for new opportunities for business development, management optimization, strategic and tactical planning, in which the role of forecasting is extremely important. Also, in favor of adaptive forecasting can be attributed the ability to consider the seasonal component that has prevalent impact on tourism. The proposed model is universal and can be applied to different types and forms of tourism, including niche ones. The model is tested using the example of mass tourism, in particular on the case city of Barcelona, which for a long time (up to 2019 inclusive) has been showing signs of overtourism. The dynamics of indicators of tourism development for 2010-2019from the official websites of Spain confirms it.
Keywords: forecasting, adaptive modeling, tourist flows, overtourism.
Citation: Aleksandrova, A. Yu., & Dombrovskaya, V. E. (2021). Application of adaptive modeling in tourist flow studies. Service and Tourism: Current Challenges, 15(1), 7-20. doi: 10.24412/1995-0411-2021-1-720. (In Russ.).
Article History Disclosure statement
Received 13 January 2021 No potential conflict of interest was reported by Accepted 16 February 2021_the author(s)._
© 2021 the Author(s)
icc) CD @ This work is licensed underthe Creative Commons Attribution 4.0 International
(CC BY-SA 4.0). To view a copy of this license, visit https://creativecommons. org/licenses/by-sa/4.0/
Введение
Одним из знаковых трендов на современном мировом туристском рынке является диверсификация. Возникают новые виды, подвиды, нишевые формы туризма. Этот процесс идет чрезвычайно быстрыми темпами: бердвочинг и «темный» туризм, велнес- и гастрономический, креативный и экстремальный, и т.д. Появившись недавно, каждый из них продолжает делиться. Так, «паранормальный» туризм охватывает такие его разновидности, как «призрачный», «уфологический», «криптозоологический», «парапсихологический» и др. Вместе с тем нельзя не отметить и обратно направленный процесс интеграции. Все очевиднее становится взаимопроникновение разных видов и форм туризма, так что трудно провести жесткие границы между ними. Развиваясь на определенной территории, они могут органично дополнять друг друга, вызывая кумулятивный эффект, либо вступать в конкуренцию, подчас очень острую, за потребителя, экономические ресурсы и пр., порождая новые проблемы [1]. В этой связи особое значение приобретает государственное регулирование туристской деятельности, одной из функций которого является прогнозирование и планирование.
Для всех видов туризма, включая редкие экзотические, стоит задача управления туристскими потоками и, в частности, их прогнозирования. Ее решение требует современного методического аппарата. Однако именно в этой области научных исследований туризма в нашей стране отмечается некоторое отставание. Во многом причина кроется в сложной, многогранной природе самого туризма, его влияния практически на все стороны жизнедеятельности человека и при этом сильной чувствительности к разнообразным воздействиям извне. Методология туристских исследований находится на этапе становления, однако органы государственной власти, бизнес, потребители, заинтересованные в развитии туризма, нуждаются уже сегодня в своевременной, полной и достоверной информации, позволяющей оценивать эффективность проводимых решений, а также объективно судить о перспективах состояния туристской индустрии.
Целью данной статьи является оценка прогностических возможностей адаптивного моделирования в количественном анализе туристских потоков. Предлагаемая модель апробируется на примере одной из наиболее продвинутых городских туристских дестинаций - Барселоне, которая в последнее время столкнулась с проблемой сверхтуризма [3]. Эта проблема не потеряла актуальности даже в условиях глубокого кризиса на мировом туристском рынке, поскольку ее нужно рассматривать шире с акцентом на оптимизацию управления туристским обменом, чему будет способствовать развитие методического аппарата прогнозирования туристских потоков.
Структура статьи включает обзор методик прогнозирования, нашедших отражение в современных туристских российских и зарубежных научных работах, характеристику динамики туристского потока в Барселону за период с 2010 по 2019 гг., а также решение задачи по получению прогноза потока с применением адаптивного моделирования.
Методологическая основа исследования (обзор подходов)
Согласно Большому энциклопедическом словарю под прогнозированием понимаются специальные научные исследования конкретных перспектив развития какого-либо явления1. Методы прогнозирования включают в себя совокупность приемов и процедур, применяемых для разработки прогнозов, которые опираются на анализ данных (в том числе и ретроспективный), а также рассмотрение и измерение внешних и внутренних связей объекта прогнозирования. На настоящий момент разработано большое количество методов, которые можно подразделить по одному из основных признаков - степени формализации - на 2 группы: качественные (эвристические, интуитивные) и фактографические (формализованные). Качественное прогнозирование опирается на суждения и мнения экспертов и применяется либо в случае высокой сложности объекта,
1 Большой энциклопедический словарь (БЭС) // Сайт «Наука. Искусство. Величие». URL: http://niv. ru/doc/dictionary/big-encyclopedic/fc/slovar-207-46. htm#zag-52434 (Дата обращения: 12.03.2021).
не поддающегося математическому описанию, либо в случае простоты объекта, не нуждающегося в применении математического аппарата. Формализованные методы позволяют выявить математическую зависимость в поведении процесса, и на ее основании рассчитать перспективные значения. Особое место занимают комбинированные методы, основанные на сочетании подходов и приемов, относящихся к разным классам и подклассам. Таким образом, задача исследователя заключается в выборе оптимального метода прогнозирования изучаемого процесса или явления, применении и оценке точности и достоверности полученного результата.
Применение методов прогнозирования в туризме является одним из актуальных и чрезвычайно важных направлений исследований, так как стратегические и тактические планы развития отрасли должны основываться на анализе тенденций и объективных доказанных перспективах. В большей части российских и зарубежных научных работ в качестве объекта исследования выступает туристский спрос как на рынках внутреннего, так и въездного туризма. В ряде обзорных статей отмечается, что именно переменная прибытия туристов и/или ночевок в коллективных средствах размещения (КСР) по-прежнему является самым популярным показателем величины спроса на туризм [20, 24].
Прогнозирование в этом случае идет либо по пути выявления закономерностей развития временных рядов с учетом сезонности (не-каузальные модели), либо построения многомерных (каузальных эконометрических) моделей, ставящих в зависимость фактор туристского спроса от множества предикторов, формирующих причинно-следственные связи. Довольно распространенным методом для решения данной задачи выступает анализ множественной регрессии. Особый интерес представляет определение набора этих предикторов. Так, в одной из работ в качестве зависимой переменной выступает число туристских прибытий в страны Европы и СНГ (выборка включает 51 страну), а в число объясняющих переменных вошли цена турпродукта, уровень ВВП на душу
населения в принимающей стране, количество объектов ЮНЕСКО, наличие в рассматриваемой стране терактов за последние 5 лет, а также бинарные переменные, показывающие возможность отдельных видов отдыха: пляжного, горнолыжного, экскурсионного [9].
В другой работе список факторов, влияющих на объем туристского потока международного туризма, выглядит иначе [5]. Доход на душу населения рассматривается для страны происхождения туристов. Цена турпродукта исследуется как в принимающем туристском центре, так и в его заменителе. Большое внимание уделяется транспортным тарифам (тарифам авиаперелета в туристский центр и центр-заменитель, а также тарифам наземного транспорта в аналогичном сопоставлении) и обменному курсу валют страны происхождения туристов и принимающей страны. Очевидно, что количество включаемых в исследование влияющих факторов не ограничивается. Это автоматически приводит к появлению задачи отбора признаков, решение которой возможно за счет применения алгоритма наименьших углов LARS, последовательно изменяющего веса предикторов с точки зрения их значимости в рамках модели [19].
Также интересным выглядит сравнение прогностических возможностей линейной многофакторной модели и регрессионно-дифференциальной модели второго порядка, апробированных на данных внутреннего и въездного туризма Турции. Для проверки возможностей прогнозирования применяется метод постпрогноза, заключающийся в расчете реакции системы по модели под влиянием ряда выделенных факторов, на протяжении нескольких последних лет, что позволило установить возможный временной горизонт прогноза [8].
Помимо регрессионных моделей прогноз может быть построен с помощью логистических уравнений динамики роста туристского потока (уравнение Ферхюль-ста), в основу которых положено предположение о наличии скрытого механизма влияния внутренних свойств потока и роли внешней среды. По мнению ряда авторов, коэффициент роста коррелирует с впечат-
лениями от первого посещения туристской территории, а коэффициент замедления связан с конкуренцией между гостями региона в условиях сверхтуризма [7, 14].
Роль географического местоположения принимающей стороны рассматривается как превалирующая при построении глобальных пространственно-временных авторегрессионных моделей. В них задействованы матрицы пространственных весов, оценивающих территориальную близость/удаленность стран, обменивающихся туристскими потоками [18]. Динамические пространственные панельные модели также оценивают влияние расположения регионов (провинций), в том числе и удаленность от столиц [27].
Особое внимание при составлении прогнозов в туризме уделяется фактору сезонности, под которой понимается устойчиво (регулярно) повторяющаяся характерная для туристской территории цикличность, связанная с изменением условий пребывания туристов и экскурсантов2. Явление сезонности ярко иллюстрируется динамикой уровней временного ряда различных форм и видов туристской деятельности (формирование, ценообразование, продвижение и потребление туристского продукта). Сезонная компонента входит в структуру ряда динамики наряду с трендом (общей тенденцией развития) и случайной составляющей (непрогнозируемой величиной, часто называемой случайной ошибкой). В некоторых случаях выделяются также циклические факторы, имеющие по сравнению с сезонностью больший эффект и отсутствие периодов строго определенной продолжительности. Выделение этих компонент (декомпозиция ряда) является одним из первых этапов анализа. В результате ряды можно описать с помощью аддитивных (сумма компонент), мультипликативных (произведение компонент), либо смешанных моделей (и сумма, и произведение выделенных составляющих ряда). Дальнейшее исследование, как пра-
2 Стратегия развития туризма в Российской Федерации в период до 2035 года. Распоряжение от 20.09.2019 г. №2129-р. URL: https://economy. gov.ru/material/file/fb8a4b084460e064e787d6f1 99dba82e/strategiya_razvitiya_ turizma.pdf (Дата обращения: 12.01.2021)
вило, включает измерение сезонных колебаний (например, методом абсолютных разностей, учитывающих отклонение фактических уровней и уровней, найденных при выявлении тренда), математическое моделирование сезонности и получение прогнозов. В случае, если методика прогнозирования строится на предположении, что параметры сезонных колебаний остаются относительно неизменными, они могут быть описаны с помощью индексов сезонности [4].
Представляет интерес применение статистических фильтров Ходрика-Прескот-та (НР) и Хамильтона для выделения трен-довой и сезонной компонент во временных рядах, описывающих динамику туристских потоков. Оба этих метода используют математическое сглаживание временного ряда, но расходятся в основных подходах: так фильтр Ходрика-Прескотта является симметричным (т.е. двусторонним), вследствие чего наблюдается смещение начальных и конечных сглаженных значений. Кроме того, ряд исследователей довольно критично относятся к установленному в рамках метода параметру сглаживания Л, выбор которого не подчиняется строгой формализации. Например, в зависимости от интервала наблюдений Л принимает значение 14400 для месячных колебаний, 1600 для квартальных и 100 для годовых.
Фильтр Хамильтона устраняет некоторые недостатки метода НР. Он является асимметричным (односторонним), что позволяет избежать проблемы смещения конечных значений. Описание долгосрочного тренда осуществляется с помощью модели регрессии, параметры которой находятся с помощью метода наименьших квадратов (МНК). Все это способствует достижению сравнительно высокой эффективности применения данного фильтра, в том числе для коротких временных рядов. Практическое применение этих методов на конкретных данных по туристскому потоку в Австралии (1991 - 2019 гг.) показывает, что имеет смысл сочетание данных подходов для решения различных задач. Так, при оценке экстраполяционного прогноза (прогноза за пределами выборки) наибольшую эффективность показал метод Хамильтона, а
фильтр HP превосходит другие методы при декомпозиции рядов с сезонной корректировкой [13].
Для выявления наиболее характерных черт временного ряда, «освобождения» его от случайной компоненты, применяются методы сглаживания, способствующие «подавлению» короткопериодических составляющих. С этой целью в прогнозировании активно используется модель ETS (метод экспоненциального сглаживания, при котором последующие значения зависят от предыдущих), а также интегрированная модель авторегрессии ARIMA, которая в отличие от предшествующей ей модели ARMA, работает как со стационарными (не меняющими свои характеристики со временем), так и с нестационарными рядами.
В работах зарубежных авторов весьма популярен комбинированный подход к составлению прогноза по заданному объекту несколькими статистическими методами с последующим сопоставлением результатов. Например, в статье исследователей из Китая для прогнозирования объемов туристских потоков в провинции применяются следующие методики: 1) ARIMA, 2) UCM (метод декомпозиции временного ряда на тренд, сезонную, циклическую и случайную компоненты), 3) построение динамической пространственной панельной модели; 4) STARMA (метод пространственно-временного авторегрессионного скользящего среднего). В качестве критериев выбора моделей помимо традиционных критериев статистической значимости применяются AIC (информационный критерий Акаике) и BIC (Байесовский информационный критерий) [27].
Нельзя не отметить, что в настоящее время самым популярным из структурных методов является моделирование на основе искусственных нейронных сетей (ИНС). Нейронная сеть - это математический инструмент, важным достоинством которого является способность к выявлению и обобщению сложных зависимостей между входными и выходными параметрами, на которых и строится возможность получения прогнозов. В последнее время эти модели находят применение в туристских
исследованиях. Существует направление в научном поиске, сопоставляющее результативность статистических прогнозов и прогнозов ИНС. Например, обработка данных, иллюстрирующих туристский спрос -и прибытия, и ночевки - для выборки мировых туристских центров, осуществлялась с помощью ряда методов, относящихся к различным подклассам моделирования: ARIMA, SETAR (авторегрессионное моделирование) и MLP (метод многослойного персептрона, относящийся к моделям нейронных сетей). Авторы отмечают лучшие прогностические возможности модели ARIMA, доказанные с помощью расчета средней квадратичной ошибки RMSE [16]. При этом многие специалисты, работающие с нейросетями, утверждают, что возможности ИНС в прогнозировании чрезвычайно велики, но для получения качественных результатов необходимы тщательный подбор входных параметров и большие массивы обучающих выборок. К недостаткам ИНС также часто относят «эффект черного ящика» - непрозрачности нейросети, выражающейся в отсутствии понимания происходящих внутри процессов. Для устранения этих проблем в прогнозировании появляются гибридные модели. Авторы одной из таких работ предложили синтез ИНС и методов нечеткой логики, создав интеллектуальную систему ANFIS. Данная комбинация позволяет повысить возможности самообучения ИНС и усовершенствовать прогностические возможности системы за счет методологического инструментария нечеткой логики, хорошо показавшего себя в случае большого числа не всегда очевидных взаимосвязей между разнородными компонентами [11].
В прогнозировании чрезвычайно важным является определение момента времени, называемого временем упреждения или горизонтом прогнозирования, на который необходимо получить прогнозное значение. Исходя из этого временного горизонта, задачи делятся на следующие категории срочности: долгосрочное, среднесрочное и краткосрочное прогнозирование. Однако необходимо отметить, что в различных научных направлениях приведенная классификация имеет опреде-
ленную специфику - от нескольких часов до периода в десятилетия. В туризме чаще всего в качестве краткосрочного периода рассматривается месяц или сезон, а долгосрочная перспектива - прогноз на несколько лет вперед, но встречаются и задачи однодневного прогноза [25, 10]. Так, в работе, посвященной туристским посещениям двух известных достопримечательностей Китая - национального парка Цзючжайгоу и горной гряды Хуаншань, целью является прогнозирование ежедневного объема числа туристов. Она достигается с помощью применения нейронной сети 15ТМ, где в качестве основных входных сигналов используются исторические данные о потоках туристов, современная информация по запросам в поисковых системах и характеристики погоды на ближайшее время [12].
По способу представления результатов прогнозы можно подразделить на точечные и интервальные. В последнем случае получают предсказательный интервал, в котором с определенной вероятностью будет реализовано прогнозируемое значение. Модель, показавшая высокую эффективность как в одних, так и в других прогнозах, предложена в работе, рассмотревшей декомпозиционно-ансамблевый подход к прогнозированию туристского потока в Гонконг. Этот метод задействует нейронную сеть Элмана ^^ для предсказания значений ряда, которые объединяются в точечные прогнозы туристского спроса, выступающие впоследствии в качестве средних для интервальных прогнозов [26].
На основании приведенного обзора можно утверждать, что математический аппарат, применяемый в туристских исследованиях, достаточно многообразен и активно используется для решения многоплановых задач. Однако при всем богатстве подходов к прогнозированию выделение уникальной, превосходящей все прочие во всех ситуациях модели, которая параллельно обеспечивала бы высокую точность получаемого прогноза, учитывала оценку рисков влияния неблагоприятных для туризма событий и проводила бы анализ влияния сезонности, в настоящее время не представляется возможным. Точность полученных прогнозов при применении раз-
личных методик существенно варьируется в зависимости от длины временных рядов, объекта исследования (явления в туризме и исследуемой территории) и др. Повысить уровень моделирования и прогнозирования предлагается за счет комбинирования количественных и качественных подходов [22, 23].
Результаты исследований и их обсуждение
Как уже указывалось выше, в качестве анализируемого и прогнозируемого показателя уровня развития туризма наибольшее внимание уделяется туристскому потоку. Согласно Стратегии развития туризма в Российской Федерации на период до 2035 года под туристским потоком понимается совокупность внутренних и въездных туристов, прибывших на туристскую территорию. К перечню наиболее значимых характеристик туристского потока можно отнести число прибытий (отбытий) и продолжительность пребывания [2]. Кроме того, в Международных рекомендациях по статистике туризма в состав базовой информационной основы включаются сведения об основной цели туристской поездки, виду транспорта, типу размещения, стране/территории постоянного проживания туриста и т.д.3 Все это позволяет оценить не только количественные показатели (объем) туристского потока, но и его структуру, в основу которой входит дифференциация на туристский и экскурсионный потоки, сегментирование туристов по целям прибытия (культурно-познавательный туризм, деловой, событийный и пр.), по географии (внутренний и въездной) и проч. Очевидно, что особое значение приобретают источники информации, на основании которой строится анализ.
В настоящее время для получения прогнозов в туризме помимо сведений государственной статистики актуальны данные исследований соцсетей (парсинг), а также BigData (к примеру, статистика от мобильных операторов, данные кредитных орга-
3 Международные рекомендации по статистике туризма, 2008 г. Руководство по составлению статистики. ООН, Нью-Йорк, 2016. URL: https:// unstats.un.org/unsd/tourism/publications/ IRTS%202008%20Compilation%20Guide%20(R). pdf (Дата обращения: 12.01.2021).
низаций, агрегаторы гостиниц и пр.). Например, в основу прогноза спроса могут закладываться намерения посетить тот или иной туристский центр, выявленные на основании регулярных исследований тематических форумов платформы TripAdvisor, либо информация о мобильном роуминге путешественников, либо сведения, полученные с платформ фотохостинга ^Искг), позволяющие экстраполировать текущую информацию для оценки нагрузки на экологические парки и особо охраняемые природные территории [17, 21]. Для оценки точности анализа по возможности необходимо сопоставлять официальные статистические данные и информацию, полученную с помощью BigData [15]. Что же касается официальной статистики, которая функционально охватывает методологический аппарат и инструментарий сбора, обработки и агрегирования данных, то к её недостаткам можно отнести встречающиеся отличия одних и тех же показателей в зависимости от способа получения, точности измерений и источника, публикующего данные. Так, например, для рассмотрения динамики кру-изного туризма в Барселоне была изучена информация, размещенная на собственном сайте порта Барселоны4, и официальном сайте Евростата5. Результаты сопоставления данных представлены в табл. 1.
Как видно из табл. 1, большинство расхождений можно объяснить округлением значений, предпринятым Евростатом. Однако различия данных за 2014 г., составляющие почти 17,5%, вряд ли допустимо истолковать таким же образом.
Выбор достоверного источника данных - очень важный, ответственный этап в исследовании. Для решения поставленной в работе задачи информация о динамике туристского потока в Барселону во временном интервале с 2010 по 2019 гг. взята с официального сайта Статистического наци-
4 Port de Barcelona. Statistical Data. URL: http:// www. portdebarcelona.cat/en/web/autoritat-portuaria/estadisticas (Дата обращения: 18.11.2020).
5 Eurostat. Passengers embarked and disembarked
in all ports by direction - annual data. URL:
https://appsso.eurostat.ec.europa.eu/nui/show. do?dataset=mar_pa_aa&lang=en (Дата обращения: 12.01.2021).
онального института Испании6 и сайта порта Барселоны. На рис. 1 и 2 представлена информация по основным характеристикам туристского потока7.
Таблица 1 - Временной ряд динамики пассажиропотока на круизные лайнеры в Барселоне (2010 - 2019 гг.) по данным разных источников
Table 1 - Time series of passenger traffic dynamics on cruise liners in Barcelona (2010 - 2019) according to various sources
Годы Источники данных динамики круизного туризма (посадка пассажиров на круизные лайнеры в Барселоне, чел) Евростат, Порт Барселоны, (+/-), %
Порт Барселоны Евростат
20i0 632 445 632 000 -0,07
20ii 757 883 748 000 -i,30
20i2 72i 933 723 000 0,i5
20i3 754 069 754 000 -0,0i
20i4 6i5 377 723 000 i7,49
20i5 684 907 685 000 0,0i
20i6 773 60i 774 000 0,05
20i7 720 507 72i 000 0,07
20i8 834 986 835 000 0,00
20i9 877 622 878 000 0,04
Анализ информации по размещению туристов показывает, что в структуре туристского потока явно превалирует доля иностранцев. Динамика показателя ночевок этой категории гостей имеет четко выраженную сезонность и общую тенденцию к росту. Предпочтения туристов в выборе КСР за исследуемый временной интервал были на стороне отелей, хотя примерно пятая часть потока внутреннего туризма останавливалась в кемпингах. Здесь следует принять во внимание существенный недоучет официальной статистикой лиц, размещенных не в КСР, прежде всего в индивидуально арендуемом жилье на короткий срок на онлайн-площадке AirB&B.
Число туристских прибытий в аэропорт Эль-Прат также неизменно растет. Средний темп роста показателей 2019 г. по отношению к 2010 г. составил 183%. Показатели динамики круизного туризма не столь значительны: средний темп роста, рассчитан-
6 Instituto Nacional de Estadística. Hotel Occupancy Survey. Travellers and overnight stays by tourist sites. URL: https://www.ine.es/jaxiT3/Tabla. htm?t=2078 (Дата обращения: 28.11.2020).
Рис. 1 - Данные по размещениям (ночевкам) в КСР г. Барселона (2010-2019 гг.)
Fig. 1 - Data on accommodation (overnight stays) in DAC Barcelona (2010-2019)
S3
■Щ
И
Динамика показателей пассажиропотока круизного туризма в г.Барселона, тыс. чел. (2010-2019ГГ.)
EZD
Ш
Д 754
^ 685
СТ 774
ш
^ 835
ЕШ
2011 2012 2013 2014 2015 2016 2017 2018 2019
год
Транзит
J Посадка
Высадка
Рис. 2 - Динамика туристских прибытий в аэропорт Эль-Прат и показателей активности круизного туризма в порту г. Барселона (2010-2019 гг.)
Fig. 2 - Trends in tourist arrivals at El Prat airport and indicators of cruise tourism activity in the port of Barcelona (2010-2019)
ный по цепному типу за весь рассматриваемый временной интервал, равен 104%, но в сравнении с 2010 г. число посадок на кру-изные лайнеры к 2019 г. возросло на 39%.
Все вышесказанное доказывает наличие за рассматриваемый период времени ярко выраженной картины чрезмерной популярности туристской дестинации Барселоны, приведшей к проблемам сверхтуризма. В данном случае показатели туристского потока безусловно представляют интерес для математического моделирования и прогнозирования ситуации. Применительно к решению поставленной задачи предлагается рассмотреть метод адаптивного моделирования, хорошо зарекомендовавший себя при получении прогнозов в условиях неопределенности, являющейся неотъемлемой чертой современного туризма [6]. Выбор именно этого подхода продиктован тем, что он не требует большого объема информации, базируется на исследовании отдельных временных рядов, отражая их текущие свойства и непрерывно учитывая эволюцию динамических характеристик изучаемых процессов8. Таким образом метод адаптивного моделирования демонстрирует чрезвычайную гибкость, что важно при исследованиях статистических показателей в туризме, которые представляют собой нестационарные, варьирующиеся ряды.
В качестве основного массива данных был использован временной ряд туристского потока, зафиксированный в аэропорту Эль-Прат. Для выявления сезонности данные ряда были сгруппированы по сезонам года методом суммирования показателей по месяцам. Таким образом, длина ряда сократилась до 40 уровней, а количество фаз в полном сезонном цикле стало равно четырем. Полученный ряд был условно поделен на три части: первые 16 уровней были использованы для построения линейного тренда и выделения сезонной составляющей, следующие 20 уровней - для настройки параметров адаптации, последние 4 уровня использовались в качестве контрольной выборки.
Для построения уравнения тренда по линейному типу был применен ме-
8 Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика, 2003. 416 с.
тод наименьших квадратов (МНК). В результате получена трендовая модель хь = 6 895 601 4- 171 237,3 ■ Ь параметры которой принимаются за начальные значения й10 и а2ш0.
Оценки сезонных составляющих (¿¡) рассчитывались как усредненные значения отклонения тренда от фактических уровней ряда.
В качестве начальных значений параметров адаптации были взяты а1 = а2 = а3 = 0,1.
Адаптивная настройка при заданных параметрах проводилась на второй группе уровней (с 17 по 36 наблюдения) по формулам:
аы = «1(34 4) + (1 - «1)(«м-1 +
О < а1,а2,а3 < 1
Проверка адаптивной настройки проводилась для последних четырех уровней (37 - 40) с помощью постпрогнозных расчетов. В табл. 2 представлен фрагмент итоговых расчетов модели.
Оценка постпрогнозных расчетов осуществляется с помощью нахождения относительных ошибок по формуле:
5 =
И'
100%
Для полученных прогнозных величин относительные ошибки составили: 537= -11,4%,
638= -4,4%,
639= -1,4%, 640= -5,8%. Меняя параметры адаптации, находим их оптимальную комбинацию для минимизации относительных ошибок. В данном случае оптимальными параметрами оказались а1 = а2 = а3 = 0,3 , при которых ошибки составили:
637= -4,1%,
638=
639= 0,3%,
640= -1,1%.
В результате модель для объема туристского потока в Барселону в окончательном виде может быть записана следующим образом: где г = 1,4
Таблица 2 - Результаты адаптивного моделирования туристского потока в Барселону за период 2010 - 2019 гг.
Table 2 - The results of adaptive modeling of the tourist flow to Barcelona for the period 2010 - 2019.
сезон t Xt Xt Л ах сс2 а3
данные для построения тренда зима 2010 1 5457419 7066839 -1609419,772 0,3 0,3 0,3
весна 2010 2 7028335 7238076 -209741,0691
лето 2010 3 8647633 7409313 1238319,634
9t
осень 2013 16 9028660 9635398 -606738,2279 63428,3 «It «2.i
данные для настройки зима 2014 17 6548943 -1661107 7500970 301476,5
весна 2014 18 9275780 288794,7 8252271 436424
лето 2014 19 11988064 2215713 9100210 559878,5
осень 2017 32 12007634 -46247,8 12161081 224261,1
зима 2018 33 9286005 -2554052 12178272 162140
весна 2018 34 12626461 220876,7 12365161 169564,7 Т \xt-xt\ Xt
лето 2018 35 15125139 прогноз Xt 2420648 12599193 188905
осень 2018 36 12830649 -27600,2 12814738 196896,8
контрольная выборка зима 2019 37 10041360 10457582 1 -4Д%
весна 2019 38 13171925 13429408 2 -2,0%
лето 2019 39 15876816 15826077 3 0,3%
осень 2019 40 13426888 13574725 4 -1,1%
Рис. 3 - Динамика туристского потока в Барселону (фактические и теоретические, полученные в результате моделирования, показатели)
Fig. 3 - The dynamics of the tourist flow to Barcelona
(actual and theoretical, obtained as a result of modeling, indicators)
Прогнозные возможности полученной модели проиллюстрированы на рис. 3.
Как видно на графике, отклонения фактических и прогнозных значений минимальны, что доказывает достаточно точ-
xt+T = 12 814 737,99 + 196 897 ■ г + gt_4+T
gз4 = 220 877 g2S = 2 420 648, Ззь = -27 600.
ную экстраполяцию динамики моделируемого показателя.
Заключение
Подводя итог, можно утверждать, что существующие на сегодняшний день многообразные методы прогнозирования с успехом применяются в исследованиях в сфере туризма. Результаты такой работы являются важнейшими элементами управления туристской деятельностью на разных уровнях - от глобальных международных аспектов до решения задач, стоящих перед предприятиями индустрии туризма и гостеприимства. Наиболее часто в качестве прогнозируемого показателя рассматривается объем туристского потока, ярко иллюстрирующий величину потребительского спроса на турпродукты. Однако широкая палитра подходов к получению прогнозов позволяет предсказывать не только количественные, но и качественные критерии успешности политики в направлении развития туризма.
В данной работе предпринята попытка применения адаптивного моделирования и прогнозирования на примере рядов
динамики туристского потока в г. Барселона. Как известно, именно эта методика позволяет получать «самонастраивающиеся» модели, которые способны приспосабливаться к меняющимся внешним условиям. Полученное уравнение, описывающее и учитывающее динамику процесса за весь временной интервал, взятый для изучения, показало довольно высокие прогностические возможности на конкретных данных. Исследование носит пилотный характер и находится на начальной стадии. Авторы планируют работать над дальнейшей адаптацией модели. Также в качестве направления развития работы большой интерес представляет адаптивное многофакторное моделирование. Выявление и отбор факторов, влияющих на объем и структуру туристского потока, оценка степени их влияния на моделируемый показатель, определение наилучшей формы связи и расчет параметров искомой модели - все это позволит более глубоко и детально изучать и прогнозировать числовые характеристики развития туризма.
Список источников
1. Александрова А. Ю. Изменения туристского геопространства в эпоху всеобщей мобильности // Вестник Московского университета. Сер. 5. География. 2020. №2. С. 3-12.
2. Александрова А. Ю. Международный туризм. М.: Аспект Пресс, 2002. 470 с.
3. Александрова А.Ю. Сверхтуризм и туризмофобия в европейских городах-дестинациях (кейс Барселоны) // Современные проблемы сервиса и туризма. 2018. Т.12. №4. С. 56-68. DOI: 10.24411/1995-0411-2018-10405.
4. Барчуков И.С. Методы научных исследований в туризме. М.: Издат. центр «Академия», 2008. 224 с.
5. Гладилин В.А., Гладилин А.В. Регрессионное моделирование и прогнозирование в туристско-рекреацион-ном комплексе региона // Международный научный журнал «Инновационная наука». 2016. №8. С. 117-120.
6. Давнис В.В., Тинякова В.И. Адаптивные модели: анализ и прогноз в экономических системах. Воронеж: Воронежский гос. ун-т, 2006. 380 с.
7. Жагина С.Н., Низовцев В.А., Светлосанов В.А., Пахомова О.М. Проблемы развития туризма на территории Европейского Севера России // Инновационное развитие современной науки: проблемы, закономерности, перспективы: Сб. ст. XII междунар. науч.-практ. конф. Пенза, 2019. С. 101-104.
8. Затонский А.В., Тугашова Л.Г., Барова А.Е. Моделирование и прогнозирование развития внутреннего и внешнего туризма в Турции // Прикладная математика и вопросы управления. 2019. №2. С. 135-150. DOI: 10.15593/2499-9873/2019.2.07.
9. Николаева Т.П., Орешкина Е.С. Детерминанты спроса на въездной туризм (на примере стран Европы и СНГ) // Сервис в России и за рубежом. 2016. Т.10. №08(69). С. 17-28. DOI: 10.22412/1995-042X-10-8.
10. Athanasopoulos G., Hyndman R.J. Modelling and forecasting Australian domestic tourism // Tourism Management. 2008. Vol.29. Iss.1. Pp. 19-31. DOI: 10.1016/j.tourman.2007.04.009.
11. Atsalakis G., Atsalaki I., Zopounidis C. Forecasting the success of a new tourism service by a neuro-fuzzy technique // European Journal of Operational Research. 2018. Vol.268. Iss.2. Pp. 716-727. DOI: 10.1016/j.ejor.2018.01.044.
12. Bi J.-W., Liu Y., Li H. Daily tourism volume forecasting for tourist attractions // Annals of Tourism Research. 2020. Vol.83. DOI: 10.1016/j.annals.2020.102923.
13. Bosupeng M. Forecasting tourism demand: The Hamilton filter // Annals of Tourism Research. 2019. Vol.79. DOI: 10.1016/j.annals.2019.102823.
14. Chu F.-L. Using a logistic growth regression model to forecast the demand for tourism in Las Vegas // Tourism Management Perspectives. 2014. Vol.12. Pp. 62-67. DOI: 10.1016/j.tmp.2014.08.003.
15. Chun J., Kim C.-K., Kim G. S., Jeong J., Lee W.-K. Social big data informs spatially explicit management options for national parks with high tourism pressures // Tourism Management. 2020. Vol.81. DOI: 10.1016/j.tour-man.2020.104136.
16. Claveria O., Torra S. Forecasting tourism demand to Catalonia: Neural networks vs. time series models // Economic Modelling. 2014. Vol.36. Pp. 220-228. DOI: 10.1016/j.econmod.2013.09.024.
17. Colladon A.F., Guardabascio B., Innarella R. Using social network and semantic analysis to analyze online travel forums and forecast tourism demand // Decision Support Systems. 2019. Vol.123. DOI: 10.1016/j.dss.2019.113075.
18. Jiao X., Li G., Chen J.L. Forecasting international tourism demand: a local spatiotemporal model // Annals of Tourism Research. 2020. Vol.83. DOI: 10.1016/j.annals.2020.102937.
19. Lourenco, N., Gouveia, C. M., Rua, A. Forecasting tourism with targeted predictors in a data-rich environment // Economic Modelling. 2021. Vol.96. Pp. 445-454. DOI: 10.1016/j.econmod.2020.03.030.
20. Khaidi S.M., Noratikah A., Noryanti M. Tourism demand forecasting - a review on the variables and models // Journal of Physics: Conference Series. 2019. DOI: 10.1088/1742-6596/1366/1/012111.
21. Park S., Xu Y., Jiang L., Chen Z., Huang S. Spatial structures of tourism destinations: A trajectory data mining approach leveraging mobile big data // Annals of Tourism Research. 2020. Vol.84. DOI: 10.1016/j.annals.2020.102973.
22. Saluveer E., Raun J., Tiru M., Altin L., Kroon J., Snitsarenko T., Aasa A., Silm S. Methodological framework for producing national tourism statistics from mobile positioning data // Annals of Tourism Research. 2020. Vol.81. DOI: 10.1016/j.annals.2020.102895.
23. Shen S., Li G., Song H. Combination forecasts of International tourism demand // Annals of Tourism Research. 2011. Vol.38. Iss.1. Pp. 72-89. DOI: 10.1016/j.annals.2010.05.003.
24. Song H., Li G. Tourism Demand Modelling and Forecasting: A Review of Recent Research // Tourism Management. 2008. Vol.29. Iss.2. Pp. 203-220. DOI: 10.1016/j.tourman.2007.07.016.
25. Wan S.K., Song H. Forecasting turning points in tourism growth // Annals of Tourism Research. 2018. Vol.72. Pp. 156-167. DOI: 10.1016/j.annals.2018.07.010.
26. Xie G., Qian Y., Wang S. A decomposition-ensemble approach for tourism forecasting // Annals of Tourism Research. 2020. Vol.81. DOI: 10.1016/j.annals.2020.102891.
27. Yang Y., Zhang H. Spatial-temporal forecasting of tourism demand // Annals of Tourism Research. 2019. Vol.75. Pp. 106-119. DOI: 10.1016/j.annals.2018.12.024.
References
1. Aleksandrova, A. Yu. (2020). Izmenenija turistskogo geoprostranstva v jepohu vseobshhej mobil'nosti [Changes in tourist geospace in the era of universal mobility]. Vestnik Moskovskogo universiteta. Serija 5. Geografija [Bulletin of Moscow University. Series 5. Geography], 2, 3-12. (In Russ.).
2. Aleksandrova, A. Yu. (2002). Mezhdunarodnyj turizm [International tourism]. Moscow: Aspekt Press. (In Russ.).
3. Aleksandrova, A. Yu. (2018). Sverhturizm i turizmofobija v evropejskih gorodah-destinacijah (kejs Barselony) [Overtourism and tourism phobia in European destination cities (Barcelona case)]. Sovremennye problemy servisa i turizma [Service and Tourism: Current Challenges], 12(4), 56-68. doi: 10.24411/1995-0411-2018-10405. (In Russ.).
4. Barchukov, I. S. (2008). Metody nauchnyh issledovanij v turizme: uchebnoe posobie dlja vuzov [Methods of scientific research in tourism: a textbook for universities]. Moscow: Publishing Center "Academy". (In Russ.).
5. Gladilin, V. A., & Gladilin, A. V. (2016). Regressionnoe modelirovanie i prognozirovanie v turistsko-rekreacionnom komplekse regiona [Regression modeling and forecasting in the tourist and recreational complex of the region]. Mezhdunarodnyj nauchnyj zhurnal «Innovacionnaja nauka» [International scientific journal "Innovative Science"], 8, 117-120. (In Russ.).
6. Davnis, V. V., & Tinjakova, V. I. (2006). Adaptivnye modeli: analiz i prognoz v jekonomicheskih sistemah [Adaptive models: analysis and forecast in economic systems]. Voronezh: Voronezh State University. (In Russ.).
7. Zhagina, S. N., Nizovtsev, V. A., Svetlosanov, V. A., & Pakhomova, O. M. (2019). Problemy razvitija turizma na territorii Evropejskogo Severa Rossii [Problems of tourism development in the European North of Russia]. Innova-cionnoe razvitie sovremennoj nauki: problemy, zakonomernosti, perspektivy [Innovative development of modern science: problems, patterns, prospects]: Collection of articles of the XII international scientific and practical conference. Penza, 101-104. (In Russ.).
8. Zatonskij, A. V., Tugashova, L. G., & Barova, A. E. (2019). Modelirovanie i prognozirovanie razvitija vnutrennego i vneshnego turizma v Turcii [Modeling and forecasting of domestic and international tourism in Turkey]. Prikladnaja matematika i voprosy upravlenija [Applied Mathematics and Management Issues], 2, 135-150. doi: 10.15593/24999873/2019.2.07. (In Russ.).
9. Nikolaeva, T. P., & Oreshkina, E. S. (2016). Determinanty sprosa na v'ezdnoj turizm (na primere stran Evropy i SNG) [Determinants of demand for inbound tourism (on the example of European and CIS countries)]. Servis v Rossii iza rubezhom [Service in Russia and Abroad], 10(08), 17-28. doi: 10.22412/1995-042X-10-8. (In Russ.).
10. Athanasopoulos, G., & Hyndman, R. J. (2008). Modelling and forecasting Australian domestic tourism. Tourism Management, 29(1), 19-31. doi: 10.1016/j.tourman.2007.04.009.
11. Atsalakis, G., Atsalaki, I., & Zopounidis, C. (2018). Forecasting the success of a new tourism service by a neuro-fuzzy technique. European Journal of Operational Research, 268(2), 716-727. doi: 10.1016/j.ejor.2018.01.044.
12. Bi, J.-W., Liu, Y., & Li, H. (2020). Daily tourism volume forecasting for tourist attractions. Annals of Tourism Research, 83. doi: 10.1016/j.annals.2020.102923.
13. Bosupeng, M. (2019). Forecasting tourism demand: The Hamilton filter. Annals of Tourism Research, 79. doi: 10.1016/j.annals.2019.102823.
14. Chu, F.-L. (2014). Using a logistic growth regression model to forecast the demand for tourism in Las Vegas. Tourism Management Perspectives, 12, 62-67. doi: 10.1016/j.tmp.2014.08.003.
15. Chun, J., Kim, C.-K., Kim, G. S., Jeong, J., & Lee, W.-K. (2020). Social big data informs spatially explicit management options for national parks with high tourism pressures. Tourism Management, 81. doi: 10.1016/j.tour-man.2020.104136.
16. Claveria, O., & Torra, S. (2020). Forecasting tourism demand to Catalonia: Neural networks vs. time series models. Economic Modelling, 36, 220-228. doi: 10.1016/j.econmod.2013.09.024.
17. Colladon, A. F., Guardabascio, B., & Innarella, R. (2019). Using social network and semantic analysis to analyze online travel forums and forecast tourism demand. Decision Support Systems, 123. doi: 10.1016/j.dss.2019.113075.
18. Jiao, X., Li, G., & Chen, J. L. (2020). Forecasting international tourism demand: a local spatiotemporal model. Annals of Tourism Research, 83. doi: 10.1016/j.annals.2020.102937.
19. Lourenço, N., Gouveia, C. M., & Rua, A. (2020). Forecasting tourism with targeted predictors in a data-rich environment. Economic Modelling, 96, 445-454. doi: 10.1016/j.econmod.2020.03.030.
20. Khaidi, S. M., Noratikah, A., & Noryanti, M. (2019). Tourism demand forecasting - a review on the variables and models. Journal of Physics: Conference Series. doi:10.1088/1742-6596/1366/1/012111.
21. Park, S., Xu, Y., Jiang, L., Chen, Z., & Huang, S. (2020). Spatial structures of tourism destinations: A trajectory data mining approach leveraging mobile big data. Annals of Tourism Research, 84. doi: 10.1016/j.annals.2020.102973.
22. Saluveer, E., Raun, J., Tiru, M., Altin, L., Kroon, J., Snitsarenko, T., Aasa, A., & Silm, S. (2020). Methodological framework for producing national tourism statistics from mobile positioning data. Annals of Tourism Research, 81. doi: 10.1016/j.annals.2020.102895.
23. Shen, S., Li, G., & Song, H. (2011). Combination forecasts of International tourism demand. Annals of Tourism Research, 38(1), 72-89. doi: 10.1016/j.annals.2010.05.003.
24. Song, H., & Li, G. (2008). Tourism Demand Modelling and Forecasting: A Review of Recent Research. Tourism Management, 29(2), 203-220. doi: 10.1016/j.tourman.2007.07.016.
25. Wan, S. K., & Song, H. (2018). Forecasting turning points in tourism growth. Annals of Tourism Research, 72, 156167. doi: 10.1016/j.annals.2018.07.010.
26. Xie, G., Qian, Y., & Wang, S. (2020). A decomposition-ensemble approach for tourism forecasting. Annals of Tourism Research, 81. doi: 10.1016/j.annals.2020.102891.
27. Yang, Y., & Zhang, H. (2019). Spatial-temporal forecasting of tourism demand. Annals of Tourism Research, 75, 106119. doi: 10.1016/j.annals.2018.12.024.
