ЭКОЛОГИЯ
Оригинальная статья
УДК 338.48(571.651) © О.В. Китова, В.М. СавиноваЛ.П. Дьяконова,Ю.О.Бондаренко, 2023
ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь № 11-2023 /1173/
DOI: http://dx.doi.org/10.18796/0041-5790-2023-11-88-95
Название
Прогнозирование показателей туризма в регионах с угольной добычей: анализ возможностей с использованием информационно-аналитической системы «Горизонт»
Авторы
КитоваО.В., доктор экон. наук, доцент, заведующий кафедрой информатики ВШ КМиС РЭУ им. Г.В. Плеханова ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова»,
117997, Москва, Россия,e-mail: Kitova.OV@rea.ru
СавиноваВ.М., старший преподаватель кафедры информатики ВШ КМиС РЭУ им. Г.В. Плеханова
ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова»,
117997, Москва, Россия, e-mail: Savinova.VM@rea.ru
ДьяконоваЛ.П., канд. физ.-мат. наук, доцент, доцент кафедры информатики ВШ КМиС РЭУ им. Г.В. Плеханова ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова»,
117997, Москва, Россия, e-mail: Dyakonova.lp@rea.ru
Бондаренко Ю.О., магистрант ВШ КМиС РЭУ им. Г.В. Плеханова, ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова», 117997, Москва, Россия,e-mail: bondarenkoulia66@gmail.com
Аннотация
Прогнозирование показателей туризма в регионах с угольной добычей представляет собой актуальную задачу, особенно для российских районов, где добыча угля идет в активном темпе. В контексте национального проекта «Туризм и индустрия гостеприимства» акцентируется внимание на развитие туризма, однако, методологии прогнозирования туризма как по России в целом, так и в угольных районах до сих пор не сформулированы.
Исследование существующих подходов к прогнозированию показателей туризма показало отсутствие комплексных моделей, которые учитывают взаимодействие туризма с угольной отраслью и другими социально-экономическими параметрами угольных регионов. В этом исследовании основные показатели туристической отрасли включены в виде отдельного блока в общую модель социально-экономических показателей России в развиваемой авторами информационно-аналитической системе «Горизонт».
Это позволило осуществить построение краткосрочных прогнозов во взаимосвязи с показателями других экономических блоков. Три показателя были успешно описаны с помощью модели линейной регрессии; для четырех показателей повышение качества и точности прогноза было достигнуто за счет использования моделей Случайный лес и Метод k ближайших соседей; для двух показателей принята модель линейной регрессии, дающая высокие значения качества и средние по точности прогнозирования.
Благодаря комплексному использованию показателей туризма удалось создать надежные модели для прогнозирования развития туризма России. Это исследование может послужить основой для изучения региональных показателей туризма и разработки стратегий по развитию туризма в регионах с угольной добычей.
Ключевые слова
Социально-экономические показатели РФ, туристическая отрасль, угольные регионы, прогнозирование, временные ряды, гибридная информационно-аналитическая система.
Список литературы
1. Черногорский С.А., Сорокожердьев К.Г., Васильева А.А. Анализ Динамики Развития Сферы Туризма В Мурманской Области // Фундаментальные исследования. 2018. № 5. С. 130-135. URL: https://fundamental-research.ru/ru/article/view?id=42156 (дата обращения: 15.10.2023)
2. Диденко Н.И., Скрипнюк Д.Ф. Методологические принципы анализа мирового рынка товара с использованием системы взаимосвязанных эконометрических уравнений // МИР (Модернизация. Инновации. Развитие). 2014. № 3. С. 50–58.
3. Бабешко Л.О. Эконометрическое моделирование влияния инвестиций в сферу туризма на объем туристического потока в программной среде R // Международный журнал прикладных и фундаментальных исследований. 2018. № 1 С. 167-171. DOI: 10.17513/mjpfi.12087.
4. Инструментальные средства в управлении ресурсами туристического бизнеса / А.М. Кумратова, Е.В. Попова, С.А. Курносов и др. // Вестник Алтайской академии экономики и права. 2022. № 11 (часть 2). С. 259-266. DOI: 10.17513/vaael.2560.
5. Белинская И.В., Чайковская А.В. Теория игр как способ повышения конкурентоспособности субъектов рынка сельского туризма. Экономика и земельные ресурсы // Известия Санкт-Петербургского государственного аграрного университета. 2017 №1. С. 218-222. URL: https://cyberleninka.ru/article/n/teoriya-igr-kak-sposob-povysheniya-konkurentosposobnosti-subektov-rynka-selskogo-turizma (дата обращения: 15.10.2023).
6. Сердюков С.Д., Сердюкова Н.К. Разработка онтологической модели предметной области туристского бизнеса // Интернет-журнал «НАУКОВЕДЕНИЕ». 2016. Т. 8. № 3.
7. Research on a forecasting model of tourism traffic volume in theme parks in China / Mei Zhen-yu, Qiu, Hai, Feng Chi et al. // Transportation Safety and Environment. 2019. 1. DOI: 10.1093/tse/tdz011.
8. Forecasting Tourism Demand in Selected Caribbean Countries Using Optimised Grey Forecasting Models / La Foucade Althea, Gabriel Samuel, Scott Ewan et al. // Social and Economic Studies. 2022. 70. P. 35-53.
9. Nurmi Ossi, Luomaranta Henri, Fornaro Paolo. TOURCAST - a Finnish tourism nowcasting and forecasting model. 2020. DOI: 10.13140/RG.2.2.12389.83688.
10. Tourism Demand Forecasting Considering Environmental Factors: A Case Study for Chengdu Research Base of Giant Panda Breeding / He Jianhong, Liu Dong, Guo Yuleiet al. // Frontiers in Ecology and Evolution. 2022. 10. DOI: 10.3389/fevo.2022.885171.
11. Forecasting the Volume of Tourism Services in Uzbekistan / B. Safarov, H. Al-smadi, M. Buzrukova et al. // Sustainability. 2022. No 14. 7762. DOI: 10.3390/su14137762.
12. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия – Телеком, 2006. 452 с.
13. Аверкин А.Н., Ярушев С.А. Гибридный подход для прогнозирования временных рядов на основании нейросети ANFIS и нечетких когнитивных карт / Международная конференция по мягким вычислениям и измерениям. 2017. Т. 1. С. 467-470.
14. Wang J.S., Ning C.X. ANFIS Based Time Series Prediction Method of Bank Cash Flow Optimized by Adaptive Population Activity PSO Algorithm // Information. 2015. No 6. P. 300–313. [Электронный ресурс]. URL: https://pdfs.semanticscholar.org/dd5e/457750cb12c29ab9bb6a4e5e66ae9d2325ac.pdf?_ga=2.141664882.1709643985.1597330733-888206771.1597330733 (дата обращения: 15.10.2023).
15. Gunasekaran M., K.S. Ramaswami. A fusion model integrating ANFIS and artificial immune algorithm for forecasting Indian stock market // Journal of Applied Sciences 2011. 11. 16. P. 3028–3033.
16. Klein L.R., Goldberger A.S. An econometric model of the United States, 1929-1952, Amsterdam, 1955.
17. Колмаков И.Б. Основы моделирования. Имитационные макромодели рыночной экономики. М.: Из-во Рос. экон. акад им. Г.В. Плеханова, 1995. 203 с.
18. Эконометрическая модель экономики России для целей краткосрочного прогноза и сценарного анализа / В.Л. Макаров, С.А. Айвазян, С.В. Борисова и др. М.: ЦЭМИ РАН, 2001.
19. Сиволап Н.Н. Прогнозирование основных показателей социальной сферы региона // Региональная экономика: теория и практика. 2007. № 7.
20. Турунцева М.Ю., Киблицкая Т. Качественные свойства различных подходов к прогнозированию социально-экономических показателей РФ. М.: ИЭПП, 2010. 148 с.
21. Development of hybrid models and a system for forecasting the indicators of the Russian economy / O. Kitova, V. Savinova, L. Dyakonova et al. // Espacios. 2019. Vol. 40. No 10. P. 18-24.
22. Hybrid intelligent system of forecasting of the socio-economic development of the country / O.V. Kitova, I.B. Kolmakov, L.P. Dyakonova et al. // International Journal of Applied Business and Economic Research. 2016. Vol. 14. No 9. P. 5755-5766.
23. Применение нейронных сетей для прогнозирования социально-экономических временных рядов / О.В. Китова, Л.П. Дьяконова, В.А. Китов и др. // Russian Economic Bulletin. 2020. Т. 3. № 5. С. 188-201. http://dgpu-journals.ru/archives/11494
24. Digital service for scenario forecasting of socio-economic indicators of entrepreneurial activity of Russia / O. Kitova, L. Dyakonova, V. Kitov et al. // Academy of Entrepreneurship Journal. 2020. Vol. 26. Is. 4. С. 1-7. URL: https://www.abacademies.org/articles/digital-service-for-scenario-forecasting-of-socioeconomic-indicators-of-entrepreneurial-activity-of-russia-9647.html (дата обращения: 15.10.2023).
25. Китова О.В., Савинова В.М. Структура и информационно-логическая схема работы системы прогнозирования экономических временных рядов «СГМ Горизонт» // Modern Economy Success. 2020. № 5. С. 190-197. https://mes-journal.ru/archives/10320.
26. Банк России. Основные направления единой государственной денежно-кредитной политики на 2023 год и период 2024 и 2025 годов. Москва, 2022. [Электронный ресурс]. URL: http://www.cbr.ru/about_br/publ/ondkp (дата обращения: 15.10.2023).
27. О Стратегии развития туризма в РФ на период до 2035 г. : Распоряжение правительства РФ от 20 сентября 2019 г. № 2129-р. [Электронный ресурс]. URL: http://publication.pravo.gov.ru/Document/View/0001201909230010 (дата обращения: 15.10.2023).
28. Национальный проект «Туризм и индустрия гостеприимства». Министерство экономического развития Российской Федерации. [Электронный ресурс]. URL:
https://www.economy.gov.ru/material/directions/turizm/nacionalnyy_proekt_turizm_i_industriya_gostepriimstva/ (дата обращения: 15.10.2023).
Поддержка
Министерства науки и высшего образования РФ на тему "Модели, методы и алгоритмы искусственного интеллекта в задачах экономики для анализа и стилизации многомерных данных, прогнозирования временных рядов и проектирования рекомендательных систем", номер проекта FSSW-2023-0004.
Для цитирования
Прогнозирование показателей туризма в регионах с угольной добычей: анализ возможностей с использованием информационно-аналитической системы «Горизонт» / О.В. Китова, В.М. Савинова Л.П. Дьяконова и др. // Уголь. 2023. №11. С. 88-95. DOI: 10.18796/0041-5790-2023-11-88-95.
Информация о статье
Поступила в редакцию: 18.09.2023
Одобрена рецензентами: 13.10.2023
Принята к публикации: 26.10.2023
