Использование модели с аддитивной компонентой при прогнозировании сезонных колебаний в сфере гостеприимства

To view a copy of this license, visit

Актуальность темы настоящего исследования обусловлена тем, что влияние сезонных колебаний (периодических колебаний, возникающих под влиянием смены времени года) в сфере гостеприимства Российской Федерации и отдельных ее регионов в современных условиях продолжает предопределять неравномерность использования ресурсов, проявляется в нарушении регулярности и последовательности протекания ключевых процес-сов1.

Своевременность выравнивания сезонных колебаний ряда показателей в сфере гостеприимства очевидна, что отразится на повышении уровня эксплуатации основных фондов, занятости населения, рациональном использовании ключевых групп ресурсов и т.п., поэтому компетентный подход к изучению сезонных колебаний будет способствовать разработке комплекса мероприятий по снижению сезонной неравномерности в сфере гостеприимства, выявлению социальноэкономических последствий сезонности не только на уровне отдельной организации, комплекса, региона, но и страны в целом.

В этой связи объективной необходимостью представляется процесс моделирования и прогнозирования сезонных колебаний на основе конкретной модели (моделей) с целью разработки адресных мероприятий по устранению или сглаживанию сезонности, развитию устойчивого спроса и повышению доступности продукта (услуги) сферы гостеприимства.

Анализ литературных источников

В современных условиях развития в отечественной и мировой научной среде наблюдается значительный рост интереса со стороны исследователей к изучению сезонности, сезонных колебаний в сфере туризма и гостеприимства. Так, например, в ряде исследова- ний ученые описали влияние факторов сезонности (природно-климатические, географические, антропогенные и др.) на деятельность субъектов индустрии гостеприимства. Выявили наиболее эффективные методы противостояния сезонности в сфере туризма и гостеприимства, проанализировали пути сглаживания сезонности на рынке туристских услуг Российской Федерации. Доказали, что сезонность в сфере туризма и гостеприимства относится к закономерной тенденции, которую можно нивелировать с помощью модели управления спросом [1-6].

При этом отдельные отечественные исследователи провели оценку влияния факторов сезонности на эффективность гостиничного бизнеса в зависимости от типа и характера деятельности гостиничных предприятий (на примере отелей города Владивостока) и разработали предложения по сглаживанию сезонных колебаний, учитывая региональный аспект [7].

Рассмотрели влияние фактора сезонности на архитектурные и планировочные решения гостиничных зданий Черноморского побережья Краснодарского края; определили режимы эксплуатации зданий, диктуемые климатическими характеристиками; описали решения номеров и общественных пространств средств размещения, учитывающие сезонные изменения вместимости, назначения помещений и др. [8].

Разработали практические предложения, учитывающие сезонные колебания по управлению финансовым состоянием организаций сферы туризма и гостеприимства; установили показатели деловой активности данных организаций по месяцам, апробировали их в процессе принятия своевременных управленческих решений [9].

В свою очередь, зарубежные ученые рассмотрели сезонность в сфере туризма в качестве основной проблемы для большинства стран с точки зрения устойчивости. Обратили внимание, что, несмотря на значимость в мировом масштабе, отсутствуют регулярные измерения сезонных колебаний в исследуемой сфере. Предложили общий подход к выявлению и измерению сезонности, основанный на анализе сезонных колебаний и оценке сезонной амплитуды в сфере туризма; предложили коэффициент, с помощью которого можно определить порядковую и циклическую структуру сезонных колебаний. Его исследование позволило выявить сильную связь между сезонными моделями и пространственным распределением ряда европейских стран. Изучили вопрос ежегодной, ежемесячной и еженедельной сезонности туристского спроса с учетом анализа декомпозиции [10–12].

Исследователи, представляющие Гранадский университет (Испания), Jose María Martín Martín, Jose Antonio Salinas Fernandez [13] проанализировали влияние транспортной инфраструктуры Испании (системы высокоскоростных поездов) на снижение сезонности в сфере туризма и увеличении числа прибытий с учетом коэффициента Джини.

Совместная работа китайских ученых [14] посвящена исследованию взаимосвязи между сезонностью в сфере туризма, онлайн-рейтингами пользователей и детерминантами цен на средства размещения города-курорта Санья в южной части Китая на основе гедонистической модели ценообразования. Эмпирические результаты, полученные исследователями, полностью доказали, что цены на средства размещения тесно связаны с сезонностью в рассматриваемой сфере.

В свою очередь, исследователи Малагского университета (Испания) совместно с коллегами, представляющими Школу бизнеса Ноттингемского университета (Великобритания) [15], проанализировали уровень сезонности в Соединенном Королевстве Великобритании, учитывая национальность туристов и ключевые цели их путешествия. Ученые представили идентификацию сегментов туристского рынка, которые являются открытыми для антисезонных маркетинговых мероприятий. Применяя графический многомерный метод (двойная диаграмма), сгруппиро- ваны базовые сегменты анализируемого рынка в соответствии с их сезонными характеристиками. Было установлено, что сезонные закономерности, которые связаны с отдельными сегментами, существенно различаются при изучении на дезагрегированной основе. При этом адекватный уровень дезагрегации имеет важное значение при разработке антисезон-ных стратегий. Предложенную методику рекомендовано применять в любых туристских регионах с целью сведения к минимуму уровня сезонности, ориентируясь, в первую очередь, на предпочтения типов туристов, путешествующих в любой сезон.

В свою очередь, Puneet Vatsa (Университет Линкольна, Новая Зеландия) [16] описал сезонность и цикличность туристского спроса, применяя метод Гамильтона и модель случайных блужданий. Установил, что созданные циклы устойчивы к сезонным свойствам данных, при этом циклы с учетом скорректированных и нескорректированных сезонных компонент достаточно схожи.

Признавая высокую научную значимость данных исследований, следует отметить, что ряд аспектов, касающихся вопросов моделирования сезонных колебаний в сфере гостеприимства и прогнозирования будущих тенденций, требует своего дальнейшего развития.

Методы

Инструментально-методическую основу настоящего исследования обеспечили следующие методы и модели: системный синтез и анализ (исследование сезонных колебаний в сфере гостеприимства), метод сравнительного анализа (изучение тенденций и закономерностей в развитии сферы гостеприимства), метод прогнозирования (расчет прогнозируемого числа реализованных турпакетов с учетом сезонной и трендовой составляющих), аддитивная модель (расчет трендовой, сезонной и случайной компонент) и др.

Полученные результаты

Прогноз на базе методов анализа временных рядов основывается на допущении, что все факторы, задействованные в базовом периоде, а также их взаимосвязь останутся неизменными и в прогнозируемом периоде. Однако на практике такое условие достаточно часто нарушается. В большинстве случаев динамический ряд, кроме тренда и случайных отклонений от него, характеризуется ещё сезонными и циклическими составляющими.

Сезонность оказывает достаточно сильное влияние на точность прогноза, поэтому, приступая к его построению с помощью методов анализа временных рядов, данные необходимо проанализировать на наличие сезонных колебаний и в случае их обнаружения десезонализировать.

Для прогнозирования показателей, подверженных сезонным изменениям, была использована модель с аддитивной компонентой (F = T + S + E), вариация значений переменной которой описывается в виде суммы отдельных компонент [17].

Базовые этапы методики анализа сезонности на примере сферы гостеприимства представлены на рис. 1.

Рассмотрим процесс построения модели, учитывая данные о числе реализованных туристскими фирмами турпакетов населению

Рис. 1 – Этапы методики анализа сезонности в сфере гостеприимства

(по территории России и зарубежным странам) за последние 14 кварталов (табл. 1).

Анализ данных позволил убедиться, что реализация туристскими фирмами турпакетов населению имеет ярко выраженную цикличность (наименьшим числом реализованных населению турпакетов отличаются первый и четвертый кварталы, максимум реализации приходится на третий квартал), что и позволило отобрать для настоящего исследования аддитивную модель (наличие тренд-сезонных временных рядов).

Таблица 1 – Центрированная скользящая средняя и первичная оценка сезонной компоненты2

Год и квартал	Число реализованных турфирмами турпакетов населению, ед.	за 4 квартала		Центрированная скользящая средняя	Оценка сезонной компоненты
		итого	скользящее среднее
I	1011
2        II	1456	5337	1334,3
8        III	1902	4804	1201	1107,6	794,4
IV	968	4057	1014,3	938	30
I	/       478	3447	861,8	821,5	-343,5
S        II	709	3125	781,3	836	-127
8        III	1292	3563	890,8	972,9	319,1
IV	646	4220	1055	1109,5	-463,5
I	916	4656	1164	1183,4	-267,4
II	1366	4811	1202,8	1221,1	144,9
8        III	1728	4958	1239,5	1256	472
IV	801	5090	1272,5	636,3	164,8
8       I	1063
8        II	1498

2 Табл. 1-3 сост. по данным: «Туризм. Турфирмы. Основные показатели деятельности туристских фирм в 2010-2021 гг.» / Росстат.

СЕРВИС

В РОССИИ

И ЗА РУБЕЖОМ

В процессе элиминирования влияния сезонной компоненты воспользуемся методом скользящей средней, в основе которого заложена замена фактических уровней динамического ряда расчетными, имеющими значительно меньшую вариацию (колеблемость). При этом среднюю рассчитаем по группам данных за определенный интервал времени, образуя сдвиг на один квартал [17].

В результате осуществления расчетов первоначальные колебания динамического ряда сгладились (т.е. не содержат сезонной компоненты и соответствуют середине года), а также центрированы для удаления нерегулярной составляющей (краткосрочные колебания) и выделения основных тенденций и циклов (табл. 1).

Произведенные расчеты позволили получить оценку сезонной компоненты, включающую в себя ошибку. Для уменьшения значения и усреднения сезонной компоненты были рассчитаны средние значения для каждого квартала. Сумма всех средних оценок составила ноль, это означает, что данные величины являются окончательными значения- ми исследуемых компонент (табл. 2).

Следующий этап исследования был направлен на осуществление десезонализа-ции данных (табл. 3, лев.часть).

Таблица 2 – Средние значения сезонной компоненты

Год	Квартал
	I	II	III	IV
2019			794,4	30
2020	-343,5	-127	319,1	-463,5
2021	-267,4	144,9	472
Итого	-610,9	17,9	1585,5	-433,5

Среднее значение (оценка сезонной компоненты)

	-305,4	8,9	528,5	-216,8	15,2
Скорректи	рованная сезонная компонента S
	-309,3	5,1	524,8	-220,6	0

На основании данных десезонализиро-ванного ряда были построены трендовые модели, в частности, линейная, степенная, экспоненциальная и логарифмическая, и выбрана трендовая модель (в данном случае степенная, R2 = 0,8886), обеспечивающая наибольшую точность аппроксимации.

Таблица 3 – Десезонализированные данные и прогнозные значения по реализованным туристскими фирмами турпакетам населению

Год и квартал	Десезонализированные данные			Прогнозные значения
	Число реализованных турфирмами турпакетов населению, ед. (Q)	Сезонная компонента, S	Десезонализированное число реализованных турпакетов Q – S = T + E	Трендовое значение, Т	Прогнозное значение, F
I	1011	-309,3	1320,3	1199,2	890,0
2 II	1456	5,1	1450,9	1231,2	1236,3
S III	1902	524,7	1377,3	1250,3	1775,0
IV	968	-220,6	1188,6	1264,1	1043,5
I	478	-309,3	787,3	1274,8	965,6
8 II	709	5,1	703,9	1283,7	1288,8
S III	1292	524,7	767,3	1291,2	1815,9
IV	646	-220,6	866,6	1297,8	1077,2
I	916	-309,3	1225,3	1303,6	994,4
II	1366	5,1	1360,9	1308,9	1314,0
S III	1728	524,7	1203,3	1313,6	1838,3
IV	801	-220,6	1021,6	1318,0	1097,4
Й I	1063	-309,3	1372,3	1322,0	1012,7
S II	1498	5,1	1492,9	1325,7	1330,8

Построенная модель позволила определить прогнозируемое число реализованных турпакетов, учитывая сезонную и трендовую составляющие (табл. 3, прав.часть).

Для оценки точности прогнозных значений был произведен и расчет следующих показателей: MAD (среднее абсолютное отклонение), определяющее на какое количество единиц в среднем отклонился в большую или меньшую сторону полученный прогноз (определение ошибки в конкретных единицах, т.е. турпакетов); MAPE (средняя ошибка аппроксимации), позволяющая оценить точность реализуемой в исследовании модели; MSE (среднеквадратическая ошибка), характеризующая вариабельность в течении изучаемого периода; MPE (средняя процентная ошибка), определяющая возможное смещение прогноза (переоценивающий или недооценивающий прогноз) [17].

Заключение

По результатам произведенных расчетов на основе аддитивной модели можно сделать следующие выводы:

• -    в среднем прогнозируемое число реализованных турфирмами турпакетов населению (MAD) отклоняется от фактического в большую или меньшую сторону на 240 ед.;

• -    средняя ошибка аппроксимации (MAPE) составляет 5% (менее 10%), полученное значение свидетельствует о достаточно высокой точности применяемой модели;

• -    средняя процентная ошибка близка к 0 (MPE > 0) и составляет 0,17%, что означает незначительное занижение показателя в сравнении с фактическим значением.

В целом представленный прогноз близок к несмещенному, прогнозируемое число реализованных туристскими фирмами турпа-кетов населению (по территории России и зарубежным странам) составит в прогнозируемый квартал 1853,9 ед.

Полученные результаты поспособствуют разработке комплекса адресных результативных мероприятий по устранению или сглаживанию сезонности, развитию устойчивого спроса и повышению доступности продуктов (услуг) сферы гостеприимства.