Кластеризация регионов Российской Федерации по социально-экономическим показателям развития туристской отрасли

Бесплатный доступ

В текущих изменяющихся условиях сегментация туристских территорий России может помочь определить потенциальные прорывные рынки. Своевременное выявление новых тенденций из огромного объёма данных играет важную роль в бизнес-процессах и принятии решений. Методы интеллектуального анализа данных помогают преодолеть этот дефицит знаний. Цель исследования - разделение регионов Российской Федерации на категории на основе имеющихся официальных статистических данных. Для достижения этой цели предполагалось решение двух взаимосвязанных задач. - Кластеризация регионов России на основе имеющихся статистических данных об их развитии в области туризма - Построение модели, интерпретирующей полученные результаты, для объяснения разбиения на кластеры. Подобная модель поможет сформировать основные цели развития для отстающих регионов для подтягивания их до уровня «локомотивов» отрасли. Указанные задачи решались с использованием методов интеллектуального анализа данных. Отдельные группы регионов, описанные в исследовании, могут помочь лицам принимающим решение лучше понять сферу туризма в регионе с точки зрения ее прибыльности и, соответственно, принять соответствующие стратегии по развитию регионов в зависимости от его текущего состояния. Дальнейшие исследования предполагают формирование общей модели цифровой трансформации сферы туризма в зависимости от специфики региона.

Еще

Регион, кластеризация, дерево решений, районирование, туризм

Короткий адрес: https://sciup.org/142235938

IDR: 142235938   |   DOI: 10.17513/vaael.2558

Список литературы Кластеризация регионов Российской Федерации по социально-экономическим показателям развития туристской отрасли

  • Витрина статистических данных. URL: https://showdata.gks.ru/finder/ (дата обращения: 11.09.2022).
  • Федеральная служба государственной статистики. URL: https://rosstat.gov.ru/ (дата обращения: 11.09.2022).
  • Murtagh F., Contreras P. Algorithms for hierarchical clustering: an overview. WIREs Data Min Knowl Discov. 2012. № 2. Р. 86-97.
  • Liu B., Xia Y., Yu P. S. Clustering through decision tree construction. Proceedings of the ninth international conference on Information and knowledge management. 2000. С. 20-29.
  • Kettenring J.R. The practice of cluster analysis. Journal of classification. 2006. Т. 23. №. 1. С. 3-30.
  • Everitt B. Cluster analysis heinemann. 1974.
  • Jain A.K., Dubes R.C. Algorithms for clustering data. Prentice-Hall, Inc., 1988.
  • Bradley P.S. et al. Scaling Clustering Algorithms to Large Databases, Microsoft Research Report. 1998.
  • Quinlan J.R. Program for machine learning. 1993. C. 4-5.
  • Gáll J. Determining the Significance Level of Tourist Regions in the Slovak Republic by Cluster Analysis. Ekonomické rozhľady: vedecký časopis Ekonomickej univerzity v Bratislave.-Bratislava: Ekonomická univerzita v Bratislave. 2019. С. 451-462.
Еще
Статья научная