Многоуровневая модель организации системы курортных кластеров Крыма

Автор: Василенко А.В.

Журнал: Теория и практика общественного развития @teoria-practica

Рубрика: Экономические науки

Статья в выпуске: 16, 2015 года.

Бесплатный доступ

В статье предлагается осуществлять построение многоуровневых курортных кластеров дестинаций при недостатке релевантной информации на основе интеллектуальных технологий -нейронных сетей. Применение этих сетей в математическом моделировании позволяет решать задачи как формирования, так и управления развитием курортных кластеров по приоритету критериев и организации управления на основе системы поддержки принятия решений.

Крым, санаторно-курортная сфера, дестинации, многоуровневые кластеры, организация, нейросетевые модели, формирование, управление

Короткий адрес: https://sciup.org/14937451

IDR: 14937451

Текст научной статьи Многоуровневая модель организации системы курортных кластеров Крыма

Возвращение Крыма в Россию обнажило все недостатки социально-экономической политики Украины в санаторно-курортной сфере (СКС). При отсутствии государственной поддержки Крым как бывшая всесоюзная здравница утратил свое значение. Некоммерческие санаторно-курортные предприятия (СКП) стали или на путь прямой коммерциализации, или распались, что привело к недоступности оздоровительных услуг широким слоям населения. Проблемная ситуация развития СКС обостряется потребностью в сохранении уникальных рекреационных ресурсов, хищнически растрачиваемых более двадцати лет. Поэтому сохранение и восстановление уникальной привлекательности крымских курортов в социальных условиях России требует инновационного управления курортами, каким является кластеризация.

Практическая значимость кластеризации объектов СКС подтверждается федеральной целевой программой: «Социально-экономическое развитие Республики Крым и г. Севастополя до 2020 года» [1], федеральным законом о создании особой экономической зоны на территории РК и города федерального значения Севастополя [2]. Согласно этим документам на сооружение объектов обеспечивающей инфраструктуры 11 туристско-рекреационных кластеров различного профиля и назначения (до 2020 г.) выделяется 39 560,7 млн руб. Однако их реализация усложняется слабыми теоретико-прикладными разработками кластеризации и отсутствием необходимых инструментов ее реализации. М. Портер [3] и его последователи в разных странах ограничивались общими, как правило описательными, моделями формирования кластеров. В трудах исследователей практически не рассматривают математические модели кластеризации и управления, что и обусловило необходимость данной работы.

Кластеризация санаторно-курортной деятельности является сложным объектом, отражающим различные многоуровневые процессы, характеризуемые потоками клиентов, финансов, информации, ресурсов и т. п. Моделирование построения таких экономических систем требует системного подхода с привлечением математических построений и значительного объема релевантной информации, которой недостаточно при существующих статистических данных и несовпадении административных курортных границ. Вместе с тем с малым числом параметров невозможно достаточно точно описать реальность. Требуется много времени и большой объем вычислительных работ. Решение подобных задач можно осуществлять с помощью интеллектуальных технологий [4], позволяющих привлекать косвенные показатели (факторы), которые могут характеризовать эффективность работы СКП курортных кластеров (КК). Такими целевыми показателями могут быть данные образцов или аналогов, полученные в результате прогнозирования или стратегического планирования [5]. Так как формулирование приоритетных целей может быть затруднено, то возникают многоцелевые, многокритериальные иерархические структуры.

Эффективность деятельности СКП i -го КК дестинации можно оценить через j -е показатели деятельности к -го СКП, показатели КК и факторы, характеризующие любую деятельность или изменения в социальной, экологической и экономической составляющих, внешнего окружения -физических лиц, предприятий, дестинаций, органов власти и т. п. Такая система является нечеткой нейронной сетью (НС) с нечетким логическим выводом и принятием решения.

Обозначим первичные показатели соответствующих блоков через:

Ok(t), i = 1,2,...,m , j = 1,2,...,nk, t = 1,2,...,T , к = 1,2,...,K , где m - количество системных иерархических единиц, влияющих на факторы; nt - количество первичных показателей, факторов, критериев в к-й подгруппе блоков показателей СКП к = 1,2,

K ; [1, т ] - период, на протяжении которого измерялись первичные факторы;

K nk = n к = 1

общее число первичных показателей (факторов) СКП; K - число подгрупп показателей (факторов) СКП.

Приведя исходные первичные показатели ак(t) к безразмерным величинам с помощью нор мализации и найдя для каждого из них максимальное и минимальное значения по КК, 1< i < m можно получить новые значения для позитивных и негативных факторов. Для каждого фиксированного t е [0,T] и к е (1,K) величины ак(t) определены нормализованные показатели с помощью матрицы лк(t) с элементами а(t), i = 1,m, j = 1,n . С учетом различного вклада отдельного фактора в интегральный показатель (ИП) более высокого уровня, каждому показателю (фактору) был придан некоторый вес pk , который выбирается в результате экспертизы или дополнительной информации о важности показателя с помощью метода главных компонент. Показатели, отвечающие всем кластерам (или дестинациям), имеют вид (для средних значений):

k / \     1        k / \ а (t) = -L“i( t) m i=1

m

nk

nk

m      n k              n k       m

=1Z1 Z"=1 z1 z

m i = 1 П к j = 1        П к j = 1 m i = 1

α i k j

= в ( t ) .

Величины а к ( t ) - а ( t ) = А к ( t ) , i = 1, m характеризуют отклонение ИП для i -го кластера (района РК) от среднего ИП, участвующих в сравнении, по этой величине можно ранжировать кластер по порядку убывания для к -й подгруппы факторов или непосредственно по убыванию величин a i ( t ) ( а к ( t ) ), i = 1, m .

ИП формируются по всем уровням иерархии. При этом итоговый ИП по всем кластерам (дестинациям, территориям) для t -го периода будет иметь вид:

m    mK

a ( t ) =—Z a i ( t ) = Z"^Za i ( t ) , t = 1 т .

m«     m1^ K^S

Приведенная структура ИП по всем уровням иерархии определяет многоуровневую нейросетевую структуру, параметры (коэффициенты) в которой определяются в процессе обучения НС на основе прецедентной информации. В случае нечеткой модели используются настраиваемые функции принадлежности и нечеткий вывод [6], если для определения важности коэффициентов в ИП используется метод главных компонент [7]. Однако сложность иерархической системы КК и их вхождение в административные единицы региона требуют формализованного описания иерархической системы формирования показателей. При этом интегральный фактор для всего региона можно написать в виде

m

5 ( t ) = -Z 5 t (t ) , t = 1, T .

m i = 1

Интегральная оценка ( 5 i (t ) ) позволяет выделить типы остроты проблем устойчивого развития ККД в экономическом, экологическом и социальном планах. Оценки 5 t ( t ) не зависят от субъективных факторов. Такое ранжирование может быть спроектировано на любой нижний уровень иерархии показателей, что позволяет принимать управленческое решение по снижению остроты проблем на необходимом в данный момент уровне детализации.

При оценке по нескольким критериям возникает многокритериальная задача на множестве альтернатив и применения схемы нелинейных компромиссов при выборе решений в СППР:

K f = Z к=1

« к

A k - f k

где а к - коэффициент приоритета, A = max f , к = 1,2,..., K .

Таким образом, предлагаемый подход позволяет решать задачи формирования и управления развитием КК на основе определенного приоритета критериев, выбираемых в соответствии с многоуровневой иерархической системой целей, что дает возможность моделировать и прогнозировать развитие КК и регионов Республики Крым. Такой подход может оказаться полезным инструментом руководству участников кластера при организации текущей деятельности компаний, а также при разработке стратегии развития кластера в целом.

Ссылки:

  • 1.    Постановление Правительства РФ от 11 августа 2014 г. № 790 «Об утверждении федеральной целевой программы «Социально-экономическое развитие Республики Крым и Севастополя до 2020 года» [Электронный ресурс]. URL: http://www.garant.ru/products/ipo/prime/doc/70614732/#ixzz3NupuCPBO (дата обращения: 14.06.2015).

  • 2.    Федеральный закон Российской Федерации от 29 ноября 2014 г. № 377-ФЗ «О развитии Крымского федерального округа и свободной экономической зоне на территориях Республики Крым и города федерального значения Севастополя» [Электронный ресурс]. URL: http://www.rg.ru/2014/12/03/krym-dok.html (дата обращения: 14.06.2015).

  • 3.   Porter М.Е. Сlusters and the New Economіcs of Соmреtentiоn // Harvard Business Revіew. 1998. Nоv. – Dес. Р. 77–90.

  • 4.  Лялин В.Е. Математические модели и интеллектуальные информационные технологии для повышения эффектив

    ности организации производства : [монография]. Мурманск ; Ижевск, 2006. 296 с.

  • 5.    Козлова М.Г. Использование аналогии в синтезе моделей прогнозирования социально-экономических процессов // Сборник научных трудов VI Международного симпозиума АМУР-2012, Севастополь, 17 сентября 2012 г. / отв. ред. М.Ю. Куссый. Симферополь, 2012. С. 188–191.

  • 6.  Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. Киев, 2008. 344 с.

  • 7.   Векторная оптимизация динамических систем / А.Н. Воронин [и др.]. Киев, 2009. 284 с.

Список литературы Многоуровневая модель организации системы курортных кластеров Крыма

  • Постановление Правительства РФ от 11 августа 2014 г. № 790 «Об утверждении федеральной целевой программы «Социально-экономическое развитие Республики Крым и Севастополя до 2020 года» . URL: http://www.garant.ru/products/ipo/prime/doc/70614732/#ixzz3NupuCPBO http://www.garant.ru/products/ipo/prime/doc/70614732/%23ixzz3NupuCPBO> (дата обращения: 14.06.2015). 2.
  • Федеральный закон Российской Федерации от 29 ноября 2014 г. № 377-ФЗ «О развитии Крымского федерального округа и свободной экономической зоне на территориях Республики Крым и города федерального значения Севастополя» . URL: http://www.rg.ru/2014/12/03/krym-dok.html> (дата обращения: 14.06.2015).
  • Porter М.Е. dusters and the New Economics of Соmреtentiоn//Harvard Business Review. 1998. №v. -Dес. Р. 77-90.
  • Лялин В.Е. Математические модели и интеллектуальные информационные технологии для повышения эффективности организации производства: . Мурманск; Ижевск, 2006. 296 с.
  • Козлова М.Г. Использование аналогии в синтезе моделей прогнозирования социально-экономических процессов//Сборник научных трудов VI Международного симпозиума АМУР-2012, Севастополь, 17 сентября 2012 г./отв. ред. М.Ю. Куссый. Симферополь, 2012. С. 188-191.
  • Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. Киев, 2008. 344 с. 7.
  • Векторная оптимизация динамических систем/А.Н. Воронин . Киев, 2009. 284 с.
Еще
Статья научная