Прогнозирование в индустрии гостеприимства и его совершенствование в условиях перехода к рыночной экономике тема диссертации и автореферата по ВАК РФ 08.00.05, кандидат экономических наук Козлов, Дмитрий Александрович

• Козлов, Дмитрий Александрович
• кандидат экономических наук
• 2000

Оглавление диссертации кандидат экономических наук Козлов, Дмитрий Александрович

Введение

ГЛАВА 1. СОВРЕМЕННЫЕ ТЕНДЕНЦИИ ИНДУСТРИИ ГОСТЕПРИИМСТВА (ТУРИЗМА)

1.1. Основные характеристики индустрии гостеприимства

1.2. Информационные технологии индустрии гостеприимства

1.3. Управление данными

ГЛАВА 2. ПРОГНОЗИРОВАНИЕ ДЕЯТЕЛЬНОСТИ ПРЕДПРИЯТИЙ ИНДУСТРИИ ГОСТЕПРИИМСТВА

2.1. Прогноз и цели его использования. Методы прогнозирования

2.2. Современные статистические пакеты и их характеристика

2.3. Прогнозирование с использованием современных статистических пакетов

ГЛАВА 3. НЕЙРОАГЕНТЫ — ПРОГНОЗНОЕ УПРАВЛЕНИЕ ПРЕДПРИЯТИЕМ ИНДУСТРИИ ГОСТЕПРИИМСТВА

3.1 Принципы построения и работы нейроагента

3.2. Современные программные пакеты нейросетевого моделирования

3.3. Построение нейроагентов для предприятий различных сегментов индустрии гостеприимства

Введение диссертации (часть автореферата) на тему «Прогнозирование в индустрии гостеприимства и его совершенствование в условиях перехода к рыночной экономике»

Актуальность исследования. Индустрия туризма (индустрия гостеприимства) — важнейшая отрасль экономики большинства стран мира. Современную индустрию гостеприимства характеризуют быстрая сменяемость экономических условий, повышение качества услуг, непрерывное вступление на рынок новых участников, в том числе иностранных. Эти изменения оказывают сильное влияние на финансовое положение российских предприятий индустрии гостеприимства.

Руководители должны оперативно проводить оценку влияния возникших изменений в экономической ситуации на функционирование предприятия, находить новые решения по корректировке их деятельности. Важнейшей задачей управления выступает своевременное принятие правильных решений в связи с изменениями экономической ситуации. Принятие своевременного решения напрямую зависит от прогнозирования деятельности предприятий индустрии гостеприимства.

В условиях современного состояния экономики, которое нередко оказывается непредсказуемым и неконтролируемым, традиционные механизмы научного менеджмента становятся непродуктивными.

В Российской Федерации высокий уровень нестабильности внешней среды бизнеса проявляется несравненно сильнее, чем в странах с развитой экономикой. Поэтому так важно для российских менеджеров новое видение управленческих проблем, их изучение и использование в практике управления.

В условиях непостоянства внешней среды возникает раздел науки управления, концентрирующий свое внимание на хаосе, сложности и самоорганизации. Создаются методы, с помощью которых сложные системы могут эффективно справляться с неопределенностью и быстрыми изменениями. Формирование теории хаоса стало важным шагом в развитии методологии современной науки. Изучение и решение проблемы хаоса актуально для развития экономики России, поскольку темп, глубина и всеохватность происходящих изменений не имеют аналогов в новой истории.

Понимание того, что даже мельчайшие изменения могут привести к радикальным последствиям в поведении системы, существенно изменило видение учеными окружающего мира. Упор на предсказуемость и управление, который делался ранее, проложил путь к пониманию власти хаотичности в конце XX века. Как правило, на практике трудно предсказать поведение даже относительно простых систем, а тем более сложных.

Несмотря на кажущееся случайное поведение таких систем, определенные их поведенческие схемы можно предугадать. Способ определения предсказываемых «рисунков» поведения системы стал другим. Вместо разбиения системы на составные части и анализа поведения каждой из них в отдельности, необходим целостный подход, фокусирующий внимание на динамике всей системы. Это позволит сделать упор на то, каким образом порядок является результатом взаимодействия этих частей в целом.

Конкурентное преимущество и даже выживаемость гостиничного предприятия зависит от нововведений в области информационных технологий: во-первых, систем принятия решений на основе систем автоматизированного управления, а во-вторых — систем, связанные с хранением и интеллектуальной обработкой данных.

Широкие возможности компьютерного имитационного моделирования приводят к разработке все более сложных конструкций моделей прогнозирования. Это порождает проблемы для пользователей. Интерпретация параметров модели сталкивается со все большими трудностями. Часто приходится обращаться за недостающей информацией к экспертам, что при масштабных моделях со многими параметрами существенно усиливает спекулятивную природу практических рекомендаций.

Слабое место математических моделей принятия решений — не только проблема определения параметров, но и несовершенство оценочных теорий как основы их конструкций. Поэтому все шире применяются нейронные сети. Эти стимулируемые нейробиологическими процессами компьютерные алгоритмы не нуждаются в функциональных причинно-следственных связях. Сеть по определенному правилу обучения сама ищет приближенную взаимосвязь, наилучшим образом отражающую представленные данные. Поэтому нейронные сети могут применяться без теоретической подоплеки для прогнозирования, например, покупок как реакции на воздействие рекламы.

Для настройки сети требуется обширное количество данных, отражающих прошлую динамику прогнозируемого показателя. Сеть сама гибко приспосабливается и обнаруживает даже неизвестные взаимосвязи, которые хотя и осуществляются автоматически, но могут способствовать прояснению причинно-следственных связей.

Одним из направлений развития прогнозирования выступает появление агентных систем. Задача, выполняемая подобными системами, — автоматическое реагирование на входную информацию. Реализация агентной технологии на основе нейросетевых технологий позволяет в большей степени осуществлять прогнозное управление предприятием.

Цель работы заключается в разработке методических предложений по прогнозированию и принятию решений в процессе управления предприятием индустрии гостеприимства в рыночных условиях с использованием новых информационных технологий и компьютерных систем.

В соответствии с целью исследования были поставлены следующие задачи.

• исследовать современное состояние индустрии гостеприимства г. Москвы, возможные пути ее развития;

• проанализировать современные научные подходы к прогнозированию;

• охарактеризовать современный программный аппарат прогнозирования и дать соответствующие рекомендации по его использованию на предприятиях индустрии гостеприимства;

• определить основные направления совершенствования системы прогнозирования, характерные для современного этапа развития гостиничного и туристического бизнеса;

• смоделировать схемы поведения экономической системы предприятия индустрии гостеприимства в условиях рынка;

• раскрыть такой фактор совершенствования управления деятельностью предприятий индустрии гостеприимства на современном этапе развития, как внедрение информационных технологий.

Объектом исследования выступает система прогнозирования и принятия решений в управлении гостиничными предприятиями, с учетом особенностей становления рыночной экономики в Российской Федерации.

Предмет исследования — особенности организации процесса прогнозирования и принятия решений, характерные для российского рынка гостиничных услуг.

Теоретической и методологической основой диссертации послужили труды ведущих российских и зарубежных ученых по управлению экономическими процессами, проблемам предпринимательской деятельности, управлению объектами размещения, информаJ ционно-аналитические материалы по вопросам предпринимательства и туризма. Изложенные в диссертации положения в значительной мере учитывают исследования и научные разработки российских и зарубежных ученых в области туризма: АзараВ.И., Гуляева В.Г., Квартальнова В.А., ИсмаеваД.К., Моисеевой Н.К., Розановой Т.П., СенинаВ.С., Сапруно-вой В.Б., Ходоркова Л.Ф., Чудновского А.Д., Пирса Д. Основные положения в области прогнозирования рассматривают в своих работах Боровиков В.П., Глущенко В.В., Попов В.А., Серов Г.Д., Сидоров М.Н., Тихомиров Н.П., Макридакис С., Монтгомери Д., Уилрайт С. Теоретические разработки автора основаны также на анализе основных положений работ авторов в области нейронных сетей: Бэстенса Д.-Э., Бира С., Гроссберга С., Розенблатта Р., Ко-хонена Т., Уидроу Б., Уоссермана Ф., Хебба Д., Хоффа М. В процессе изучения исследуемых в диссертации явлений использовались положения теории систем и системного анализа, теории принятия решений и теории хаоса.

Научная новизна диссертации состоит в разработке методики применения нейронных сетей для прогнозирования внешних и внутренних финансово-экономических и других показателей деятельности гостиницы; построении нейроагентов предприятий индустрии гостеприимства; применении пакетов нейросетевого моделирования STATISTICA Neural Networks и SPSS Neural Connection для классификации рыночных ситуаций гостиничного предприятия и изучения рыночной конъюнктуры.

Наиболее существенные результаты, полученные лично автором:

• разработана методика построения нейроагентов для предприятий индустрии гостеприимства с учетом их специфики;

• сформирован подход к построению и внедрению топологии нейронной сегги для управления загрузкой гостиницы;

• выявлены стратегии рыночного ценообразования современных гостиничных предприятий и даны рекомендации по их совершенствованию.

Практическая значимость диссертационной работы. Разработанная методика позволяет на практике решать задачу объективной диагностики состояния предприятий индустрии гостеприимства в современных условиях хозяйствования на основе прогнозного управления. Тем самым обеспечивается совершенствование управления ими.

Апробация работы. Теоретические положения и выводы, полученные в ходе выполнения диссертационного исследования, были доложены автором на X, XI, XII Международных Плехановских чтениях; на VII Всероссийском семинаре «Нейроинформатика и ее приложения» (1-3 октября 1999 г.).

Результаты исследования апробированы на ОАО «Отель Виноградово» и ООО «АРИКАДА-ТУР» в ресторане «Спартак», расположенных в г. Москва.

Часть материалов исследования предполагается использовать в процессе преподавания в РЭА им. Г.В. Плеханова по спецкурсу кафедры гостиничного и туристического бизнеса «Методы прогнозирования в индустрии гостеприимства».

Сведения об объеме и структуре работы.

Диссертация состоит из введения, трех глав, заключения, списка литературы и приложений. Количество печатных машинописных страниц в диссертации — 159 (без учета приложений), таблиц — 29, рисунков — 132, приложений — 6. Список использованной литературы насчитывает 185 наименований.

Заключение диссертации по теме «Экономика и управление народным хозяйством: теория управления экономическими системами; макроэкономика; экономика, организация и управление предприятиями, отраслями, комплексами; управление инновациями; региональная экономика; логистика; экономика труда», Козлов, Дмитрий Александрович

Результаты работы модели изм. Прогн. загр. 5 зв. Прогн. Rcvpar Всего Факт, загр. 5 зв. Факт. Rcvpar Всего Ошибка загр. 5 зв. Ошибка Revpar Всего Ошибка

01-32 ? ? ? ? ? ? ?

33 35.5 60.69 36 60 -0.4973 0.6856 0.02124

111 12.66 22.02 13 23 -0.3429 -0.9752 0.004031

112 14.53 26.04 15 27 -0.4735 -0.9639 0.004589

125 47.26 78.64 47 78 0.2634 0.6365 0.002216

126 67.84 128.6 68 129 -0.1627 -0.4378 0.001122

127 71.8 128.1 72 129 -0.2003 -0.945 0.001759

128 63.88 119.8 64 120 -0.1244 -0.1758 0.002326

129 50.11 90.63 50 91 0.1119 -0.3686 0.003183

130 27.22 50.47 27 51 0.2176 -0.5298 0.004359

131 28.52 46.06 29 47 -0.4834 -0.9396 0.003879

163 57.06 109.5 59 116 -1.943 -6.451 0.01573

Прогнозы всех показателей на две недели представлены в табл. 9.

- 139-Заключение

Проведенное исследование позволяет сделать следующие выводы.

Индустрия гостеприимства — важнейшая отрасль экономики многих стран. В Российской Федерации ее развитие носит своеобразный характер. В первую очередь это выражается в повышенной чувствительности к изменениям в любой сфере деятельности государства, ориентации на выездной туризм, существенным износом материально-технической базы и пр. В сфере гостиничного хозяйства недостаточно количество малых предприятий.

В последнее время наблюдается довольно сильный рост рынка информационных технологий в индустрии гостеприимства. Информационные технологии позволяют в некоторой степени сгладить недостатки предприятий в области управления. Сами информационные технологии становятся частью услуг индустрии гостеприимства. Именно слияние индустрии гостеприимства и информационных технологий будет иметь наибольший успех.

Объем информации, имеющейся на предприятиях индустрии гостеприимства, а также рост вычислительных мощностей современной техники приводят соответственно к необходимости использования интеллектуальных хранилищ данных и разработке методов интеллектуальной добычи знаний из имеющейся информации. Эти подходы становятся все более важными элементами конкурентной борьбы предприятий индустрии гостеприимства. На первый план выходит скорость реагирования на изменения в окружающей среде, что приводит к появлению агентных технологий. Кроме того, повышается полнота знаний о ситуации.

Нестабильность рынка выдвигает требования к адаптивности систем управления. Это влияет на степень использования прогнозирования в оперативной деятельности предприятий индустрии гостеприимства. Основные пакеты статистического анализа имеют три направления, два из которых адаптивные. Однако современные характеристики экономических данных зачастую не соответствуют требованиям, предъявляемым для построения традиционных статистических моделей.

Проведенный анализ систем управления гостиничными предприятиями свидетельствует об отсутствии в них мощных модулей прогнозирования. Имеющиеся методы, например скользящие средние, не в полной мере адекватны требованиям к их применению. Недостаточность реализации модулей прогнозирования связана с двумя факторами. Во-первых, зарубежные системы понимают под прогнозированием более широкий набор процедур, например, включая в него бюджетирование, бенчмаркинг и др., что выражается в формуле: прогнозирование — все, что касается будущего. Само же прогнозирование реализовано в виде простейших методов и не отвечает требованиям российского рынка. Во-вторых, производители российских систем имеют не очень большой опыт в данной области, их системы довольно примитивны и включают модули с не очень широкими возможностями. Таким образом, на предприятиях индустрии гостеприимства существует потребность в системах прогнозирования не в виде одного модуля или пакета, а в соответствии с текущими тенденциями, в виде мощных интегрированных средств обработки, анализа данных и добычи знаний.

Нейронные сети являются тем инструментом, который способен помочь в решении указанных проблем. Нейросети в чистом виде пригодны для решения довольно узкого класса задач, поэтому необходима разработка концепций комплексных нейросетевых моделей и систем на предприятиях индустрии гостеприимства. Современные пакеты нейросетевого моделирования позволяют реализовать такие требования. Рынок нейросетевого программного обеспечения для управления предприятием растет. Специализированные нейрбсетевые пакеты для управления предприятием довольно дорого, следовательно, нужна разработка моделей, реализующих современные подходы в нейропакетах общего назначения.

Агентная технология, реализованная на нейросетевых алгоритмах в нейропакете общего назначения, показала широкие возможности глубокого исследования закономерностей поведения рынка гостиничных услуг.

Использование нейросетевых моделей прогнозирования и нейроагентов при анализе деятельности предприятий индустрии гостеприимства позволило:

1. Вскрыть механизм рыночного формирования цен на услуги гостиничных предприятий г. Москвы и определить стратегии поведения четырех- и пятизвездочных гостиниц на рынке г. Москвы. С довольно высокой точностью была определена структура данных и проведено их обобщение. Удалось идентифицировать поведение рынка гостиничных услуг: пики загрузки, резкие выбросы и снижения, что свидетельствует о все большей переориентации индустрии гостеприимства г. Москвы на деловой туризм и постоянном увеличении доли корпоративных клиентов.

С помощью нейросетей удалось построить кривые зависимости цены от загрузки по дням недели. Приведенные диаграммы подтверждают сложный и разнообразный характер взаимозависимости средней цены и средней загрузки на различных сегментах рынка. Полученная модель позволяет службе приема и размещения на основе дня недели и текущей загрузки принимать решение об установлении желаемой цены на номер.

На основе полученных моделей ценообразования были сделаны выводы об используемых гостиницами стратегиях поведения и даны некоторые рекомендации. У сравнительно недавно открывшихся гостиниц выявлена стратегия следования рынку, у давно работающих — агрессивная стратегия. Автором были установлены различия в моделях их ценообразования по дням недели. Анализ показателя дохода на один номер позволил выявить неоптимальность назначения цен для отдельных гостиниц в области предоставления скидок.

Для гостиниц сегмента четыре звезды можно констатировать: ценообразование не на) столько гибкое, как у гостиниц более высокого класса. Гостиницы в области наибольшей функциональности в основном ведут себя более или менее стабильно, повышая цену при загрузке 40-50% и понижая при остальной. Выявлены также и гостиницы, у которых зависимость цены на номер от загрузки очень слабая, например Аэростар.

Анализ цены на номер показал, что форма колебаний по отдельным сегментам незначительно отличается от поведения всего рынка. В целом средняя цена зависит от дня недели и соответствует стратегии продавать дороже, когда есть спрос и продавать дешевле, когда спроса нет. Это свидетельствует о широком использовании метода управления доходами (yield management) в гостиницах с формой управления в виде совместного предприятия и находящихся под контрактом на управление.

В процессе анализа был также получен ряд интересных технических решений в области прогнозирования: доказана способность нейронных сетей идентифицировать ранее неизвестные и априорно не задаваемые циклы колебаний показателей экономической активности предприятия индустрии гостеприимства. Данная возможность нейросетевых моделей позволяет на основе одной и той же комплексной модели анализировать временные ряды с абсолютно разной периодичностью. Кроме того, легко идентифицировать внутри одного и того же ряда несколько циклов с разными периодами.

2. Исследовать общее положение гостиниц на рынке. Данный анализ, проведенный на основе показателей средней цены, загрузки и дохода на один номер, показал отсутствие корреляции между ценой и загрузкой на сегменте четыре звезды и обратную корреляцию на сегменте пять звезд. Взаимосвязь с доходом гостиницы не настолько проста, что для повышения дохода необходимо только повышать загрузку. Гостиницы сталкиваются с набором конкурирующих целей: манипулировать ценой или загрузкой, соотнося их с моделью спроса.

3. Построить нейроагент гостиничного предприятия с использованием стандартного пакета нейросетевого моделирования. Данная задача была успешно решена в широкопользовательском пакете нейросетевого моделирования. Методология построения подробно раскрыта на страницах диссертационного исследования.

4. Определить ситуации, в которые попадает гостиничное предприятие в процессе своей деятельности с помощью нейросетевой кластеризации, и предложить методику интерпретации результатов нейросетевой кластеризации состояний предприятий индустрии гостеприимства через значения активационных функций и порогов.

В процессе анализа изучались четыре показателя деятельности ассоциации гостиниц: количество гостиничных номеров, общее количество посетителей, коэффициент загрузки и цена на гостиничный номер. Показатели носили как внутренний, так и внешний характер.

На основе предложенной методологии построения нейроагентов в пакетах нейросетевого моделирования общего назначения были построены прогнозы показателей с хорошими характеристиками, определены стандартные состояния гостиничных предприятий и спрогнозированы возможные будущие состояния гостиниц.

Построенный нейроагент и проведенный с его помощью анализ описал как текущее состояние предприятия, так и динамику его изменения. Это позволило вскрыть ряд недостатков в управлении и дать практические рекомендации по исправлению сложившейся ситуации с помощью стимуляции спроса. Их реализация потребует финансовых затрат, или сдерживания объема предложения, что может быть сделано в виде договора между основными участниками рынка о неувеличении номерного фонда.

5. Осуществить нестандартный факторно-временной тип прогнозирования деятельности предприятий индустрии гостеприимства, а также построить мультипеременный прогноз временных рядов, построение которого невозможно с использованием каких-либо других средств.

6. Построить прогнозы хаотических рядов показателей деятельности ресторанного предприятия в составе гостиницы. На основе такого прогноза стало возможно более точно определить как количество гостей, блюд (расход продуктов, запасы), так и необходимое количество персонала для обслуживания гостей. Особенностью данного прогноза стал случайный характер поведения одного из показателей. Из полученных результатов можно сделать вывод о том, что нейросетевые модели определяют зависимости, как минимум, не хуже традиционных моделей. Но самое важное — могут находить закономерности даже в рядах, ведущих себя как случайные колебания.

- 144

Список используемых терминов

Агент. Самостоятельная программная система, имеющая возможность принимать воздействие из внешнего мира, определять свою реакцию на это воздействие и осуществлять эту реакцию.

Априорные вероятности. Задают пропорции классов в популяции (при классификации), особенно тогда, когда известно, что эти пропорции отличаются от пропорций в обучающем множестве. Используются для модификации обучения вероятностных нейронных сетей. Байесовы сети. Сети, чей принцип действия основан на теореме Байеса, позволяющей сделать выводы о распределении вероятностей на основании имеющихся данных. Вероятностные нейронные сети (PNN). Вид нейронных сетей для задач классификации, где плотность вероятности принадлежности классам оценивается посредством ядерной аппроксимации. Один из видов так называемых байесовых сетей.

Внешняя среда. Совокупность внешних по отношению к предприятию условий и институтов. Различают среду экономическую, политическую, социальную, технологическую и т.п. Временные ряды. Последовательность измерений в последовательные моменты времени. Анализ временных рядов включает широкий спектр разведочных процедур и исследовательских методов, которые ставят две основные цели: (а) определение природы временного ряда и (б) прогнозирование. Обе эти цели требуют, чтобы модель ряда была идентифицирована и формально описана. Как только модель определена, можно с ее помощью интерпретировать рассматриваемые данные и, не обращая внимания на глубину понимания, можно экстраполировать затем ряд на основе найденной модели, т.е. предсказать его будущие значения. Генетический алгоритм отбора входных данных. Применение генетического алгоритма к нахождению оптимального набора входных переменных путем построения битовых масок, обозначающих, какие из переменных следует оставить на входе, а какие удалить. Случайным образом выбирается начальная популяция, а затем она подвергается процессу искусственных мутаций, скрещивания и отбора по аналогии с естественным отбором.

Горизонт. У нейронных сетей для анализа временных рядов — число шагов по времени, считая от последнего входного значения, на которое нужно спрогнозировать значения выходной переменной.

Данные. Отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства.

Диаграмма кластеров (для нейронных сетей). Точечная диаграмма, на которой наблюдения из разных классов представлены на плоскости. Координаты на плоскости соответствуют выходным уровням некоторых элементов сети.

Добыча знаний (Data Mining). Совокупность методов аналитической обработки больших массивов данных (часто связанных с деловой активностью или рыночными показателями) с целью выявить в них значимые закономерности и/или систематические связи между переменными, которые затем можно применить к новым совокупностям данных. В методах добычи данных используются многие принципы и приемы, которые принято относить к разведочному анализу данных.

Доверительные пределы. То же самое, что и доверительные интервалы. Применительно к нейронным сетям задают пороги принятия и отвержения, которые используются в задачах классификации при решении вопроса о том, относится ли данный выходной набор к конкретному классу. Используются в соответствии с типом функции преобразования выходной переменной (Один-из-N, Два значения, Кохонена и т.д.).

Знания. Хорошо структурированные данные или данные о данных, метаданные. Интеллектуальный агент. Агент, который обладает рядом знаний о себе и окружающем мире и поведение которого определяется этими знаниями.

Интерполяция. Восстановление значения функции в промежуточной точке по известным ее значениям в соседних точках.

Классификация. Отнесение наблюдения к одному из нескольких, заранее известных классов (представленных значениями номинальной выходной переменной).

Кластерный анализ. Метод, с помощью которого переменные группируются в соответствии с теснотой корреляции некоторых важных характеристик внутри группы. Конъюнктура рынка. 1. Конкретная экономическая ситуация, сложившаяся на рынке на данный момент или ограниченный отрезок времени. 2. Совокупность условий, определяющих рыночную ситуацию.

Кохонена сети. Нейронные сети, основанные на воспроизведении топологических свойств человеческого мозга. Известны также как самоорганизующиеся карты характеров (SOFM). Кросс-проверка. Применительно к нейросетям заключается в использовании во время итерационного обучения дополнительного множества данных (контрольного множества). Оно служит для независимой проверки способности нейросети обобщать информацию. Линейные элементы. Элементы, имеющие линейную пост-синаптическую (PSP) функцию. Уровень активации такого элемента представляет собой взвешенную сумму его входов, из которой вычитается пороговое значение — это называется также скалярным произведением или линейной комбинацией. Этот тип обычно используется в многослойных персептронах. Несмотря на название, линейные элементы могут иметь нелинейные функции активации. Менеджмент. Совокупность принципов, методов и средств управления производством с целью повышения эффективности производства и увеличения прибыли.

Метод прогнозирования. Способ исследования объекта прогнозирования, направленный на разработку прогнозов.

Методика прогнозирования. Совокупность оригинальных правил использования приемов прогнозирования при разработке конкретного прогноза.

Многослойные персептроны. Нейронные сети с прямой передачей сигнала, линейными PSP-функциями и (как правило) нелинейными функциями активации.

Модель. Упрощенное представление товара, операции или их отдельных сторон, используемое с целью снижения затрат и риска при изучении, диагностике, оптимизации объекта моделирования.

Нейроагент. Агент, реализованный на нейросетевых алгоритмах. Нейрон. Элемент нейронной сети.

Нейронная сеть. Класс аналитических методов, построенных на гипотетических принципах обучения мыслящих существ и функционирования мозга и позволяющих прогнозировать значения некоторых переменных в новых наблюдениях по данным других наблюдений после прохождения этапа так называемого обучения на имеющихся данных.

Неуправляемое обучение (для нейронных сетей). Алгоритмы обучения, в которых на вход нейронной сети подаются данные, содержащие только значения входных переменных. Такие алгоритмы предназначены для нахождения кластеров во входных данных. Обобщение. Способность нейронной сети делать точный прогноз на данных, не принадлежащих исходному обучающему множеству (но взятых из того же источника). Обычно это качество сети достигается разбиением имеющихся данных на три подмножества; первое из них используется для обучения сети, второе — для кросс-проверки алгоритма обучения во время его работы, и третье — для окончательного независимого тестирования. Обобщенно-регрессионная нейронная сеть (GRNN). Вид нейронной сети, где для регрессии используются ядерная аппроксимация. Один из видов байесовых сетей. Окрестность. В обучении по Кохонену — квадрат, составленный из элементов сети, окружающих «выигравший» элемент, которые одновременно корректируются при обучении. Оперативная аналитическая обработка данных (OLAP). Технология, позволяющую пользователю, работающему с многомерными базами данных, в реальном времени получать описательные или сравнительные срезы данных и ответы на другие аналитические запросы. Переобучение. При итерационном обучении — чрезмерно точная подгонка, которая начинает иметь место, если алгоритм обучения работает слишком долго (а сеть слишком сложна для такой задачи или для имеющегося объема данных).

Планирование. Ориентированный в будущее систематический процесс принятия решений.

Порог. Это критическое значение (которое иногда выбирается произвольно), используемое для проверки выполнения особых условий или условий разделения точек. В нейросетях — значение, вычитаемое из взвешенной суммы в линейной PSP-функции для вычисления уровня активации. Для радиальных элементов порог интерпретируется как отклонение. Пост-синаптическая потенциальная функция (PSP) функция. Функция, которая применяется к входным сигналам элемента, его весам и порогам и выдает уровень активации этого элемента.

Потенциал рынка. Прогнозная совокупность производственных и потребительских сил, обуславливающих спрос и предложение.

Предсказание. Достоверное, основаннео на логической последовательности суждений заключение о состоянии какого-либо объекта или процесса в будущем.

Предвидение. Опережающее отображение действительности, основанное на познании законов развития объекта или процесса.

Прогноз. Вероятностное суждение о состоянии объекта в определенный момент времени в будущем или об альтернативных путях достижения этого состояния.

Прогнозирование. Процесс формирования прогнозов развития на основе анализа тенденций этого развития.

Прогнозирующая система. Совокупность методов прогнозирования и средств их реализации, функционирующая в соответствии с основными принципами прогнозирования и обеспечивающая получение конкретного прогноза.

Промежуточные (скрытые) слои (для нейронных сетей). Все слои нейронной сети, кроме входного и выходного; придают сети способность моделировать нелинейные явления. Радиальные базисные функции. Вид нейронной сети, имеющий промежуточный слой из радиальных элементов и выходной слой из линейных элементов. Сети этого типа довольно компактны и быстро обучаются.

Разведочный анализ данных. В отличие от традиционной проверки гипотез, предназначенной для проверки априорных предположений, касающихся связей между переменными, разведочных анализ данных применяется для нахождения систематических связей между переменными в ситуациях, когда отсутствуют или имеются недостаточные априорные представления о природе этих связей. Как правило, в нем учитывается и сравнивается большое число переменных, при этом для поиска закономерностей используются самые разные методы. Решение. Выбор одной из ряда альтернатив в процессе достижения поставленных целей. Ситуация. Рыночная ситуация — конкретное состояние основных параметров рынка на какой-то момент или их изменение за какой-то промежуток времени.

Стратегия. Набор правил для принятия решений. Поскольку ориентиры и стратегии вырабатываются внутри предприятия, возникает иерархия: то, что на верхних уровнях управления — элемент стратегии, на нижних превращается в ориентир.

Стратегическое управление. Такое управлени организацией, которое опирается на человеческий потенциал как основу организации, ориентирует производственную деятельность на запросы потребителей, осуществляет гибкое регулирование и своевременные изменения в организации, отвечающие вызову со стороны окружения и позволяющие добиваться конкурентных преимуществ, что в совокупности в результате позволяет организации выживать и достигать своей цели в долгосрочной перспективе.

Топологическая карта. Радиальный слой сети Кохонена, элементы которого располагаются на плоскости и обучаются таким образом, чтобы близкие кластеры данных соответствовали соседним элементам слоя. Используется в кластерном анализе.

Управление. Целенаправленное информационное воздействие одной системы на другую с целью изменения ее поведения в определеном направлении

Управление доходами. Набор техник прогнозирования спроса, используемый для определения направления изменения цены и принятия/непринятия бронирования с целью максимизации прибыли. Ценообразование — ключ к максимизации прибыльности. Увеличение бронирований в дни малого спроса и продажа номеров по более высокой цене в дни большого спроса приводит к увеличению прибыльности. YM — регулирование цен в ответ на изменение спроса.

Управляемое обучение. Алгоритмы обучения, в которых на вход нейронной сети подаются данные, содержащие известные значения выходных переменных, а корректировка весов сети производится по результатам сравнения фактических выходных значений с целевыми. Функция активации нейронной сети. Функция, используемая для преобразования уровня активации нейрона в выходной сигнал. Обычно имеет «сжимающее» действие. Вместе с PSP-функцией, которая применяется сначала, определяет тип элемента сети. Хранилища данных. Хранилище данных (data warehousing) — это организация хранения больших многомерных массивов данных в таком виде, который позволял бы легко извлекать информацию и использовать ее для анализа.

Частоты выигрышей. Для радиальных элементов сети Кохонена — число раз, когда элемент выигрывал при прогоне файла данных. Часто выигрывавшие элементы представляют центры кластеров на топологической карте.

Шаги (число), Временное окно. Число повторений некоторой аналитической или вычислительной операции или процедуры. Например, в анализе временных рядов с помощью нейронных сетей — число шагов по времени, для которого следует взять значения входной переменной для подачи на вход нейронной сети.

Экстраполяция. Прогнозирование неизвестных значений путем продолжения функций за границы области известных значений.

Эпоха (для нейронных сетей). В итерационном обучении нейронной сети — один проход по всему обучающему множеству с последующей проверкой на контрольном множестве.

Список литературы диссертационного исследования кандидат экономических наук Козлов, Дмитрий Александрович, 2000 год

1. Азар В.И. Экономика и организация туризма. — М.: Профиздат, 1993.

2. Азар В.И. Конъюнктура туристского рынка. — М.: Финансы и статистика, 1998.

3. Азар В.И., Туманов С.Ю. Экономика туристского рынка. — М.: Ин-т междунар. туризма, 1998.

4. Айвазян С.А. Прикладная статистика и основы эконометрики. — М.: Юнити, 1998.

5. Балабанов И.Т., Балабанов А.И. Экономика туризма. — М.: Финансы и статистика,1999.

6. Белявский И.К., Кулагина Г. Д., Короткое А.В. Статистика рынка товаров и услуг. — М.: Финансы и статистика, 1995.

7. Бестужев-Лада И.В. Рабочая книга по прогнозированию. — М.: Мысль, 1982.

8. Бир С. Мозг фирмы: Пер. с англ. — М.: Радио и связь, 1993.

9. Боровиков В.П., Боровиков И.П. STATISTICA — Статистический анализ и обработка данных в среде Windows. — М.: Информационно-издательский дом «Филинъ», 1997.

10. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows: Учеб. пособие. — М.: Финансы и статистика, 1999.

11. Браймер Р.А. Основы управления в индустрии гостеприимства/Пер. с. англ. — М.: Аспект Пресс, 1995.

12. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. — М.: ТВП, 1997.

13. Видяпин В.И., Журавлева Г.П. Общая экономическая теория (политэкономия). — М.: ПРОМО-Медиа, 1995.

14. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. — СПб.: Питер, 2000.

15. Глущенко В.В., Глущенко И.И. Разработка управленческого решения. Прогнозирование-планирование. Теория проектирования экспериментов. — г. Железнодорожный, Моск. обл.: ТОО НПЦ «Крылья», 1997.

16. Гуляев В.Г. Новые информационные технологии в туризме. — М.: Приор, 1998.

17. Гуляев В.Г. Организация туристской деятельности. — М.: Нолидж, 1996.

18. Дворниченко В.В., Чудновский А.Д., Кормишова А.В. Некоторые аспекты функционирования индустрии туризма. — М.: Вестн., 1998.

19. Доугерти К. Введение в эконометрику. — М.: ИНФРА-М, 1997.

20. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерные статистические методы. — М.: Финансы и статистика, 1998.

21. Дюк В. Обработка данных на компьютере. — СПб.: Питер, 1997.

22. Жданов С.А. Экономические Модели и методы в управлении. — М.: Дело и сервис,1998.

23. Зорин И.В. Теория туризма. — М.: Финансы и статистика, 1998.

24. Ивлев В.А., Попова Т.В. CASE в моделировании деятельности предприятий.// Компьютер ПРЕСС. 1997. № 8.

25. Исмаев Д.К. Основы стратегии планирования и маркетинга в иностранном туризме. — М.: ТОО «Луч», 1993.

26. Квартальное В.А. Иностранный туризм. — М.: Финансы и статистика, 1999.

27. Квартальное В.А. Мировой туризм на пороге 2000 года: прогнозы и реальность. — М.: Финансы и статистика, 1999.

28. Квартальное В. Международный туризм. Политика развития. — М.: Финансы и статистика, 1998.

29. Квартальное В.А. Стратегический менеджмент в туризме. — М.: Финансы и статистика,1998.

30. Кендэл М. Временные ряды. — М.: Финансы и статистика, 1981.

31. Корнеев В.В., Гареев А.Ф. Базы данных. Интеллектуальная обработка информации. — М.: Нолидж, 2000.

32. Кугаенко А. А. Синтез динамических моделей народного хозяйства и методы прогнозирования социально-экономических процессов. —М.: Прометей, 1991.

33. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. — М.: Наука. Физматлит, 1996.

34. Литвак Б.Г. Управленческие решения. — М.: Ассоциация авторов и издателей «ТАНДЕМ», Издательство ЭКМОС, 1998.

35. Льюис К. Прогнозирование экономических показателей. — М.: Финансы и статистика,1986.

36. Морозов В.П., Тихомиров В.П., Хрусталев Е.Ю. Гипертексты в экономике. Информационная технология моделирования. — М.: Финансы и статистика, 1997.

37. Нейронные сети. Statistica Neural Networks: пер. с англ. — М.: Горячая линия-Телеком, 2000.

38. Олейников Е.А. и др. Основы экономического и социального прогнозирования. — М.: Изд-во РЭА им. Г.В. Плеханова, 1996.

39. Папирян Г.А. Международные экономические отношения: экономика туризма. — М.: Финансы и статистика, 1998.

40. Попов В. А. Основы макроэкономического прогнозирования. — М., 1996.

41. Попов В.А. Прогнозирование национальной экономики. — М.: изд-во РЭА им. Г.В. Плеханова, 1997.

42. Попов Л.А. Анализ и моделирование трудовых показателей: Учебник. — 2-е изд., доп. и перераб. — М.: Финансы и статистика, 1999.

43. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. — М.: Финансы и статистика, 1996.

44. Попов Э.В., Шапот М.Д. Реинжиниринг бизнес-процессов и информационные технологии.// Открытые системы. 1996. № 1.

45. Розанова Т.П. Российский туризм в условиях рынка (организационно-экономический аспект). -М.: Изд-во Рос.экон.акад., 1999.

46. Самочкин В.Н. Гибкое развитие предприятия. Анализ и планирование. — М. Дело, 1999.

47. Сапрунова В.Б. Туризм: эволюция, структура, маркетинг. — М.: Финансы и статистика, 1997.

48. Сенин B.C. Организация международного туризма. — М.: Финансы и статистика, 1999.

49. Сенин B.C. Организация международной туристской и гостиничной деятельности. — М.: Финансы и статистика, 1998.

50. Сенин B.C. Введение в туризм. — М.: Финансы и статистика, 1993.

51. Сидоров М.Н. Экономический рост: темпы, пропорции, эффективность. — М.: Экономика, 1989

52. Сидоров М.Н., Федотов А.А. Национальный доход: Факторы роста. Структура. Методы прогнозирования. —М.: Экономика, 1984.

53. Силов В.Б. Принятие стратегических решений в нечеткой обстановке. — М.: ИНПРО-РЕС, 1995.

54. Соловьев Б. Л. Менеджмент гостеприимства. — М.: Финансы и статистика, 1998.

55. Суровцев И.С. Нейронные сети. Введение в современные информационные технологии. — Воронеж: Государственный университет, 1994.

56. Тихомиров Н.П., Попов В.А. Методы социально-экономического прогнозирования. — М.: изд-во ВЗПИ, 1993.

57. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. — М.: СИНТЕГ, 1998.

58. Тюрин Ю.Н., Макаров А. А. Статистический анализ данных на компьютере. — М.: ИН-ФРА-М, 1998.

59. Френкель А.А. Прогнозирование производительности труда: методы и модели. — М.: Экономика, 1989.

60. Хан Д. Планирование и контроль: концепция контроллинга: Пер. с нем./Под ред. и с предисл. А. А. Турчака, Л.Г. Головача. — М.: Финансы и статистика, 1997.

61. Ходорков Л.Ф. Мировое гостиничное хозяйство. — М.: ВКШ по иностранному туризму, 1991.

62. Чудновский А. Гостиничный и туристический бизнес. — М.: Финансы и статистика, 1998.

63. Эрлих А.А. Технический анализ товарных и финансовых рынков. — М.: ИНФРА-М,1996.

64. Box, G.E.P. and Jenkins, G.M. Time series analisys, forecasting, and control. — San Francisco: Holden-Day, 1976.

65. Brown, R.G. Smoothing, forecasting, and prediction of discrete time series. — Englewood Cliffs: Prentice-Hall, 1963.

66. Browne, M. W., & Cudeck, R. Alternative ways of assessing model fit. In K. A. Bollen and J. S. Long (Eds.), Testing structural equation models. — Beverly Hills, CA: Sage, 1992.

67. Browne, M. W., & DuToit, S. H. C. Automated fitting of nonstandard models.// Multivariate Behavioral Research. 1992. № 27. С 269-300.

68. Buja, A., & Tukey, P. A. (Eds.) Computing and Graphics in Statistics. — New York: Springer-Verlag, 1991.

69. Bull A. The economics of travel and tourism. — London. Pitman, 1991.

70. Compendium of tourism Statistics. — WTO. Madrid, 1996.

71. Davenport Т.Н. Process Innovation: Reengineering through information technology. — Cambridge: Harvard University Press, 1993.

72. Eom S.B. Decision support systems research: reference disciplines and a cumulative tradition.// The international journal of management science. 1995. № 23. 5 October.

73. Gifi, A. Nonlinear multivariate analysis. — New York: Wiley, 1990.

74. Holloway J.C.Ch., Robinson Ch. Marketing for tourism. — Harlow. Longman, 1995.

75. Jonson P., Thomas B. Perspective on tourism policy. — London: Mansell, 1992.

76. Makridakis, S. and Wheelwright, S.C. Interactive forecasting: univariate & multivariate methods. — Oakland, California: Holden-Day, 1978.

77. Makridakis, S.G. Forecasting, planning and strategy for the 21st century. — Ney York: Free press; L. Coller Macmillan, 1990.

78. Makridakis, S.G., Wheelwright, V., Forecasting: methods and applications (3rd edition). — New York ets.: Wiley, 1998.

79. Makridakis, S.G., Wheelwrite, S C. Forecasting methods for management. — New York etc.: Wiley, 1989.

80. Mill R.Ch. Tourism: the international business. — London: Prentice hall, 1990.

81. Montgomery, D. C., Johnson, L. A., & Gardiner, J. S. Forecasting and time series analysis (2nd ed ). — New York: McGraw-Hill, 1990.

82. Pearce D. Tourism organizations. — Harlow: Longman, 1992.

83. Penz P.A., Wiggins R. Neural networks for computing.// N.Y.: AIP conf. pro. Snowbird, 1986.

84. Recomendations on tourism statistics. — WTO. Madrid, 1993.

85. Shapiro S C., Woodmansce C.N. A net structure based relational question-answerer.// AI Washington, DC: Proc. int'l Joint conf., 1971.

86. Tourism forecasting. — WTO. Madrid, 1981.

87. Tukey, J.W. Exploratory data analisys. — Reading, Massachusetts: Addison-Wesley, 1977.

88. Velleman, P.F. and Hoaglin, D.C. Applications, basics and computing of exploratory data analisys. — Boston: PWS-Kent Publishing Company, 1981.

89. Welstead, S. T. Neural network and fuzzy logic applications in C/C++. — New York: Wiley, 1994.

90. Winters, P R. Forecasting sales by exponentially weighted moving averages.// Management science. 1960. № 6(3). С 324-342.

91. Woodward, J. A., Bonett, D. G., & Brecht, M. L. Introduction to linear models and experimental design. — New York: Harcourt, Brace, Jovanovich, 1990.