Оцінка рівня туристичної привабливості країн ЄС методами інтелектуального аналізу даних

Автори
Відомості

Гур’янова Л.С.

д.е.н., професор, Харківський національний економічний університет ім. С. Кузнеця

guryanovalidiya@gmail.com

Нагла М.В.

Здобувач першого (бакалаврьского) рівня вищої освіти

Харківський національний економічний університет ім. С. Кузнеця

mariia.nahla@hneu.net

Анотація. У цьому дослідженні розроблено моделі кластерного аналізу для оцінки рівня туристичної привабливості країн Європейського Союзу. Застосовані методи дають змогу визначити групи країн із подібними показниками туристичного розвитку, що може сприяти розробці ефективних стратегій управління туристичною галуззю, зміцненню конкурентних переваг регіонів та стимулюванню сталого розвитку туризму в межах ЄС.

Туризм є складним явищем, що має велике значення та характеризується різними особливостями. Він сприяє користі людини та суспільства в цілому і є важливим джерелом доходу як на мікро-, так і на макроекономічному рівні [1]. Туризм – це вид масових подорожей і відпочинку, спрямований на знайомство з навколишнім середовищем і поєднує в собі екологічні, освітні та інші функції. Прогнозується, що протягом наступних п’яти років цей сектор зростатиме на 5% щорічно, що призведе до створення 2 мільйонів нових робочих місць [2]. Ця сфера динамічно зростає і в найближчі роки має потенціал стати ключовим сектором підприємницької діяльності. Тому, аналіз цієї сфери є актуальною темою сьогодення, оскільки вона має значний вплив на розвиток країн Європейського союзу.

Європейський Союз є одним з найпопулярніших туристичних регіонів світу. До нього входять країни з багатою культурною спадщиною, розвиненою інфраструктурою та різноманітними природними ландшафтами. Туризм сприяє економічному зростанню, створенню робочих місць та розвитку місцевих громад. Звісно він має проблеми. Основними викликами є: овертуризм, який спричиняє руйнування історичних місць, погіршення екології, зростання цін в туристичних місцях, деякі регіони, які переважно живуть від туристичних доходів є дуже вразливими для криз, як-от пандемія COVID-19, підвищений тероризм в популярних туристичних місцях також є серйозною загрозою.

Проблема туристичної привабливості країн ЄС вивчається різними науковцями, як за кордоном, так і в Україні, включаючи І. Січка, Hall, C. M., Scott, D., Gossling, S., Hall, C. M., Scott, D., Gossling, S. [2, 3, 4] та багато інших.

Метою роботи є кластеризація країн ЄС за рівнем туристичної привабливості. До вхідних даних по країнах ЄС за 2022 рік відносяться: X1 – надходження від туризму, млн $; X2 – туристичні потоки (прибуття туристів до всіх видів закладів розміщення), млн; внутрішній туризм X3, X4 – кількість поїздок, млн та колективних засобів розміщування, млн відповідно. Спочатку проводимо стандартизацію даних для коректного застосування методів кластерного аналізу. Для кластеризації будемо використовувати два досить популярні методи – метод Уорда та k-середніх. На рис. 1. та 2 наведені дендрограма та матриця об’єднань у кластери.

Рис. 1: Дендрограма за методом Уорда
Рис. 2: Дендрограма за методом Уорда
Рис. 3: Дендрограма за методом Уорда

Дивлячись на ці рисунки можемо виділити таких 3 кластери:

  1. Кластер 1 (А). Країни № 26 15 11 10
  2. Кластер 2 (В). Країни № 27 21 23 9 6 7 4 14 13 2 22 20 12 1
  3. Кластер 3 (С). Країни № 18 5 17 16 19 24 8 25 3

Тепер застосуємо метод k-середніх, обираємо розподіл на 3 кластери. Можемо бачити графік середніх для кожного кластеру, дисперсійний аналіз, та розподіл країн по кластерах на рисунках 3, 4 та 5 відповідно.

Рис. 4: Графік середніх для кожного клaстера

За графіком видно досить велику відстані між кластерами, особливо виділяється кластер №1.

Рис. 5: Дисперсійний аналіз

Параметри F та р-value показують вклад ознаки в класифікацію. Отже, бачимо, що сенс у кластерах є, кожен з Х-сів є важливим для кластеризації.

Рис. 6: Дисперсійний аналіз
Рис. 7: Дисперсійний аналіз
Рис. 8: Дисперсійний аналіз

Так як отримали різний склад кластерів на основі методу Уорда та на основі методу k-середніх, провели додаткові розрахунки для визначення оптимального розбиття на класи за допомогою порівняння мінімуму суми дисперсій. Отримали мінімальне значення суми дисперсії за кластерами за методом кластеризації Уорда 5,75 проти 5,77 у методі k-середніх, тому кращою є розбивка саме за першим методом.

Таким чином, в дослідженні було проведено кластеризацію країн ЄС за рівнем туристичної привабливості, було виділено 3 кластери: В С, де А – країни, що є найбільш привабливими для туристів. Іспанія, Італія, Франція та Німеччина увійшли до кластера А завдяки високій туристичній привабливості, зумовленій унікальною культурною спадщиною (Лувр, Колізей, Саграда Фамілія, місто Дрезден та багато іншого), сприятливими природними умовами (Середземноморський клімат, узбережжя, гори), розвиненою туристичною інфраструктурою (аеропорти, транспорт, готелі) та економічною потужністю, що сприяє подієвому туризму, міжнародним виставкам і спортивним заходам. Отримані результати можуть бути корисними для подальшого розвитку туристичної індустрії ЄС та прийняття ефективних управлінських рішень у цій сфері.

Література

  1. Туризм. URL: https://uk.wikipedia.org/wiki/%D0%A2%D1%83%D1%80%D0%B8%D0%B7%D0%BC
  2. Січка І. І. Аналіз особливостей та розвитку туристичного ринку України. URL : https://economyandsociety.in.ua/journals/7_ukr/27.pdf
  3. Hall C. M., Scott D., Gossling S. Pandemics, transformations and tourism: Be careful what you wish for. Tourism Geographies. 2020. vol. 22(3). P. 577–598.
  4. Shaen Corbeta, John F. O’Connellb, Marina Efthymioua, Cathal Guiomarda, Brian Luceyc,d,e. The Impact of Terrorism on European Tourism. URL: https://www.readcube.com/articles/10.2139%2Fssrn.3454220
  5. World Tourism Organization. URL: https://www.unwto.org/
  6. World Tourism Organization and United Nations Development Programme, Tourism and the Sustainable Development Goals – Journey to 2030. Madrid : Highlights, UNWTO., 2017. 36 р.
  7. Travel & Tourism 2014 : World Travel & Tourism Council. London, 2014. 44 p.
  8. Бізнес-аналітика багатовимірних процесів : навчальний посібник / Т. С. Клебанова, Л. С. Гур’янова, Л. О. Чаговець та ін. Харків : ХНЕУ ім. С. Кузнеця, 2018. 272 с. URL: https://pns.hneu.edu.ua/pluginfile.php/923721/mod_resource/content/1/2018-%D0%9A%D0%BB%D0%B5%D0%B1%D0%B0%D0%BD%D0%BE%D0%B2%D0%B0%2C%D0%93%D1%83%D1%80%D1%8C%D1%8F%D0%BD%D0%BE%D0%B2%D0%B0%2C%20%D0%A7%D0%B0%D0%B3%D0%BE%D0%B2%D0%B5%D1%86%20%D0%B8%20%D0%B4%D1%80.pdf