журнал международного права и международных отношений 2014 — № 4

---

международные экономические отношения

Прогнозирование в сфере туризма: классификация и анализ методов

Нина Генералова

В статье рассматриваются основные методы прогнозирования, используемые в сфере туризма. Автором анализируются сильные и слабые стороны различных методов, исходя из требуемых ресурсов, сложности применения, надежности, точности прогнозируемых результатов. Проводится классификация количественных и качественных групп методов. Даются практические рекомендации по выбору и использованию рассмотренных методов. Кроме того, в статье приводится обзор ключевых экономических показателей развития туризма в мире и в Республике Беларусь.

---

Туризм является одной из важнейших сфер современной экономики и оказывает благоприятиное влияние на развитие других ее секторов, включая гостиничное хозяйство, строительство, транспорт и коммуникации, сельское хозяйство, розничную торговлю и др. как катализатор их развития. Количество международных туристов непрерывно возрастает — с 25 млн в 1950 г. до 1087 млн в 2013 г. (табл. 1).

Таблица 1

Основные показатели туризма в мире и Беларуси в 2012—2013 гг.

И с т о ч н и к: составлено по [4, р. 1; 7, р. 2; 8, р. 2]. 

В мировой экономике наблюдается устойчивый рост спроса на туризм — количество международных визитов в мире в 2013 г. выросло на 5 %, по сравнению с 2012 г. Согласно данным Всемирного совета по туризму, прямой вклад туризма в ВВП Беларуси в 2013 г. составил 10 876,7 млрд руб. (или 1,8 % ВВП) и, как прогнозируется, будет расти на 3,4 % ежегодно (с 2014 по 2024 г.), достигнув к 2024 г. 15 660,3 млрд руб. (1,7 % ВВП). Общее число занятых в сфере туризма, как и прогнозировалось, снизилось и составило 235 500 человек в 2013 г. Ожидается дальнейшее снижение в Беларуси числа занятых в туризме и последующее ежегодное снижение на 0,7 %, что составит 219 тыс. рабочих мест к 2024 г. [7, р. 2].

Рост числа международных визитов в Беларусь в 2013 г. по сравнению с предыдущим годом составил 1,8 %, что повлекло рост экспорта туристических услуг в 2013 г. на 5,3 % (составил 9 289,6 млрд руб.). Согласно прогнозу Всемирного совета по туризму, в Беларуси сохранится устойчивый рост экспорта туристических услуг на уровне 1,7 % ежегодно до 2024 г. [7, р. 2].

Прогнозирование туризма имеет принципиально важное значение для продвижения и управления рынком национальными туристическими организациями: Министерством спорта и туризма, Национальным агентством по туризму — для разработки и реализации государственных программ развития туризма; с целью планирования/корректировки программ обучения и набора учащихся в соответствии с будущими потребностями рынка в тех или иных специалистах сферы туризма учреждениями образования; для работы в сфере туризма прочих организаций. Верное прогнозирование в туризме позволяет увеличить эффективность работы организаций, обеспечить рост прибылей и усилить
экономику.

Значительный вклад в изучение методик прогнозирования в сфере туризма вносят работы Д. К. Фрэхтлинг [5], Х. Сонк и С. Ф. Уитт [6], K. Ф. Вонг [9]. Белорусские и российские ученые проводят исследования по следующим направлениям: В. М. Геец — отраслевое прогнозирование [1]; Ю. Н. Лапыгин, В. Е. Крылов, А. П. Чернявский — экономическое прогнозирование [2]. Работы А. И. Уемова заложили основы развития современного моделирования [3]. Вместе с тем, отечественные авторы, в отличие от зарубежных, не выделяют прогнозирование в сфере туризма как отдельное направление для исследования, поэтому тема настоящей статьи представляется актуальной. Цель статьи — систематизировать и сравнить методы прогнозирования, применяемые в сфере туризма.

Выбор переменных прогнозирования варьируется и зависит от целей конкретного анализа. Наиболее используемые в мировой практике прогнозирования показатели сферы туризма представлены в табл. 2.

Таблица 2

Основные показатели, используемые в прогнозировании в сфере туризма

 

И с т о ч н и к: разработка автора.

В туризме применяются различные подходы прогнозирования, которые можно разделить на количественные, основанные на математических расчетах, и качественные методы, которые, в свою очередь, представляют собой различного рода экспертные оценки (рис. 1).

 

Рис. 1. Методы прогнозирования в сфере туризма

И с т о ч н и к: разработка автора на основе [5, р. 19—156].

Методы экстраполяции, когда исторические последовательности, тренды (статистические данные) проецируются на будущие периоды, можно условно разделить по уровню сложности на методы простой и отлаженной экстраполяции. В основе причинно-следственных (каузальных) методов лежат математически выраженные взаимосвязи между рассматриваемыми показателями.

Методы простой экстраполяции представляют собой группу подходов прогнозирования с использованием простого математического проецирования и обычно являются наиболее эффективными при составлении краткосрочных прогнозов, что может быть важно для организаций, не имеющих доступа к широким финансовым, программным и человеческим ресурсам, а также как точка отсчета для сравнения с результатами более сложных расчетов и моделей прогнозирования. Методы простой экстраполяции часто используются в сочетании с качественными (экспертными) оценками. Экстраполяция хорошо работает в ситуациях, когда исторически сложившийся тренд ясен и последователен. Методы простой экстраполяции также часто называют однофакторными, поскольку они используются для прогнозирования одного фактора во времени и представляют собой модель временных рядов.

Самым распространенным методом является так называемый метод «без изменений», или «наивный» метод, который, несмотря на название, часто дает самый верный прогноз в краткосрочной перспективе.

В связи с тем, что спрос на туризм редко изменяется по простым правилам и закономерностям с течением времени, для прогнозирования используются и более комплексные методы (табл. 3). Обычно на спрос в туризме влияют одновременно и краткосрочные, и долгосрочные тренды, а также другое факторы. Кроме того, так называемые нетипичные события часто влияют на изменения туристического спроса. Их воздействие можно нивелировать в рамках простых методов, используя метод экстраполяции простого скользящего среднего (от англ. simple moving average, или метод SMA, среднего значения, вычисленного за определенное количество временных промежутков, предшествующих наблюдаемому).

Таблица 3

Количественные методы прогнозирования в сфере туризма

 

И с т о ч н и к: разработка автора на основе [5, р. 25—107].

Самую большую ценность для прогнозирования будущего периода имеют последние собранные данные, в то время как «старые» данные (20 лет назад и более) имеют меньшее значение, и, следовательно, вероятность того, что они помогут в составлении будущего прогноза, незначительна. Поэтому для решения проблемы используется либо метод экстраполяции простого скользящего среднего по данным только последних нескольких периодов, либо метод экспоненциального сглаживания, где вместо простого среднего больший вес имеют недавние данные, а меньший — более давние. Этот метод также имеет широкое распространение в практике прогнозирования в сфере туризма и хорошо работает при составлении краткосрочных прогнозов, однако менее эффективен при долгосрочных. Экспоненциальное сглаживание пытается изолировать тренды от случайных (стохастических) изменений и может быть одиночным или двойным (метод Брауна).

Однако туристическая индустрия характеризуется частым присутствием отдельных трендов в рамках одного года (сезонность). Кроме того, временные ряды могут демонстрировать отдельные циклы в дополнение к множеству других случайных изменений, вызванных отдельными событиями и определяющих спрос на определенный товар/услугу в определенный период времени. Для решения этих проблем при прогнозировании в туризме используются методы декомпозиции, которые позволяют «разделить» временные ряды на компоненты и упростить анализ. Таким образом, становится возможным выделение эффектов сезонности, долгосрочных трендов, циклов и случайных непредсказуемых эффектов.

Классический метод декомпозиции предполагает наличие, по крайней мере, четырех факторов, влияющих на фактический тренд:

— общий тренд — долгосрочный общий тренд, вызванный такими факторами, как долгосрочные экономические тренды, климат, демография, и т. п.;

— циклический компонент — волнообразный тренд вокруг фактического тренда, обычно продолжительностью нескольких лет, его протяженность и амплитуда могут варьироваться;

— сезонность — тренд, повторяющийся через определенные фиксированные промежутки времени в рамках одного календарного года;

— случайная ошибка (или случайный компонент) — оставшийся компонент, не связанный с тремя вышеназванными.

Общепринятым в прогнозировании туризма является метод классической декомпозиции скользящего среднего, который предполагает, что между факторами существует мультипликативная зависимость, в отличие от других методов, где предполагается аддитивность.

Хотя методы простой экстраполяции имеют множество недостатков, особенно, если исторически сложившийся тренд комплексный и сложный, они достаточно просты в использовании и дают эффективный прогноз в краткосрочной перспективе. Они также часто используются как средство контроля для сравнения с результатами более сложных моделей с целью оценки их эффективности: если сложная модель не дает более точный прогноз по сравнению с простым методом, то она не будет использована. Согласно общему правилу прогнозирования, выбирается самая простая модель, имеющая наименьшее количество предположений и дающая наиболее точный результат.

К методам отлаженной экстраполяции относится метод авторегрессии скользящего среднего (англ. autoregressive moving-average model, метод ARMA). Метод ARMA заключается в комбинировании методов авторегрессии и скользящего среднего таким образом, чтобы максимально точно моделировать исторические данные и по средствам экстраполяции получить прогноз. Метод ARMA может применяться только в стационарных временных рядах, в противном случае для достижения стационарности используется дифференцирование (образование разностей соседних членов ряда).

Метод ARIMA (англ. autoregressive integrated moving average), или, как его еще называют, метод Бокса — Дженкинса, предполагает расширение моделей ARMA для нестационарных временных рядов путем стационарного образования разностей некоторого порядка от исходного временного ряда.

Каузальные модели (причинно-следственные), в отличие от унивариантных (однофакторных) моделей, описанных выше, анализируют зависимость эндогенной переменной от одной или более независимых факторов. Для построения каузальной модели используется методы простой и множественной линейной регрессии. Считается, что такие модели в основном дают более точные прогнозы, по сравнению с другими моделями (кроме моделей ARMA), когда период прогнозирования охватывает два года и более в будущем. Если же период прогнозирования меньший (один год и менее), то обычно результаты методов простой экстраполяции оказываются более точными. Основным преимуществом использования множественной регрессии может быть не столько ее точность, сколько возможность продемонстрировать и объяснить взаимосвязи между спросом на туризм и другими социоэкономическими показателями.

Тем не менее, даже модели множественной регрессии не всегда могут достаточно точно просчитать зависимость спроса на туризм и факторов, влияющих на него, поскольку сам туристический спрос может выступать в качестве объясняющей переменной. Такое двойственное свойство туристического спроса можно объяснить на следующем примере. Высокий спрос на туризм может побудить отели повысить цены на услуги размещения с целью увеличения своей прибыли. Туристический бум может также вдохновить правительство на введение/повышение туристических сборов с отелей и других провайдеров туристических услуг. С другой стороны, стоимость туристических услуг является объясняющим фактором спроса.

Для решения описанной проблемы обратной связи в прогнозировании туризма используется структурная эконометрическая модель, которую стараются математически зафиксировать важные экономические структуры, основанные на связанных системах моделей множественной регрессии. Альтернативным решением является применение качественных методов прогнозирования, поскольку опытный представитель индустрии туризма (или группа представителей) может учитывать в своем прогнозе многие определяющие факторы, в том числе и те, которые недоступны ни в одном математическом равенстве, например вероятность терроризма или природных катастроф, изменение общественного мнения (количество экспертов может сильно варьироваться в зависимости от целей конкретного прогноза временных и финансовых ограничений и состоять только из двух экспертов). Существуют два базовых подхода в реализации такого прогнозирования: метод экспертных оценок (метод прогнозирования, при котором эксперты собираются в группу и дают индивидуальные прогнозы, а на их основе выводится общий прогноз, который считается более достоверным, чем индивидуальные) и метод Дельфи (или дельфийский метод), который, в отличие от вышеназванного, является заочным, анонимным и многоэтапным. Принцип работы метода Дельфи представлен на рис. 2.

Рис. 2. Процесс прогнозирования по методу Дельфи

И с т о ч н и к: разработка автора.

Исходная предпосылка метода: если грамотно обобщить и обработать индивидуальные оценки квалифицированных экспертов по поводу ситуации на рынке, то можно получить коллективное мнение, обладающее достаточной степенью достоверности и надежности.

Большинство малых и средних организаций, работающих в сфере туризма, не имеют достаточно времени и ресурсов для использования различных методов прогнозирования. Как выбрать подходящий метод для прогнозирования?

Конечно, существуют очевидные прагматичные вопросы, такие как стоимость и управленческие аспекты, которые должны приниматься во внимание. Однако при оценке различных методов следует учитывать и количественные критерии:

— надежность: насколько метод подвержен влиянию «выбросов» (резко выделяющихся значений величин данных). Надежный метод не будет отдавать значительный вес атипичным событиям, например данным года, когда проходил чемпионат мира или музыкальный фестиваль. Такие события значительно искажают модель, и поэтому используются качественные методы для настройки
прогноза;

— простота: зачастую (хотя и не всегда), самой подходящей и надежной моделью является модель, которая также является и самой простой. Одной из причин этой особенности является то, что чем больше факторов рассматривается в модели, тем больше вероятность появления нового источника ошибок;

— точность: насколько точным было прогнозное значение по сравнению с реальными данными. Д. К. Фрэхтлинг описывает следующие измерения точности прогноза: точность значения ошибки, точность направления изменения [5, р. 190].

Точность значения ошибки. Широко используемое измерение точности конкретного метода прогнозирования, математически определяется как

                       e_t = A_t – F_t ,

где e — величина ошибки прогнозного значения; t — период времени; А — фактическое значение прогнозного показателя; F — прогнозное значение.

Если прогнозное значение выше фактического, то значение ошибки будет положительным, если ниже — отрицательным.

Другой способ подсчета — измерение процента ошибки MAPE (от англ. mean absolute percentage error)

                       MAPE = 1 / n (e_t / A_t) 100,

где n — количество периодов времени.

Считается, что если значение MAPE менее 10 %, то прогноз очень точный, если же оно превышает 50 %, то прогноз является слишком неточным.

Точность направления изменения (совпало ли направление изменения прогнозного показателя с фактическим направлением изменения, например увеличилась или уменьшилась величина спроса) определяется как:

                       DCA = (∑FD_t / ∑AD_t) 100,

где DCA — процент точности направления изменения; FD — точность прогнозного направления изменения; AD — фактическое направление изменения.

Таким образом, для правильного выбора метода прогнозирования в сфере туризма следует в первую очередь исходить из того, какие ресурсы (экономические, практические, человеческие) доступны и как тем самым они могут ограничить выбор методик прогнозирования на начальном этапе. Следует также руководствоваться приведенными сведениями о сильных и слабых сторонах методик и соответствующих базовых требованиях построения
моделей.

Литература

1. Геец, В. М. Отраслевое прогнозирование: методический и организационный аспекты / В. М. Геец. — Киев: Наукова думка, 1990. — 118 с.
2. Лапыгин, Ю. Н. Экономическое прогнозирование: учеб. пособие / Ю. Н. Лапыгин, В. Е. Крылов, А. П. Чернявский; под ред. Ю. Н. Лапыгина. — М.: Эксмо, 2009. — 256 с.
3. Уемов, А. И. Логические основы метода моделирования / А.И. Уемов. — М.: Рипол Классик, 2013. — 318 с.
4. Belarus [Basic Indicators (Compendium) 2009—2013] [Electronic resource] // Metapress. — Mode of access: <http://resources.metapress.com/pdf-preview.axd?code=j27k9w6vwjg65jwr&size=largest>. — Date of access: 16.07.2014.
5. Frechtling, D. C. Forecasting Tourism Demand: Methods and Strategies / D. C. Frechtling. — London: Butterworth-Heinemann, 2001. — 279 p.
6. Song, H. Tourism Demand Modelling and Forecasting / H. Song, S. F. Witt. — New York: Routledge, 2011. — 186 p.
7. UNWTO Tourism Highlights: 2014 edition [Electronic resource] // United Nations World Tourism Organization. — Mode of access: <http://mkt.unwto.org/publication/unwto-tourism-highlights-2014-edition>. — Date of access: 10.08.2014.
8. UNWTO Tourism Highlights: 2013 edition [Electronic resource] // UNWTO ELibrary. — Mode of access: <http://www.e-unwto.org/content/hq4538/fulltext.pdf>. — Date of access: 08.08.2014.
9. Wong, K. F. Tourism Forecasting and Marketing / K. F. Wong, H. Song. — New York: Routledge, 2012. — 168 p.