Preview

Стратегические решения и риск-менеджмент

Расширенный поиск

ТЕХНОЛОГИИ СБОРА ДАННЫХ В СЕТИ ИНТЕРНЕТ И ИХ ПРОСТРАНСТВЕННОГО АНАЛИЗА ПРИ ПРИНЯТИИ СТРАТЕГИЧЕСКИХ РЕШЕНИЙ В ТУРИСТИЧЕСКОЙ ОТРАСЛИ

https://doi.org/10.17747/2618-947X-2021-2-170-177

Содержание

Перейти к:

Аннотация

В работе предлагается взгляд на новые возможности, которые открываются в управлении в условиях развития информационных технологий. Целью исследования является выделение преимуществ применения технологий сбора больших данных и пространственной статистики для принятия стратегических решений в туристической отрасли. В работе на примере горнолыжного курорта «Абзаково» показаны технологии сбора данных в интернете, проведена оценка пространственной зависимости данных и сформированы выводы, позволяющие в последующем принимать стратегические решения как предприятиям, расположенным на данной территории, так и органам государственного управления, заинтересованным в развитии этой туристической зоны. Так, анализ географии участников группы «Абзаково» позволил выделить статистически значимую пространственную зависимость их возраста, проявляющуюся в соседстве более взрослых участников группы вблизи курорта. Результаты анализа рейтинга объектов туристической инфраструктуры в районе горнолыжного курорта «Абзаково» выделили пространственно связанные зоны низких и высоких значений рейтингов.

Для цитирования:


Лакман И.А., Тимирьянова В.М. ТЕХНОЛОГИИ СБОРА ДАННЫХ В СЕТИ ИНТЕРНЕТ И ИХ ПРОСТРАНСТВЕННОГО АНАЛИЗА ПРИ ПРИНЯТИИ СТРАТЕГИЧЕСКИХ РЕШЕНИЙ В ТУРИСТИЧЕСКОЙ ОТРАСЛИ. Стратегические решения и риск-менеджмент. 2021;12(2):170-177. https://doi.org/10.17747/2618-947X-2021-2-170-177

For citation:


Lakman I.A., Timiryanova V.M. STRATEGIC DECISIONS IN THE TOURISM INDUSTRY BASED ON INTERNET DATA COLLECTION TECHNOLOGIES AND THEIR SPATIAL ANALYSIS. Strategic decisions and risk management. 2021;12(2):170-177. https://doi.org/10.17747/2618-947X-2021-2-170-177

  1. Введение

«Поток огромных объемов информации различных структур, содержащих знания колоссальной ценности, растет с большой скоростью» [Шведов, 2017]. В условиях конкурентной борьбы выигрывает тот, кто обладает наиболее полной информацией, в связи с чем идет непрекращающийся процесс поиска инструментов сбора и обработки формирующихся данных. Это касается всех отраслей и сфер деятельности, в том числе туристической отрасли.

Туристическая отрасль – одна из наиболее активно развивающихся отраслей мировой экономики [Бутенко, 2015]. Ее развитие оказывает влияние не только на объекты туристской инфраструктуры, но также косвенно сказывается на транспортной сфере, строительстве, легкой и пищевой промышленности. Соответственно, в развитии туризма заинтересованы как владельцы объектов туристской инфраструктуры, так и органы власти, поскольку она положительно отражается на притоке денежных средств, развитии территории и ее инвестиционной привлекательности.

Важность этой отрасли определяет интерес к исследованиям факторов ее развития. В условиях развития больших данных все больший исследовательский интерес вызывают открытые данные. В основном это отзывы и рейтинги, оставляемые туристами на различных сайтах в сети Интернет. Спектр источников данных, равно как и тематика исследований, использующих эту информацию, довольно широк [Alaei et al., 2017; Булгаков, 2018; Пигарева, Шевелев, 2018; Li et al., 2018; Ćurlin et al., 2019; Домбровская, 2020; Chang et al., 2020]. Собираемые данные чаще всего используются для проведения семантического анализа текстов, в том числе в целях определения ключевых моментов, наиболее важных для клиентов [Alaei et al., 2017; Ćurlin et al., 2019], или «тональности постов» [Булгаков, 2018]. В ряде случаев результаты визуализируются на картах [Adhinugroho et al., 2020; Chang et al., 2020]. Однако исследований, предусматривающих еще и пространственный анализ этих данных, очень мало, несмотря на то что современное развитие технологий предполагает их географическое структурирование. Более того, для России в целом свойственно их отсутствие применительно к каким-либо исследованиям в туристической отрасли. Так, С.А. Тархов отмечает, что исследования в России сводятся «даже не к анализу размещения туризма, а к изучению влияния разных факторов на особенности туризма в том или ином регионе или стране» [Тархов, 2019], то есть не предусматривают применение инструментов пространственной статистики.

В то же время в зарубежной литературе рассматривается довольно широкий спектр вопросов с применением этих инструментов и моделей. Так, У. Ли, Л. Пеннингтон-Грей и Ж. Ким исследовали с помощью географически взвешенной регрессии влияние близости к пляжу, центру города и аэропорту на безопасность пищевых продуктов в 308 ресторанах при отелях [Lee et al., 2019]; М. Салас-Олмедо и соавторы изучали пространственную автокорреляцию туристической активности на основе 234 159 твитов, сопоставляя их с данными, получаемыми из открытых источников данных Panoramio и Foursquare [Salas-Olmedo et al., 2018]; С. Жанг, Г. Жанг и Х. Йю оценивали пространственные закономерности развития туризма в бассейне Желтой реки с точки зрения объема туристов (внутренних и въездных) и доходов от туризма (внутреннего и въездного) на уровне провинций и префектур [Zhang et al., 2020]. В целом список таких работ может быть достаточно широк, как широк и спектр направлений использования получаемых результатов.

Если говорить о предприятиях, то такая информация позволяет им принимать решения относительно направлений дальнейшего развития своей деятельности, начиная от банальных маркетинговых планов, учитывающих географическую организацию клиентов, и заканчивая формированием направлений расширения деятельности, принимающих во внимание конкурентное окружение и иерархию туристических мест.

Если говорить о государстве, то здесь спектр направлений работы также широк: обеспечение безопасности и разработка рекомендаций по организации деятельности вблизи объектов притяжения населения (природных, культурных и др.), создание инфраструктуры, привлечение инвестиций на развитие территорий и т. д. Связь результатов с пространственной локацией объектов, их формирующих, очевидна, и ее конкретная количественная оценка в конкретной ситуации позволяет принимать обоснованные решения.

Целью исследования является выделение преимуществ применения технологий сбора больших данных и пространственной статистики для принятия стратегических решений в туристической отрасли. Для достижения поставленной цели были решены следующие задачи: обзор инструментов сбора и пространственного анализа данных, сбор и оценка данных сайтов VK.ru и Google.com на примере горнолыжного курорта «Абзаково», обобщение полученных результатов.

  1. Методология исследования и данные

Применяемый в рамках настоящего исследования инструментарий можно разделить на две группы: к первой относятся инструменты сбора и структурирования данных, ко второй – инструменты анализа.

Сбор первичной информации часто занимает львиную долю всего времени, потраченного на исследование. Когда речь идет о микроуровневом анализе (например, о работе отдельных предприятий, об отношениях с клиентами), сбор информации из внешних источников предполагает проведение полевых исследований. Особенно трудоемким является проведение опроса, необходимого для понимания различных поведенческих паттернов. В то же время в условиях развития информационных технологий, когда население само оставляет данные о себе в сети Интернет, а также так или иначе осуществляет оценку деятельности предприятий, на ряд вопросов может быть получен ответ и без этого трудоемкого метода сбора данных. Спектр открытых данных довольно широк, поэтому «с развитием информационных технологий стали создаваться более объемные базы данных на интернет-порталах и сайтах, а также появились инструменты (так называемые парсеры) формирования на основе интернет-данных выборок с заданными характеристиками» [Трифонов и др., 2020]. Именно такой инструмент применялся в настоящей работе для сбора данных.

Парсинг определяется как «автоматизированный сбор неструктурированной информации, ее преобразование и выдача в структурированном виде» [Селиверстов и др., 2019]. «Технологии парсинга позволяют извлекать большой объем фактических данных, который обрабатывается инструментами дата-майнинга» [Днепровская, 2020]. Этот инструмент активно начал применяться в России последние пять лет, в то время как в ряде зарубежных стран результаты его использования нашли отражение в научных работах еще двадцать лет назад [Piccoli, 2001]. В целом он имеет довольно широкий круг применения. В частности, он позволил собрать данные для моделирования рыночной стоимости автомобиля на основе объявлений о продаже автомобилей [Трифонов и др., 2020], оценки состояния транспортных магистралей Северо-Западного федерального округа России [Селиверстов и др., 2019], анализа запросов для привлечения абитуриентов [Плотников, 2016] и данные электронных государственных закупок [Цыганова и др., 2020]. В туристическом секторе такой метод сбора применялся для анализа отзывов посетителей отелей на сайте Tripadvisor [Chang et al., 2020], сообщений туристов в Twitter [Alaei et al., 2017; Ćurlin et al., 2019], ВКонтакте [Домбровская, 2020], Facebook [Булгаков, 2018], Instagram [Пигарева, Шевелев, 2018], Yahoo [Li et al., 2018] и т. д.

Для парсинга, как правило, применяют специализированные программы, а также различные библиотеки под пакеты Phyton и R. При этом необходимо учитывать, что крупные сайты, владеющие пользующимися спросом большими данными, предоставляют доступ к ним через API1. В этих случаях, как правило, под каждый из них формируются собственные специализированные библиотеки. В частности, в рамках данного исследования применялись библиотеки vkR, googlewаy, а также требовалось подключение соответствующих API, так как и социальная сеть ВКонтакте, и поисковая система Google имеют четко регламентированный набор готовых классов, функций или структур для работы с имеющимися данными. Следует отметить, что сбор данных с сайтов в целом не противоречит законодательству, в случае если владельцем сайта в лицензии robots.txt не прописан запрет на него, как, например, в социальных сетях Facebook и Instagram, а также в поисковой сети Yandex. И если в Yandex возможность парсинга допускается в случае получения лицензии, в том числе коммерческой, то Facebook на текущий момент жестко придерживается политики ограждения личных данных пользователей от какой-либо обработки. Социальная сеть ВКонтакте также имеет ограничения на сбор, которые прописаны в правилах платформы (п. 2), в ряде случаев требующие получения согласия от администрации сайта.

В рамках данного исследования проводился анализ горнолыжного курорта «Абзаково», расположенного в создаваемой на территории Республики Башкортостан туристической зоны «Урал». С целью выявления пространственных особенностей, связанных с этим курортом, была проанализирована группа в социальной сети ВКонтакте «Абзаково»2, а также рейтинги объектов общественного питания и размещения горнолыжного центра в картах Google. Сбор данных осуществлялся в апреле 2021 года.

Группа в социальной сети ВКонтакте «Абзаково» на момент сбора данных насчитывала 36 755 чел., среди которых 54,6% указали свою принадлежность женскому полу, а  19 чел. не указали или скрыли свой пол. 54,3% всех участников отметили город своего проживания, 21,4% – год своего рождения. Отсутствие данных по ряду участников определяется применяемыми ими настройками приватности, изменяющимися в диапазоне от «видят все пользователи» до «только я». География участников группы очень широкая, выходящая за границы России. Есть участники, отметившие свое расположение в Абу-Даби, Леоне, Лондоне и т. д. Анализ возраста участников группы проводился только по 7802 наблюдениям в России (рис. 1). Следует согласиться с тем, что достоверность указанных данных сложно проверить, и это должно учитываться в анализе [Salas-Olmedo et al., 2018; Домбровская, 2020]. Так, возвращаясь к возрасту участников группы, мы не можем исключать того, что часть из них завысила свой возраст в связи с ограничениями по возрасту при регистрации в социальной сети ВКонтакте, часть участников могла занизить свой возраст или указать неверную дату по каким-либо причинам.

С карт Google были взяты данные о 23 объектах туристической инфраструктуры, среди которых семь кафе, один ресторан, одна столовая, четырнадцать отелей и домов отдыха, расположенных в непосредственной близости к горнолыжному центру в деревнях Абзаково и Новоабзаково, а также на трассе Р316, ведущей в г. Белорецк (рис. 2).

Анализ данных проводился наиболее известным методом пространственной статистики и включал оценку локальных индексов Морана (LISA – Local Index Spatial Autocorrelation) [Moran, 1948; Anselin et al., 2002]:

 (1)

где x ̅ – среднее значение показателя, wij – пространственная матрица, N – число исследуемых единиц.

Для анализа пространственного распределения участников группы социальной сети ВКонтакте и для анализа рейтингов объектов инфраструктуры применялись разные матрицы (wij), учитывающие соседство i-го и j-го объектов наблюдения. В случае анализа рейтингов объектов инфраструктуры применялась простая матрица соседства первого порядка, построенная по критерию ферзя. В случае анализа участников социальной группы ВКонтакте использовалась матрица расстояний с радиусом 0,4°. Применение других типов матриц во втором случае было невозможно в силу особенностей данных. Так, наличие городов с единичными участниками делало нецелесообразным использование матрицы типа k – ближайших соседей, так как в этом случае в качестве соседей могли учитываться наблюдения из других городов, находящихся на достаточно большом удалении. В городах со значительным количеством участников матрица соседства, равно как и матрица типа k – ближайших соседей, не позволяла охватить всю совокупность связей, возможно, существующих между наблюдениями внутри города.

При интерпретации полученных результатов расчета локального индекса Морана важны и знак, и полученное значение. При LImi < 0 имеется отрицательная пространственная автокорреляция, то есть объект наблюдения по этому значению существенно отличается от соседних (outlier). При LImi > 0 пространственная автокорреляция положительная, то есть это наблюдение по данному значению подобно соседним (cluster). На основе значений локального индекса Морана и их статистической значимости могут быть выделены ядра кластеров.

  1. Высокий – высокий – наблюдения имеют относительно высокие собственные значения анализируемого показателя, окружены наблюдениями также с относительно высокими значениями анализируемого показателя. Пространственная автокорреляция положительная.
  2. Низкий – низкий – наблюдения имеют относительно низкие собственные значения анализируемого показателя, окружены наблюдениями также с относительно низкими значениями анализируемого показателя. Пространственная автокорреляция положительная.
  3. Высокий – низкий – наблюдения имеют относительно высокие собственные значения анализируемого показателя, окружены наблюдениями с относительно низкими значениями анализируемого показателя. Пространственная автокорреляция отрицательная.
  4. Низкий – высокий – наблюдения имеют относительно низкие собственные значения анализируемого показателя, окружены наблюдениями с относительно высокими значениями анализируемого показателя. Пространственная автокорреляция отрицательная.
  5. Результаты пространственного анализа участников социальной группы «Абзаково» по возрасту

География участников группы отражена на рис. 3. Следует отметить, что более 70% наблюдений – участников группы проживают в районе Южного Урала, то есть в непосредственной близости от горнолыжного курорта. Больше всего участников группы проживают в г. Магнитогорске (1271 наблюдение, или 16,3%), следующим городом является Уфа (952 чел., или 12,2% анализируемых участников).

Оценка локального индекса Морана показала, что присутствует определенная (значимая на уровне p < 0,05) пространственная связь наблюдений, позволяющая выделить отдельные города (рис. 3). Красным выделены территории, на которых наблюдения с более высокими значениями показателя соседствуют с наблюдениями, имеющими также относительно более высокие значения показателя. Применительно к анализируемому показателю «год рождения» можно говорить о том, что в зонах, выделенных красным цветом, преобладают молодые участники группы, а в зонах, выделенных синим, люди более старшего возраста соседствуют с людьми, средний возраст которых также относительно высок.

В целом эти расчеты можно подтвердить, проанализировав возрастную структуру участников в разрезе каждого города. Например, при равном диапазоне годов рождения участников группы (1930–2006 годы рождения) в Москве для 914 наблюдений среднее значение составляет 1991 год, медиана – 1992 год, а в Магнитогорске для 1271 наблюдений среднее значение – 1986 год, медиана – 1987 год (рис. 4).

Если обратить внимание на локализацию синих точек, то можно отметить их концентрацию в районе южного Урала, в непосредственной близости от горнолыжного курорта «Абзаково». Это, в свою очередь, указывает на то, что близость способствует охвату более взрослых туристов. На юге и юго-западе страны преобладают красные точки, указывающие на то, что на этих территориях наблюдения – участники группы имеют более высокие значения года рождения (то есть относительно всей совокупности наблюдений более молодые люди), соседствуют с аналогично относительно более молодыми участниками группы. Косвенно это говорит о том, что в этих городах, возможно, существуют группы с общими ценностями, включающими интерес к горным лыжам. Объективно люди, общаясь, передают информацию о курорте «из уст в уста», способствуя расширению круга туристов в этой возрастной прослойке. Такое понимание особенностей распределения возможных клиентов горнолыжного курорта определяет стратегии его продвижения на различных территориях.

Рис. 1. Гистограмма возраста участников группы «Абзаково», включенных в анализ

Fig. 1. Histogram of the age of the Abzakovo group participants included in the analysis

Рис. 2. Рейтинги мест размещения и объектов питания, представленные на картах Google

Fig. 2. Ratings of accommodation and food facilities from Google maps

Рис. 3. Локальные индексы Морана для участников группы «Абзаково» в России

Fig. 3. Local Moran’s I for Abzakovo group members located in Russia

Рис. 4. Гистограммы участников группы «Абзаково» в Москве и Магнитогорске

Fig. 4. Histograms of the Abzakovo group members located in Moscow and Magnitogorsk

Рис. 5. Локальные индексы Морана для объектов инфраструктуры горнолыжного курорта «Абзаково»

Fig. 5. Local Moran’s I for infrastructure facilities of the Abzakovo ski area

  1. Результаты пространственного анализа рейтинга объектов туристической инфраструктуры в районе горнолыжного курорта «Абзаково»

География объектов инфраструктуры и рейтинги, которые они получили на картах Google, представлены на рис. 5. Видно, что объекты, находящиеся непосредственно на лыжной трассе и в Абзаково, оцениваются туристами хуже. Однако пространственный анализ позволяет оценивать инфраструктуру под ракурсом окружения. Расчет локальных индексов Морана позволил выделить четыре статистически значимые точки. В нижней части рис. 5 четко выделяется синяя точка, указывающая на то, что этот объект имеет низкие значения рейтинга и окружен объектами, также имеющими относительно низкие значения показателя.

В Новоабзаково выделяются три красные точки, для которых характерны относительно высокие значения рейтингов, и они окружены объектами, также имеющими относительно более высокие оценки. Здесь акцент делается не на рейтинге объекта, а на соотношении его рейтинга и рейтинга окружения, а также концентрация таких объектов в пространстве.

  1. Заключение

В настоящее время с развитием информационных технологий спектр данных, учитываемых при принятии стратегических решений, может быть значительно расширен. Появление открытых источников неограниченной информации, которая к тому же географически структурирована, открывает широкий диапазон возможностей. В рамках настоящей работы был представлен небольшой пример таких возможностей, включая применение новых технологий сбора данных, а также их последующего анализа методами пространственной статистики.

Результаты анализа географии участников группы «Абзаково» показали не только их преимущественное проживание в районе Южного Урала, но и позволили выделить статистически значимую пространственную зависимость их возраста, проявляющуюся в соседстве более взрослых участников группы вблизи курорта. Результаты анализа рейтинга объектов туристической инфраструктуры в районе горнолыжного курорта «Абзаково» показали, что более рейтинговые объекты группируются в восточных районах д. Новоабзаково, а в зоне лыжни отмечаются пространственно связанные низкие значения. При анализе объектов инфраструктуры не было выявлено статистически значимых обратных зависимостей. В то же время при анализе именно они вызывают наибольший интерес, акцентируя внимание на объектах, имеющих низкие значения показателей в сравнении с окружением, имеющим высокие значения, и наоборот.

Безусловно, здесь требуется дальнейший анализ причин сложившейся ситуации. Однако в рамках настоящей работы такой задачи не ставилось. Ключевая цель состояла в выявлении возможностей, которые открывают новые инструменты, развивающиеся с появлением больших данных. Необходимо понимать, что в данном случае анализировалось небольшое количество объектов наблюдения. При переходе на большее количество наблюдений крайне важной становится скорость определения ключевых точек в пространстве, требующих различных подходов к анализу, получить которую позволяют новые инструменты сбора и анализа данных. Кроме того, увеличение числа наблюдений расширяет возможности включения в модели большего количества признаков и способствует увеличению степеней свободы в эконометрических моделях, определяющих достоверность статистических оценок. Но необходимо отметить и ряд недостатков, в частности присущих парсингу как способу сбора данных для анализа. В первую очередь это невозможность проверки достоверности информации, указанной участниками в личных профилях социальных сетей, а также субъективность и искусственная накрутка выставляемых оценок на интерактивных картах. Вторым недостатком является частичное отсутствие сведений по ряду полей, необязательных к заполнению, а также их сокрытие настройками приватности. Также необходимо учитывать, что активность в интернете свойственна не всем людям, соответственно, анализируя контент социальных сетей и рейтинги, нужно понимать, что это мнения людей определенного склада характера, социального типа и т. д.

1. Совокупность программных средств для работы с данными посредством HTTP-запросов.

2. Сбор данных осуществлялся с согласия группы.

Список литературы

1. Булгаков Д.С. (2018). Использование пакета NLTK и модели Вадера для оценки туристической привлекательности страны на примере Российской Федерации. Web of Scholar, 2(20): 4–7.

2. Бутенко И.В. (2015). Тенденции развития туристической отрасли в России. Статистика и экономика, 5: 90–93.

3. Днепровская Н.В. (2020). Метод исследования компетенций субъектов цифровой экономики. Открытое образование, 24(1): 4–12.

4. Домбровская В.Е. (2020). Аспекты туристского брендинга территории на примере Тверской области. Вестник ТвГУ. Сер. «География и геоэкология», 3(31): 94–101.

5. Пигарева Е.Ю., Шевелев И.А. (2018). Данные пользователей Instagram как основа для маркетингового анализа в событийном туризме. Туризм и рекреация: инновации и ГИС-технологии: Материалы X Международной научно-практической конференции (г. Астрахань, 26–27 мая 2018 г.) / сост. И.С. Шарова, М.М. Иолин. Астрахань. Новая линия, 6–12.

6. Плотников А.В. (2016). Анализ геозависимых запросов в поисковой системе Яндекс для привлечения абитуриентов в вузы. Практический маркетинг, 1(239): 12–16.

7. Селиверстов Я.А., Никитин К.В., Шаталова Н.В., Киселев А.А. (2019). Оценка состояния транспортных магистралей Северо-Западного федерального округа с использованием анализа тональности отзывов пользователей сети Интернет. Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление, 12(3): 7–24.

8. Тархов С.А. (2019). Пространственный подход в географии туризма. Географический вестник, 4(51): 172–178.

9. Трифонов Н.Ю., Ливинская В.А., Коржуков В.В. (2020). Регрессионная модель оценки автомобилей на основе парсинга интернет-данных. Системный анализ и прикладная информатика, 2: 4–9.

10. Цыганова М.С., Буреш С.В., Чернушенко Д.А. (2020). Разработка инструментария анализа данных о государственных закупках по федеральным законам № 44-ФЗ и № 223-ФЗ (на базе аналитической платформы Loginom). Вестник Череповецкого государственного университета, 6(99): 59–72.

11. Шведов Д.И. (2017). Парсинг и матчинг данных для оперативного анализа динамических ситуаций. Горный информационно-аналитический бюллетень, 6: 200–204.

12. Adhinugroho Y., Putra A.P., Luqman M., Ermawan G.Y., Takdir, Mariyah S., Pramana S. (2020). Development of online travel Web scraping for tourism statistics in Indonesia. Information Research, 25(4): 885. URL: https://doi.org/10.47989/irpaper885.

13. Alaei A.R., Becken S., Stantic B. (2017). Sentiment analysis in tourism: Capitalizing on Big data. Journal of Travel Research, 004728751774775.

14. Anselin L., Syabri I., Smirnov O. (2002). Visualizing multivariate spatial correlation with dynamically linked Windows. Computing Science and Statistics. URL: https://www.semanticscholar.org/paper/Visualizing-Multivariate-Spatial-Correlation-with-Mirnov/4e34bd70317377971ba8df7259288b972ad6a239.

15. Chang Y.-C., Ku C.-H., Chen C.-H. (2020). Using deep learning and visual analytics to explore hotel reviews and responses. Tourism Management, 80, 104–129.

16. Ćurlin T., Jaković B., Miloloža I. (2019). Twitter usage in Tourism: Literature review. Business Systems Research, 10(1): 102–119.

17. Lee Y., Pennington-Gray L., Kim J. (2019). Does location matter? Exploring the spatial patterns of food safety in a tourism destination. Tourism Management, 71: 18–33.

18. Li D., Zhou X., Wang M. (2018). Analyzing and visualizing the spatial interactions between tourists and locals: A Flickr study in ten US cities. Cities, 74: 249–258.

19. Moran P. The interpretation of statistical maps (1948). Journal of the Royal Statistical Society, ser. B, 10: 243–251.

20. Piccoli G. (2001). Web-site marketing for the tourism industry: Another view. The Cornell Hotel and Restaurant Administration Quarterly, 42(6): 63–65.

21. Salas-Olmedo M.H., Moya-Gómez B., García-Palomares J.C., Gutiérrez J. (2018). Tourists’ digital footprint in cities: Comparing Big Data sources. Tourism Management, 66: 13–25.

22. Zhang S., Zhang G., Ju H. (2020). The spatial pattern and influencing factors of tourism development in the Yellow River Basin of China. PLoS ONE, 15(11): e0242029. URL: https://doi.org/10.1371/journal.pone.0242029.


Об авторах

И. А. Лакман
Башкирский государственный университет (Уфа, Россия)
Россия

Кандидат технических наук, доцент, заведующий лабораторией исследования социально-экономических проблем регионов, Башкирский государственный университет (Уфа, Россия). ORCID: https://orcid.org/0000-0001-9876-9202, ResearcherID: K-6878-2017, Scopus Author ID: 57192164952. Область научных интересов: методы статистического (эконометрического) моделирования, предиктивная аналитика, социально-экономические и биологические системы.



В. М. Тимирьянова
Башкирский государственный университет (Уфа, Россия)
Россия

Кандидат экономических наук, доцент, старший научный сотрудник, заместитель заведующего лабораторией исследования социально-экономических проблем регионов, Башкирский государственный университет (Уфа, Россия). ORCID: https://orcid.org/0000-0002-1004-0722, ResearcherID: N-3449-2015, Scopus Author ID: 57194428883. Область научных интересов: методы статистического (эконометрического) моделирования, потребительское поведение, пространственная экономика.



Рецензия

Для цитирования:


Лакман И.А., Тимирьянова В.М. ТЕХНОЛОГИИ СБОРА ДАННЫХ В СЕТИ ИНТЕРНЕТ И ИХ ПРОСТРАНСТВЕННОГО АНАЛИЗА ПРИ ПРИНЯТИИ СТРАТЕГИЧЕСКИХ РЕШЕНИЙ В ТУРИСТИЧЕСКОЙ ОТРАСЛИ. Стратегические решения и риск-менеджмент. 2021;12(2):170-177. https://doi.org/10.17747/2618-947X-2021-2-170-177

For citation:


Lakman I.A., Timiryanova V.M. STRATEGIC DECISIONS IN THE TOURISM INDUSTRY BASED ON INTERNET DATA COLLECTION TECHNOLOGIES AND THEIR SPATIAL ANALYSIS. Strategic decisions and risk management. 2021;12(2):170-177. https://doi.org/10.17747/2618-947X-2021-2-170-177

Просмотров: 1039


ISSN 2618-947X (Print)
ISSN 2618-9984 (Online)