.png&w=384&q=75)
Актуальность
Туристическая отрасль России функционирует в условиях цифровой трансформации, одним из перспективных направлений которой являются иммерсивные технологии (VR, AR, XR). Как отмечают Васюта и др. [6, с. 253-268], иммерсивные решения позволяют создавать новые форматы туристического продукта и повышать вовлечённость потребителей. Государственная поддержка инноваций в туризме требует обоснованного выбора приоритетов и инструментов, однако традиционные методы анализа недостаточно эффективны для работы с разнородными данными. Применение методов интеллектуального анализа данных (ИАД) позволяет выявлять скрытые закономерности и повышать обоснованность управленческих решений [2, с. 7-10].
Цель исследования
Разработка и апробация модели ИАД для обоснования мер государственной поддержки иммерсивных технологий в туризме на основе сегментации регионов по уровню готовности к внедрению XR-решений.
1. Методика и данные
Управленческая задача сформулирована следующим образом: обосновать выбор приоритетных мер поддержки с учётом различий регионов по уровню готовности к внедрению иммерсивных технологий и потенциальному эффекту. Единицей анализа выбран регион, поскольку основные инструменты государственной политики реализуются именно на региональном уровне.
Информационная база включает комбинацию статистических показателей и результатов экспертного опроса. Признаковое пространство сформировано из четырёх групп показателей (оценка по шкале 0–10):
- инфраструктура (Infra);
- кадровый потенциал (Staff);
- спрос на иммерсивные технологии (Demand);
- институциональная поддержка (Support).
Для апробации использован демонстрационный набор данных по шести регионам (рис. 1).
Рис. 1. Фрагмент набора данных
В работе использованы следующие методы ИАД: кластеризация (алгоритм k-means) [14, с. 181-219], скоринговая модель (интегральный индекс XR-готовности) и сценарный анализ. Программная реализация выполнена на языке Python с использованием библиотеки scikit-learn.
2. Результаты моделирования
Кластеризация. Применение алгоритма k-means позволило распределить регионы на три кластера (рис. 2), что согласуется с подходами к сегментации, предложенными в исследованиях Журавлевой и др. [11, с. 106-113] и Подольской и др.
Рис. 2. Интерпретация кластеров
Интегральный индекс XR-готовности. Для ранжирования регионов внутри кластеров разработана скоринговая модель: Ij=∑i=14wi⋅xijIj=∑i=14wi⋅xij.
Где веса определены экспертным путём: инфраструктура – 0,30; кадры – 0,25; спрос – 0,25; поддержка – 0,20.
На основе индекса выделены три уровня готовности, которым поставлены в соответствие рекомендуемые меры поддержки (рис. 3).
Рис. 3. Соответствие групп регионов и мер поддержки
Сценарный анализ. Сравнены три сценария: базовый (без поддержки), универсальный (одинаковые меры для всех регионов) и адресный (на основе ИАД). Результаты представлены на рисунке 4.
Рис. 4. Сравнение эффективности сценариев
Анализ чувствительности (изменение входных данных на ±10–15%) показал, что структура кластеров сохраняется, что свидетельствует о робастности модели. Полученные результаты согласуются с выводами зарубежных исследований по применению анализа данных в государственном управлении.
3. Выводы и практическая значимость
Разработанная модель интеллектуального анализа данных:
- Обеспечивает корректную сегментацию регионов по уровню готовности к внедрению иммерсивных технологий;
- Демонстрирует устойчивость к изменениям входных параметров;
- Позволяет формировать дифференцированные рекомендации по мерам государственной поддержки;
- Обладает высокой интерпретируемостью, что важно для использования в государственном управлении.
Практическая значимость заключается в возможности применения модели органами государственной власти для обоснованного распределения бюджетных ресурсов при поддержке иммерсивных технологий в туризме. Адресный сценарий (на основе ИАД) снижает риск неэффективных затрат и повышает результативность государственной политики по сравнению с универсальным подходом.
.png&w=640&q=75)
