Модель підтримки прийняття рішень щодо доцільності фінансування у розвиток туристичної інфраструктури
DOI:
https://doi.org/10.24144/2616-7700.2024.44(1).155-167Ключові слова:
гібридна модель, прийняття рішень, багатокритеріальне оцінювання, нечіткі множини, туристична інфраструктура, сталий розвиток регіонівАнотація
Проведено дослідження актуальної задачі розроблення моделі підтримки прийняття рішень щодо доцільності фінансування у розвиток туристичної інфраструктури, на основі прогнозованої оцінки рівня туристичного руху відносно інфраструктури та доступності досліджуваних регіонів, думок експертів щодо рівня якості туристичних послуг та розвитку туризму, а також міркуваннях експертів стосовно перспектив швидкого зростання туристичного руху в регіоні.
В основу дослідження покладений сучасний математичний апарат, а саме теорія нечітких множин, регресійний аналіз, системний підхід, інтелектуальний аналіз знань та нейро-нечіткі мережі, що в сукупності дозволяють підвищити ступінь обґрунтованості остаточних управлінських рішень.
Цінність моделі є те, що вона з одного боку поєднує кількісні прогнозовані оцінки рівня туристичного руху відносно інфраструктури та доступності досліджуваних регіонів, отримані за допомогою аналізу реальних даних, а з іншого, експертні висновки щодо рівня якості туристичних послуг та перспектив швидкого зростання туристичного руху в регіоні.
На основі вихідної оцінки підвищується ступінь обґрунтованості прийняття управлінських рішень щодо доцільності фінансування інвесторами у розвиток туристичної інфраструктури, вибору найкращої комбінації регіонів, наприклад для мережевого бізнесу, або органам державної влади щодо підтримки окремих регіонів для зменшення розриву розвитку туризму.
Подальше дослідження проблематики вбачаємо в розроблені програмного забезпечення у вигляді веб-платформи, на основі розробленої моделі підтримки прийняття рішень щодо доцільності фінансування у розвиток туристичної інфраструктури.
Посилання
- Wenshun, Lv., Park, Ju H., Junwei, Lu, & Guo, R. (2022). Adaptive fuzzy output feedback control for a class of uncertain nonlinear systems in the presence of sensor attacks. Journal of the Franklin Institute. https://doi.org/10.1016/j.jfranklin.2022.10.047
- Chandrika, K. (2022). Intelligent sampling for surrogate modeling, hyperparameter optimization, and data analysis. Machine Learning with Applications, 9. https://doi.org/10.1016/j.mlwa.2022.100373
- Paulo Vitor de Campos Souza. (2020). Fuzzy neural networks and neuro-fuzzy networks: A review the main techniques and applications used in the literature. Applied Soft Computing, 92. https://doi.org/10.1016/j.asoc.2020.106275
- Zhang, R., & Tao, J. (2018). A nonlinear fuzzy neural network modeling approach using an improved genetic algorithm. IEEE Trans. Ind. Electron, 65(7). 5882–5892.
- Stoffelen, A., & Vanneste, D. (2017). Tourism and cross-border regional development: insights in European contexts. European Planning Studies, 25(6). https://doi.org/10.1080/09654313.2017.1291585
- Rezvani, M., Nickravesh, F., Astaneh, A. D., & Kazemi, N. (2022). A risk-based decisionmaking approach for identifying natural-based tourism potential areas. Journal of Outdoor Recreation and Tourism, 37, 1013–1033. https://doi.org/10.1016/j.jort.2021.100485
- Reisenwitz, T. H., & Fowler, J. G. (2019). Information Sources and the Tourism Decisionmaking Process: An Examination of Generation X and Generation Y Consumers. Global Business Review, 20(6), 1372–1392. https://doi.org/10.1177/0972150919848938
- Stylos, N. (2020). Technological evolution and tourist decision-making: a perspective article. Tourism Review, 75(1), 273–278. https://doi.org/10.1108/TR-05-2019-0167
- Della Lucia, M. (2013). Economic performance measurement systems for event planning and investment decision making. Tourism Management, 34, 91–100. https://doi.org/10.1016/j.tourman.2012.03.016
- Ilban M. O., & Yildirim, H. H. (2017). Determination of tourism activities of the world’s best tourism destinations using the multi-criteria decision-making method. Cogent Social Sciences, 3(1). https://doi.org/10.35666/25662880.2015.1.521
- Polishchuk, I. V., Polishchuk, V. V., & Povkhanych, V. I. (2023). A fuzzy model for assessing the level of tourist traffic in relation to infrastructure and accessibility. Scientific papers. Technical sciences, 66(1), 104–116. https://doi.org/10.32403/1998-6912-2023-1-66-104-116
- James, G. MacKinnon. (2021). Fast cluster bootstrap methods for linear regression models. Econometrics and Statistics, https://doi.org/10.1016/j.ecosta.2021.11.009
- Malyar, M. M., Polishchuk, A. V., Polishchuk, V. V., & Sharkadi, M. M. (2019). Neuro-fuzzy multicriteria assessment model. Radio electronics, informatics, management. https://doi.org/10.15588/1607-3274-2019-4-8
- Data from 327 respondents for assessing the level of feasibility of financing the development of tourist infrastructure. Retrieved from https://docs.google.com/spreadsheets/d/13ag2i1OccJOGS3_MF6RqDSEWS-hyooEP/edit?-usp=sharing&ouid=110688046638619396256&rtpof=true&sd=true
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 І. В. Поліщук, Б. В. Дурняк
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
