Модельний конструкт економічного розвитку туристичного сектору України в умовах пандемії

Размещено на http://www.allbest.ru/

Модельний конструкт економічного розвитку туристичного сектору України в умовах пандемії

Гавдей Світлана Володимирівна аспірантка кафедри економічної кібернетики, Прикарпатський національний університет імені Василя Стефаника, м. Івано-Франківськ

Model construct of the ukrainian tourism sector's economic development in the pandemic conditions

Havdei Svitlana Volodymyrivna PhD student of the Department of Economic Cybernetics, Vasyl Stefanyk Precarpathian National University, Ivano-Frankivsk

Abstract

Tourism has become the most vulnerable sector of the world economy during COVID-19. The serious impact of the pandemic on all aspects of travel and tourism exacerbated the existing problems of the development of the tourism sector in Ukraine as well. Therefore, there is a need for the formation of a certain structure for ensuring the development of the tourism sector in the fight against the consequences of the pandemic, taking into account the experience of implementing world best practices.

The purpose of the article is to form a model construct of the economic development of the tourism sector of Ukraine in the conditions of the pandemic using cluster and discriminant analysis.

Based on the current and recommended by the European Bank for Reconstruction and Development (EBRD) tools for ensuring the development of the tourism sector of Ukraine, foreign experience of using these tools, this article selects a group of countries whose experience in combating the pandemic is the closest to implementation in Ukraine in the field of tourism.

To achieve this goal, the following model construct was used. The EU countries were classified according to similar groups of instruments of economic and organizational development of the tourism sector. For this, cluster analysis is considered the most suitable and effective. The result of cluster analysis was the formation of groups of similar cluster objects.

A functional dependency is constructed for each formed cluster. This functional dependence is expressed by a discriminant function calculated using discriminant analysis.

Based on the application of the discriminant function to the current and EBRD- recommended tools for ensuring the development of the tourism sector of Ukraine, the classification group most suitable for Ukrainian realities was selected. Thus, with an accuracy of 83.33%, it can be stated that Ukraine should follow the policies of the group of countries belonging to the second cluster: Germany, Greece, Iceland, Portugal, Lithuania and Croatia when choosing tools for the organizational and economic development of the tourism sector. It is their measures to support tourism during the coronavirus pandemic that are closest to the current and proposed EBRD tools for ensuring the development of the tourism sector in Ukraine.

Keywords: tourism sector, economic development, COVID-19 pandemic, cluster analysis, discriminant analysis.

Анотація

Туризм став найбільш вразливим сектором у світі економіки під час COVID-19. Серйозний вплив пандемії на всі аспекти подорожей та туризму загострив вже існуючі проблеми розвитку туристичного сектору і в Україні. Тому існує потреба у формуванні певного конструкту забезпечення розвитку туристичного сектору у боротьбі з наслідками пандемії з врахуванням досвіду впровадження передових світових практик.

Метою статті є формування модельного конструкту економічного розвитку туристичного сектору України в умовах пандемії за допомогою кластерного та дискримінантного аналізу.

Ґрунтуючись на поточних та рекомендованих Європейським банком реконструкції та розвитку (ЄБРР) інструментах забезпечення розвитку туристичного сектору України, зарубіжному досвіді застосування цих інструментів, в даній статті підібрано групу країн, досвід боротьби з пандемією яких є найбільш близьким для впровадження в Україні в сфері туризму.

Для реалізації даної мети використано наступний модельний конструкт. Здійснено класифікацію країн ЄС за схожими групами інструментів економічного та організаційного розвитку туристичного сектору. Для цього найбільш придатним та ефективним вважається кластерний аналіз. Результатом реалізації кластерного аналізу стало утворення груп подібних між собою об'єктів-кластерів.

Для кожного сформованого кластера побудовано функціональну залежність. Дана функціональна залежність виражена дискримінантною функцією, розрахованою за допомогою дискримінантного аналізу.

На основі застосування дискримінантної функції до поточних та рекомендованих ЄБРР інструментів забезпечення розвитку туристичного сектору України підібрано найбільш прийнятну для українських реалій класифікаційну групу. Таким чином, з точністю 83,33% можна стверджувати, що Україні при виборі інструментів організаційного та економічного розвитку туристичного сектору варто дотримуватись політик групи країн, що віднесені до другого кластеру: Німеччина, Греція, Ісландія, Португалія, Литва та Хорватія. Саме їх заходи підтримки туризму під час пандемії коронавірусу є найбільш близькими до поточних та пропонованих ЄБРР інструментів забезпечення розвитку туристичного сектору України.

Ключові слова: туристичний сектор, економічний розвиток, пандемія COVID-19, кластерний аналіз, дискримінантний аналіз.

Постановка проблеми

Поява нової коронавірусної хвороби у 2019 році стала однією з найпоширеніших та найбільш шокуючих подій століття. Пандемія жорстоко вдарила по фізичному, соціальному, психічному та економічному благополуччю людей у всьому світі. COVID-19 призвів до втрати життів і засобів до існування мільярдів людей на планеті.

За даними Всесвітньої організації охорони здоров'я загалом підтверджено понад 520 млн. випадків захворювання на COVID-19 [1]. Станом на травень 2022 року в усьому світі було зареєстровано понад 6 млн. смертей від COVID-19. В результаті близько 114 млн. людей у світі втратили роботу протягом 2020 року через масові локдауни, запроваджені для контролю передачі вірусу [2]. Жахливий вплив пандемії на різні сектори світової економіки викликав на початку і викликає зараз занепокоєння у політиків та зацікавлених сторін.

Аналіз останніх досліджень і публікацій

На відміну від будь-якої іншої галузі, туризм став найбільш вразливим сектором у світі економіки під час COVID-19 [3-9]. Серйозний вплив пандемії на всі аспекти подорожей та туризму загострив вже існуючі проблеми розвитку туристичного сектору і в Україні [3-7, 10-11]. Російська військова агресія проти України поставила на паузу питання підтримки економіки, в тому числі галузі туризму, від впливу пандемії.

Однак ймовірність все частішого виникнення таких пандемічних криз у майбутньому залишається. Тому це сигналізує про необхідність переосмислення забезпечення розвитку туризму в світлі великих криз, таких як COVID-19. І після перемоги України питання економіко-організаційного забезпечення розвитку туризму знову буде підняте. Тому існує потреба у формуванні певного конструкту забезпечення розвитку туристичного сектору у боротьбі з наслідками пандемії з врахуванням досвіду впровадження передових світових практик.

Мета статті - формування модельного конструкту економічного розвитку туристичного сектору України в умовах пандемії за допомогою кластерного та дискримінантного аналізу.

Виклад основного матеріалу

В Україні туристична галузь, в якій домінують малі та середні підприємства (МСП), відчула вплив СОУГО-19 миттєво. Агентство з розвитку туризму (SATD) отримало завдання розробити ефективну політику на допомогу сектору туризму [3].

Спираючись на свій досвід у секторі малого та середнього бізнесу та на попередню співпрацю в українській туристичній галузі, Європейський банк реконструкції та розвитку (ЄБРР) підтримав SATD в аналізі впливу кризи та було розроблено Національний план дій у сфері туризму [12]. План пропонував кілька рішень для підтримки МСП під час пандемії та мав сприяти підготовці до виходу з кризи, включаючи державну схему ваучерів на туризм, державну фінансову підтримку туристичного сектору МСП та їх працівників, пом'якшення правил, що регулюють туристичний бізнес та класифікацію готелів, спрощені заходи безпеки на карантині та спеціальну онлайн-платформу підтримки СОУГО-19 для МСП у секторі.

Ґрунтуючись на поточних та рекомендованих ЄБРР інструментах забезпечення розвитку туристичного сектору України [13], зарубіжному досвіді застосування цих інструментів [11], в даній статті буде підібрано групу країн, досвід боротьби з пандемією яких є найбільш близьким для впровадження в Україні в сфері туризму. Для реалізації даної мети використано наступний модельний конструкт:

1) здійснено класифікацію країн ЄС за схожими групами інструментів економічного та організаційного розвитку туристичного сектору. Для цього найбільш придатним та ефективним вважається кластерний аналіз [14-15], результатом реалізації якого стає утворення груп подібних між собою об'єктів-кластерів;

2) для кожного сформованого кластера побудовано функціональну залежність. Дана функціональна залежність буде виражена дискримінантною функцією, яка представляє собою показник, розрахований за допомогою дискримінантного аналізу [16]. Основною перевагою дискримінантного аналізу є можливість на основі дискримінантної функції спрогнозувати, до якого класу належить новий об'єкт. Це можливо завдяки так званим навчальним вибіркам або класифікації з навчанням;

3) на основі застосування дискримінантної функції до поточних та рекомендованих ЄБРР інструментів забезпечення розвитку туристичного сектору України буде підібрано найбільш прийнятну для українських реалій класифікаційну групу.

Отже, на першому етапі за основу класифікації країн взято групи інструментів забезпечення розвитку туристичного сектору (таблиця 1). Оскільки ці інструменти представлено якісними показниками, то для можливості застосування кластерних процедур ці показники приведено до бінарного виду: туристичний сектор економічний розвиток пандемія

П, якщо такий інструмент застосовується,

[О, якщо такий інструмент не застосовується.

В результаті сформовано множину ознак, за якими буде здійснюватися оцінювання відібраних об'єктів-країн (таблиця 1). В таблиці 1 сформовано дві колонки інструментів забезпечення розвитку туристичного сектору України. В першій відображено поточні інструменти (Україна), в другій колонці - рекомендовані ЄБРР інструменти (Україна*).

Кластеризація може здійснюватися двома способами: за допомогою ієрархічних або ітераційних процедур [14-15]. В нашому випадку обрано ієрархічні процедури, які полягають у виконанні послідовних дій для формування кластерів різного рангу, підпорядкованих між собою за чітко встановленою ієрархією. Найчастіше ієрархічні процедури здійснюються шляхом агломеративних (об'єднувальних) дій.

Наступним кроком кластерного аналізу є вибір міри подібності. Серед усієї множини мір (евклідова, манхеттенська, Чебишева, Мінковського, Махаланобіса та ін.) обрано найчастіше вживану евклідову відстань [15].

Таблиця 1

Формування множини ознак, за якими будуть оцінюватися відібрані об'єкти

Далі відбувається власне застосування кластерного аналізу для створення подібних груп об'єктів. З цією метою використано програмне середовище Statistica 8 (модуль Cluster Analysis).

Спочатку розраховано евклідові відстані (Euclidean distances). Вони являють собою симетричну квадратну матрицю відстаней, значення якої демонструють відстань кожного об'єкта по відношенню до іншого. Логічно, що відстань об'єкта самого до себе дорівнює 0. Відповідно найбільша відстань зафіксована між Францією та Ісландією (3,61), найменша - між Хорватією та Грецією (0,00). Це означає, що Франція та Ісландія мають суттєво різні інструменти економічного та організаційного розвитку туристичного сектору, а в Хорватії та Греції вони практично ідентичні.

Для формування кластерів можна скористатись методами одиничного зв'язку, повного зв'язку, середнього зв'язку або методом Уорда [14-15]. Нами використано метод одиничного зв'язку або його ще називають методом близького сусіда. Цей метод передбачає «приєднання одиниці сукупності до кластера, якщо вона близька (знаходиться на одному рівні схожості) хоча б до одного представника цього кластера» [15]. Послідовність приєднання об'єктів один до одного за обраним методом одиничного зв'язку (Single Linkage) в нашому випадку наступна: на першому кроці об'єднано країни з найвищим рівнем подібності - Хорватію та Грецію. Далі об'єднано Болгарію та Словаччину. Потім до Хорватії з Грецією приєднано Ісландію і т.д. На останньому кроці приєднано Польщу. Це за умови, якщо необхідно сформувати один кластер. В нашому випадку оптимальна кількість кластерів визначається «як різниця кількості спостережень і кількості кроків, після якої відстань об'єднання збільшується стрибкоподібно» [14].

Послідовне об'єднання подібних об'єктів з утворенням матриці подібності добре демонструє побудова дендрограми (деревоподібної діаграми). Цей графік відображає покрокове об'єднання об'єктів у кластери. На рисунку 1 можна побачити побудовану для нашого дослідження горизонтальну дендрограму.

Таким чином, на першому початковому етапі аналізу здійснено формування із досліджуваної сукупності об'єктів трьох окремих кластерів (таблиця 3).

Таблиця 3

Класифікація країн ЄС за схожими групами інструментів економічного розвитку туристичного сектору за допомогою кластерного аналізу

Наступним кроком є побудова для кожного кластера - класифікаційної групи країн дискримінантної функції. Метою побудови цієї функції є подальше встановлення, до якої групи країн (кластера) можна буде віднести Україну відповідно до поточних чи пропонованих ЄБРР інструментів економічного та організаційного розвитку туристичного сектору.

Оскільки всі інструменти економічного та організаційного розвитку туристичного сектору початково було поділено на три групи (таблиця 1), то при побудові дискримінантної функції селекція незалежних змінних теж здійснюватиметься за цими групами. Для кожної групи визначено класифікацію об'єктів - країн ЄС, яка визначає їх відношення до застосування інструментів економічного та організаційного розвитку туристичного сектору. Дана класифікація містить три кластери (таблиця 3).

Для побудови дискримінантної функції використано програмне середовище Statistica 8 (модуль Discriminant Analysis). В якості залежної змінної обрано номер кластера, незалежних змінних - показники груп 1-3. Аналіз незалежних змінних, які будуть включені в дискримінантну функцію, здійснено покроково. Відповідно максимальна кількість кроків дорівнює кількості незалежних змінних в кожній з груп. Покроковий аналіз з поступовим включенням незалежних змінних на кожній ітерації за допомогою статистики Фішера визначає, чи варто включати в модель наступну змінну.

Зазвичай, в покроковому аналізі дискримінантної функції незалежні змінні включаються до моделі, якщо їх значення статистики Фішера більше за значення F-включити, і навпаки [16]. Також критерій F-включити показує, яка змінна буде першою включена в модель. Для першої групи «Баланс інтересів туриста та туристичного сектору» - це «компенсація заробітної плати працівникам» ^-включити=11,27273), яка робить найбільший вклад в модель. Далі на кроці 2, на основі аналогічних міркувань, включаємо до моделі змінну «зміна умов скасування та бронювання подорожей». Алгоритм побудови дискримінантної функції буде зупинено, якщо на черговому кроці значення F- включити в модель буде меншим за задане значення ^-вкл. = 10) або ж на черговому кроці всі незалежні змінні уже будуть в моделі. В нашому випадку побудова дискримінантної функції зупинилась на останньому шостому кроці, оскільки F(12, 6) = 3,4943 < F-вкл.=10. Таким чином, в результаті до дискримінантної моделі було включено всі шість показників групи 1 «Баланс інтересів туриста та туристичного сектору».

Далі власне переходимо до класифікації, результатом якої є значення коефіцієнтів дискримінантної функції для кожного кластера (таблиця 4). Варто зауважити, що мається на увазі саме лінійна функція. В останньому рядку таблиці вказано значення константи дискримінантної функції.

Таблиця 4

Значення коефіцієнтів дискримінантної функції для кожного кластера за показниками групи 1

В таблиці 5 наведено статистичні характеристики класифікації. Загальним результатом, на який дивляться, щоб визначити, наскільки добре поточні функції класифікації передбачають групову приналежність випадків, є матриця класифікації. Матриця класифікації показує кількість об'єктів (в нашому випадку країн), які були класифіковані правильно (по діагоналі матриці), і тих, які були класифіковані неправильно. Як бачимо, матриця класифікації підтверджує гіпотезу про правильність розподілу країн за кластерами з 100-відсотковою точністю. До кластеру 1 віднесено 2 країни, другого - 6 та третього - 3.

Матриця класифікації за показниками групи 1

Існує ще один фактор, який необхідно враховувати при класифікації випадків. Іноді ми знаємо наперед, що в одній групі більше спостережень, ніж в будь-якій іншій; таким чином, апріорна ймовірність того, що випадок належить до цієї групи, вища. У нашому випадку апріорна ймовірність для : кластер 1: 2 + 11 = 0,18182,

< кластер 2: 5 + 11 = 0,54545, кластер 3: 3 + 11 = 0,27273.

Дискримінантний аналіз дозволяє вказати різні апріорні ймовірності, які потім будуть використовуватися для відповідного коригування класифікації випадків (і обчислення апостеріорних ймовірностей). Тобто, у нашому випадку ми встановили апріорні ймовірності пропорційними розмірам груп у нашій вибірці. Специфікація різних апріорних ймовірностей може значно вплинути на точність прогнозу.

Таким чином, на підставі аналізу статистичних характеристик класифікації можна стверджувати про прогностичну валідність функцій класифікації, тобтопро достовірністьта точність побудованих дискримінантних функцій для показників групи 1 «Баланс інтересів туриста та туристичного сектору». Це дасть змогу на їх основі спрогнозувати, до якого кластеру можна віднести Україну за показниками групи 1.

Аналогічні розрахунки проведено для показників другої та третьої груп. Як і у випадку з групою 1, в групі 2 «Підтримка малих та середніх підприємств (МСП) в туристичному секторі» використано всі п'ять показників для побудови дискримінантної функції. При цьому значення Б-включити не перевищує задане (Б'(10,8)=0,64725 < Б-вкл.=10). Значення коефіцієнтів дискримінантної функції для кожного кластера за показниками групи 2 наведено в таблиці 6.

Значення коефіцієнтів дискримінантної функції для кожного кластера за показниками групи 2

З матриці класифікації (таблиця 7) бачимо, що з 11 об'єктів - країн правильно класифіковано 8 (1+6+1 - по діагоналі матриці), і 3 країни класифіковані неправильно. Тобто матриця класифікації підтверджує гіпотезу про правильність розподілу країн за кластерами з точністю 72,7273 %, що є достатнім для продовження аналізу. Неправильно класифіковані країни - Італія та Польща (кластер 3), Словаччина (кластер 1).

Таблиця 7

Матриця класифікації за показниками групи 2

Загалом побудовані дискримінантні функції для показників групи 2 «Підтримка МСП в туристичному секторі» володіють задовільною валідністю. Тому вони можуть бути використані для подальшого прогнозування.

З таблиці 8 бачимо, що з дев'яти показників групи 3 «Формування механізмів відновлення туристичного сектору» до дискримінантної функції ввійшли тільки чотири. Причиною невключення до аналізу інших показників є перевищення на п'ятому кроці значення F-включити за задане F-вкл.=10. В результаті отримано коефіцієнти дискримінантної функції для групи 3. Формування механізмів відновлення туристичного сектору (таблиця 8).

Таблиця 8

Значення коефіцієнтів дискримінантної функції для кожного кластера за показниками групи 3

Статистичні характеристики класифікації (таблиця 9) свідчать про задовільну валідність побудованих моделей з точністю 72,72 %. Неправильно класифіковані країни, на які припало 27,27%, відносяться до кластеру 1 (Болгарія та Словаччина) та кластеру 3 (Польща).

Таблиця 9

Матриця класифікації за показниками групи 3

В цілому побудовані дискримінантні функції для показників групи 3 «Формування механізмів відновлення туристичного сектору» мають задовільну точність, тому можуть бути використані для подальшого прогнозування.

Третім етапом є підбір класифікаційної групи до поточних та рекомендованих ЄБРР інструментів забезпечення розвитку туристичного сектору України на основі застосування дискримінантних функцій. На основі українських даних з таблиці 1 та коефіцієнтів дискримінантних функцій (таблиці 4, 6, 8) розраховано значення дискримінантних функцій для України (таблиця 10).

Далі здійснено вибір найкращої дискримінантної залежності за найбільшим абсолютним значенням дискримінантної функції. В таблиці 10 комірки із таким значенням виділено фоном. В п'яти випадках з шести (0,8333) максимальне значення дискримінантної функції припало на кластер 2.

Таблиця 10

Значення дискримінантних функцій для туристичного сектору України

Таким чином, з точністю 83,33% можна стверджувати, що Україні при виборі інструментів організаційного та економічного розвитку туристичного сектору варто дотримуватись політик групи країн, що віднесені до другого кластеру: Німеччина, Греція, Ісландія, Португалія, Литва та Хорватія. Саме їх заходи підтримки туризму під час пандемії коронавірусу є найбільш близькими до поточних та потенційних (пропонованих ЄБРР) інструментів забезпечення розвитку туристичного сектору України.

Висновки

Зарубіжний та вітчизняний досвід показує, що питання забезпечення економічного розвитку туризму в світлі глобальних криз, таких як COVID-19, залишається актуальним і на сьогодні. Тому, в даній статті запропоновано модельний конструкт економічного розвитку туристичного сектору України в умовах пандемії за допомогою кластерного та дискримінантного аналізу. Результатом апробації даного інструментарію стало формування низки заходів щодо підтримки туризму під час пандемії, спираючись на досвід боротьби з пандемією країн ЄС.

Література:

1. World Health Organization (2022). WHO Coronavirus (COVID-19) Dashboard. Retrieved from: https://covid19.who.int/

2. World Economic Forum (2021). How Many JobsWere Lost in 2020 due to COVID-19? Retrieved from: https://www.weforum.org/agenda/2021/02/covid-employment-global-job-loss/

3. COVID-19 та соціальний діалог в туристичній галузі: практика ЄС та український реалії. (2020). Київ. [Електронний ресурс]. Режим доступу: http://eu-ua- csp.org.ua/news/240-covid- 19-ta-socialnij -dialog-v-turistichnij -galuzi-praktika-yes-ta-ukrayinskij -realiyi/

4. Бєляєва С.С., Куракін О.Б., Бишовець Л.Г. (2020). Організаційно-економічні аспекти якості послуг готелів і закладів розміщення під час пандемії на COVID-19. Збірник наукових праць ЧДТУ. Серія Економіка. Вип. 57. С. 54-63.

5. Ніколюк О.В., Хаустова В.Є., Петрів І.М. (2020). Державне регулювання розвитку сільського зеленого туризму в умовах пандемії COVID-19. Наукові записки Інституту законодавства ВРУ. № 5. С. 119-127.

6. Мартиненко В. О. (2021). Державне регулювання готельно-ресторанного бізнесу в умовах пандемії COVID-19. Бізнес Інформ. №5. C. 241 - 245.

7. Кулиняк І. Я., Жигало І. І., Ярмола К. М. (2021). Туристична галузь в умовах пандемії COVID-19: тенденції та заходи підтримання. Бізнес Інформ. №1. C. 177 - 184.

8. Chaudhary A. (2020). Impact and survival strategy for hospitality industry after Covid- 19. Int. J. Innov. Sci. Res. Technol. №5. Р.489-492.

9. Marome W., Shaw R. (2021). COVID-19 response in Thailand and its implications on future preparedness. Int. J. Environ. Res. Public Health. №18. Р.10-22.

10. Дишкантюк О.В., Потьомкін Л.М., Власюк К.В. (2021). Індустрія гостинності та туризму в умовах Covid-19: світова практика та українські реалії. Причорноморські економічні студії. Вип. 61. С. 11-17.

11. Дмитришин Л.І., Гавдей С.В. (2021). Зарубіжний досвід забезпечення розвитку туристичного сектору в умовах пандемії. Причорноморські економічні студії. Вип. 70. С.19-24.

12. Tourism sector support for Covid-19 recovery in Ukraine. Retrieved from: https://www.ebrd.com/what-we-do/economic-research-and-data/cse-economists/covid-19-recovery- in-ukraine.html

13. Дмитришин Л.І., Гавдей С.В. (2022). Економічне та організаційне забезпечення розвитку туристичного сектору України. Бізнес Інформ. №2. С.75-80.

14. Пістунов І.М., Антонюк О.П., Турчанінова І.Ю. (2008). Кластерний аналіз в економіці: Навч. посібник. Дніпропетровськ: Національний гірничий університет.

15. Єріна А.М. (2001). Статистичне моделювання та прогнозування: Навч. посібник. Київ: Київ. нац. екон. ун-т.

16. Клебанова Т.С. (2020).Бізнес-аналітикабагатовимірних процесів.

Мультимедійний навчальний посібник. Харків. [Електронний ресурс]. Режим доступу: http://ebooks.git-elt.hneu.edu.ua/babap/index.html

References:

1. World Health Organization. (2022). WHO Coronavirus (COVID-19) Dashboard. Retrieved from: https://covid19.who.int/

2. World Economic Forum. (2021). How Many Jobs Were Lost in 2020 due to COVID-19? Retrieved from: https://www.weforum.org/agenda/2021/02/covid-employment-global-job-loss/

3. COVID-19 ta sotsialnyi dialoh v turystychnii haluzi: praktyka YeS ta ukrainskyi realii. (2020). [COVID-19 and social dialogue in the tourism industry: EU practice and Ukrainian realities]. Kyiv. Retrieved from: http://eu-ua-csp.org.ua/news/240-covid-19-ta-socialnij-dialog-v- turistichnij-galuzi-praktika-yes-ta-ukrayinskij-realiyi/ [in Ukrainian].

4. Bieliaieva S.S., Kurakin O.B., Byshovets L.H. (2020). Orhanizatsiino-ekonomichni aspekty yakosti posluh hoteliv i zakladiv rozmishchennia pid chas pandemii na COVID-19 [Organizational and economic aspects of the quality of hotel and accommodation services during the COVID-19 pandemic]. Zbirnyk naukovykh prats ChDTU. Seriia Ekonomika - A collection of scientific works of ChDTU. Economy series, 57, 54-63. [in Ukrainian].

5. Nikoliuk O.V., Khaustova V.Ie., Petriv I.M. (2020). Derzhavne rehuliuvannia rozvytku silskoho zelenoho turyzmu v umovakh pandemii COVID-19 [State regulation of the development of rural green tourism in the conditions of the COVID-19 pandemic]. Naukovi zapysky Instytutu zakonodavstva VRU- Scientific notes of the Institute of Legislation of the VRU, 5, 119-127. [in Ukrainian].

6. Martynenko V.O. (2021). Derzhavne rehuliuvannia hotelno-restorannoho biznesu v umovakh pandemii COVID-19 [State regulation of the hotel and restaurant business in the context of the COVID-19 pandemic]. Biznes Inform - Business Inform, 5, 241-245. [in Ukrainian].

7. Kulyniak I.Ya., Zhyhalo I.I., Yarmola K.M. (2021). Turystychna haluz v umovakh pandemii COVID-19: tendentsii ta zakhody pidtrymannia [The tourism industry in the context of the COVID-19 pandemic: trends and maintenance measures] Biznes Inform - Business Inform, 1, 177-184. [in Ukrainian].

8. Chaudhary A. (2020). Impact and survival strategy for hospitality industry after Covid- 19. Int. J. Innov. Sci. Res. Technol, 5, 489-492.

9. Marome W., Shaw R. (2021). COVID-19 response in Thailand and its implications on future preparedness. Int. J. Environ. Res. Public Health, 18, 10-22.

10. Dyshkantiuk O.V., Potomkin L.M., Vlasiuk K.V. (2021). Industriia hostynnosti ta turyzmu v umovakh Covid-19: svitova praktyka ta ukrainski realii [Hospitality and tourism industry in the conditions of Covid-19: global practice and Ukrainian realities]. Prychornomorski ekonomichni studii - Black Sea Economic Studies, 61, 11-17. [in Ukrainian].

11. Dmytryshyn L.I., Havdei S.V. (2021). Zarubizhnyi dosvid zabezpechennia rozvytku turystychnoho sektoru v umovakh pandemii [Foreign experience of ensuring the development of the tourism sector in the conditions of a pandemic]. Prychornomorski ekonomichni studii - Black Sea Economic Studies, 70, 19-24. [in Ukrainian].

12. Tourism sector support for Covid-19 recovery in Ukraine. Retrieved from: https://www.ebrd.com/what-we-do/economic-research-and-data/cse-economists/covid-19-recovery- in-ukraine.html

13. Dmytryshyn L.I., Havdei S.V. (2022). Ekonomichne ta orhanizatsiine zabezpechennia rozvytku turystychnoho sektoru Ukrainy [Economic and organizational support for the development of the tourism sector of Ukraine]. Biznes Inform - Business Inform, 2, 75-80. [in Ukrainian].

14. Pistunov I.M., Antoniuk O.P., Turchaninova I.Iu. (2008). Klasternyi analiz v

ekonomitsi:Navch. posibnyk [Cluster analysis in economics:Education. handbook].

Dnipropetrovsk: Natsionalnyi hirnychyi universytet. [in Ukrainian].

15. Ierina A.M. (2001). Statystychne modeliuvannia ta prohnozuvannia: Navch. posibnyk [Statistical modeling andforecasting: Education. handbook]. Kyiv: Kyiv. nats. ekon. un-t [in Ukrainian].

16. Klebanova T.S. (2020). Biznes-analityka bahatovymirnykh protsesiv. Multymediinyi navchalnyi posibnyk [Business analytics of multidimensional processes. Multimedia educational guide]. Kharkiv. Retrieved from: http://ebooks.git-elt.hneu.edu.ua/babap/index.html [in Ukrainian].

Размещено на Allbest.ru