Применение нейронных сетей для прогноза развития предприятий индустрии гостеприимства в условиях неопределенности внешней среды

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Применение нейронных сетей для прогноза развития предприятий индустрии гостеприимства в условиях неопределенности внешней среды

Несмотря на осложнение экономической ситуации в России, вызванной санкционной политикой европейских государств и США, индустрия гостеприимства относится к перспективно развивающейся отрасли, приносящей достаточно ощутимый доход бюджету регионов. Наблюдающийся на протяжении последних лет, стабильный рост количества гостиниц в России способствует формированию жёсткой конкуренции на рынке, проведению неординарных маркетинговых мероприятий, организации различных видов акций по привлечению клиентов.

Необходимо отметить, что гостиничная индустрия представляет собой важный сегмент туристического бизнеса, она, по сути, является одним из важнейших катализаторов экономического развития регионов. Гостиничный бизнес стимулирует развитие таких отраслей, как: строительство, торговля, сельское хозяйство, производство товаров народного потребления и т.д. Современный гостиничный бизнес, помимо ускорения развития экономики региона, способствует формированию его инфраструктуры, создаёт новые рабочие места, приводит к росту уровня жизни местного населения.

Перспективы развития гостиничного бизнеса в России обусловлены следующим:

1) Россия постепенно завоёвывает репутацию надёжного бизнес-партнёра, что способствует росту «делового туризма»;

2) постепенное повышение доходов населения приводит к росту оказанных гостиничных услуг;

3) в последние годы усилился интерес к России со стороны европейских туристов и др.

Как известно, одними из основных проблем гостиничной индустрии в России в настоящее время являются:

1) устаревший номерной фонд;

2) недостаточный уровень подготовки специалистов;

3) высокие цены на гостиничные услуги;

4) экономическая нестабильность в стране и др.

Оценивая перспективы развития отечественного гостиничного рынка необходимо учитывать, что деятельность предприятий данной отрасли осуществляется в условиях неопределённости внешней среды.

В науке об управлении представление о необходимости учёта факторов внешней среды появилось в конце 1950-х гг., когда предприятие стало рассматриваться как открытая система. Исследования отечественных и зарубежных учёных-экономистов свидетельствуют, что экономика в современной её интерпретации характеризуется высоким уровнем динамизма внешней среды. В качестве основных характеристик экономики выступают: нестабильность, неопределённость, сложность, подвижность, взаимосвязанность факторов.

Неопределённость внешней среды характеризует неполноту или неточность информации об условиях функционирования предприятия. В сложившихся условиях главной задачей предприятия становится не пассивное управление, а активная позиция на рынке, адаптация к рынку, использование внутреннего потенциала.

Неопределённость внешней среды обуславливает актуальность применения новых методов планирования и прогнозирования деятельности предприятий гостиничной индустрии. К одному из таких методов следует отнести метод прогнозирования деятельности предприятий с использованием нейронных сетей.

В условиях рыночных отношений, когда на результативность деятельности предприятий оказывают влияние множество факторов, ощущается объективная необходимость его финансового планирования и прогнозирования. Отсутствие грамотно организованного процесса планирования и прогнозирования не позволит предприятию добиться существенного успеха на рынке, расширить свою деятельность, обеспечить социальное развитие коллектива.

Как известно, основная задача финансового планирования и прогнозирования сводится к управлению процессами распределения и перераспределения денежных потоков.

Реализация основных функций финансового планирования (анализ экономических, социальных, научно-технических процессов, тенденций, выявление объективных причинно-следственных связей исследуемых явлений, оценка действия этих тенденций в будущем, выявление возможных альтернатив развития в перспективе и т.д.) способствует принятию обоснованного планового решения по регулированию деятельности предприятия.

Анализ деятельности предприятия предполагает определение экономических показателей, позволяющих судить о его финансовом положении на рынке. Анализ научной литературы позволил сделать вывод о том, что, как правило, существующие методики основываются на проведении оценки по уже полученным результатам деятельности предприятия, так как на сегодняшний день большинство отчётов финансового анализа составляется на определённый период времени. В результате не учитываются факторы деятельности предприятия, которые оказывают непосредственное влияние на его текущее состояние, в то время как механизм нейронных сетей позволяет решить эту проблему.

Алгоритм действия нейронных сетей может быть описан следующим образом: сети предлагается набор финансовых показателей, характеризующих деятельность предприятия в различные временные периоды. Каждому набору таких показателей ставится в соответствие результирующий показатель / показатели, в качестве которых, как правило, выступают прибыль, выручка, расходы и др. [1, С. 22]. Затем нейронная сеть выявляет определённые закономерности между входными (финансовыми) показателями и результирующими показателями, что позволяет говорить об её «обучении». Такое «обучение» сети позволяет ей самой предсказывать финансовое состояние предприятия на следующий временной период.

Сами нейронные сети представляют собой небольшие модели, созданные по подобию биологических нейронных сетей. Связи между нейронами характеризуются весовыми коэффициентами. Главное свойство сетей - способность к обучению.

Обучение нейронной сети проходит в несколько этапов:

1) сети предъявляется первый входной образец;

2) весовые коэффициенты модифицируются в незначительной степени, нотаким образом, чтобы увеличить шансы распознавания данного образца впоследствии;

3) предъявляется второй образец и повторяется второй шаг;

4) повторяют предыдущие шаги для всех образцов;

5) повторяют все предыдущие шаги сотни или тысячи раз.

Структура нейронной сети представлена на рисунке 1 [2, С. 238].

Альтернативой применения нейронных сетей, как известно, является регрессионный анализ. Проведённая сравнительная характеристика регрессионного анализа и нейронных сетей, свидетельствует в пользу нового метода прогнозирования, что обусловлено следующими причинами.

Рисунок 1. Структура нейронной сети

гостиничный алгоритм сеть нейронный

Во-первых, при прогнозировании с помощью нейронных сетей не требуется построения уравнения кривой. Нейронная сеть автоматически осуществляет построение модели, учитывающей взаимодействие между входными и выходными переменными.

Во-вторых, нейронная сеть может иметь несколько выходных показателей, наличие которых позволяет определить ожидаемое состояние деятельности предприятия по различным параметрам.

В-третьих, нейронная сеть позволяет получить более точный прогноз данных, нежели регрессионный анализ. Линию, которую нейронная сеть строит на основании тренировочных примеров в процессе создания нейронной модели, проходит ближе к фактическим данным, чем кривая, построенная по уравнению регрессии (рисунок 2).

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Рисунок 2. Описание данных нейронной сетью и уравнением регрессии [2, С. 241]

В-четвёртых, нейронная сеть способна работать с тренировочными примерами, содержащими «зашумлённые», то есть неверные, данные.

Отметим, что нейронные сети не могут гарантировать получение абсолютно точного прогноза, результат её работы необходимо соотносить с мнением эксперта.

Таким образом, нейронная сеть строит приложения для решения сложных поставленных задач, а полученный с её помощью прогноз позволяет принять превентивные действия по регулированию деятельности предприятий индустрии гостеприимства.

Список использованных источников

гостиничный алгоритм сеть нейронный

1. Кочеткова Т.С., Горинова С.В. Методика построения прогнозной модели управленческого процесса // Известия ВУЗов. Технология текстильной промышленности, 2012. №6. С. 21-23.

2. Недосекин А.О. Нечёткий финансовый менеджмент. М.: Аудит и финансовый анализ, 2003. - 378 с.

Размещено на Allbest.ru