МОДЕЛИ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ДЛЯ АДРЕСНОЙ ГОСУДАРСТВЕННОЙ ПОДДЕРЖКИ ИММЕРСИВНЫХ ТЕХНОЛОГИЙ В ТУРИЗМЕ

АННОТАЦИЯ

В статье рассматривается проблема повышения эффективности мер государственной поддержки инноваций в туризме в условиях цифровой трансформации. Обосновывается необходимость перехода от универсальных инструментов к адресным решениям, основанным на анализе данных. Разработана и апробирована модель сегментации регионов по уровню готовности к внедрению иммерсивных технологий (XR), включающая кластерный анализ (алгоритм k-means) и расчёт интегрального индекса XR-готовности. На основе анализа выделены три группы регионов («лидеры», «развивающиеся», «отстающие») и предложены дифференцированные пакеты мер поддержки для каждой из них. Сравнительный сценарный анализ доказывает, что адресный подход обеспечивает более высокую социально-экономическую эффективность по сравнению с универсальной поддержкой. Результаты исследования могут быть использованы органами власти для стратегического планирования и распределения бюджетных ресурсов.

Ключевые слова: интеллектуальный анализ данных, иммерсивные технологии, туризм, государственная поддержка, кластеризация, XR-готовность, data-driven policy.

ВВЕДЕНИЕ

Туристическая отрасль России функционирует в условиях ускоренной цифровой трансформации, где иммерсивные технологии (виртуальная, дополненная и смешанная реальность — VR/AR/XR) становятся драйвером формирования новых форматов туристического продукта. Как отмечают исследователи, внедрение XR-решений позволяет не только повысить вовлечённость потребителей, но и обеспечить доступность туристических объектов для маломобильных групп и удалённых пользователей. Однако эффективность государственной политики в этой сфере напрямую зависит от обоснованности выбора приоритетов и инструментов поддержки. Традиционные методы анализа часто оказываются недостаточными для работы с разнородными массивами статистических и экспертных данных.

Актуальность исследования обусловлена необходимостью перехода от интуитивных управленческих решений к модели управления, основанной на данных (*data-driven policy*). Целью данной работы является разработка и апробация модели интеллектуального анализа данных (ИАД) для обоснования дифференцированных мер государственной поддержки иммерсивных технологий в туризме на основе сегментации регионов по уровню готовности к внедрению XR-решений.

МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

Объектом исследования выступает процесс цифровой трансформации туристической отрасли в Российской Федерации. В качестве единицы анализа выбран регион, что обусловлено реализацией основных инструментов государственной политики на субнациональном уровне.

Информационная база исследования сформирована на основе комбинации статистических показателей и результатов экспертного опроса. Признаковое пространство включает четыре группы показателей, оцениваемых по шкале от 0 до 10 баллов:

1. Инфраструктура (Infra): уровень развития цифровой инфраструктуры и доступа к интернету.

2. Кадровый потенциал (Staff): наличие специалистов и опыт внедрения технологий.

3. Спрос (Demand): уровень интереса пользователей и вовлечённости.

4. Институциональная поддержка (Support): наличие мер поддержки и нормативной базы.

Для решения поставленных задач использованы методы интеллектуального анализа данных: кластеризация (алгоритм k-means), скоринговая модель (расчёт интегрального индекса) и сценарный анализ. Программная реализация выполнена на языке Python с использованием библиотеки scikit-learn.

Результаты моделирования

В рамках исследования была разработана модель сегментации регионов, включающая два ключевых этапа: кластеризацию и скоринговую оценку.

Кластеризация регионов. Применение алгоритма k-means к демонстрационному набору данных позволило распределить регионы на три однородных кластера, различающихся по уровню цифровой зрелости (Таблица 1).

Таблица 1.

Интерпретация кластеров по уровню готовности

Интегральный индекс XR-готовности. Для ранжирования регионов внутри кластеров разработана скоринговая модель. Интегральный индекс (I_j​) рассчитывается как взвешенная сумма нормализованных значений признаков:

где веса факторов определены экспертным путём: инфраструктура – 0,30; кадры – 0,25; спрос – 0,25; поддержка – 0,20. На основе значения индекса выделяются три уровня готовности, которым поставлены в соответствие рекомендуемые меры поддержки (Таблица 2).

Таблица 2.

Соответствие групп регионов и мер поддержки

Сценарный анализ эффективности. Сравнительный анализ трёх сценариев реализации государственной политики показал преимущества адресного подхода:

• Базовый сценарий (без поддержки): характеризуется низкой динамикой внедрения и сохранением диспропорций.
• Универсальный сценарий: обеспечивает средний рост показателей, но сопряжён с высоким риском неэффективных бюджетных затрат из-за игнорирования различий в уровне готовности регионов.
• Адресный сценарий (на основе ИАД): демонстрирует наивысшую эффективность при минимальных рисках, так как ресурсы направляются в группы с максимальной чувствительностью к мерам поддержки.

Анализ чувствительности модели показал сохранение структуры кластеров при изменении входных данных на ±10–15%, что свидетельствует о её робастности.

ЗАКЛЮЧЕНИЕ

Проведённое исследование подтверждает гипотезу о том, что применение методов интеллектуального анализа данных позволяет существенно повысить обоснованность и эффективность мер государственной поддержки иммерсивных технологий. Разработанная модель обеспечивает корректную сегментацию объектов управления, демонстрирует устойчивость к изменениям входных параметров и обладает высокой интерпретируемостью, что критически важно для использования в государственном управлении.

Практическая значимость модели заключается в возможности её интеграции в системы поддержки принятия решений органов власти при планировании распределения бюджетных ресурсов. Переход к адресному сценарию поддержки снижает риск неэффективных затрат и способствует росту конкурентоспособности туристического продукта за счёт стимулирования внедрения инноваций там, где это наиболее эффективно.

Список литературы:

1. Васюта Е. А., Подольская Т. В., Ушаков Д. С., Брюханова Н. В. Особенности государственной поддержки интеграции иммерсивных цифровых технологий в туристический продукт // Экономические отношения. — 2024. — Т. 14, № 2. — С. 253–268.
2. Арланова А. А., Нобатов А. М. Интеллектуальный анализ данных: виды и методы // Вестник науки. — 2023. — Т. 2, № 1 (58). — С. 7–10.
3. Журавлева О. В., Митрофанова О. Н., Щетинина И. С. Развитие туризма в регионе на основе VR-технологии // Вестник МУиВ им. С. Ю. Витте. Серия 1: Экономика и управление. — 2022. — № 4 (43). — С. 106–113.
4. Подольская Т.В., Васюта Е.А., Ушаков Д.С., Брюханова Н.В. Внедрение иммерсивных цифровых технологий: анализ мер государственной поддержки конкурентоспособности туристической отрасли в Ростовской области // Экономика, предпринимательство и право. — 2025. — Т. 15, № 8.
5. Об основах туристской деятельности в Российской Федерации : федер. закон от 24.11.1996 № 132-ФЗ (ред. от 23.07.2025).
6. Об утверждении Стратегии развития туризма в Российской Федерации на период до 2035 года : распоряжение Правительства РФ от 20.09.2019 № 2129-р.
7. Gómez-Pulido J.C., Robina-Ramírez R. Machine learning applied to tourism: A systematic review // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. — 2024. — Vol. 14, No. 5.
8. Brandt T., Wagner S., Neumann D. Prescriptive analytics in public-sector decision-making: A framework and insights from charging infrastructure planning // European Journal of Operational Research. — 2021. — Vol. 291, No. 1.
9. Berman A., de Fine Licht K., Carlsson V. Trustworthy AI in the public sector: An empirical analysis of a Swedish labor market decision-support system // Technology in Society. — 2024.