Понятие и сущность прогнозирование на предприятиях индустрии гостеприимства и туризма.

Прогнозирование в индустрии гостеприимства является элементом научного управления. Его роль в современных условиях постоянно растет. В первую очередь это напрямую связано с переходом Российской Федерации к рыночной экономике. Формирование рынка гостиничных и туристических услуг, неопределенность егоконъюнктуры, сильные колебания в спросе постоянно повышают роль прогнозирования в управлении гостиничным и туристическим бизнесом. Существуют различные методы построения прогнозов в практике: от интуитивных и экспертных до количественных, основанных на математической статистике. Вот именно поэтому при прогнозировании все большее внимание уделяется применению современных программных продуктов – универсальных статистических пакетов.

---

Чтобы заказать контрольную работу по статистике заполните форму заказа. Укажите все требования и мы приступим к выполнению вашей контрольной работы!

---

. Они существенно изменяют технологию прогнозирования, позволяют оперативно реагировать на изменения рыночной ситуации. К настоящему моменту наиболее известными являются следующие статистические пакеты: StatisticalPackagefortheSocialSciences(SPSS) – Статистический пакет для общественных наук; Statistica– Статистика;StatgraphicsPlus– Статистическая графическая система, с помощью которой в данной работе и будет построен прогноз и составлен анализ. Актуальность исследуемой темы проявляется в повсеместной необходимости использования компьютерных технологий в анализе и планировании хозяйственной деятельности предприятий индустрии гостеприимства. Основой для планирования этой деятельности являются данные, которые дает прогноз, построенный на базе исследований за предыдущие года. Далее проводится анализ данных, полученных при прогнозировании, таким образом, предприятия прокладывают себе путь в будущее своей хозяйственной деятельности. Цель данной работы заключается в построении прогноза по статистическим данным индустрии гостеприимства собранным за несколько предыдущих лет и анализ прогноза на будущий период. Задачи данной работы могут быть сформулированы следующим образом: раскрытие понятия о временных рядах и существующих в индустрии гостеприимства методах построения прогнозов; приведение конкретного примера с помощью программы StatgraphicsPlus-анализ данных по ежемесячной загрузке гостиниц Северной Ирландии, выявление трендов и моделей сезонности, анализ случайности; построение прогноза с помощью функции автоматическое прогнозирование и анализ полученных данных с ихдальнейшей трактовкой и выработкой конкретных рекомендаций и выводов по данной ситуации. Данная курсовая работа состоит из введения, трех глав, заключения, списка использованной литературы и приложений, общий объем которой составляет -, не включая приложения. Первая глава «Теоретическое обоснование прогнозирования в индустрии гостеприимства и туризма» состоит из трех параграфов и описывает существующие методы прогнозирования, а также возможности программного обеспечения для прогнозирования временных рядов. Вторая глава «Анализ временных рядов в STATGRAPHICS» представляет детальный анализ временного ряда данной переменной по ежемесячной загрузке гостиниц Северной Ирландии, описана модель сезонности, тренд и приведен анализ случайности. Третья глава «Автоматическое прогнозирование временных рядов» дает на основе данных, полученных в преыдущей главе, прогноз загрузки гостиниц Северной Ирландии на 2 последующий года. В заключении данной работы сделаны выводы и представлены предложения, основанные на выводах. I. Теоретическое обоснование прогнозированияв индустрии гостеприимства и туризма 1.1 Сущность и методы прогнозирования Одной из наиболее важных функций в научном управлении индустрией гостеприимства и туризма выступает прогнозирование. В условиях перехода Российской Федерации к рыночной экономике роль научно-обоснованных социально-экономических прогнозов возрастает. Главное назначение прогнозированияв отрасли заключается в выявлении существенных закономерностей ее изменения и разработке гипотез о наиболее вероятностных темпах динамики различных сегментов индустрии гостеприимства. Прогноз социально-экономического показателя – это некоторая вероятностная оценка его темпов и уровня в будущем, базирующаяся на определенной гипотезе развития предприятия или отрасли. Поскольку таких гипотез, как правило, бывает несколько, постольку прогнозирование можно рассматривать как научно-практическую деятельность, направленную на выявление и изучение наиболее вероятностных альтернатив будущего развития анализируемого явления. Прогнозы могут быть краткосрочными, среднесрочными и долгосрочными. В настоящее время нет единства в понимании временных границ прогнозирования. Судя по публикациям ВТО, наиболее распространено следующее представление о сроках прогноза в индустрии гостеприимства: краткосрочные – до года, среднесрочные – 3-5 лет, долгосрочные – до 10 лет. Процесс разработки прогнозов подразделяется, как правило, на этапы: Анализ динамики моделируемого показателя и выявление тенденций (тренда) изменения, циклической и сезонной составляющих и случайной компоненты; Отбор основных факторов, его определяющих, и исследование тенденций в их развитии; Обоснование метода прогнозирования и формы связи между переменными;

Одной из отличительных черт современного этапа развития индустрии гостеприимства выступает ее информатизация. Новые информационные технологии проникают во все сферы деятельности индустрии гостеприимства. Они изменяют характер принятия управленческих решений. Мировые системы бронирования, корпоративные системы управления отелями и ресторанами, Интернет и электронные телекоммуникации – основные виды применения информационных технологий в гостиничном бизнесе. Прогнозирование с помощью компьютерных программ становится необходимостью на предприятиях индустрии гостеприимства. Подводя итог проделанной работы, необходимо отметить, что были расшифрованы понятия временных рядов и методов прогнозирования, был построен прогноз на основании данных по ежемесячной загрузке гостиниц Северной Ирландии, как итог данной работе был написан анализ полученных результатов и выработаны рекомендации по планированию хозяйственной деятельности гостиничных предприятий Северной Ирландии на основе построенного прогноза. Проведенной исследование позволяет сделать следующие предложения: в соответствии с анализом полученных в ходе прогнозирования данных, выяснилось, что пик сезона гостиниц приходится на август, а спад туристического потока – на декабрь, эта тенденция будет наблюдаться на протяжении всего прогнозируемого периода. Следовательно, одной из мер привлечения клиентов в низкий сезон и соответственно увеличение прибыли заключается в поиске альтернативного сегмента рынка, организации целевого отдыха, специальных мероприятий, конференций и семинаров. Это означает, что путем организации дополнительных мероприятий предприятие индустрии гостеприимства обеспечивает загрузку гостиниц, т.е. клиентуру и прибыль, что и обеспечит дальнейшее процветание предприятие на рынке услуг при современных условиях рыночной экономики и жестокой конкуренции в сфере услуг.

Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICAв средеWINDOWS. Основы теории и интенсивная практика на компьютере. М.: Финансы и статистика, 2007 Гуляев В.Г. Новые информационные технологии в туризме. М.: Приор, 2006 Дуброва Т.А. Статистические методы прогнозирования: Учебное пособие для вузов. М.: ЮНИТИ-ДАТА, 2011 Кендл М. Временные ряды. М.: Финансы и статистика, 1981 Льюис К. Прогнозирование экономических показателей. М.: Финансы и статистика, 1986 Попов В.А. Прогнозирование показателей национальной экономики на персональном компьютере: Учебное пособие. М.: Изд-во Рос. экон. акад., 2009 Попов Л.А. Анализ временных рядов и прогнозирование: Учебное пособие. – М.: Изд-во Рос. экон. акад., 2005 Попов Л.А., Козлов Д.А. Методы прогнозирования в индустрии гостеприимства: Учебное пособие. М.: Изд-во Рос. экон. акад., 2008 Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 2006 Тюрин Ю.Н., Макаров А.А. Статистический анализ данных на компьютере. М.: ИНФРА-М, 2006 Чудновский А. Гостиничный и туристический бизнес. М.: Финансы и статистика, 2006 Интернет источники www.sas.com www.spss.com www.tos.ru www.incomsoft.ru www.ankey.ru www.cognitive.ru ПРИЛОЖЕНИЯ Приложение 1 ------------ Data Table for x1 Seasonal decomposition method: Multiplicative Seasonally Period Data Trend-Cycle Seasonality Irregular Adjusted 1.97 29,0 41,2814 2.97 36,0 41,2778 3.97 38,0 42,9576 4.97 39,0 40,0294 5.97 45,0 40,2419 6.97 49,0 40,9718 7.97 40,0 42,25 94,6746 90,2482 38,1299 8.97 55,0 42,4583 129,539 102,648 43,5826 9.97 53,0 42,5833 124,462 101,568 43,2512 10.97 47,0 42,625 110,264 105,833 45,1112 11.97 42,0 42,7083 98,3415 103,875 44,3632 12.97 33,0 42,5833 77,4951 106,554 45,3741 1.98 31,0 42,5417 72,8697 103,73 44,1284 2.98 39,0 42,5417 91,6748 105,115 44,7177 3.98 38,0 42,25 89,9408 101,675 42,9576 4.98 40,0 41,875 95,5224 98,0437 41,0558 5.98 46,0 41,5 110,843 99,1232 41,1361 6.98 45,0 41,1667 109,312 91,402 37,6272 7.98 43,0 40,9583 104,985 100,076 40,9896 8.98 52,0 40,75 127,607 101,117 41,2054 9.98 49,0 40,5417 120,863 98,6318 39,987 10.98 42,0 40,5417 103,597 99,4339 40,3122 11.98 38,0 40,625 93,5385 98,8015 40,1381 12.98 29,0 40,9583 70,8037 97,3531 39,8742 1.99 30,0 41,4583 72,3618 103,007 42,7049 2.99 35,0 41,75 83,8323 96,1227 40,1312 3.99 37,0 42,0417 88,0079 99,4897 41,8271 4.99 41,0 42,4167 96,6601 99,2114 42,0822 5.99 47,0 42,75 109,942 98,3167 42,0304 6.99 52,0 42,9583 121,048 101,215 43,4803 7.99 48,0 42,9167 111,845 106,616 45,7559 8.99 54,0 42,875 125,948 99,8022 42,7902 9.99 54,0 42,9167 125,825 102,681 44,0673 10.99 46,0 43,0833 106,77 102,479 44,1514 11.99 42,0 43,375 96,83 102,278 44,3632 12.99 30,0 43,5 68,9655 94,8257 41,2492 1.00 28,0 43,4167 64,4914 91,8032 39,8579 2.00 36,0 43,25 83,237 95,4401 41,2778 3.00 37,0 43,0417 85,9632 97,1782 41,8271 4.00 45,0 42,7083 105,366 108,147 46,1878 5.00 50,0 42,3333 118,11 105,622 44,7132 6.00 52,0 42,2083 123,198 103,013 43,4803 7.00 46,0 42,3333 108,661 103,581 43,8494 8.00 52,0 42,5 122,353 96,9538 41,2054 9.00 51,0 42,625 119,648 97,6401 41,6191 10.00 41,0 42,4167 96,6601 92,7756 39,3523 11.00 38,0 42,0 90,4762 95,5669 40,1381 12.00 31,0 41,875 74,0299 101,789 42,6241 1.01 30,0 41,875 71,6418 101,982 42,7049 2.01 38,0 41,9583 90,566 103,844 43,5711 3.01 38,0 42,0417 90,3865 102,179 42,9576 4.01 39,0 42,0833 92,6733 95,1193 40,0294 5.01 46,0 42,2083 108,983 97,4597 41,1361 6.01 53,0 42,25 125,444 104,891 44,3164 7.01 45,0 42,8961 8.01 55,0 43,5826 9.01 50,0 40,803 10.01 43,0 41,272 11.01 39,0 41,1944 12.01 31,0 42,6241 The StatAdvisor This table shows each step of the seasonal decomposition.The trend-cycle column shows the results of a centered moving average of length 12 applied to x1.The seasonality column shows the data divided by the moving average and multiplied by 100.Seasonal indices are then computed for each month by averaging the ratios across all observations in that month, and scaling the indices so that an average month equals 100.The data is then divided by the trend-cycle and seasonal estimates to give the irregular or residual component.This component is then multiplied by 100. Automatic Forecasting - x1 Data variable: x1 Number of observations = 60 Start index =1.97 Sampling interval = 1,0 month(s) Length of seasonality = 12 Forecast Summary Seasonal differencing of order: 1 Forecast model selected: ARIMA(2,0,2)x(0,1,2)12 Number of forecasts generated: 24 Number of periods withheld for validation: 0 Estimation Validation Statistic Period Period RMSE 1,47844 MAE 1,08769 MAPE 2,63404 ME 0,0444752 MPE 0,0354298 ARIMA Model Summary Parameter Estimate Stnd. Error t P-value AR(1) 0,628487 0,130356 4,82131 0,000019 AR(2) -0,561474 0,132042 -4,25225 0,000115 MA(1) 0,223891 0,0269239 8,31567 0,000000 MA(2) -0,952506 0,0215674 -44,1642 0,000000 SMA(1) 1,31964 0,0854636 15,441 0,000000 SMA(2) -0,525248 0,0740097 -7,09702 0,000000 Backforecasting: yes Estimated white noise variance = 3,15349 with 42 degrees of freedom Estimated white noise standard deviation = 1,77581