ანოტაცია. პანდემია დღის წესრიგში აყენებს ქვეყნებისა და რეგიონების რესურსული პოტენციალისა და პრიორიტეტების მაქსიმალურად ჰარმონიზებულ გამოყენებას და ექსპორტზე ორიენტირებული ეკონომიკური პოლიტიკის გაღრმავებას.

პანდემისს პირობებში ყველაზე მეტი დარტყმა ტურიზმის სექტორმა განიცადა. შეჩერდა საერთაშორისო ტურისტული ნაკადები, რამაც მთლიანად შეცვალა ტურისტული რეგიონებისა და სტრუქტურების შემდგომი საქმიანობა და სტრატეგიული ხედვები. დღეს ამ სფეროს სტრატეგიულ ხედვას შიდა ტურიზმის განვითარებაა, რაც სწორი სტრატეგიის ფორმირებასა და მის ეფექტიან განხორციელებას მოითხოვს. 

 ნაშრომში საკვლევ ობიექტად შერჩეულ იქნა კახეთის რეგიონი და მასში ტურისტული პოტენციალის გამოყენების საკითხი. კვლევის მიზანს წარმოადგენს კლასტერის პარამეტრების შედეგიანობის დასაბუთება, რისთვისა გამოყენებულ იქნა კლასტერული ანალიზის K-საშუალოს მეთოდი.

კლასტერების ეფექტიანი ფუნქციონირება დამოკიდებულია მასში შემავალი ჯგუფების დაშორებასა და ცვლადების ზემოქმედებაზე. ცვლადებთან მიმართებაით კი კლასტერები ერთნაირად მგრძნობიარე არ არიან. ისინი განსხვავდებიან რისკების მიხედვით. ეს უკანასკნელი კი იმაზე მეტყველებს, რომ კლასტერის ჯგუფებად დაყოფა ხარისხიანი შედეგის მომცემი იქნება. მისი ბუნებიდან გამომდინარე, ჯგუფებს შორის გადანაწილებული იქნება როგორც რისკები, მაქსიმალურად მოხდება თითოეულის პრიორიტეტის გამოვლინება და გამოყენება, რაც საჭიროა კლასტერში პროცესების უწყვეტობისათვის.

საკვანძო სიტყვები:  პანდემია; კლასტერიზაია;  k-საშუალოს მეთოდი; რეგიონის განვითარება. 

შესავალი

თანამედროვე ცვალებად მსოფლიოში, სადაც ძლიერ კონკურენციასთან ერთად ხშირია განუსაზღვრელობის პირობებში მართვა, სულ უფრო აქტიური ხდება ქვეყნისა და რეგიონების სოციალურ-ეკონომიკური განვითარებისადმი კონცეფტუალური მიდგომები, სადაც აქტუალური კლასტერული  მოდელის მიხედვით განვითარებაა. მითუმეტეს, როდესაც პანდემია დღის წესრიგში აყენებს ქვეყნებისა და რეგიონების რესურსული პოტენციალისა და პრიორიტეტების მაქსიმალურად ჰარმონიზებულ გამოყენებას და ექსპორტზე ორიენტირებული ეკონომიკური პოლიტიკის გაღრმავებას.

პანდემისს პირობებში ყველაზე მეტი დარტყმა ტურიზმის სექტორმა განიცადა. შეჩერდა საერთაშორისო ტურისტული ნაკადები, რამაც მთლიანად შეცვალა ტურისტული რეგიონებისა და სტრუქტურების შემდგომი საქმიანობა და სტრატეგიული ხედვები. დღეს ამ სფეროს სტრატეგიულ ხედვას შიდა ტურიზმის განვითარებაა, რაც სწორი სტრატეგიის ფორმირებასა და მის ეფექტიან განხორციელებას მოითხოვს. 

 ნაშრომში საკვლევ ობიექტად შერჩეულ იქნა კახეთის რეგიონი და მასში ტურისტული პოტენციალის გამოყენების საკითხი. კვლევის მიზანს წარმოადგენს კლასტერის პარამეტრების შედეგიანობის დასაბუთება, რისთვისა გამოყენებულ იქნა კლასტერული ანალიზის K-საშუალოს მეთოდი.

კლასტერიზაციის პროცესში, სწორი და სრულფასოვანი ანალიზისათვის უნდა გავითვალისწინოთ, რომ ობიექტები თითოეულ კლასტერში მაქსიმალურად მსგავსები უნდა იყვნენ და ამავე დროს უნდა განსხვავდებოდნენ სხვა კლასტერების ობიექტებისაგან. აღნიშნულის გათვალისწინებით, კახეთის რეგიონის ტურისტული კლასტერის მოდელი შეგვიძლია შემდეგნაირად წარმოვადგინოთ (სქემა.1)

ძირითადი ნაწილი

იმისათვის, რომ ნათელი იყოს ჩვენს მიერ წარმოდგენილი კლასტერის შემადგენელი ობიექტების მსგავსება-განსახვავება, გამოვიყენოთ კოხენენის რუკა. ობიექტებს შორის დაშორების განსაზღვრისათვის გამოყენებულ იქნა ევკლიდური მანძილი.

სქემა 2. ტურისტული კლასტერის ობიექტების მსგავსების რუკა 

იმისათვის, რომ გავიგოთ თუ რამდენად საიმედო და ვალიდური იქნება გადაწყვეტილებები ჩვენს მიერ წარმოდგენილ კლასტერში, გამოვიყენოთ K-საშუალოს მეთოდი. კვლევისას ჩვენს მიერ კახეთის რეგიონი პირობითად დაიყო 7 რეგიონად:

1. ახმეტის ტურისტული კლასტერი;
2. გურჯაანის ტურისტული კლასტერი;
3. ლაგოდეხის ტურისტული კლასტერი;
4. სიღნაღის ტურისტული კლასტერი;
5. დედოფლისწყაროს ტურისტული კლასტერი;
6. თელავის ტურისტული კლასტერი;
7. ყვარლის ტურისტული კლასტერი.

Claster Analysis მოდულის (პროგრამა Statistics) მეშვეობით შევეცადეთ დაგვესაბუთებინა კლასტერული მოდელის დადებითი ზეგავლენა რეგიონის ტურისტული პოტენციალის გამოყენებაში. რისთვისაც, შევარჩიეთ ცვლადები. დიალოგურ ფანჯარაში მითითებული იყო ტურიზმის კლასტერისათვის დამახასიათებელი ყველა ცვლადი, რომლებიც 4 ჯგუად დაიყო.

საწყისი მონაცემები  შემდეგნაირად გამოიყურებოდა:

• ცვლადების რაოდენობა -27;
• დაკვირვების ობიექტი -1000;
• K- საშუალოთა მეთოდი;
• კლასტერების რიცხვი -7;
• ინტერცია - 2.

ცხრილი 1

ევკლიდური მანძილის გაანგარისება კლასტერებს შორის

ჩვენს შემთხვევაში ევკლიდური მანძილი არის მანძილი (L1-A8) ნაკრების მაჩვენებლებს შორის. რაც უფრო ნაკლებია მანძილია ობიექტებს შორის, მით უფრო მსგავსები არიან ისინი. ევკლიდური მანძილის კვადრატი გამოიყენება იმ შემთხვევაში, თუ აუცილებელია მაღალი წონა მიეცეს ერთმანეთისაგან უფრო მეტად დაშორებულ ობიექტებს.

ყველაზე მეტი დაშორება აღინიშნა მე-6 და მე-7 კლასტერებს შორის. მათ შორის ევკლიდური მანძილი ერთზე მეტია,  რაც იმას ნიშნავს, რომ ისინი ყველაზე ნაკლებად არიან მსგავსები. აღნიშნული შეესაბამება ჯგუფებს კრედიტი  და უარი. თითქმის ერთნაირი დაშორებაა 3-1 და 1-2 კლასტერებს შორის.

ამის შემდეგ მივმართავთ დისპერსიული ანალიზის განხორციელებას. დისპერსიული ანალიზის ცხრილი გვიჩვენებს ჯგუფებს შორის და ჯგუფებს შიგნით დისპერსიის მახასიათებლებს. რაც უფრო ნაკლებია ჯგუფებს შიგნით დისპერსიის მნიშვნელობა და მეტია ჯგუფებს შორის  დისპერსიის მაჩვენებელი მით ხარიასხიანია კლასტერიზაცია. დისპერსიის ანალიზის მაჩვენებლების მიხედვით მახასიათებლები P-ს მაღალი მაჩვენებლებით (P>0.05) შეიძლება გამოვრიცხოთ კლასტერიზაციის პროცედურებიდან.

 ცხრილი 2

დისპერსიული  ანალიზის ცხრილი

მოცემულ შემთხვევაში ნებისმიერი მახასიათებლისათვის p<0,05, ეს კი იმას ნიშნავს, რომ განხილულთაგან არცერთი მახასიათებლის გამორიცხვა არ მოხდება. ყველა პარამეტრის მიხედვით ჯგუფებს შორისი დისპერსია მეტია 71, ხოლო შიდა ჯგუფებს შორისო კი 28-ზე ნაკლებია. უკეთესი მაჩვენებლებით ხასიათდებიან კლასტერები F4, F1, A5 და A8, რადგანაც ისინი შეესაბამებიან ჯგუფთაშორისი და ჯგუფებს შიგნით დისპერსიის ყველაზე დიდ სხვაობას.  მაჩვენებლები R1  და R2. F და P პარამეტრები ასევე ასახავენ მახასიათებელთა წვლილს ობიექტების ჯგუფებად დაყოფაში. საუკეთესო კლასტერიზაციას შეესაბამებიან F პარამეტრის  მაღალი და P პარამეტრის დაბალი მაჩვენებლები. ცხრილიდან ჩანს, რომ საუკეთესო მაჩვენებლები შეესაბამება სხვაობას (F-P)

 სქემა 3

კლასტერი 3  კლასტერი 2             კლასტერი 6         კლასტერი-7 

კლასტერი 4  კლასტერი 1             კლასტერი 5    

იმისათვის, რომ გავიგოთ თითოეულის რისკების დონე საჭიროა ჩავატაროთ კლასტერების წრფივი გრაფიკის ანალიზი (სქემა 3.). გრაფიკიდან ნათელია, რომ მე-5 და პირველი კლასტერები ყველა მახასიათებლების (ცლადების) ზემოქმედებიდან გამომდინარე განეკუთვნებიან რისკების მაღალ დონეს, მეორე კლასტერი დაბალი რისკების დონეს განეკუთვნება. მესამე კლასტერი განეკუთვნება საშუალო რისკების კატეგორიას, ხოლო კლასტერები - 4; ,6 და 7 მიეკუთვნებიან კლასს- ‘’კრედიტები’’ და ყველაზე საიმედოდ მიიჩნევიან. 

დასკვნა

ამდენად, როგორც კვლევიდან გამოვლინდა, კლასტერების ეფექტიანი ფუნქციონირება დამოკიდებულია მასში შემავალი ჯგუფების დაშორებასა და ცვლადების ზემოქმედებაზე. ცვლადებთან მიმართებაით კი კლასტერები ერთნაირად მგრძნობიარე არ არიან. ისინი განსხვავდებიან რისკების მიხედვით. ეს უკანასკნელი კი იმაზე მეტყველებს, რომ კლასტერის ჯგუფებად დაყოფა ხარისხიანი შედეგის მომცემი იქნება. მისი ბუნებიდან გამომდინარე, ჯგუფებს შორის გადანაწილებული იქნება როგორც რისკები, მაქსიმალურად მოხდება თითოეულის პრიორიტეტის გამოვლინება და გამოყენება, რაც საჭიროა კლასტერში პროცესების უწყვეტობისათვის. საბოლოოდ კი  ყოველივე აღნიშნულით შესაძლებელი იქნება რეგიონის ექსპორტული პოტენციალის მიზანმიმართული გამოყენება და რეგიონის/ქვეყნის ეკონომიკის მდგრადი განვითარება.

   კლასტერული მოდელის გამოყენება პანდემიის პირობებში (და არა მარტო) ეროვნული ეკონომიკური პოტენციალის სწრაფი განვითარებისა და სრულად გამოყენების ერთ-ერთი ძლიერი ბერკეტი იქნება  როგორც რეგიონების, ასევე მთლიანად ქვეყნის მასშტაბით. 

გამოყენებული ლიტერატურა

1. ლ.  ჩაგელიშვილი. 2011 ‘’კლასტერები ტურიზმის ინდუსტრიაში ‘’-ტურიზმი, ეკონომიკა და ბიზნესი; ბათუმი. გვ. 269
2. ლ. ჩაგელიშვილი, 2011. ინოვაციური ეკონომიკა გლობალიზაციის პირობებში; გურამ თავართქილაძის სასწავლო უნივერსიტეტის შრომათა კრებული; თბ.გვ. 130
3. ლალი ჩაგელიშვილი, 2012. turizmis biznesis infrastruqturis ganviTarebis Tanamedrove tendenciebi’ თსუ; გვ.425
4. Буреев Н.Н. 2007. Многомерный статистический анализ с использованием ППП “STATISTICA”; Нижний Новгород. с.8-48
5. Близоруков М. Г. 2008. Статистические методы анализа рынка: Учебно-метод. пособие / Близоруков М. Г. – Екатеринбург: Ин-т управления и предпринимательства Урал. гос. ун-та,. – 75 с. – Режим доступа:
6. http://elar.usu.ru/bitstream/1234.56789/1671/6/1334937_schoolbook.pdf
7. Мгеладзе А., Гоциридзе Г. (2009) Кластер-анализ в исследовании организационных систем. Тбилиси, 2009.
8. Суслов, С. А. 2011. Кластерный анализ: сущность, преимущества и недостатки
9. / С. А. Суслов. // Вестник НГИЭИ.  – №1. – С. 51-56.
10. Фрумина И.Л. и Цветкова Е.В. 2007. Исследование некоторых проблем аграрной экономики методом кластерного анализа // Известия Челябинского научного центра УРО РАН. № 4. С. 93-97
11. Amorim R., Mirkin B. (2011) Minkowski metric, feature weighting and anomalous cluster initializing in K-Means clustering (Submitted, in the process of revision).
12. Biernacki C., Celeux G., Govaert G. (2000) Assessing a mixture model for clustering with the integrated completed likelihood // IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(7): 719–725
13. Coppi R., D’Urso P., Giordani P. (2010) A fuzzy clustering model formultivariate spatial time series // Journal of Classification, 27 (1): 54–88
14. Depril D., Van Mechelen I., Mirkin B. (2008) Algorithms for additive clustering of rectangular data tables // Computational Statistics and Data Analysis, 52: 4923–4938
15. Everitt B.S., Landau S., Leese M. et al. (2011) Cluster Analysis. 5th ed.Wiley, 2011
16. Mirkin B. (2011) Core Concepts in Data Analysis: Correlation, Summarization, Visualization, London, Springer.
17. Mirkin B. (2011a) Choosing the number of clusters, WIRE Data Mining and Knowledge Discovery, to appear.
18. Fern, X.Z., Brodley, C.E. Clustering ensembles for high dimensional data clustering // In Proc. International Conference on Machine Learning, 2003. P.186-193.
19. Fred, A., Jain, A.K. Combining multiple clusterings using evidence accumulation // IEEE Tran. on Pattern Analysis and Machine Intelligence, 2005. V. 27. P. 835-850.