Keywords
Abstract
В условиях цифровой трансформации экономики и активного развития туристской отрасли особое значение приобретает эффективное управление туристскими потоками. Традиционные методы анализа туристских перемещений не всегда позволяют оперативно реагировать на изменения спроса и нагрузку на туристскую инфраструктуру. В связи с этим возрастает роль интегрированных данных, объединяющих информацию из различных источников, таких как транспортные системы, средства размещения, мобильные устройства, социальные сети и государственные информационные платформы.
В данной статье рассматриваются современные подходы к управлению туристскими потоками на основе интегрированных данных. Анализируются возможности использования больших данных (Big Data), геоинформационных систем и аналитических платформ для прогнозирования туристских потоков, оптимизации распределения туристов и снижения негативного воздействия массового туризма на социально-экономическую и экологическую среду. Особое внимание уделяется практическому значению интегрированных данных для устойчивого развития туристских дестинаций и повышения качества туристских услуг.
References
1. Baggio, R., & Del Chiappa, G. (2014). Real and virtual relationships in tourism digital ecosystems. Information Technology & Tourism, 14(1), 3–19. https://doi.org/10.1007/s40558-013-0005-4
2. Batty, M. (2013). Big data, smart cities and city planning. Dialogues in Human Geography, 3(3), 274–279. https://doi.org/10.1177/2043820613513390
3. Buhalis, D., & Amaranggana, A. (2015). Smart tourism destinations enhancing tourism experience through personalisation of services. In Information and Communication Technologies in Tourism 2015 (pp. 377–389). Springer. https://doi.org/10.1007/978-3-319-14343-9_28
4. Del Vecchio, P., Mele, G., Ndou, V., & Secundo, G. (2018). Creating value from social big data: Implications for smart tourism destinations. Information Processing & Management, 54(5), 847–860. https://doi.org/10.1016/j.ipm.2017.10.006
5. Gunter, U., Önder, I., & Zekan, B. (2019). Forecasting tourism demand with Google trends: A methodological comparison. Tourism Economics, 25(1), 45–64. https://doi.org/10.1177/1354816618791768
6. Li, J., Xu, L., Tang, L., Wang, S., & Li, L. (2018). Big data in tourism research: A literature review. Tourism Management, 68, 301–323. https://doi.org/10.1016/j.tourman.2018.03.009
7. Arzikulov, F., & Komiljonov, A. (2025). The role of artificial intelligence in personalized oncology: predictive models and treatment optimization. Academic Journal of Science, Technology and Education, 1(6), 24-33.
8. Arzikulov, F., & Komiljonov, A. (2025). AI-powered diagnostic systems in radiology: enhancing precision, speed, and clinical decision-making. Academic Journal of Science, Technology and Education, 1(6), 16-23.
9. Arzikulov, F., & Tolibjonov, L. (2025). THE INTRODUCTION OF BLOCKCHAIN TECHNOLOGIES TO OUR COUNTRY AND THEIR IMPACT ON THE ECONOMY. Web of Discoveries: Journal of Analysis and Inventions, 3(4), 108-111.
10. Sigala, M. (2018). Social media and customer engagement in the context of smart tourism destinations. In Handbook of research on social media applications for the tourism and hospitality sector (pp. 1–21). IGI Global. https://doi.org/10.4018/978-1-5225-5187-4.ch001
11. UNWTO. (2019). Overtourism? Understanding and managing urban tourism growth beyond perceptions. World Tourism Organization. https://doi.org/10.18111/9789284420070
12. Xiang, Z., Schwartz, Z., Gerdes, J. H., & Uysal, M. (2015). What can big data and text analytics tell us about hotel guest experience and satisfaction? International Journal of Hospitality Management, 44, 120–130. https://doi.org/10.1016/j.ijhm.2014.10.013
13. Zhang, Y., Li, X., & Liu, C. (2020). Tourist mobility patterns and destination management based on mobile phone data. Journal of Destination Marketing & Management, 15, 100401. https://doi.org/10.1016/j.jdmm.2019.100401