Регион: Выбрать регион
Сейчас: 28 марта 12:57:45
Четверг
Время: Красноярск (GMT+7)
На главную Написать письмо Карта сайта

Оценка показателей эффективности музейной деятельности посредством программного комплекса, основанного на методе главных компонент

УДК 65.012.22

Оценка показателей эффективности музейной деятельности посредством программного комплекса, основанного на методе главных компонент

Ананьева София Витальевна

Студент 4  курса,

Санкт-Петербургский Государственный Университет Гражданской Авиации, г. Санкт-Петербург, Россия

E-mail: sonya98.ru@yandex.ru

Научный руководитель –Глинский Владимир Анатольевич

к.т.н., доцент,

Санкт-Петербургский Государственный Университет Гражданской Авиации, г. Санкт-Петербург, Россия

E-mail: vglinskiy@yandex.ru

 

Evaluation of museum performance indicators by means of a software package based on the method of main components

Ananieva Sofiya Vitalevna

4st grade student,

Saint Petersburg State University of Civil Aviation, Saint-Petersburg, Russia

Scientific Supervisor – Glinskiy Vladimir Anatolevich

Candidate of Engineering Science,Docent,

Saint Petersburg State University of Civil Aviation, Saint-Petersburg, Russia

 

В статье рассмотрена проблема перехода от линейных исследуемых параметров к набору главных компонент, позволяющих провести анализ эффективности функционирования музейной деятельности в части развития выставочной логистики. Показано, что наиболее удобным решением данной задачи является выявление главных компонент, которые отражают существенные закономерности исследуемого процесса.

Ключевые слова: креативные индустрии Эрмитажа, спутники-филиалы музея, музейная логистика, матрица критериев, совокупность объектов.

The article deals with the problem of transition from linear parameters to a set of main components that allow analyzing the effectiveness of Museum activities in the development of exhibition logistics. It is shown that the most convenient solution to this problem is to identify the main components that reflect the essential regularities of the process under study.

Keywords: creative industries of the Hermitage, satellite branches of the Museum, Museum logistics, criteria matrix, set of objects.

 

Креативные индустрии (логистика спорта, туризма, выставочная деятельность и пр.) способствуют развитию регионов. Наиболее важными характеристиками региона становится социально-бытовая инфраструктура и его гостеприимность. Креативные индустрии и их экспорт могут стать новой точкой роста Красноярского края. Как известно, «Эрмитаж» создает новую форму своего присутствия в регионах РФ и в мире – постоянно действующие спутники-филиалы «Эрмитажа» - культурные и выставочные центры создаваемой им эрмитажной сети. В филиальную сеть входят: СПб (музейный хаб), Москва, Казань, Омск и Екатеринбург.

Анализ музейной деятельности является частью программы маркетинговых, социологических и логистических исследований, которые выступают важным инструментом оценки и повышения эффективности деятельности музея. В статье рассмотрены различные разнородные характеристики музеев. Рейтинг любого музея, его общественная значимость определяются уровнем посещаемости и рядом других факторов, что является своего рода критерием оценки эффективности деятельности музея в целом.

Многообразие свойств объектов порождает многовариантность решения задачи. Поэтому возникает необходимость в свертывании информации, что должно привести к образованию некоторых групп объектов (классов), объединенных по определенным признакам.

Поставленную задачу можно решить с помощью метода главных компонент (МГК) и кластерного анализа.

Для принятия управленческих решений в музейной логистике требуется оценивать самые разнообразные, трудно сравнимые параметры объектов. Для примера мною решена задача сокращения информативных объектов, например, в Таблице 1.

Таблица 1 -  Ежегодные характеристики деятельности музеев

 


Количество посетителей, чел/год


Стоимость входного билета,
руб


Количество временных экспозиций в год

Частота проведения дня открытых дверей в год


Годовой доход музея,
руб

1.Эрмитаж

4 374 600

400

47

12

2,5 млд

2.Русский музей

2 192 200

500

72

1

1,3 млд

3.Кунсткамера

594 300

300

12

1

180 млн

4.Эрарта

412 717

600

144

0

265 млн

5.Планетарий

882 00

600

7

0

575 млн

Требуется объединить объекты, близкие по указанным признакам в классы с целью последующего их описания признаками, которые будут использоваться для анализа эффективности функционирования. Для того, чтобы учесть набор признаков, характеризующих объекты, строится матрица, элементы которой учитывают тесноту линейной стохастической связи.

Исходя из вышеизложенной таблицы, получаем безразмерные величины в матрице критериев (Табл. 2). Далее проводим нормирование показателей по эталонному, переводя их в безразмерные. В результате создается матрица стандартизированных коэффициентов (Табл.2).

Таблица 2 -  Матрица стандартизированных коэффициентов

 

Показатели

 

Х1

Х2

Х3

Х4

Х5

1.Эрмитаж

1

0,67

0,33

1

1

2.Русский музей

0,5

0,83

0,5

0,08

0,52

3.Кунсткамера

0,14

0,5

0,08

0,08

0,07

4.Эрарта

0,09

1

1

0

0,1

5.Планетарий

0,2

1

0,05

0

0,23

С использованием программы STATISTICA рассмотрим и проанализируем данные, представленные в Табл. 2 по всем пяти признакам. После выполнения анализа появляется окно его результатов с несколькими вкладками (Рис. 1).

599

Рис. 1 Первая вкладка диалога результатов анализа главных компонент

Можно увидеть, что анализ выделил 4 главных компоненты, причем описал с их помощью 100% дисперсии, отраженной в 5 начальных признаках. Это означает, что один признак был лишним, избыточным.

Начнем просматривать результаты с кнопки «Plot case factor voordinates, 2D»: она покажет расположение точек на плоскости, заданной двумя главными компонентами. Результат — на Рис. 2.

На Рис.2 отражено более 65% всего разнообразия в положении точек друг относительно друга. При анализе размещения точек на плоскости главных компонент может возникнуть необходимость проанализировать расстояния между ними. Проще всего получить матрицу дистанций между точками с использованием модуля для кластерного анализа.

Нажав кнопку, «Plot var. factor coordinates, 2D», можно узнать, как связаны выделенные главные компоненты с исходными признаками. Результат — на Рис.3.

Рис.3 показывает вид на плоскость двух главных компонент «сверху». Исходные признаки, которые никак не связаны с главными компонентами, будут перпендикулярны (или почти перпендикулярны) им и отразятся короткими отрезками, заканчивающимися вблизи начала координат. Так, меньше всего с двумя первыми главными компонентами связан признак № 2 и № 3.

600

Рис. 2 Ординация рассматриваемых объектов на плоскости двух первых главных компонент

601

Рис. 3 Проекции исходных признаков на плоскость двух первых главных компонент

Например, можно увидеть, что на первую главную компоненту сильнее всего повлияли признаки 2 (связан положительной корреляцией), а также 1 и 4 (связаны отрицательной корреляцией). Чтобы рассмотреть структуру таких корреляций подробнее, можно нажать кнопку «Factor coordinates of variables», и получить таблицу, показанную на Рис. 4.

601

Рис. 4 Корреляции между исходными признаками и выделенными главными компонентами (Factors)

Проведя анализ показателей музейной деятельности, выяснилось, что информацию об изменчивости по 5 признакам удалось отразить в 4 главных компонентах. Один из начальных признаков был избыточным и не добавлял никакой новой информации.

 Данный метод будет эффективен при построении филиальной сети «Эрмитажа», поскольку при этом требуются решения широкого спектра логистических задач для оценки разнородных параметров, таких как: выбор первоочередности обустройства объектов сети музеев-спутников «Эрмитажа», выбор маршрутов перевозки культурных ценностей и пр. Расчеты выделяют Красноярск, как предполагаемый опорный центр музейной сети «Эрмитажа» в Сибири и Дальнем Востоке.

Библиографический список:

  1. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций. – Таганрог: Изд-во ТТИ ЮФУ,2009.- с.26-30.
  2. Боровиков В.П. Популярное введение в программу STATISTICA, с.194-201
  3. Кластерный анализ : методические указания к изучению курса и задания к лабораторным работам для студентов математических и экономических специальностей / сост. В. Д. Власенко. – Хабаровск : Изд-во Тихоокеанского гос. ун-та, 2006 –с.19-28
  4. Палагин Ю.И., Глинский В.А., Мочалов А.И. Интермодальные транспортно-логистические процессы: Экспедирование, технологии, оптимизация, СПб, политехника, 2019, 367 с.
  5. Шведов В.Е., Глинский В.А., Иванова Н.В., Голубева К.И., Елисеева А.В. (под общей ред. В.Е. Шведова)Транспортно-логистические системы перевозки грузов: учебник для вузов / под общей ред. Е.Е. Шведова.  СПб.: ИЦ «Интермедия» 2019 – 288 с.
  6. Материал размещен кафедрой «Логистика и маркетинг в АПК» Красноярского ГАУ
  7. Источник: Материалы XV Международной научно-практической конференции «Логистика – Евразийский мост» ЛЕМ - 2020


Количество просмотров: 2271
теги:
04.11.2021 11:11 | log2020блог автора

Еще публикации:




Сергей Полунин: доверенное лицо Президента

Сергей_Полунин

Полунин Сергей молод. Ему всего лишь по состоянию на февраль 2024-го, 34 года. Вместе с тем, в декабре 2023 года он попал в список доверенных лиц Владимира Путина на президентских выборах 2024 года.

23.02.2024 09:53 // 2401





Стать автором
Логин:
Пароль:
Для входа в свой аккаунт или Регистрациии, воспользуйтесь выплывающим меню
Реклама