CC BY
26
КРЕАТИВНАЯ ЭКОНОМИКА
Том 12 • Номер 8 • август 2018 ISSN 1994-6929 Journal of Creative Economy
издательство
Креативная экономика
некоторые возможности использования эконометрических методов в исследованиях сферы туризма
Лебедева С.А.1, Шершуков Д.В. 2
1 Российская академия народного хозяйства и государственной службы при Президенте РФ, Москва, Россия
2 Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
АННОТАЦИЯ:_
В данной статье с помощью метода бинарной логистической регрессии были выявлены основные характеристики российских гастротуристов. Гастрономический туризм - новое модное направление, динамично развивающееся во всем мире, в том числе на территории Российской Федерации. Однако для создания конкурентоспособного предложения на данном рынке необходимо определить характеристики потенциальной аудитории. Именно по этой причине данная работа представляет особую ценность. Определение основных демографических и психографических характеристик российских гастротуристов будет способствовать созданию конкурентного туристского продукта на российском рынке, а также развитию внутреннего туризма на территории страны, что крайне актуально в условиях сложившейся политико-экономической ситуации. Кроме того, в работе проведен корреляционный анализ различных видов туризма, что также важно для развития туристской индустрии на территории России.
КЛЮЧЕВЫЕ СЛОВА: регрессионный анализ, бинарная логистическая регрессия, корреляционный анализ, туризм, гастрономический туризм, характеристики российских гастротуристов.
some possibilities of using econometric methods in tourism research
Lebedeva S.A.1, ShershukovD.V. 2
1 The Russian Presidential Academy of National Economy and Public Administration, Russia
2 The National Research University Higher School of Economics (HSE), Russia
введение
Большая часть современных методов анализа различных областей экономики опирается на эконометрические модели и концепции. Без глубоких знаний в области эконометрики невозможно научиться их использовать. Для практически значимых исследований сферы туризма также важно иметь хорошую эконометрическую подготовку.
Гастрономический туризм как динамично развивающийся сегмент туриндустрии и его развитие на российском рынке представляет интерес с разных позиций и, прежде всего, с точки зрения возможных положительных эффектов для развития национальной экономики. Для
изучения одного из аспектов нового вида туризма использовался регрессионный анализ. Помимо этого в работе представлено использование корреляционного анализа в туристской отрасли. Оба анализа выполнены на основании проведенного авторами опроса с помощью специализированной программы для статистических вычислений и графического анализа данных «R» [4] (Kabakov, 2014).
Регрессионный анализ - это метод установления формы и изучения связей между метрически зависимой переменной и одной или несколькими независимыми переменными [3, с. 779] (Malkhotra, 2016). Данный метод дает возможность для прогнозирования значения зависимой переменной, отталкиваясь от значения независимой переменной. Бинарная логистическая регрессия, использованная в данной работе, в свою очередь, позволяет исследовать зависимость дихотомических переменных от независимых переменных, имеющих любой вид шкалы. Таким образом, с помощью метода бинарной логистической регрессии можно рассчитать вероятность наступления события в зависимости от значений независимых переменных. Значение вероятности (P(Y)) может принимать значения между 0 и 1. Если для P(Y) получится значение меньше 0,5, то можно предположить, что событие не наступит. В противном случае предполагается наступление события.
Коэффициенты корреляции используются для описания связей между переменными. Знак коэффициента свидетельствует о направлении связи, а величина коэффициента показывает силу этой связи. Соответственно, чем ближе модуль коэффициента к 1, тем сильнее связь между исследуемыми объектами.
ABSTRACT:_
In this article, using the method of binary logistic regression, authors identified the main characteristics of the Russian gastrotourism. Gastronomic tourism is a new fashionable trend, dynamically developing all over the world, including in the territory of the Russian Federation. However, in order to create a competitive offer in this market, it is necessary to determine the characteristics of the potential audience. The definition of the main demographic and psychographic characteristics of Russian gastroturists will contribute to the creation of a competitive tourist product in the Russian market, as well as the development of domestic tourism in the country, which is extremely important in the current political and economic situation. In addition, the paper conducted a correlation analysis of different types of tourism, which is also important for the development of the tourism industry in Russia.
KEYWORDS: regression analysis, binary logistic regression, correlation analysis, tourism, gastronomic tourism, characteristics of the Russian gastrotourism
JEL Classification: L83, C15, C20 Received: 20.06.2018 / published: 31.08.2018
© Author(s) / Publication: CREATIVE ECONOMY Publishers
For correspondence: Lebedeva S.A. ([ebedeva.svet[ana19940gmai[.com)
CITATION:_
Lebedeva S.A., Shershukov D.V. (2018) Nekotorye vozmozhnosti ispolzovaniya ekonometricheskikh metodov v issledovaniyakh sfery turizma [Some possibilities of using econometric methods in tourism research]. Kreativnaya ekonomika. 12. (8). - 1221-1238. doi: 10.18334/ce.12.8.39289
Логистическая регрессия с бинарными переменными использовалась для создания портрета типичного российского гастрономического туриста на базе иностранных исследований. В качестве зависимой переменной принимался ответ на вопрос анкеты, поехал ли бы респондент в гастрономическое путешествие или нет. Соответственно, если ответ на данный вопрос был положительным, то зависимая переменная принимала значение 1, если ответ был отрицательным - то 0.
В качестве независимых переменных проверялись такие характеристики, как половая принадлежность, возраст, уровень образования и дохода, семейное положение респондентов, наличие детей, принадлежность туристов к одной из категорий, описывающих стиль жизни, и некоторые психографические характеристики - психоцен-трики или аллоцентрики, а также отношение респондентов к гастрономии в целом. Данные характеристики взяты из международных исследований, определяющих их как значимые или незначимые. Так, исследование Всемирной ассоциации гастрономического туризма, проведенное в 2010 году, говорит о неважности таких факторов, как пол, возраст и уровень дохода [10]. В то же время исследователи из Гвельфского университета в Канаде выяснили, что незамужняя женщина в случае увеличения доходов с большей вероятностью увеличит свои расходы на рестораны, нежели холостой мужчина или женатый/замужний человек [1, с. 308] (Kotler, Bouen, Meykenz, 2013).
Американская исследователь Елена Уильямс (Helena A. Williams) из Техасского технического университета со своими коллегами Робертом Уильямсом (Robert L. Williams Jr.) из университета Сускуэханна и Мактобой Омар (Maktoba Omar) из университета Конвентри также приводят классификацию гастрономических туристов, основываясь именно на демографических характеристиках. Согласно этому же исследованию, а также работе румынских ученых, гастротуристы - это обычно люди с высоким уровнем образования [7, с. 6; 8, с. 399] (Williams et al., 2014; Boita, Anghelina, Costi, 2014).
Психографические характеристики гастротуристов были приведены словацкими учеными, которые отмечают, что обычно данная категория туристов отвергает единообразие и отличается насыщенным стилем жизни [6, с. 16] (Gheorghe, Tudorache, Nistoreanu, 2014). Кроме всего прочего, гастротуристы имеют особое отношение к еде, напиткам и в целом к гастрономии и кулинарии. Они рассматривают гастрономию как средство коммуникации, социализации и платформы для обмена опытом. Этот
ОБ АВТОРАХ:_
Лебедева Светлана Алексеевна, магистрант факультета менеджмента спортивной и туристской индустрии института отраслевого менеджмента ([ebedeva.svet[ana19940gmai[.com)
Шершуков Данила Вадимович, магистрант факультета экономических наук (dani1a.shershukov0yandex.ru)
ЦИТИРОВАТЬ СТАТЬЮ:_
Лебедева С.А., Шершуков Д.В. Некоторые возможности использования эконометрических методов в исследованиях сферы туризма // Креативная экономика. - 2018. - Том 12. - № 8. - С. 1221-1238. doi: 10.18334/ce.12.8.39289
тип туристов тщательно выбирает продукты питания: их волнует все, начиная с места происхождения продуктов до способа их приготовления. Они ориентированы на открытия, постоянно стремятся открыть что-то новое, активно интересуются музеями, магазинами, различными шоу, мюзиклами, кинофестивалями и культурными достопримечательностями [5, с. 6] (Iriguler, Guler, 2017).
Каждая из описанных выше характеристик является качественной. Для трансформации данных переменных в количественные характеристики была использована процедура переопределения. Так, для обозначения лиц женского пола, респондентов, не состоящих в браке, а также опрашиваемых, не имеющих детей, использовался 0, для лиц мужского пола, интервьюируемых, состоящих в браке, и респондентов, имеющих детей, - 1.
Переменные возраста, образования и дохода состоят из нескольких категорий, где за 1 принимается группа, наилучшим образом описывающая ту или иную характеристику участника опроса, а за 0 все остальные категории. Переменная возраста включает в себя категории: младше 16, от 16 до 20, от 21 до 25, от 26 до 30, от 31 до 35, от 36 до 40, от 41 до 45, от 46 до 50, от 51 до 55, от 56 до 60 и старше 61. Переменная образования включает следующие группы: неполное среднее и полное среднее образование, среднее профессиональное образование, неоконченная степень бакалавра/специалиста, бакалавр/специалист, неоконченная степень магистра, магистр, два и более высших образования, ученая степень.
Для конструирования вопроса об уровне дохода в исследовании использовался оценочный подход. Переменная дохода состоит из 6 категорий: очень низкий уровень дохода, низкий, ниже среднего, средний, выше среднего, высокий уровень дохода. Для каждой категории в анкете были добавлены комментарии, содержащие оценочные суждения об уровне благосостояния и позволяющие респондентам более точно определиться с группой, к которой они относятся.
Психометрическая характеристика «психоцентрик - аллоцентрик», предложенная американским социологом Стенли Плогом (Stanley Plog), - комплексная переменная, имеющая в своей основе пять прочих категорий: склонность к переменам и степень консерватизма, отношение к риску, готовность к путешествиям, требовательность к комфорту во время путешествий и важность интеллектуальной составляющей во время поездки [2, с. 325; 9] (Lebedeva, 2017; Stanley, 2001). Каждая из подкатегорий также является бинарной переменной, принимающей значения 0 или 1. Так, респонденты-неофобы получают 0 баллов, а респонденты-неофилы - 1; рискофобы - 0, рискофилы - 1; домоседы - 0, а любители путешествовать - 1; респонденты, требовательные и привыкшие к комфорту во время своих путешествий, - 0, в то время как лица, не нуждающиеся в комфортных условиях для отдыха - 1. Таким образом, пси-хоцентрикам, набравшим от 0 до 2 баллов, присваивается 0, а аллоцентрикам (от 3 до 5 баллов) - 1 (рис. 1).
IlrfBOOIKpMMTr.nl
f Пгшиг принты Туристы. гк.|<1М|ыг к ргигай смгнг Í впгчп кний и npf.lllüHHтafouixr ■гобычиыг лггпошми ItpMCtkL П^1Г«К»>10ШИГ АЛШ Н.Ш V нгАо.пноЙ гриппом на /и> и.шиг рлгпояння В ИГ UUKD4UF чггта
Ттристы. п. т.ujгс т.к>и]мг na jaibinir ряссюшшя. по аг сhюмыг к рпкоя окне ■пгчатлгяж) м прглмчмтатаиг привычным «BL1U аиии
Рисунок 1. Классификация туристов по С. Плогу Источник: дополнено авторами на основании [2, с. 325] (ЬеЪгйгга, 2017)
Отношение респондентов к еде рассматривалось в исследовании с нескольких ракурсов: о тотки зрения потребпения продуктов питания, с точки зресия приготовления блюд, а также поручения новых знаний о продуктах питания и посещения всевозможных мероприятий, связанных с кулинарией и гастрономией. Опрашиваемым, благосклоннаотносящимся к гастрономии, присваивается 1, а негативно относящимся - 0.
Таким образом, опрос прошли 522 мужчины (37,1%) и 88 женщин (62,9%). Большинство респондентов относятся к возрастной категории от 21 до 25 (35,7%), следующая групна находится в диапазоне от- 16 до 20 (25,7%). Большинство респондентов не состоят в браке (741,39а) и не имеют детей (04,3%). Большинство опрашиваемых имеют степень бакалавра или специалиста (28,6%X Чуть меньший процент респондентов еще не оакончил обучение по бакалаврской программе (27,1%). Что касается уровня дохода, боньшая часть учасеников опроса отнесла свои домохозяйства к категориям со средним уровнем дохода (36,4%), ниже среднего (30,0%) и выше среднего (25,0%). 80 из 140 респондентов окозспись аллоцентриками. Опрос также показал, что для 78,6% опрашиваемых гастрономия является важным и интересным фектором не только во время путешествий, но и в повседневной жизни.
После первичной! обработки данных был получен набор 0 и 1. Даем команду для расчета описательной статистики исходных данных для исключения переменных с пропущенными значениями. Функция виттатуО позволяет вычислить основные параметры описательной статистики в программе Я (рис. 2).
gender Hin. :0.0000 lsc Qu. :0 .0000 Median :0.0000 Mean :0.3714 3rd Ou. ¡1.0000 Max. :1.0000
age26c30 Mln. :0.00000 lsc Ou. :0.00000 Median :0.00000 Mean :0.07B57 3rd Ou.:0.00000 Max. :1.00000
age46c50 Mln. :0.00000 1st Ou.:0.00000 Median :0.00000 Mean :0.01429 3rd Qu.¡0.00000 Max. :1.00000
school_i Min. :0.00000 lsc Qu.:0.00000 Median :0.00000 Mean :0.02857 3rd Ou.:0.00000 Max. :1.00000
agebl€ Min. :0.00000 lsc Ou.:0.00000 Median :0.00000 Mean :0.02143 3rd Ou.:0.00000 Max. :1.00000 age31c35 Min. :0.00000 lsc Ou.:0.00000 Median :0.00000 Mean :0.07857 3rd Ou.:0.00000 Max. :1.00000
age51CS5 Mln. :0.00000 lsc Qu.:0.00000 Median :0.00000 Mean :0.02857 3rd Ou.:0.00000 Max. :1.00000
school Min. :0.00000 lsc Qu.:0.00000 Median :0.00000 Mean 10.05714 3rd Ou.:0.00000 Max. :1.00000
agel6c20 Min. :0.0000 lsc Qu.:0.0000 Median :0.0000 Mean :0.2571 3rd Ou.:1.0000 Max. :1.0000 age36c40 Min. :0.00000
lsc Ou.; Median Mean 3rd Qu. Max.
0.00000 0.00000 0.04286 0.00000 1.00000
age56c60 Min. :0.00000 lsc Qu.:0.00000 Median :0.00000 Mean :0.02143 3rd Qu.:0.00000 Max. :1.00000
college Min. :0.00000 lsc Qu.:0.00000 Median :0.00000 Mean :0.05714 3rd Qu.:0.00000 Max. :1.00000
age21c25 Min. :0.0000 lsc Ou. :0.0000 Median :0.0000 Mean :0.3571 3rd Qu.:1.0000 Max. :1.0000 age41c45 Hin. :О.00000 lsc Qu.:0.00000 Median :0.00000 Mean :0.05714 3rd Qu.:0.00000 Max. :1.00000
age€lh Mln. :0.00000 lsc Qu.:0.00000 Median :0.00000 Mean :0.04286 3rd Qu.:0.00000 Max. :1.00000
bchlr_i Min. :0.0000 lsc Qu.:0.0000 Median :0.0000 Mean :0.2786 3rd Qu. : 1.0000 Max. :1.0000
bchlr Mln. :0.0000 lsc Qu.¡0.0000 Median :0.0000 Mean :0.2857 3rd Qu.¡1.0000 Max. :1.0000
degree Min. :o.ooooo
lsc Qu.:0.00000 Median ¡0.00000 Mean :0.03571 3rd Qu.:0.00000 Max. :1.00000
incoiceS Min. :0.0000 lsc Qu.¡0.0000 Median ¡0.0000 Mean :0.2357 3rd Qu.:0.0000 Max. :1.0000
ps_alo Min. ¡0.0000 lsc Qu.¡0.0000 Median ¡1.0000 Mean ¡0.5714 3rd Qu.¡1.0000 Max. ¡1.0000
rcscr_l Mln. ¡0.0000 lsc Qu.¡0.0000 Median ¡0.0000 Mean ¡0.1143 3rd Qu.¡0.0000 Max. ¡1.0000 Income1 Min. ¡0 lsc Qu.¡0 Median ¡0 Mean ¡0 3rd Qu. ¡0 Max. ¡0 incomes Min. ¡0.00000 lsc Qu.¡0.00000 Median ¡0.00000 Mean ¡0.05714 3rd Ou. ¡0.00000 Max. ¡1.00000
food Hin. ¡0.0000 lsc Ou. ¡1.0000 Hedían ¡1.0000 Hean ¡0.7357 3rd Ou. ¡1.0000 Hax. ¡1.0000
Max.
¡nscr Min. ¡0.00000 lsc Qu.¡0.00000 Median ¡0.00000 Mean ¡0.03571 3rd Ou.¡0.00000 Max. ¡1.00000 lncome2 Hin. ¡0.00 lsc Qu.¡0.00 Hedlan ¡0.00 Hean ¡0.OS 3rd Qu.¡0.00 Hax. ¡1.00
family Hin. ¡ 0.0000 lsc Ou. ¡0.0000 Median ¡0.0000 Hean ¡0.2S71 3rd Ou.¡1.0000 Hax. ¡1.0000 guescionY Min. ¡0.00 lsc Qu.¡0.75 Median ¡1.00 Mean ¡0.75 3rd Ou.¡1.00 Max. ¡1.00
hedu2 Mln. ¡0.00000 lsc Qu.¡0.00000 Median ¡0.00000 Mean ¡0.05714 3rd Qu.¡0.00000 Max. ¡1.00000
lncome4 Mln. ¡0.0000 lsc Ou.¡0.0000 Median ¡0.0000 Mean ¡0.33S7 3rd Qu.¡1.0000 Hax. ¡1.0000
incomes Min. ¡0.0000 lsc Qu. ¡0.0000 Median ¡0.0000 Mean ¡0.3214 3rd Qu.¡1.0000
¡1.0000
children Min. ¡0.0000 lsc Qu.¡0.0000 Median ¡0.0000 Hean ¡0.2571 3rd Qu.¡1.0000 Hax. ¡1.0000
Рисунок 2. Описательные статистики для оцениваемых моделей Источник: составлено авторами с помощью программы Я
Расчет логистической регрессии производится командой glm(), а с помощью функции summary(), как говорилось ранее, вычисляем описательные статистики. Вычисленные описательные статистик]/! логистической регрессии предсоавленьа на рисунке 3.
Deviance Residuals:
Hin 1Q Median 3Q Max
-2.29181 -0.00002 0.00018 0.58305 1.70091
Coefficients: (4 not defined because of singularities)
Estimate Std. Error z value PrOlzl)
(Intercept) 4 •674e»01 S .490e+03 0 .009 0. 9932
gender -7 .717e-01 5 .792e-01 -1 .332 0. 1828
amebic 1 .siee+oi 1 ,075e+Q4 0 .002 0. 993£
agel£t20 4 . 814e—01 2 .043e+00 0 -23€ 0. 8137
age21t25 1 .423e+00 1 .871e+00 0 • 7£1 0. 44€9
age26t30 -1 .353e—01 1 .957e+00 -0 . 0£9 0. 9449
age31t35 2 •225e+00 2 .139e+00 1 .016 0. 3095
age36t40 -5 .009e-02 1 .907e+00 -0 . 02€ 0. 9790
age41t4S 1 .821e+01 3 .49£e+03 0 .005 0. 99S8
age46t50 -1 .664e+01 2 .677e+03 -0 .006 0. 9950
age51t55 -3 •235e-01 2 .05£e+00 -0 .157 0. 8750
age56t60 2 •057e+01 S •663e+03 0 .004 0. 9971
ageelh HA HA HA NA
achool_l -3 .500e+01 1 .147e+04 -0 .003 0. 997€
school -1 •703e+01 3 .97£e+03 -0 .004 0. 99££
college -1 .53ве*01 3 .97£e+03 -0 .004 0. 9969
bcblx_l -1 .640e+01 3 .976e+03 -0 .004 0. 9967
bchlr -1 .710e*01 3 .97£e+03 -0 .004 0. 99££
ir_3tr_l 1 .452e+00 4 .£77e+03 0 .000 0. 9998
mstr -1 .788e+01 3, .976e+03 -0 .004 0. 9964
hedu2 -1 . 663e+01 3 .976e+03 -0 .004 0. 9967
degree NA HA HA NA
income1 NA HA NA NA
income2 -3 .133e+01 3 .786e+03 -0 .008 0. 9934
income3 -3 . ieoe-»oi 3 .73€e+03 -0 .008 0. 9933
lncoree4 -3 . П8е+01 3 .78£e+03 -0 .008 0. 9933
Incomes -3 . 12 8e+01 3 •786e+03 -0 .008 0. 9934
income€ NA NA NA NA
family -6 .356e-01 1 .2£Se+00 -0 .501 0. 6162
children 1 .951e+00 1 . 425e+00 1 . 3£9 0. 1711
ps_alo s .ieie-01 с .234e—01 1 .309 0. 1905
food 1 .651e+00 £ . 579e-01 2 .509 0. 0121
Slgnlf. codes: 0 '•••» 0.001 •••• 0.01 ••• 0.05 0.1 ' • 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 157.454 on 139 degrees of freedom Residual deviance: 96.941 on 112 degrees of freedom AIC: 152.94
Number of Fisher Scoring iterations: 13
Рисунок 3. Описание бинарной логистической регрессии Источник: составлено авторами с помощью программы Я
Как видно из анализа, около некоторых переменных в категориях возраст, уровень образования и уровень дохода домохозяйств стоит код АМ, говорящий об отсутствии инфермации. Данныеотсутствуют только для аеременной тсоткИ, так как в выборке нет респонде нтов, оценивших доход сво их уомох озяйств как очень низ кий.
Это также видно из описательной статистики исходных данных (рис. 2), представленной выше. Другие переменные исключены программой из-за наличия базовых переменных. Базовымипеременнымив данном случае являются: перемен ная возраста - age21t25, переменная образования - ЫМг и переметая дохода - income4. Таким образом, исключаем указанные переменные. С ними будут сравниваться все остальные. Получили следующие параметры описательной статистики бинарной логит-рег-рессии для модели без указанных выше переменных (рис. 4).
Deviance Reaiduala:
Min IQ Median 30 Max
-2.29181 -0.00002 0.00018 0.58305 1.70091
Соеfficienca:
(Incercepc)
gender
agebl6
agel6c20
age26c30
age31c35
age36t40
age41c45
age46t50
age51c55
age56c60
age61h
achool_i
school
college
bchlr_l
macr_i
rr.acr
hedu2
degree
incorr.e2
incomes
income5
income6
family
children
ps_alo
food
Slgnlt. codeji
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 1S7.454 on 139 degrees of freedom Residual deviance! Si.»41 on 112 degrees of freedom AICi 152.SI
Number of Fisher Scoring iterations) 18
Eacimace Scd. Error z value Pr (> 1 = 1»
-0 .7179 0 . 9378 -0. 765 0. 4440
-0 .7717 0 .5792 -1. 332 0. 1828
17 .7384 10754 .0129 0. 002 0. 9987
-0 .9413 0 .9387 -1. 003 0. 3160
-1 .5579 1 .1016 -1. 414 0. 1573
0 .8020 1 . 4034 0. 572 0. 5677
-1 . 4728 1 . 3459 -1. 094 0. 2739
16 .7858 3495 .9610 0. 005 0. 9962
-18 .0620 2677 .0175 -0. 007 0. 9946
-1 .7462 1 . 6946 -1. 030 0. 3028
19 .1465 5667 . 9866 0. 003 0. 9973
-1 .4226 1 . 8706 -0. 761 0. 4469
-17 .9069 10754 .0128 -0. 002 0. 9987
0 .0675 1 . 4212 0. 047 0. 9621
1 .7153 1 .2372 1. 386 0. 1656
0 .<973 1 .0363 0. 673 0. 5010
18 .5477 2 4 62 .6687 0. 008 0. 9940
-0 .7823 1 .2767 -0. 613 0. 5401
0 .4652 1 .4804 0. 314 0. 7533
17 .0957 3975 .6387 0. 004 0. 9966
0 .4494 1 .4400 0. 312 0. 7550
0 .1847 0 . 6856 0. 269 0. 7877
0 .4992 0 .7322 0. 682 0. 4954
31 .7829 3785 .8372 0. 008 0. 9933
-0 .6356 1 .2680 -0. 501 0. 6162
1 .9505 1 .4250 1. 369 0. 1711
0 .8161 0 .6234 1. 309 0. 1905
1 .6508 0 .6579 2. 509 0. 0121
1 «• • 0.001 •••» 0.01 > • • о .OS * . ' 0. 1 « '
Рисунок 4. Описание бинарной логистической регрессии (Модель № 1) Источник: составлено авторами с помощью программы М
Цифры рядом с независимыми переменными - это соответствующие коэффициенты bi (Estimate) и их стандартное отклонение (Std. Error). Коэффициент Intercept -свободный член, обозначающий пересечение с осью ординат. При экспоненцировании данный коэффициент дает отношение рисков наступления события в том случае, когда отсутствуют какие-либо факторы. Значения Pr(>\z\) характеризуют вероятность того, что коэффициенты bi равны 0. Справа находится колонка, содержащая астериксы (*), указывающие на значимость переменных. Три астерикса (***) означают, что величина p-value находится в промежутке между 0 и 0,001, два (**) - в промежутке между 0,001 и 0,01, один (*) - в промежутке между 0,01 и 0,05, точка (•) говорит о том, что p-value находится в диапазоне от 0,05 до 0,1, а пробел ( ) - от 0,1 до 1,0.
В Модели № 1 только одна значимая переменная - food, показывающая отношение респондентов к гастрономии, для которой p-value находится в диапазоне от 0,01 до 0,05. Так как коэффициент перед данной переменной положительный, то можно сделать вывод, что турист с большей вероятностью поедет в гастрономическое путешествие, если он/она положительно относится к еде в глобальном понимании.
Центр полевых исследований Барселоны выявил, что развитию гастротуризма также способствует появление огромного количества кулинарных каналов, программ и шоу [11]. В этой связи добавим в разобранную Модель № 1 еще две переменные: просмотр респондентами телепередач о путешествиях (tv_trip) и программ о гастрономии, еде и ресторанах (tv_food), где 0 говорит о том, что респондент не смотрит данные передачи, а 1 - наоборот. Соответственно, получаем Модель № 2, представленную на рисунке 5.
В Модели № 2 программа показала две объясняющие переменные: психотип гастро-туриста (ps_alo) и переменную, отвечающую за просмотр телепередач и программ о кулинарии (tv_food). Переменная tv_food более значима, чем ps_alo, а положительный коэффициент перед данной переменой свидетельствует о том, что человек, который смотрит телепередачи о еде, с большей вероятностью поедет в гастротур, нежели тот, который такие программы не смотрит. Возвращаясь к переменной ps_alo, видим, что кооэффициент перед переменной также является положительным. Это говорит о том, что туристы-алоцентрики с большей вероятностью отдадут предпочтение гастрономическому туризму, чем психоцентрики. Кроме того, значимой получилась константа, но обычно она не интерпретируется.
Возникает вопрос: «Какая из двух моделей лучше?» Для того чтобы сравнить Модель № 1 и Модель № 2 между собой, обратим внимание на предпоследнюю строчку, AIC (Akaike's Information Criterion) - информационный критерий Акаике, оценивающий оптимальность модели, меньшее значение которого указывает на хорошее соответствие данным при использовании меньшего числа параметров. Иначе говоря, информационный критерий Акаике представляет собой «штраф» за увеличение сложности модели. Несмотря на то, что в Модели № 2 были добавлены две переменные, то есть модель стала сложнее, показатель AIC ощутимо уменьшился. Следовательно, Модель № 2 с меньшим значением критерия AIC лучше.
Deviance Residuals:
Min 1Q Median 3Q Max
-2.72726 -0.00002 0.00022 0.52049 1-77595
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercepc) -2 . SS8e+00 1 .338e+00 -2 .240 0. 0251
gender -9. 031e—01 e .SSSe-01 -1 .371 0. 1704
agebl6 1. 614e+01 l .075e+04 0 .002 0. 9583
agel6t20 -1. 493e+00 l .099e+00 -1 .358 0. 1743
age26t30 -1. 771e+00 l .250e+00 -1 .417 0. 1566
age31t35 -1. 58 €e —02 l .537e+00 -0 .010 0. 5918
age36t40 -2. 320e+00 l ■530e+00 -1 .516 0. 1294
age41t45 1. 57 9e+01 3 .42 9e+03 0 .005 0. 5563
age46t50 -1. 919e+01 2 .962e+03 -0 .006 0. 5548
age51t55 -1. 522e+00 l .815e+00 -0 . 838 0. 4018
age5£t€0 1. S72e+01 5 .823e+03 0 .003 0. 5574
age61h -1. 015e+00 1 .908e+00 -0 .532 0. 5550
school_i -1. 636e+01 1 .075e+04 -0 .002 0. 5533
school 3. 6S5e—01 1 .52 €e+00 0 .241 0. 3052
college 1. €51e+00 1 .355e+00 1 .218 0. 2233
bchlr_i 1. 952e+00 1 •279e+00 1 .526 0. 1265
mstr i 1. 967e+01 2 •242e+03 0 .005 0. 5530
It3Cr -4 . 560e—02 1 .393e+00 -0 .036 0. 5716
hedu2 1. 634e+00 1 .633e+00 1 .001 0. 3170
degree 1. 605e+01 3 .933e+03 0 .004 0. 5567
income2 -5. 451e-02 1 .412e+00 -0 .039 0. 5650
income3 2 . 54 €e—01 7 .489e-01 0 .340 0. 7335
incomes S . 328e—01 8 .482e-01 0 . 982 0. 3262
incoir.e€ 3. 173e+01 4 .189e+03 0 .008 0. 5540
family 2 . 008e—01 1 .456e+00 0 . 138 0. 8503
children 1. 845e+00 1 . 545e+00 1 .194 0. 2323
ps_alo 1. 3€5e+00 7 .520e-01 1 .815 0. 0656
tv_trip 1. 230e+00 8 .052e—01 1 .590 o. 1113
tv_food 1. 611e+00 7 .177e—01 2 .245 0. 0243
food 1. 144e+00 7 .062e—01 1 . 620 0. 1052
Signif. codes: 0 '«••' 0.001 *»•' 0.01 0.05 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 157.454 on 139 degrees of freedom Residual deviance: 85.216 on 110 degrees of freedom AIC: 145.22
Number of Fisher Scoring iterations: 13
Рисунок 5. °писание бинарной логистической регрессии (Модель № 2) Источник: составлено авторами сдомощью программы Я
Теперь рассчитаем вероятность совершения гастрономической поездки туристами для Моддли № 2. Задаем код, указанный на рисунке 6, и получаем, что вероятниать того, что респондент с заданными в Модели №2 характеристиками поедет в гастропу-тешествие, равна 85%.
> р<-ргей1сс (ге.?, )
Рисунок 6. Расчет вероятности отправления респон дентами в гастрономическое путешествие для
Модели № 2
Источник: составлено авторами с помощью программы Я
Coefficients :
Estimate Std. Error z value Pr(>|z|>
(Intercept) 1 8153 0 4076 4 454 8.43e-06
адеЫб -1 1221 1 2908 -0 869 0 3847
agel6t20 -1 1221 0 5395 -2 080 0 0375 *
age26t30 -1 9976 0 7299 -2 737 0 0062 »*
age31t35 -0 3112 0 8816 -0 353 0 7241
age36t40 -1 8153 0 9126 -1 989 0 0467 *
age41t45 15 7508 1398 7210 0 011 0 9910
age46tS0 -1 8153 1 4718 -1 233 0 2174
age51tS5 -1 8153 1 0799 -1 681 0 0928
age56t60 15 7508 2284 1018 0 007 0 9945
age61h -0 2059 1 1688 -0 176 0 8602
Signif. codes ; Q Ï **» ' 0.001 '** • 0 01 .05 .' 0.1 ' ' 1
Рисунок 7. Определение степени влияния переменных из группы «Возраст» на модель Источник: составлено авторами с помощью программы Я
Рассмотрим возможность упрощения модели, « следовательно, ее улучшения посредством уменьшения А1С. Для этосо с помощаю той! же функции сравним влияние ^шшу-переменных на модель в каждого группе (возраст, образование, доход) для их возможного последующ его исключения. Для определения значимости переменных группы возраста вводим программный код, содоржащий только пероменные группы «Возраст» без базовой переменной а^е2И25 (рис. 7).
Значимыми получились следующие переменные: age26t30, ageа6t20, age36t40 и age51t55 (переменные расставланы в порядке убывания значимости). Ко эффициенты перед всеми переменным и о трицательные, что можно инт ерпретировать следующим образом: данные во зрастные категории (от 26 до 30, от 16 до 20, от 36 до 40 и от 51 до 55) поедут в гастрономическое путешествие с меньшей вероятностью, чем базовая группа респондентов в возрасте от 21 до 25. При этом туристы, относящиеся к возрастной категории 26-30 лет, поедут в гастротур с меньшей вероятностью, чем туристы в возрасте от 16 до 20 и от 36 до 40 лет. А туристы 16-20 лет и 36-40 лет - с меньшей вероятностью, чем возрастная группа от 51 до 55. Переменные, коэффициент перед которым не значим, не отличаются от базовой категории.
Что касается групп «Образование» и «Доход», представленных на рисунках 8 и 9, соответственно, значимых переменных, кроме свободного члена, в них нет, следовательно, их можно исключить из Модели № 2.
Coefficients :
Estimate Std. Error z value Pr(>|z|)
(Intercept) О . 7309 О . 3376 2 165 0 . 0304 »
school i -О . 7309 1 .0554 -0 692 0 . 4886
scliool -О . 2201 О . 8045 -0 274 0 . 7845
college О . 3677 О . 8835 0 416 0 . 6773
bchlr_i О . 333S О .4984 О 670 0 . 5030
mstr i 17 . S352 1630 . 6597 О 011 0 . 9913
mstx О . 3677 О .7473 О 492 0 . 6227
iiedu2 О . 3677 О . 8835 о 416 0 . 6773
degree 17 . S352 2917 .0127 0 006 0 . 9951
Signif. codes 0 * *** ' 0.001 >*« ' 0 01 »' а .05 >.' 0.1 ' 1
Рисунок 8. Определение степени влияния переменных из группы «Образование» на модель Источник: составлено авторами с помощью программы Я
Coefficients :
(Intercept) inccme2 income3 incomes income6
Estimate Std. Error z
0.7577 0.1536 0.3703 0.5545 16.8084
0.3129 0.8933 0.4672 0.5284 1353.7210
value Pr(>|z|) 2.421 0.0155
0.178 0.794 1.045 0.012
0.3551 0.4274 0.2540 0.5504
Signif. codes: 0 '«»»:' 0.001 '**' 0.01 0.05
0.1
Рисунок 9. Определение степени влияния переменных из группы «Доход» намодель Источник: составлено авторами с помощью программы R
Таким образом, получаем Модель № 3, описательные статистики которой представлены на рисунке 10.
Информационный критерий! Акаике в Модели № 3 незначительно меньше, чем в Модели № 2, следовательно, можно сделать предположение, что Модель № 3 лучше. Теперь рассчитаем вероятность совершения гастропоездки для данной модели (рис. 11).
Вероятность отправления респондентами в гастротур в Модели № 3 меньше, чем в предыдущей разобранной модели. В связи с тем, что из полученных результатов нельзя сделать однозначный вывод о том, какая из двух моделей (№ 2 или № 3) лучше, воспользуемся матрицей неточностей (Confusion Matrix) или, иначе говоря, четырехпольной таблицей сопряженности, а также показателем AUC (Area Under Curve) ROC (Receiver Operator Characteristic) - площадь под кривой ошибок, рассчитанных для обеих моделей.
Матрица неточностей показывает, как часто модель делает правильные предсказания (True Negatives, True Positives) и как часто ошибается (False Positives, False Negatives). TN - верно классифицированные отрицательные примеры; TP - истинно положительные случаи; FN показывает число «ложных пропусков», то есть положительных примеров, классифицированных как отрицательные; FP - ложное обнаружение, когда отрицательные примеры классифицируются как положительные (табл. 1).
Deviance Residuals
Min -2.€3404
1Q Median -0.07247 0.34510
3Q
0.64590
Max 1.55559
Coefficients
(Intercept)
gender
agebl6
agel6t20 age26t30 age31t35 age36t40 age41t45 age46t50 age51t55 age56t60 age61h
Estimate Std. Error z value Pr(>|z|) -0.5S46 0.7714 -0.75S 0.4486
-0.8115 0.5271 -1.540 0.1236
-1.2273 1.6185 -0.758 0.4483
-1.1461 0.6374 -1.798 0.0721
-2.2346 0.9577 -2.333 0.0196 »
-1.0457 1.2084 -0.865 0.3869
-3.7058 1.4479 -2.560 0.0105 »
13.1622 1318.9136 0.010 0.9920 -4.3225 2.2070 -1.959 0.0502
-2.9796 1.4218 -2.096 0.0361 »
children ps_alo
tv_trip tv_food food
family
14.8326 2218.6627 0.007 0.9947
-1.7052 1.5249 -1.118 0.2635
0.7765 1.0089 0.770 0.4415
1.3535 1.2721 1.064 0.2873
1.0277 0.5590 1.839 0.0660
0.9994 0.6703 1.491 0.1360
0.9561 0.5602 1.707 0.0879
1.1758 0.5598 2.100 0.0357 *
Signif. codes: 0 '*»*' 0.001 '««' 0.01 '*' 0.05 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 157.45 on 139 degrees of freedom Residual deviance: 109.03 on 122 degrees of freedom Ai'J: ^S.Ci
NuirJser of Fisher Scoring iterations: 16
Рисунок 10. Описание бинарной логистической! регрессии (Модель № 3) Источник: составлено авторами с помощью программы R
Рисунок 11. Расчет вероятности отправления респондентами в гастрономическое путешествие
для Мбдени № 3 Источник: составлено автороми с помощью программы R
На основе этих: данных можно посчитать такие показатели, как чувствительность (Sensitivity, True Positives Rate), поклзывающая долю истинно положительных значений; специфичность (Specificity, True Negative Rate) - долю истинно отрицательных случаев, которые (были правильнк идентифицированы моделью; долю ложно положи-
> р<-pre clic с (res,newdata=df )
> pC-ifelse(р>0.5,1,0)
> mean (p=df$question) [1] 0.8071429
Таблица 1
Матрица неточностей для Модели № 2 и Модели № 3
Модель №2 Модель №3
False True False True
0 24 (TIN) 11 (FP) 18 (TN) 17 (FP)
1 7 (FN) 98(TP) 7 (FIN) 98 (TP)
Источник: составлено авторами на основе данных из программы R
0.0 0.2 0.4 0.6 0.8 1.0
False positive rate
Рисунок 12. ROC-кривая и AUC дляМодели № 2 Источник: составлено авторами с помощью программы R
False poadrve rate
Рисунок 13. ROC-кривая и AUC для Модели № 3 Источник: составлено авторами с помощью программы R
тельных примеров (Fall-Out, False Positives Rate); долю ложно отрицательных значений (Miss Rate, False Negative Rate) и точность (Accuracy).
Построим ROC-кривую, часто называемую «кривой ошибок», которая представляет собой зависимость доли истинно положительных значений (TPR) от доли ложно положительных примеров (FPR), и вычислим показатель AUC - площадь под ROC-кривой для каждой из двух моделей. Чем выше данный показатель, тем выше качество модели (рис. 12 и 13).
Для характеристики полученных результатов и, соответственно, качества Модели № 2 и Модели № 3 воспользуемся экспертной шкалой для оценки значений показателя AUC, где интервал AUC от 0,5 до 0,6 говорит о неудовлетворительном качестве модели; 0,6-0,7 - среднем качестве модели; 0,7-0,8 - хорошем качестве; 0,8-0,9 - очень хорошем и интервал от 0,9 до 1,0 демонстрирует отличное качество модели [12].
Из рисунков 12 и 13 видно, что показатель AUC для Модели № 2 немного выше и говорит об отличном качестве модели. Следовательно, по этому критерию Модель № 2 лучше.
Составим таблицу 2, в которой представлены результаты всех использованных методов и критериев для сравнения моделей, а также отмечены лучшие показатели для Модели № 2 и Модели № 3.
Исходя из данных, представленных в таблице 2, можно сделать вывод, что Модель № 2 гораздо лучше подходит для описания данного исследования.
Еще один вариант использования эконометрических методов для исследования отрасли туризма - корреляционный анализ видов туризма. Данные для этого вида анализа были собраны с помощью метода попарного сравнения [3, с. 397] (Malkhotra, 2016).
Попарно сравнивались между собой шесть видов туризма: агротуризм, гастрономический, культурно-познавательный, лечебно-оздоровительный, спортивный туризм и морской. После первичной обработки данные были приведены к порядковому виду.
Таблица 2
результаты сравнения модели № 2 и модели № 3
критерий сравнения модель №2 модель №3
AIC 145,22 145,03
P(Y) 85,00% 80,71%
Sensitivity 93,33% 93,33%
Specificity 68,57% 51,43%
FPR 31,43% 48,57%
FNR 6,67% 6,67%
Accuracy 87,14% 82,86%
AUC 0,981 0,8552
Источник: составлено авторами
Беа
agro
тес!
sport
culture
gastro
га a>
c¡> го
TD
а>
е
-е о о.
ф ъ
го
О)
•
•
•
А iШ.
W \\ #
•
Щш •
Рисунок 14. Визуализация корреляционной матрицы Источник: составлено авторами в программе Я
Соответственно, для проведения корреляционного анализа порядковых данных необходимо использовать показатель неметрической корреляции - коэффициент ранговой корреляции Спирмена (рис. 14).
Таким образом, наблюдается отрицательная корреляция у всех пар видов туризма, кроме двух: морской - лечебно-оздоровительный и культурно-познавательный -гастрономический, у которых видна слабая положительная корреляция.
Заключение
1. В современном мире туризм становится все более востребованным видом отдыха. С увеличением доли туристских услуг происходит и их дифференциация.
2. Представленные анализы являются только малой демонстрацией возможностей использования эконометрических моделей для исследования сферы туризма.
3. Проведение аналогичных, но более масштабных исследований данной отрасли представляет интерес, прежде всего, с точки зрения возможных положительных эффектов для развития национальной экономики через создание персонифициро-
ванного конкурентоспособного туристского предложения на территории Российской Федерации.
ИСТОЧНИКИ:
1. Котлер Ф., Боуэн Дж., Мейкенз Дж. Маркетинг. Гостеприимство. Туризм. / Учебник
для студентов вузов. 4-е изд. - М.: ЮНИТИ-ДАНА, 2013. - 1071 с.
2. Лебедева С.А. Современная классификация туристских сегментов // Молодой уче-
ный. - 2017. - № 12. - с. 323-326.
3. Нэреш К. Малхотра Маркетинговые исследования. / Практическое руководство:
Пер. с англ. - М.: ООО «И.Д. Вильямс», 2016. - 1184 с.
4. Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R. / (пер.
с англ. Волковой П.А.). - М.: ДМК Пресс, 2014. - 588 с.
5. Feray Irigüler, Mehmet Emre Güler Tourist Guides' Perceptions on Gastronomic Tourism
in Turkey // Journal of Tourism and Gastronomy Studies. - 2017. - № 5(1). - p. 3-19.
6. Georgica Gheorghe, Petronela Tudorache, Puiu Nistoreanu Gastronomic tourism, a new
trend for contemporary tourism? // Cactus Tourism Journal. - 2014. - № 9(1). - p. 12-21.
7. Helena A. Williams, Robert L. Williams Jr., Maktoba Omar Gastro-tourism as destination
branding in emerging markets // Leisure and Tourism Marketing. - 2014. - № 4(1). - p. 1-18.
8. Marius Boita, Andrei Anghelina, Boby Costi Gastronomic tourism management revitalizer
factor of the tourism offer // Annals of the "Constantin Brancusi" University of Targu Jiu, Economy Series. - 2014. - p. 398-401.
9. Stanley C. Why destination areas rise and fall in popularity // Cornell Hotel and Restaurant
Administration Quarterly. - 2001. - № 3. - p. 13-24. - doi: 10.1177/0010880401423001.
10. Официальный сайт Всемирной ассоциации гастрономического туризма. [Электронный ресурс]. URL: https://www.worldfoodtravel.org/cpages/home ( дата обращения: 04.06.2018 ).
11. Официальный сайт Центра полевых исследований Барселоны. [Электронный ресурс]. URL: https://geographyfieldwork.com/FoodTourism.htm ( дата обращения: 04.06.2018 ).
12. Логистическая регрессия и ROC-анализ - математический аппарат. Сайт Технологий анализа данных. [Электронный ресурс]. URL: https://basegroup.ru/ community/articles/logistic ( дата обращения: 04.06.2018 ).
references:
Feray Irigüler, Mehmet Emre Güler (2017). Tourist Guides' Perceptions on Gastronomic
Tourism in TurkeyJournal of Tourism and Gastronomy Studies. (5(1)). 3-19. Georgica Gheorghe, Petronela Tudorache, Puiu Nistoreanu (2014). Gastronomic tourism, a new trend for contemporary tourism? Cactus Tourism Journal. (9(1)). 12-21.
Helena A. Williams, Robert L. Williams Jr., Maktoba Omar (2014). Gastro-tourism as destination branding in emerging markets Leisure and Tourism Marketing. (4(1)). 1-18.
Kotler F., Bouen Dzh., Meykenz Dzh. (2013). Marketing. Gostepriimstvo. Turizm [Marketing. Hospitality. Tourism] M.: YuNITI-DANA. (in Russian).
Lebedeva S.A. (2017). Sovremennaya klassifikatsiya turistskikh segmentov [Modern classification of tourist segments]. The young scientist. (12). 323-326. (in Russian).
Marius Boita, Andrei Anghelina, Boby Costi (2014). Gastronomic tourism management revitalizer factor of the tourism offer Annals of the "Constantin Brancusi" University of Targu Jiu, Economy Series. 398-401.
Neresh K. Malkhotra (2016). Marketingovye issledovaniya [Marketing research] M.: OOO «I.D. Vilyams». (in Russian).
Robert I. Kabakov (2014). R v deystvii. Analiz i vizualizatsiya dannyh na yazyke R [R in action. Data analysis and visualization in R language] M.: DMK Press. (in Russian).
Stanley C. (2001). Why destination areas rise and fall in popularity Cornell Hotel and Restaurant Administration Quarterly. 42 (3). 13-24. doi: 10.1177/0010880401423001.
