CC BY
53
16. Wilson D.L. Asymptotic Properties Of Nearest Neighbor Rules Using Edited Data. IEEE Transactions on Systems, Man and
Cybernetics 2: 3 (1972) 408-421 [Electronic resource]. URL: 10.1109 / TSMC.1972.4309137 (date accessed: 28.07.2020)
17. Zhaohua wu and Norden E. Huang. Ensemble empirical mode decomposition: A noise-assisted data analysis method.
Advances in Adaptive Data Analysis Vol. 01, No. 01, pp. 1-41. 2009
DOI: 10.24411/2304-6139-2020-10467
«Статья подготовлена в соответствии с Планом НИР для лаборатории моделирования пространственного развития территорий ФГБУН Института экономики УрО РАН на 2020 год».
С. С. Красных - младший научный сотрудник лаборатории моделирования пространственного развития территорий Института экономики УрО РАН, [email protected],
S. S. Krasnykh - junior researcher in Laboratories for modeling spatial development of territories of the Institute of Economics, Ural Branch of RAS.
ПРОСТРАНСТВЕННАЯ АВТОКОРРЕЛЯЦИОННАЯ МОДЕЛЬ ВНЕДРЕНИЯ ЦИФРОВЫХ ТЕХНОЛОГИЙ
В БИЗНЕС РОССИЙСКОЙ ФЕДЕРАЦИИ SPATIAL AUTOCORRELATION MODEL FOR THE IMPLEMENTATION OF DIGITAL TECHNOLOGIES IN THE BUSINESS OF THE RUSSIAN FEDERATION
Аннотация. В данной статье проанализирован уровень внедрения цифровизации в бизнес регионов Российской Федерации. Актуальность данного исследования связана с реализацией существующих государственных программ, направленных на развитие цифрового общества и цифровой экономики. В ходе исследования с помощью методов пространственной эконометрики определены кластеры высоких значений уровня цифровизаций, кластеры низких значений. Выявлены регионы, которые испытывают на себе влияния соседних территорий. Также выделены перспективные регионы, которые могут являться полюсами роста для соседних территоррий. Методология исследования заключается в использовании комбинированного метода, включающего в себя использование коэффициентов пространственной автокорреляции локального индекса Морана и инструмента для анализа горячих точек Гетиса-Орда. Данный комбинированный метод позволит с большей точностью определить кластеры высоких и низких значений. А интерпретация локального индекса Морана позволит охарактеризовать пространственные взаимоотношения между регионами, выделить полюса роста.
Abstract. This article analyzes the level of digitalization in the business regions of the Russian Federation. The relevance of this study is associated with the implementation of existing government programs aimed at the development of the digital society and the digital economy. During the study, using the methods of spatial econometrics, clusters of high values of the level of digitalization, clusters of low values were determined. Identified regions that are influence by neighboring territories. Also highlighted promising areas that may be a growth pole for the neighboring territories. The research methodology consists in using the combined method, which includes the use of spatial autocorrelation coefficients of the local Moran index and a tool for the analysis of Getis-Ord hot spots. This combined method will more accurately determine clusters of high and low values. The interpretation of the local Moran index will allow characterizing the spatial relationships between the regions, to highlight the growth poles.
Ключевые слова: Регионы России, цифровизация, бизнес, Локальный индекс Морана, Глобальный индекс Морана, Анализ горячих точек Гетиса-Орда
Keywords: Russian Regions, Digitalization, Business, Local Moran Index, Global Moran Index, Hot Spot Analysis Getis Ord
Введение.
Цифровизация на современном этапе является одним из самых заметных трендов в мировой экономике. Этому процессу подвержены все субъекты национальной и мировой экономики. Российская Федерация не является исключением, в настоящее время существуют программы «Цифровая экономика Российской Федерации», разработанная в рамках реализации Указа Президента Российской Федерации от 7 мая 2018 г № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года» и указ Президента РФ от 9 мая 2017 г. № 203 «О Стратегии развития информационного общества в Российской Федерации на 2017 - 2030 годы», данные программы регламентируют основные направления развития цифровизации в Россий, а так же создают условия институционального и инфраструктурного характера для внедрения процессов цифро-визации в экономику страны.
Целью данного исследования является построение пространственной автокорреляционной модели, которая характеризует уровень внедрения цифровых технологий в бизнес региона. Использование эконометриче-ских моделей позволит проанализировать кластеры высоких и низких значений, определить пространственные взаимоотношения между регионами, а также выделить перспективные территории, которые могут являться полюсами роста для соседних регионов.
Обзор литературы.
'По мнению ряда исследователей, первым сформулировал термин «Цифровая экономика» Роберт Вакха-лови в 1971 году, он определял этот процесс как изменения в сложившейся парадигме, которая характеризуется повсеместным внедрением цифровых технологий [1]. В период 1995-2001 гг. сущность понятия «цифровая экономика» сводилось к отождествлению цифровой экономики с понятием электронной коммерции. Стоит отметить, что в 1995 г. американский информатик Н. Негропонте ввел в оборот понятие «электронная экономика», которое впоследствии было заменено Д. Тапскоттом на «цифровую экономику» [2,3]. В этот период не было сформировано четкого определения термина «цифровая экономика». Начиная с 2016 года проводятся фундаментальные теоретические исследования о сущности понятия «цифровая экономика» и формируются основные концепции по стимулированию ее развития в национальных экономиках. При этом можно выделить два основных подхода к этой дефиниции: - первый подход - цифровая экономика определяется как новый тип экономики, что приведет к трансформации всех сфер экономики и самой экономической деятельности через применение цифровых технологий обработки, хранения и передачи информации; - второй подход- цифровая экономика - это объединение нескольких технологий общего назначения и спектра экономически социальных мероприятий, осуществляемых людьми через Интернет.
В настоящий момент в российской научной литературе проблема цифровизации рассматривается с разных сторон: и с позиции мировой экономики, и в контексте национальной. Так, например, Гашева З. Д., в своей работе проводит SWOT анализ использования цифровых технологий в региональной экономике [4]. Бабаян Е. Б., Тимиргалеева Р. Р., и Гришин И. Ю., анализируют отраслевую экосистему цифровой экономики региона, предлагают структуру отраслевой системы цифровой экономики региона, и определяют совокупность задач, которые должны быть решены при ее создании [5]. Также данная группа авторов (Тимиргалеева Р. Р., и Гришин И. Ю.) выявляют необходимость проведения цифровой трансформации регионального хозяйственного комплекса и предлагают проекты по ее реализации [6].
В ходе дальнейшего анализа отечественной научной литературы, было выявлено, что эконометрических исследований, где проводится изучение пространственных закономерностей развития цифровизации на региональном уровне - нет.
Таким образом, можно утверждать, что тема определения пространственных взаимоотношений между регионами в процессе внедрения цифровых технологий в бизнес недостаточно раскрыта.
Модель и методы исследования.
Модель исследования включает в себя:
1) Оценка уровня цифровизации регионов Российской Федерации, с помощью авторского индекса;
2) Построение пространственной автокорреляции субъектов Российской Федерации по показателю уровня цифровизации, методом Глобального индекса Морана;
3) Анализ кластеров и выбросов субъектов Российской Федерации по показателю уровня цифровизации, методом Локального индекса Морана;
4) Анализ горячих точек субъектов Российской Федерации по показателю уровня цифровизации, методом Гетиса-Орда.
5) Интерпретация полученных результатов.
Индекс оценки внедрения цифровых технологий в бизнес региона представляет из себя следующее:
где, /вцт - Индекс внедрения цифровых технологий в бизнес региона, характеризующий отношение количества организаций, использующих цифровые технологии к количеству организации, использующих сеть интернет.
ОргИКТ - количество организации региона, которые используют цифровые технологии. Данный показатель рассчитывается по формуле (2).
(Оргос + ОргЙИв + Оргэод) Оргикт =-3-, (2)
Данный показатель включает в себя количество организации, использующие: облачные средства (ОргОС); метки RFID (Оргдио); и использующие технологии электронного обмена данными (ОргЭОд).
Орг/И(: - количество организаций, использующих в своей работе Интернет. Использование данного субиндекса позволяет отсеять то количество организации региона, которые формально зарегистрированы, и не осуществляют экономическую деятельность.
Для расчета индекса внедрения цифровых технологий в бизнес региона использовались данные Федеральной службы государственной статистики за 2018 год.
Более подробное описание индекса представлено в следующей работе авторов данного исследования [7].
Основными методами исследования являются Локальный индекс Морана и Анализ горячих точек Ге-тиса-Орда.
Индекс Морана является одним из самых старых инструментов пространственной автокорреляции [8]. И рассчитывается как (3):
(3)
" 1 = 1 ; = 1 ¿ = 1
где: отклонение атрибута для г-го объекта от его среднего значения (х; — X); и^- - пространственный вес между объектами ], п, - общее количество объектов, 50 - совокупность всех пространственных весов (4):
s° = LLWij
í=I j=i
n n
(4)
Локальный индекс Морана рассчитывается как (5,6):
Xj -fy"
(5)
2 _ Z?=1(«, -x)2
tf =
n — 1
(6)
Значения этого индекса обычно находятся в диапазоне от -1,0 до +1,0, где значение -1,0 указывает на отрицательную пространственную автокорреляцию, а значение +1,0 указывает на положительную пространственную автокорреляцию.
2-оценка Индекса Морана рассчитывается как (7):
(7)
1 Упо
где Е (I) - ожидаемое значение I, а V (I) - дисперсия I, как показано в уравнении (8):
П/) = £(/2)-£2(/)
(8)
Интерпретировать результаты локального индекса Морана можно с помощью шкалы рассеивания Морана, представленной на рисунке 1.
\\
К'валрант 1.11:
территории с отрицательной автокорреляцией, имеют относительно низкие собственные значения анализируемого показателя, окружены территориями с относительно высокими значениями анализируемого показателя. Являются зоной влияния территорий, располагающихся к квадрантах III. и 1111 (периферией)
Квадрант IX:
территории с положительной автокорреляцией, имеют относительно низкие собственные значения анализируемого показателя, окружены территориями также с относительно низкими значениями анализируемого показателя. Территории, не связанные с другими, не испытывающие влияния ни ядер, ни спутников-противовесов
Квадрант НН:
территории с положительной автокорреляцией, имеют относительно
высокие значения анализируемого показателя и окружены территориями также с относительно высокими значениями данного показателя. Данные территории не могут стать полюсами роста, так как обладают высокими значениями показателя. Это территории -спутники, (противовесы ядра)
Квадрант IIЬ:
территории с отрицательной автокорреляцией, имеют относительно высокие собственные значения анализируемого показателя, окружены территориями с относительно низкими значениями анализируемого показателя. Полюса роста (ядра), зоны высокой концентрации анализируемого показателя.
Рис. 1. Диаграмма рассеивания Морана. Fig. 1. Moran scatterplot
Статистика Гетиса-Орда может быть рассчитана следующим образом [9] (9, 10, 11):
Сг =
7 = 1 ""Ц
х =
Е/' = 1 х]
5 =
М
>] = 1Л] -2 — Х^
(9)
(10) (11)
где, X; - величина значения х на территории /, х^ - величина значения х на территории}, - элементы матрицы пространственных весов.
Использование данного метода позволяет определять кластеры высоких и низких значений. Результаты исследования.
В ходе исследования был оценен уровень внедрения цифровых технологий с помощью авторского индекса. Результаты представлены в таблице 1.
Таблица 1. Уровень внедрения цифровых технологий в бизнес региона
№ Регион Индекс № Регион Индекс
1 Пермский край 0,4312 44 Смоленская область 0,3317
2 г. Москва 0,4312 45 Республика Карелия 0,3309
3 Новгородская область 0,4138 46 Чувашская Республика 0,3305
4 Республика Татарстан 0,3970 47 Республика Марий Эл 0,3300
5 Московская область 0,3892 48 Кабардино-Балкарская Республика 0,3290
6 г. Санкт-Петербург 0,3872 49 Омская область 0,3271
7 Белгородская область 0,3864 50 Калининградская область 0,3255
8 Республика Бурятия 0,3775 51 Красноярский край 0,3251
9 Тамбовская область 0,3740 52 Республика Адыгея 0,3251
10 г. Севастополь 0,3736 53 Забайкальский край 0,3238
11 Нижегородская область 0,3733 54 Волгоградская область 0,3236
12 Иркутская область 0,3709 55 Самарская область 0,3233
13 Ставропольский край 0,3707 56 Удмуртская Республика 0,3217
14 Курская область 0,3611 57 Вологодская область 0,3213
15 Липецкая область 0,3605 58 Амурская область 0,3213
16 Челябинская область 0,3598 59 Ханты-Мансийский автономный округ -Югра 0,3207
17 Республика Тыва 0,3586 60 Брянская область 0,3199
18 Свердловская область 0,3568 61 Тульская область 0,3186
19 Рязанская область 0,3565 62 Еврейская автономная область 0,3183
20 Калужская область 0,3557 63 Саратовская область 0,3182
21 Республика Ингушетия 0,3556 64 Пензенская область 0,3173
22 Орловская область 0,3553 65 Республика Башкортостан 0,3163
23 Ростовская область 0,3550 66 Республика Мордовия 0,3152
24 Приморский край 0,3546 67 Республика Хакасия 0,3146
25 Ярославская область 0,3535 68 Сахалинская область 0,3145
26 Новосибирская область 0,3532 69 Республика Алтай 0,3144
27 Владимирская область 0,3507 70 Республика Коми 0,3140
28 Псковская область 0,3490 71 Краснодарский край 0,3113
29 Тюменская область 0,3489 72 Республика Северная Осетия - Алания 0,3104
30 Ленинградская область 0,3487 73 Ямало-Ненецкий автономный округ 0,3093
31 Воронежская область 0,3444 74 Ненецкий автономный округ 0,3073
32 Республика Крым 0,3442 75 Ульяновская область 0,3008
33 Ивановская область 0,3431 76 Республика Саха (Якутия) 0,3007
34 Оренбургская область 0,3428 77 Тверская область 0,2964
35 Томская область 0,3427 78 Курганская область 0,2957
36 Алтайский край 0,3413 79 Республика Калмыкия 0,2916
37 Кировская область 0,3408 80 Костромская область 0,2902
38 Астраханская область 0,3379 81 Магаданская область 0,2854
39 Карачаево-Черкесская Республика 0,3369 82 Камчатский край 0,2813
40 Мурманская область 0,3330 83 Чукотский автономный округ 0,2809
41 Хабаровский край 0,3327 84 Республика Дагестан 0,2572
42 Кемеровская область 0,3321 85 Чеченская Республика 0,2036
43 Архангельская область 0,3317
Далее с помощью глобального индекса Морана была оценена пространственная автокорреляция, и определен тип пространственных взаимоотношений, который может быть кластеризованным, дисперсионным или случайным. Результаты представлены в таблице 2.
Таблица 2. Отчет о пространственной автокорреляции субъектов Российской Федерации по уровню внедрения цифровых технологий в бизнес
Показатель Значение
Индекс Морана 0,213287
г-оценка 3,268941
/-значение 0,001080
Дисперсия 0,004752
Результаты пространственной автокорреляции свидетельствуют о следующем: пространственный тип отношений между регионами России по показателю внедрения цифровых технологий в бизнес региона - кластеризи-рованный, т.к., значение г-оценки> 2,58, а /»-значение <0,01. Пространственная автокорреляция положительная.
Исследование пространственной автокорреляции с помощью Локального индекса Морана позволило выявить 4 типа регионов, представленных на рисунке 2.
■ Кластер высоких значений
■ Полюса роста
■ Территории, испытывающие на себе влияние кластера высоких значений □ Кластер низких значений, переферия
Рис. 2. Графическое отображение диаграммы рассеивания Морана Fig. 2. Graphic display of the Moran scatterplot
Таким образом г. Москва, Санкт-Петербург, Севастополь, Белгородская, Владимирская, Воронежская, Ивановская, Иркутская, Калужская, Свердловская область и другие регионы являются кластером высоких значений (НН на диаграмме рассеивания Морана). Данные территории характеризуются тем, что способны оказывать влияние на соседние регионы, относящиеся к территориям КН.
Астраханская область, Карачаево-Черкесская Республика, Приморский край, Республика Тыва и Ставропольский край относятся к территориям НЬ на диаграмме рассеивания Морана, что позволяет отнести их к территориям полюсам-роста для соседних регионов, находящихся кластере низких значений (квадрант КЬ).
Архангельская, Брянская, Волгоградская, Вологодская, Калининградская, Кемеровская, Костромская, Краснодарский край, Курганская, Мурманская, Омская, Пензенская области и другие регионы являются зоной влияния кластера высоких значений.
Амурская область, Еврейская автономная область, Кабардино-Балкарская Республика, Камчатский край, Магаданская область, Республика Адыгея, Республика Дагестан, Республика Калмыкия, Республика Саха (Якутия) и другие регионы образуют кластер низких значений. Данные территории являются зоной влияния кластера НК.
Анализ горячих точек методом Гетиса-Орда, позволил выявить кластеры высоких и низких значений (Рисунок 3).
■ Кластер высоких значений □ Кластер низких значений
Рис. 3. Графическое отображение результата Анализа горячих точек Гетиса-Орда. Fig. 3. Graphic display of the Getis-Ord Hot Spot Analysis result.
Результаты, полученные в ходе Анализа горячих точек Гетиса-Орда, несколько отличаются от результатов пространственной автокорреляции локального индекса Морана, отличие вызвано тем, что данный инструмент показывает концентрацию исследуемого показателя. И именно поэтому кластер высоких значений сконцентрирован на западе России, поскольку подавляющее большинство территорий, имеющих высокий уровень внедрения цифровых технологий в бизнес сосредоточен вокруг г. Москвы и г. Санкт-Петербурга. Регионы, входящие в кластер низких значений практически полностью соответствуют результатам, полученным с помощью предыдущего инструмента.
Далее в ходе исследования был применен гибридный метод, включающий в себя наложение результатов анализа горячих точек Гетиса-Орда на результаты, полученные в результате использования локального индекса Морана. В частности, схожий метод уже использовался в работе зарубежных авторов, которые анализировали с помощью данных инструментов высокую и низкую кластеризацию [10]. Результаты, полученные с помощью гибридного метода представлены на рисунке 4.
■ Кластер высоких значений
■ Полюса роста
Территории, испытывающие на себе влияние кластера высоких значений □ Кластер низких значений, переферия Рис. 4. Графическое отображение результатов гибридного метода, включающего в себя Локальный индекс
Морана и Анализ горячих точек Гетиса-Орда Fig. 4. Graphic display of the results of the hybrid method, which includes the Local Moran Index and the Getis-Ord
Hot Spot Analysis
Заключение.
Таким образом, в ходе проведения исследования были выявлены следующие территории, образующие кластер высоких значений уровня внедрения цифровых технологий в бизнес региона: Центральный федеральный округ, Северо-западный федеральный округ (кроме Ненецкого-автономного округа, Республики Коми, Мурманской области, Республики Карелии и Архангельской области), Республика Татарстан, Свердловская область, Пермский Край и другие регионы. Данные территории способны оказывать влияние на соседние регионы, относящиеся к группе LH.
Кластер низких значений сосредоточен в Дальневосточном федеральном округе (кроме Приморского Края, который является полюсом роста для этого округа) и Северо-Кавказском федеральном округе. Первоначально, результаты пространственной автокорреляции, полученной с помощью локального индекса Морана показали, что Карачаево-Черкесская Республика может являться полюсом роста для данного федерального округа, но интерпретация анализа горячих точек Гетиса-Орда опровергла это утверждение, данный регион является статистическим выбросом, как и Астраханская область.
Источники:
1. Баранов Д.Н. Сущность и содержание категории "цифровая экономика" // Вестник Московского университета имени С.Ю. Витте. Серия 1: Экономика и управление. - 2018. - №2 (25). - С.15-23.
2. Negroponte N. Being Digital. New York: Alfred A. Knopf., 1996, 272 p.
3. Тапскотт Д. Электронно-цифровое общество: плюсы и минусы эпохи сетевого интеллекта. Киев, 1999. 403 с.
4. Гашева З. Д. Цифровизация региональной экономики: понятия, проблемы, пути реализации // Новые технологии. -2018. - №4. - С. 114-123
5. Бабаян Е.Б., Тимиргалеева Р.Р., Гришин И.Ю. Распределенная инфраструктура отраслевой экосистемы цифровой экономики региона // International Journal of Open Information Technologies. - 2019. - №7. - С. 120-128
6. Тимиргалеева Р. Р., Гришин И. Ю. Цифровая трансформация регионального хозяйственного комплекс // Концепт. -2018. - №12. - С. 1-8
7. Андреева Е. Л., Глухих П. Л., Красных С. С. Оценка влияния процессов цифровизации на развитие технологического экспорта регионов России // Экономика региона. - №2. - 2020. - С. 612-624.
8. Anselin, L. Local Indicators of Spatial Association—LISA. Geographic Analysis, 1995, Vol. 27, pp. 93-115. DOI: 10.1111/j.1538-4632.1995.tb00338.x
9. Fischer, M.M., Wang, J. Spatial Data Analysis: Models, Methods, and Techniques. Springer, New York, 2011, 82 p. https://doi.org/10.1007/978-3-642-21720-3
10. Songchitruksa P., Zeng X. Getis-Ord Spatial Statistics to Identify Hot Spots by Using Incident Management Data. Transportation Research Record: Journal of the Transportation Research Board, 2010, Vol. 2165. pp. 42-51. 10.3141/2165-05. References:
1. Baranov D.N. The essence and content of the category "digital economy". Bulletin of Moscow University named after S.Yu. Witte. Series 1: Economics and Management, 2018, no. 2 (25), pp. 15-23.
2. Negroponte N. 1995. Being Digital. New York: Alfred A. Knopf., 1996, 272 p.
3. Tapskott D. Jelektronno-cifrovoe obshhestvo: pljusy i minusy jepohi setevogo intellekta [Electronic-digital society: the pros and cons of the era of network intelligence], Kiev, 1999. 403 p.
4. Gasheva Z. D. Digitalization of the regional economy: concepts, problems, ways of implementation. New technologies, 2018, no. 4, pp. 114-123
5. Babajan E.B., Timirgaleeva R.R., Grishin I.Ju. Distributed infrastructure of the industrial ecosystem of the region's digital economy. International Journal of Open Information Technologies, 2019, no. 7, pp. 120-128.
6. Timirgaleeva R. R., Grishin I. Ju. Digital transformation of a regional economic complex. Concept, 2018, no. 12, pp. 1-8.
7. Andreeva E. L., Gluhikh P. L., Krasnykh S. S. Evaluation of the influence of digitalization processes on the development of technological export of the regions of Russia. The Economy of the Region, 2020, no. 2, pp. 612-624.
8. Anselin, L. Local Indicators of Spatial Association—LISA. Geographic Analysis, 1995, Vol. 27, pp. 93-115. DOI: 10.1111/j.1538-4632.1995.tb00338.x
9. Fischer, M.M., Wang, J. Spatial Data Analysis: Models, Methods, and Techniques. Springer, New York, 2011, 82 p. https://doi.org/10.1007/978-3-642-21720-3
10. Songchitruksa P., Zeng X. Getis-Ord Spatial Statistics to Identify Hot Spots by Using Incident Management Data. Transportation Research Record: Journal of the Transportation Research Board, 2010, Vol. 2165. pp. 42-51. 10.3141/2165-05.
DOI: 10.24411/2304-6139-2020-10468
В.В. Кубичек - к.э.н., доцент кафедры «Производственный менеджмент» ФГБОУ ВО «Тихоокеанский государственный университет», [email protected],
V.V. Kubichek - Ph. D., associate Professor of the Department «Industrial management» of the «Pacific National University», [email protected];
Ю.А. Килькеева - к.э.н., доцент кафедры «Производственный менеджмент» ФГБОУ ВО «Тихоокеанский государственный университет», [email protected],
U.A. Kilkeeva - Ph. D., associate Professor of the Department «Industrial management» of the «Pacific National University», [email protected].
СОВЕРШЕНСТВОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ КАЧЕСТВОМ ОБСЛУЖИВАНИЯ ПАССАЖИРОВ В АЭРОПОРТАХ РОССИИ THE IMPROVEMENT OF PASSENGERS SERVICE QUALITY AT RUSSIAN AIRPORTS
Аннотация. В статье авторами для определения степени удовлетворенности пассажиров уровнем предоставленного обслуживания применительно к российскому рынку аэропортовых услуг адаптирована пятиступенчатая модель расхождения качества услуги, разработанная В. Зейтамль, А. Парасураманом и Л. Берри. С целью устранения выявленных расхождений между ожиданиями потребителей и уровнем аэропортового сервиса предложено внедрение системы контроля качества аэропортового обслуживания пассажиров на основе использования клиентоориентированного подхода. Авторами разработан шаблон опросного листа для пассажиров, охватывающий наиболее проблемные сферы аэропортового сервиса и позволяющий не только идентифицировать целевые потребительские сегменты, но и выявить их предпочтения. Внедрение системы тотального контроля качества аэропортового обслуживания пассажиров позволит повысить их удовлетворенность и, как следствие, лояльность к воздушному транспорту.
Abstract. In the article, the authors have adapted the five-step model of service quality discrepancy developed by V. Zeitaml, A. Parasuraman and L. Berry to determine the degree of passenger satisfaction with the level of service provided in relation to the Russian market of airport services. In order to eliminate the revealed discrepancies between the expectations of consumers and the level of airport service, it is proposed to introduce a quality control system for airport passenger services based on the use of a client-oriented approach. The authors have developed a layout of a questionnaire for passengers, covering the most problematic areas of airport services and allowing not only to identify target consumer segments, but also to reveal their preferences. The introduction of a quality control system for airport services for passengers will increase their satisfaction and, as a result, loyalty to air transport.
