Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Федеральное государственное автономное образовательное учреждение высшего образования

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет экономических наук

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

«Статистический анализ и моделирование развития киберспорта в современном мире»

по направлению подготовки Экономика

образовательная программа «Экономика и статистика»

Выполнил: Студент группы БСТ 152

Страутин Н.Э.

Руководитель:

Профессор экономических наук, Мхитарян В.С.

Москва 2019

Введение

В современном мире наблюдается быстрое развитие цифровых технологий, которое способствовало явлению - компьютеризации. На протяжении последних двух десятилетий явление компьютеризации стало глобальным во всех сферах деятельности социума, будь то бизнес, образование или проведение досуга. Кроме влияния на уже глубоко укоренившиеся сферы деятельности, цифровые технологии дали толчок к развитию для совершенно нового направления - индустрии видеоигр. Компьютеризация кардинально изменила структуру проведения свободного времени населения, особенно это заметно на примере подрастающего поколения.

Ранее наличие у домашнего хозяйства персонального компьютера считалось непозволительной роскошью или наличием в семье программиста. Двадцать лет назад сложно было представить, что предприятия, осуществляющие деятельность в сфере разработки видеоигр, окажутся одними из самых быстрорастущих и инвестиционно-привлекательных компаний. Возвращаясь к текущему времени, стоит отметить, что из-за развития цифровых технологий теперь почти не наблюдается отсутствие персонального компьютера в домохозяйствах, так как интернет и компьютер стали базовыми инструментами населения для осуществления рабочей деятельности, свободного времяпрепровождения и коммуникации друг с другом.

Явление развития цифровых технологий породило индустрию видеоигр, которая в свою очередь является фундаментом, для индустрии киберспорта. Данная исследовательская работа посвящена изучению индустрии электронного спорта, а не отрасли видеоигр в целом. Киберспорт является уникальным направлением, так как, он обеспечивает высокий спрос в индустрии видеоигр, за счет более быстрого темпа роста.

Исследовательская работа содержит в себе ответы на следующие вопросы:

· Что такое киберспорт?

· Как соотносятся друг с другом киберспорт и индустрия видеоигр?

· Какова роль киберспорта в современном развитом обществе?

· Какая перспектива развития электронного спорта?

Актуальность исследуемой темы. Индустрия кибеспорта появилась несколько лет назад, именно поэтому в текущий момент наблюдается незначительное число исследований, посвященных данной отрасли. Большая часть этих исследований изучают социальный аспект киберспортивной отрасли. То есть изучаются причины привлекательности, человеческое культурное восприятие, а также взаимоотношение с традиционными видами спорта данной индустрии. Недавно зародившаяся индустрия ежегодно генерирует многомиллиардный денежный поток, а также киберспорт сформировал серьезное отношение человечества к индустрии, сопоставимое с традиционными видами спорта. Перечисленные выше факторы привлекли внимание масс медиа ресурсов, исследователей, а также инвесторов.

Объект исследования. Объектом исследования выступает индустрия электронного спорта.

Предмет исследования. Предметом исследования выступают статистические показатели и методы анализа развития отрасли электронного спорта.

Цель исследования. Статистическое исследование состояния и перспектив развития индустрии электронного спорта.

Для достижения поставленной цели были выделены следующие задачи:

· Изучение научных исследовательских работ, посвященных изучаемой отрасли

· Предварительный дескриптивный анализ данных, характеризующих развитие индустрии

· Анализ и построение моделей временных рядов показателей, отражающих сущность отрасли

· Построение регрессионной модели, определяющей вероятность победы той или иной команды в рамках профессиональной встречи

Информационная база исследования. Для исследования развития индустрии были использованы данные по объему призовых фондов профессиональных турниров, числу профессиональных игроков и годовому числу проводимых турниров. Для анализа объема аудитории были использованы данные числа зрителей стримингового хостинга Twitch.tv. Для построения модели бинарного выбора, были использованы статистические данные OP.GG - агрегатора игровой статистики.

Глава 1. Индустрия киберспорта, как объект статистического изучения

1.1 История развития индустрии электронного спорта

С каждым годом объем призовых за турнир растет с колоссальными темпами, и так, например, в 2014 году компанией Valve был организован турнир «The International 2014» с пулом призовых более 10 миллионов долларов [6]. Победители получили 5 миллионов долларов, а так как дисциплина подразумевает участие пяти игроков, то каждый игрок получил чуть более миллиона долларов. В сравнении, сборная Германии - победитель ЧМ 2014 по футболу получила призовые общей суммой 35 миллионов долларов, при пересчете на игрока получается сумма в 1,5 миллиона долларов [7]. Стоит отметить, что суммы призовых являются сопоставимыми, и это несмотря на то, что первое упоминание об игре ногами с мячом датируется в 2000 году до н.э. в Древнем Китае, в то время как киберспорту не было и 20 лет [8]. На сегодняшний момент крупнейшим турниром в истории киберспорта является турнир «The International 2018» с призовым фондом более 25,5 миллионов долларов и призовыми на человека в объеме 2,25 миллионов долларов, что в свою очередь больше чем призовые сборной Германии по футболу в 1,5 раза [9]. Таким образом, 2014 год является ключевым в формировании развития индустрии киберспорта, так как именно в этот год призовой пул приблизился к призовым классических видов спорта. Именно успех с финансовой точки зрения стал причиной, внимательного изучения индустрии электронного спорта общественностью.

Стоит отметить, что первые киберспортивные турниры начали проводиться еще в конце 90-ых в Соединенных Штатах Америки, но культура серьезного отношения к такому виду спорта зародилась в стране-лидере развития цифровых технологий - Южной Корее. К киберспортсменам в Южной Корее относятся с уважением, а сами игроки являются звездами шоу-бизнеса. Киберспортивные организации включают в себя арены, тренерский штаб, аналитические отделы и т.д. Спрос внутри индустрии электронного спроса рос такими быстрыми темпами, что в стране были созданы киберспортивные факультеты в университетах. Так, например, в 2014 году был открыт факультет киберспорта в университете Чунг-Янг, который каждый год входит в список десяти лучших университетов страны [10].

Изучив потенциал развития киберспорта на примере Южной Кореи, многие развитые страны начали активно осуществлять деятельность внутри исследуемой отрасли. Многие спортивные клубы начали спонсировать и покупать киберспортивные коллективы. Начиная с 2014 года, командами по электронному спорту обзавелись следующие клубы: «ПСЖ», «Фенербахче», «Шальке-04» и «Манчестер Сити». Российские клубы тоже проявили интерес к индустрии и 2018 году клубы «Спартак» и «Динамо» обзавелись профессионалами «киберфутболистами» [11].

Особое внимание следует уделить развитию киберспорта в России. Примечательным является то, что Россия не является отстающей в развитии киберспорта страной. Большой интерес проявили крупнейшие российские телекоммуникационные компании: «МТС», «Мегафон» и «Билайн». «Мегафон» является драйвером развития киберспорта в России, так как в 2018 году компания стала генеральным партнером одной из самых востребованных во всем мире российской организаций - «Virtus Pro» [12].

Интересным является то, что индустрией также заинтересовались телевизионные медиа-холдинги. Дело в том, что киберспортивная активность проявляется в основном в режиме онлайн, и невовлеченный в индустрию человек не сможет освоить даже базовые аспекты дисциплины. Трансляции состязаний до 2016 года не демонстрировались по телеканалам, в основном для просмотра игр служат стриминговые сервисы, которые будут описаны позже. Трансляции матчей по электронному спорту с 2016 года осуществляет телеканал «Матч ТВ», а в 2018 году телеканал реализовал новую рубрику - «Кибератлетика» [13].

Также в 2017 году отраслью заинтересовался один из самых богатых людей на планете - Алишер Усманов, который инвестировал в развитие киберспортивного холдинга ESforse 100 миллионов долларов. Часть этих средств была выделена на строительство в Москве крупнейшей в мире киберспортивной арены [14].

Далее следует отметить признание киберспорта в России на законодательном уровне. Согласно приказу Министерства спорта РФ от 29.04.2016 №470 электронный спорт был включен в первый раздел Всероссийского реестра видов спорта [15]. В первый раздел включены виды спорта, развиваемые на общероссийском уровне. Но уже в 2017 году согласно приказу Министерства спорта в РФ от 16.03.2017 №183 киберспорт был перенесен в первый раздел, и теперь уже считается официальным видом спорта, развиваемым на общероссийском уровне [16]. Также согласно приказу №618 от 05.07.2017 была признана Федерация компьютерного спорта России. То есть в настоящее время в России является возможным получение разрядов по киберспортивным дисциплинам, а также имеется государственная организация регулирующая деятельность отрасли.

Так как в последние годы индустрия пережила колоссальный рост, поэтому внимание бизнес сообществ упало на отрасль, вследствие чего анализом отрасли активно занимаются консалтинговые компании. Так, например, компания «PWC» считает, что киберспорт будет являться драйвером в индустрии развлечений как минимум ближайшие пять лет [17].

Все приведенные выше факты свидетельствуют о том, что индустрия за короткий промежуток времени добилась пика привлекательности, а также сохраняет его на протяжении уже четырех лет. То есть отрасль обладает огромнейшим потенциалом для развития, а, следовательно, необходима для детального изучения.

электронный спорт статистический профессиональный

1.2 Изучение индустрии киберспорта в научной литературе

Активное развитие отрасли электронного спорта наблюдается только на протяжении последних 4-5 лет. Большая часть работ содержит в себе материал социологического или философского характера. Но все же изучение существующей на сегодняшний день литературы, поможет изучить явление киберспорта с научной точки зрения.

В первую очередь необходимо обратить внимание на работу авторов Kalle Jonasson и Jesper Thiborg [18]. Главная идея работы заключается в сопоставлении электронного спорта и традиционных видов спорта. В своей работе исследователи используют концепт Аллена Гуттмана, заключающийся в формировании факторов, описывающих современные виды спорта (рис. 1).

Рис. 1. Концепция Аллена Гуттмана, характеризующая традиционные виды спорта

Современный спорт сочетает в себе следующие модельные факторы: организованная игра, соревновательная игра, физическая нагрузка. Интересным является то, что всем двум из этих критериев точно соответствует электронный спорт. Большую дискуссию вызвал фактор физической нагрузки. С точки зрения использование физических возможностей киберспорт сопоставим с боулингом, снукером и стрельбой, которая является Олимпийским видом спорта. Именно поэтому исследователи делают вывод, что электронный спорт по данной модели можно отнести к группе традиционных видов спорта. Также Гуттманом была использована более узкая спецификация факторов, для того, чтобы проследить историческое развитие спорта. Всего было выделено 7 таких признаков: секуляризм, равенство, специализация, бюрократизация, рационализация, квантификация, увлеченность рекордами (табл. 1).

Таблица 1. Факторы, отождествляющие текущие состояние традиционных видов спорта

Факторы	Примитивный спорт	Древнегреческий спорт	Древнеримский спорт	Средневековый спорт	Современный спорт
Секуляризм	Да и Нет	Да и Нет	Да и Нет	Да и Нет	Да
Равенство	Нет	Да и Нет	Да и Нет	Нет	Да
Специализация	Нет	Да	Да	Нет	Да
Рационализация	Нет	Да	Да	Нет	Да
Бюрокартизация	Нет	Да и Нет	Да	Нет	Да
Квантификация	Нет	Нет	Да и Нет	Нет	Да

Под секуляризмом понимается факт того, что спорт является отдельным от религии явлением. Если раньше спортивные состязание проводились для забавы Богов, чтобы были урожайные сезоны, то теперь современный спорт носит совершенно другой характер. Очевидно, что электронный спорт также удовлетворяет фактору секуляризма.

Равенство означает, что правила состязаний, будучи одинаковыми для участников, являются необходимыми для всех, вне зависимости от расы или пола. Современный спорт ровно также как и киберспорт согласовываются с данным фактором.

В любом командном виде спорта у каждого игрока есть определенная роль, которую необходимо выполнять. Именно такая суть понимается под характеристикой специализация. В киберспорте также наблюдается строгая иерархия обязанностей игроков.

Рационализация заключается в модернизации способов измерения результатов. Для электронного спорта данный фактор является пререквизитом. С течением времени киберспорт стал включать в себя наличие профессиональных тренеров и различных видов тренировок. Именно поэтому авторы считают, что данная характеристика является свойственной для индустрии электронного спорта.

С точки зрения бюрократизации авторы подразумевают наличие регулирующих органов. Киберспорт в зависимости от дисциплины включает в себя множество различных регулирующих организаций. Но отсутствует единый для всей отрасли орган. Самой большой единицей являются организации национального уровня, такие как Swedish E-sport Association или Федерация компьютерного спорта в России.

Квантификация означает демонстрацию результатов профессиональных матчей. Практически большая часть киберспортивной активности наблюдается в сети интернет, именно поэтому результаты всех матчей можно найти в сообществах электронного спорта, также абсолютной любой матч, можно наблюдать в режиме реального времени.

Обратив внимание на увлеченность рекордами, то авторы делают вывод, что система рекордов в отрасли электронного спорта является более развитой и имеет больший потенциал, нежели традиционные виды спорта. В киберспорте имеются специальные системы, которые рассчитывают специальные очки, которые являются характеристикой успешности команды.

В конечном итоге авторы делают вывод, что электронный спорт на данном этапе развития удовлетворяет не всем характеристиками традиционных видов спорта, но с течением времени различия между ними постепенно смываются.

Интересным является то, что авторы в заключение своей работы демонстрирует 3 потенциально возможные ситуации развития отрасли киберспорта:

1. Киберспорт сформируется как контркультура или альтернатива традиционным видам спорта. Но авторы утверждают, что границы между данными спортивными видами смываются так быстро, что рано или поздно киберспорт не будет восприниматься мировыми сообществом, как контркультурное явление.

2. Электронный спорт станет частью семьи традиционных видов спорта. Авторы приводят в пример, что киберспорт уже стал частью культуры традиционных видов спорта на законодательном уровне во множестве стран: Южная Корея, Россия, Китай, Дания и т.д. Именно поэтому высока вероятность, что электронный спорт станет официальным мировым видом спорта, но на формирование этого явления может уйти довольно много времени.

3. Киберспорт будет являться предоминирующим над семьей традиционных видов спорта. Авторы утверждают, что одной из главных причин такого сценария является то, что электронный спорт является более безопасным для жизни человека. Ведь все физические контакты являются виртуальными.

В следующей работе исследователи Jason Rietman и Maria Anderson-Coto исследуют влияние электронного спорта на исследовательскую деятельность [19]. Авторы изучают структуру работ посвященных индустрии электронного спорта. Основным информационным источником служил сервис Google Scholar, в результате авторами было найдено 17200 работ, посвященных индустрии киберспорта. Авторы структурировали написанные работы по различным научным дисциплинам (табл. 2).

Таблица 2. Научные сферы, изучающие явление электронного спорта

Дисциплины	Число публикаций	Доля в общем числе публикаций
Изучение СМИ	37	24,7%
Информатика	30	20,0%
Бизнес	26	17,3%
Наука о спорте	20	13,3%
Социология	15	10,0%
Права	12	8,0%
Когнитивистика	10	6,7%
Всего	150	100%

В результате чего стоит отметить, что наибольший интерес киберспорт вызывает у таких научных направлений как медиаведение, которое является модернизированной социологией, информатика и бизнес. Более половины всех исследований относятся к одной из приведенных выше научных дисциплин.

Далее авторы выделили наиболее влиятельные статьи и построили гистограмму распределения числа исследовательских работ, посвященных индустрии киберспорта.

Рис 2. Структура работ изучающих индустрию киберспорта с 2002 по 2018 год

Стоит отметить, что уверенный рост числа публикаций наблюдается с 2014 года, который является точка отсчета колоссального развития индустрии в целом.

Thomas Weiss, в своей исследовательской работе, использовал эконометрический подход для изучения явления киберспорта [20]. В статье была изучена проблема того, что мотивирует профессионального игрока быть частью киберспортивного сообщества. Автором была сформирована выборка на основе опроса 360 профессиональных игроков. Опрос состоял из 10 вопросов, определяющих мотивацию киберспортсмена. Всего было сформировано 11 переменных. 10 из них это независимые переменные, имеющие значения от 1 до 7, где 1 - это полностью согласен, 7 - полностью не согласен. В роли зависимой переменной выступали данные о среднем ежедневном количестве часов, потраченных на игру. Все факторы можно было соотнести в две совершенно разные группы (рис.3). Первая группа - соревновательные факторы мотивации. Вторая группа - гедонические факторы мотивации.

Рис. 3. Независимые переменные, использующиеся для построения модели

Каждая из 10 независимых переменных означает тип мотивации игрока. В результате предварительного построения модели, авторы диагностировали мультиколлинеарность данных, именно поэтому далее автором было рассмотрено только 5 типов мотивации.

· Потребность в соперничестве - данный фактор означает, что игроку нравится соревновательный дух, и соперническая система, в которой он может доказать, что он лучший

· Чувство вызова - фактор, означающий, что игрок обладает желанием улучшить свои персональные игровые навыки, чтобы открыть какие-либо внутриигровые достижения

· Общественное уважением - фактор определяющий, что мотивация игрока заключается в том, чтобы его узнавали в онлайн сообществах

· Эскапизм - один из важнейших факторов, означающий, что игрок проводит киберспортивную активность, чтобы уйти от проблем и ответственности в реальной жизни

· Веселье - главный из факторов в гедонической группе, означающий, что игрок проводит время в игре, потому, что это приносит ему удовольствие.

В итоге была полученная следующая модель (рис.4).

Рис. 4. Значимые коэффициенты в итоговой модели

Только 3 из 5 факторов оказались значимыми, причем большая часть значимых факторов принадлежит группе соревновательной мотивации. Все 3 значимых независимых переменных положительно влияют на количество часов проведенных в игре (рис. 4.). Стоит отметить, что фактор эскапизма, несмотря на то, что он является значимым, меньше всего влияет на зависимую переменную. Именно поэтому корректным будет утверждать, что соревновательная составляющая мотивации играет большую роль, чем гедоническая в формировании мотивации профессиональных игроков.

Исследователи Petr Parshakov и Marina Zavertiaeva также использовали экономитреский подход для изучения индустрии киберспорта [21]. В статье исследуется следующий вопрос: влияет ли на успех в индустрии электронного спорта страновая принадлежность игрока? В качестве переменной для изучения был выбран объем призовых фондов киберспортивной дисплины. Авторы исследовали влияние не только странового эффекта на пул призовых, но также и влияние различных игровых дисциплин. Для решения данной проблемы были использованы методы эконометрического моделирования. Спецификация модели выглядит следующим образом.

Для того, чтобы изучить эффект влияния стран и видов игровых дисциплин на общей призовой фонд, были созданы дамми переменные.

Было отобрано 10 стран с наибольшими доходами от выигрыша в турнирах, а также 10 самых востребованных игровых дисциплин (табл. 3).

Таблица 3. Фиктивные переменные стран и игровых дисциплин

Страны	Призовой объем, млн. дол.
United States	28 288 105,95
Brazil	25 836 479,60
Sweden	14 961 649,28
Korea	13 151 197,21
China	8 088 451,01
Germany	7 045 541,06
Russian Federation	6 027 394,15
Denmark	5 508 162,92
Poland	4 420 448,60
France	4 240 071,18
Counter Strike	45 306 509,19
Dota 2	20 327 548,46
League of Legends	13 622 356,24
StarCraft 2	9 983 049,67
Super Smash Bros. Brawl	5 523 687,50
Counter-Strike: GO	5 460 345,21
Street Fighter X Tekken	5 271 438,50
StarCraft: Brood War	4 267 150,15
CrossFire	4 183 856,89
Defense of the Ancients (WC3)	4 031 463,87

В результате была получена в целом статистически значимая модель, с довольно большой объясняющей способностью, коэффициент детерминации составляет 0,763. В итоговой модели, только эффект влияния 5 игр оказался значимым. Большая часть годовых дамми переменных также является значимыми, и интересным является то, что дамми переменная 2008 года положительно влияет на общий объем призовых, несмотря на то, что наблюдался мировой финансовый кризис. Так как в качестве отслеживания влияния стран на показатель призовых фондов электронного спорта были сформированы дамми переменные, следовательно, коэффициенты при фиктивных переменных показывает отклонение от среднего общего числа пула призовых. Итого, Вьетнам оказался страной, получающей меньше всего призовых от киберспортивных турниров, показатель при дамми переменной равен 2,6, это означает, что Вьетнам в среднем получает в 2,6 раз меньше призовых, чем остальные страны. Самой успешной страной оказалась Япония, где в среднем геймеры получают на 60% больше заработка от побед.

В заключение авторы делают вывод, что наблюдается зависимость успеха киберспортсмена от того, жителем какой страны он является.

Исследование Juho Hamari идейно является похожим на работу Thomas Weiss, но Hamari рассмотрел вопрос мотивация не со стороны киберспортсмена, а со стороны зрителя [22]. Данная работа является актуальной, так как основной потребитель индустрии киберспорта - это аудитория.

Для решения исследовательской проблемы, автором были использованы методы эконометрического моделирования. В качестве исследуемой переменной была создана фиктивная переменная частоты просмотра турниров по электронному спорту. Переменная включала в себя 5 возможных ответов: никогда, раз в году, раз в месяц, раз в неделю или ежедневно. В качестве независимых факторов были использованы ответы по 4-ех бальной шкале на вопросы о причинах просмотра киберсостязаний:

1. Сопереживание и совместное проживание достижений команд и игроков, к которым зритель эмоционально привязан

2. Эстетическое наслаждение

3. Наслаждение неопределенностью и неожиданными поворотами событий в киберспорте

4. Эскапизм, в идейном ключе автора Thomas Weiss

5. Просмотр позволяет получить знания, связанные с игрой, которые способствуют улучшение персональных навыков в той или иной игре

6. Удовольствие от наблюдения за мастерской игрой

7. Удовольствие от общения с другими зрителями

8. Удовольствие, связанное с привлекательностью киберспортсменов

9. Волнение, связанное с появлением нового коллектива на киберспортивной сцене

10. Удовольствие, получаемое от агрессивного поведения игроков

В конечной модели значимыми оказались факторы 2, 4, 5, 9 и 10.

Самым влиятельным оказался фактор получения новых знаний и стратегий об игре, а также эскапизм. Следует отметить, что выводы Judo Hamari о мотивации киберспортивной аудитории, являются похожими с выводами автора Thomas Weiss. Интересным является факт того, что эстетический аспект киберспорта негативно влияет, на частоту просмотров турниров по электронному спорту.

Таблица 4. Независимые переменные, описывающие причину просмотра состязаний по электронному спорту

Переменная	Коэффициент	p-value
H1	0,068	0,114
H2	-0,157***	0,00
H3	-0,076	0,161
H4	-0,004	0,938
H5	0,131***	0,00
H6	0,165***	0,001
H7	0,096	0,125
H8	-0,021	0,567
H9	0,076*	0,079
H10	0,117***	0,001

На основе предварительного анализа индустрии в целом, можно сделать вывод, что киберспорт является феноменальным явлением, так как ежегодно растет с огромными темпами. Множество инвесторов по всему миру финансирует данную отрасль, в связи с тем, что киберспорт ежегодно генерирует огромный денежный поток, при сравнительно низких издержках. Именно поэтому индустрия электронного спорта изучается не только с финансовой, но также и с научной точки зрения.

Глава 2. Моделирование ключевых показателей, отражающих сущность развития киберспорта

2.1 Методы анализа показателей, характеризующих развитие электронного спорта

Большая часть работы посвящена анализу временных рядов, именно поэтому в исследовании используются методы приведения динамического ряда к стационарному виду. Поэтому необходимо ознакомиться с тестами на наличие единичного корня.

Тест Дики-Фуллера. Данный тест проверяет значение коэффициента a в авторегрессионной модели с параметром 1:

Нулевая и альтернативная гипотезы формируются следующим образом:

Если принимается нулевая гипотеза, то исследуемый процесс содержит в себе единичный корень, а значит, временной ряд не является стационарным, а скорее всего, является процессом с порядком интегрирования 1. Если нулевая гипотеза отвергается на исследуемом уровне значимости, то временной ряд является стационарным.

Также при преобразовании уравнения (1), можно получить новую форму записи проверяемой модели:

Теперь уже проверяется значимость коэффициента в и гипотезы принимают следующий вид:

Теперь уже если в = 0, обладает единичным корнем и является интегрированным процессом первого порядка, при условии что является стационарным процессом. Если , то является стационарным временным рядом с порядком интегрируемости - I(0).

Всего существует три возможных случая оцениваемой модели:

1. - без константы и линейного тренда

2. - со свободным членом, но без линейного тренда

3. - с константой и линейным трендом

KPSS тест. Основная идея тест заключается в том, что временной ряд рассматривается как сумма детерминированного тренда, стохастического тренда и стационарного остаточного члена:

Проверяемые гипотезы выглядят следующим образом:

- стационарность, тренд-стационарность

- наличие единичного корня

Наблюдаемое значение статистики формируется следующим образом:



- частичные суммы

- оценка долгосрочной дисперсии,

Процедура Доладо (Дженкинсона - Сосвилла - Ривьеро). Данная процедура предназначена для проверки временных рядов на наличие единичного корня, процедура используют критерий Дики-Фуллера, перебираю различные комбинации оцениваемой регрессии.

В первую очередь оценивается модель с константой и трендом:

Далее выполняется тест Дики-Фуллера, и если нулевая гипотеза отвергается, значит, исследуемый ряд является стационарным, и процедура останавливается. Если нулевая гипотеза не отвергается, то необходимо проверить значимость тренда. В случае значимости тренда, делается вывод о нестационарности временного ряда.

В случае незначимости тренда, выполняется тест Дики-Фуллера для модели с константой:

Если нулевая гипотеза отвергается, значит, ряд приведен к стационарному виду, и процедура останавливается. Иначе проверяется значимость постоянной переменной, и в случае ее значимости, делается вывод о нестационарности ряда. В случае отсутствия значимости константы проверяется модель без постоянной переменной и без трендовой переменной:

Очевидно, что если проверяемая гипотеза отвергается, то ряд является стационарным, иначе делается вывод о нестационарности временного ряда, и необходимо рассматривать переменную в разности.

При построении адекватной модели была использована методология Бокса-Дженкинса.

Методология включает в себя три последовательных этапа:

1.1) В первую очередь временной ряд тестируется на стационарность на основе графического анализа автокорреляционной и частной автокорреляционной функций, а также с использованием, описанных выше тестов на наличие единичного корня. Если ряд является стационарным, то необходимо переходить к следующему шагу, иначе необходимо рассмотреть разности исследуемого ряда на стационарность.

1.2) После приведение временного ряда к стационарному виду, рассматриваются автокорреляционная и частная автокорреляционная функции, для того, чтобы определить параметры модели ARMA, или в случае интегрируемости процесса ARIMA модели.

2.1) Для каждой рассматриваемой модели, необходимо рассчитать и проанализировать остатки.

2.2) После анализа остатков, выбирается наиболее адекватная, а также наиболее простая модель, то есть модель с наименьшим числом параметров.

3) В результате после выбора оптимальной модели, строиться прогноз на несколько шагов вперед, а также оцениваются доверительные интервалы прогнозных значений.

Для моделирования временных рядов используются модели ARIMA. Модель ARIMA строиться на основе параметров (p, d, q), где p - порядок авторегрессии, d - порядок интегрируемости исследуемого процесса, q - порядок скользящего среднего. Возможны следующие представления ARIMA модели:

Модель авторегрессии порядка p - AR(p). Уравнение модели выглядит следующим образом:

,

Модель скользящего среднего порядка q - MA(q). Модель записывается в следующем виде:

Значение ряда в момент t определяется как зависимость от случайной компоненты в момент времени t и предыдущие q моментов времени.

Авторегрессионная модель скользящего среднего - ARMA(p, q). Данная модель формируется при комбинировании модели авторегрессии и модели скользящего среднего, уравнение записывается следующим образом:

Финальная глава исследовательской работы содержит использование моделей бинарного выбора. В моделях такого типа зависимая переменная может принимать всего два значения - 0 или 1. Всего различается 3 типа моделей бинарного вида - пробит, логит и гомпит. Модели различаются разными функциями распределения остатков.

Пробит модель - , то есть предполагается стандартное нормальное распределение ошибок.

Логит модель - , стандартное логистическое распределение

Гомпит модель - , распределение Гомперца.

2.2 Анализ и моделирование показателей, выражающих успех индустрии электронного спорта

Изучив научную литературу, можно сделать вывод, что большинство исследований изучают развитие индустрии не с помощью анализа количественных показателей. Приведенная выше литература, позволяет сопоставить традиционные виды спорта с электронным спортом, а также изучить мотивацию киберспортсменов и аудитории. Данная исследовательская работа акцентирует внимание именно на анализ показателей, отражающих развитие индустрии.

В первую очередь стоит изучить временной ряд объема призовых фондов. Данные представлены с 1998 по 2019 год.

Рис. 5. Динамика объема призовых фондов с 1998 по 2019 год

Первое на что стоит обратить внимание это значение показателя на 2019 год, так как он включает в себя наблюдения за 3 месяца: январь, февраль и март.

Рис. 6. Объем призовых денежных средств за первый квартал 2019 и 2018 года

Из рисунка стоит заметить, что за первый квартал 2019 года наблюдается большее значение показателя. Темп роста пула призовых средств составляет 1,3%.

Следует отметить, что до 2011 года наблюдается довольно стабильное состояние индустрии, в то время как, начиная с 2011 года, наблюдается колоссальных рост числа призовых средств. Катализатором такого роста является появление ключевого для индустрии электронного спорта стримингового сервиса - Twitch.tv, который будет рассмотрен в дальнейшей части исследования.

Далее для того, чтобы определить перспективы развития индустрии, следует построить прогноз по приведенному выше показателю. Для реализации этого процесса в первую очередь необходимо привести временной ряд к стационарному виду. Предварительно временной ряд был прологарифмирован. В результате с помощью процедуры Доладо временной ряд удалось привести к стационарному виду. В конечном итоге объем призовых средств обладает первым порядком интегрируемости.

Для того чтобы убедиться в том, что ряд является стационарным, дополнительно было использован еще один тест на наличие единичного корня - KPSS тест. В итоге KPSS тест и расширенный тест Дики-Фуллера привели к одному и тому же результату. На основе теста Эндрюса - Зигота был диагностирован структурный сдвиг в 2009 году (рис. 6 П1.).

Два теста продемонстрировали одни и те же результаты, именно поэтому можно утверждать, что ряд является стационарным с учетом структурного сдвига. Исследуемый временной ряд принял следующий вид.

Рис. 7. Первая разность логарифма объема денежных призовых средств

Далее была построена модель ARIMA с оптимальными параметрами (0, 1, 1) (табл. 5). При построении модели, было принято решение о том, чтобы не включать в модель наблюдение за 2019 год, так как оно не является репрезентативным, поскольку наблюдение содержит в себе информацию только за первый квартал. Модель в целом является значимой, также значимой является MA часть модели. Чтобы определить качество модели, следует более детально рассмотреть остатки модели.

Таблица 5

Значения коэффициентов оптимальной модели - ARIMA(0, 1, 1)

	Коэффициент	Ст. ошибка	z	p-value
const	0,36	0,11	3,184	0,0015***
theta_1	1	0,21	4,72	0,00**
Struc	0.234	0,11	2,103	0,035**
			**,*** - значимость на 5%, 1% соответственно

Примечательным является то, что в остатках модели не наблюдается автокорреляции, о чем свидетельствуют графики автокорреляционной и частной автокорреляционной функций.

Рис. 8. Графическое представление автокорреляционной и частной автокорреляционной функций

Чтобы убедиться в том, что в модели отсутствует автокорреляция, был задействован тест Люинга-Бокса. В результате данный тест не отвергнул нулевую гипотезу об отсутствии автокорреляции в остатках исследуемого временного ряда (рис. 4. П1.).

Также стоит отметить, что остатки полученной модели соответствуют нормальному распределению, что доказывает тест Харке-Бера (рис. 5. П1.).

В результате была получена адекватная модель ARIMA с параметрами (0, 1, 1) на основе которой можно построить точный прогноз. В результате были построены прогнозы на 2019 и на 2020 года (рис. 9). Следует отметить, что на основе доверительных интервалов прогноза можно сделать вывод о том, что объем призовых фондов продолжит расти.

Рис. 9. Прогнозирование пула призовых средств на 2019 и 2020 год

Следующим важным шагом в анализе развития индустрии киберспорта является изучения показателя числа проводимых турниров (рис. 10).



Рис. 10. Динамика числа киберспортивных турниров с 1998 по 2019 год

Аналогично предыдущему показателю, 2019 год включает в себя наблюдения только за первый квартал текущего года, а также следует отметить, что большая часть турниров приходится на вторую половину года. Но, несмотря на то, что 2019 год включает в себя только часть наблюдений, на рисунке видно, что, начиная с 2015 года, наблюдается значительное уменьшение в числе проводимых турниров. На данном этапе предполагается гипотеза о том, что с течением времени, произошли структурные изменения по типу проводимых состязаний. Для того чтобы понять, почему число турниров с 2015 сократилось почти на 40%, необходимо более детально изучить структуру турниров в 2015 и 2018 году. В 2015 году наблюдается пик числа наблюдаемых турниров, в целом до 2015 года наблюдается возрастающая динамика показателя. В 2015 году достигается пик со значение 5092 турниров, в то же время средний объем призового пула достигает 13095 долларов, в то время как в 2018 году средний объем денежных призовых средств составляет 42837 долларов. То есть снижение числа турниров на 40% компенсируется ростом объемов призовых фондов на 327%. Таким образом можно утверждать, что наблюдается изменение в формате турниров. Если до 2015 года реализовывается доминирующая доля турниров с небольшими призовыми фондами, то к 2019 наблюдается обратная ситуация, маленькие турниры преобразуются в крупные и масштабные, а число мелких турниров значительно сокращается.

С течением времени в индустрии с каждым годом появляются новые дисциплины, а, следовательно, и новые игроки. Именно поэтому стоит изучить динамику числа профессиональных игроков, вовлеченных в индустрию электронного спорта.

Рис. 11. Динамика численность киберспортсменов с 1998 по 2019 год

Развитие отрасли киберспорта подтверждается и значительным ростом профессиональных игроков, для которых киберспортивная деятельность является основным источником дохода. Аналогично предыдущим показателям наблюдается значительный рост с 2011 года, а пик достигается в 2018, но следует отметить, что в 2019 году стали организовываться турниры по новой перспективной дисциплине «Fortnite». Суммарный призовой фонд состязаний по данной дисциплине составит 100 млн. долларов [23]. Именно поэтому на 2019 год предвидится значительное большее число киберспортсменов по сравнению с 2018 годом.

Несмотря на колоссальный рост абсолютных показателей, характеризующих развитие индустрии электронного спорта, также необходимо изучить относительные показатели, для более корректного доказательства развития индустрии. На рисунке ниже представлен график среднеарифметических и среднемедианных призовых денежных средств, в пересчете на одного киберспортсмена (рис. 12).

Рис. 12. Динамика объемов призовых денежных средств при пересчете на 1 игрока с 1998 по 2018 год

Обратив внимание на среднеарифметический объем призовых денежных средств, в пересчете на одного игрока, следует отметить еще раз, что, начиная с 2008 года, темп роста пула призовых средств во много раз превышает темп роста числа профессиональных игроков. Динамика среднемедианных доходов характеризуется небольшими значениями, вызвано данное явление тем, что индустрия характеризуется большим количеством мелких турниров, и маленьким числом крупных турниров. Немаловажным является то, что в индустрии наблюдается значительная дифференциация доходов, так как большую часть объема пула призовых средств получает маленькое число игроков, о чем свидетельствует динамика среднемедианных доходов. То есть фактически, на одного игрока приходится выигрыш в диапазоне 400-700 долларов США.

Для того, чтобы определить сохраниться ли тенденция более ускоренного роста пула призовых средств по сравнению с количеством профессиональных игроков, необходимо построить модель, адекватно прогнозирующую поведение относительного показателя - объема призовых денежных средств на киберспортсмена. Рассмотрим еще раз временной ряд объема призовых денежных средств на киберспортсмена.

Рис 13. Временной ряд объема призовых средств на 1 профессионального игрока, долл.

Предварительно перед построением оптимальной модели временной ряд должен быть приведен к стационарному виду. На основе процедуры Доладо был сделан вывод, что исследуемый временной ряд является трендстационарным без взятия разностей (рис. 1. П2.).

В результате была найдена оптимальная ARMA модель с параметрами (0, 1). Все коэффициенты модели, включая тренд, являются значимыми на 5% уровне значимости (табл. 6).

Таблица 6. Характеристики модели ARMA(0, 1)

	Коэффициент	Ст. ошибка	z	p-value
const	1979,68	710,64	2,785	0,0053***
theta_1	0,48	0,2	2,327	0,02**
time	144,098	56,78	2,538	0,011**
			**,*** - значимость на 5%, 1% соответственно

В модели отсутствует автокорреляция остатков, о чем свидетельствует тест Люинга-Бокса (рис. 3. П2.). Отсутствие автокорреляции остатков доказывает и график автокорреляционной функции (рис. 14).

Рис. 14. Графическое представление автокорреляционной и частной автокорреляционной функции для остатков модели ARMA(0, 1)

Примечательным является то, что остатки подобранной модели соответствуют нормальному распределению (рис. 1. П6).

Поскольку полученная модель содержит в себе только значимые коэффициенты, в остатках модели отсутствует автокорреляция, а сами остатки распределены нормально, то следует утверждать, что найденная модель ARMA с параметрами (0, 1) является оптимальной, для построения дальнейших прогнозов. На рисунке 15 продемонстрирован прогноз объема призовых денежных средств на киберспортсмена на 2019 и 2020 год.



Рис. 15. Прогнозирование денежных призовых средств на 1 киберспортсмена на 2019 и 2020 год

Следует отметить, что в целом построенная модель имеет схожий с исходными данными характер, и к 2020 году наблюдается возвращение к возрастающей динамике показателя. Факт возвращение к возрастающей динамике означает, что темп рост объема призовых денежных средств продолжит превышать темп роста числа профессиональных игроков, что в свою очередь подтверждают растущую финансовую привлекательность индустрии в целом.

Динамика показателя объема призовых фондов в перерасчете на один турнир в целом похожа на динамику проанализированного выше относительного показателя.



Рис. 16. Динамика объемов денежных призовых средств на 1 турнир с 1998 по 2018 год

Из рисунка 16 видно, что к 2009 году среднеарифметическое значение показателя сильно снизилось, поскольку в индустрии наблюдался ускоренный рост числа проводимых турниров. Динамика слабого роста среднеарифметических значений показателя вызвана с тем, что индустрия была охарактеризована большим числом мелких и средних турниров, но стоит отметить, что с 2015 года наблюдается колоссальный рост показателя. Это объясняется тем, что изменилась «политика» проведения турниров, турниров становится меньше, но они становятся крупными, именно поэтому наблюдается высокий темп роста среднеарифметических объемов. Среднемедианные объемы призовых за турнир в динамике схожи с рассмотренным выше относительным показателем, и низки значения объясняются тем же фактом, что в отрасли организуется тысячи мелких турниров и только десятки крупных. То есть мелкие турниры во много раз доминируют над крупными. Далее было рассмотрено распределение объема призовых средств по странам, чтобы определить, какие страны наиболее успешны, и развиты в отрасли электронного спорта (рис. 17).



Рис. 17. Распределение призовых денежных средств между странами, %

Лидером в объеме выигранных призовых средств является США, и примерно в равных долях за лидером следует Китай, Дания и Южная Корея - страна «первопроходец» в области электронного спорта. Все вошедшие в рейтинг страны являются также и лидерами в развитие цифровых технологий, которые являются одним из главных факторов для развития отрасли киберспорта в целом. Следует отметить, что наблюдается развитие индустрии на мировом уровне, а не на локальном уровне, так как объем призовых средств распределен довольно равномерно между всеми странами, исключая лидера. В Китае, несмотря на реализованный проект «золотой щит», киберспорт развивается быстрыми темпами, дело в том, что для Китая создаются отдельные от всего остального мира сервера.

Более половины объема годового пула призовых средств генерируется всего двумя наиболее популярными дисциплинами: Dota 2 и Counter-Strike:GO (рис. 18).



Рис. 18. Распределение общего пула призовых средств между дисциплинами

Следующим этапом в исследовании необходимо выяснить влияет ли дисциплина и страна проживания игрока, на его эффективность в киберспортивной деятельности. Построение такой модели определит, являются ли какие-либо страны и дисциплины более развитыми по сравнению с остальными.

Для построения модели были взяты данные по 188 киберспортсменам, доходы, от выигрыша которых свыше 200 тыс. долларов. В итоге были сформированы бинарные переменные стран: Россия, Швеция, Дания, Южная Корея, США, Китай. Также были созданы бинарные переменные, отвечающие за игровую дисциплину киберспортсмена: Dota 2, Counter-Strike:GO, Starcraft 2, League of Legends, Fortnite. Зависимая переменная - объем выигранных призовых денежных средств. Также была сформирована переменная возраста киберспортсмена, для того, чтобы оценить значимость влияние данной переменной на доходы игрока.

В первую очередь была построена МНК модель, исключив из модели фиктивные переменные России, США, League of Legends и Starcraft, удалось добиться большей части переменных (табл. 7). На 13% уровне значимости, все переменные в полученной модели стали значимыми. Так как зависимая переменная представлена в денежном выражении, было принято решение использовать натуральный логарифм исследуемой переменной. Модель в целом является значимой. Для того, чтобы определить адекватность модели следует детально изучить остатки модели.

Таблица 7

МНК модель влияния стран и дисциплин на объем призовых средств

	Коэффициент	Ст. ошибка	t-статистика	p-value
const	12,57	0,123	101,9	0,00***
DNK	0,38	0,167	2,257	0,025**
KOR	0,38	0,142	2,653	0,008***
CHN	0,36	0,136	2,628	0,009***
SWE	0,27	0,176	1,518	0,1308
Dota	0,65	0,124	5,227	0,00***
CS	0,32	0,159	2,025	0,044**
			**,*** - значимость на 5%, 1% соответственно

Главной предпосылкой рассматриваемой модели является нормальное распределение остатков. Ниже представлено распределение полученных остатков (рис. 19). На основе критерия хи-квадрат можно сделать вывод, что остатки модели распределены нормально.

Рис. 19. Распределение остатков МНК модели

Также следует изучить остатки на наличие гетероскедастичности с помощью теста Бройша-Пагана (рис. 2. П3.).

В результате можно сделать вывод, что в модели наблюдается гетероскедастичность ошибок, именно поэтому кроме МНК модели, следует рассмотреть метод взвешенного МНК, который способствует устранению гетескедастичности.

В результате FGLS модель выглядит следующим образом (табл. 8).

Таблица 8. FGLS модель для оценивания влияния стран и дисциплин на развитие индустрии киберспорта

	Коэффициент	Ст. ошибка	t-статистика	p-value
const	12,63	0,09	135,4	0,00***
DNK	0,22	0,171	1,3	0,195
KOR	0,35	0,104	3,389	0,00***
CHN	0,26	0,132	1,951	0,05**
SWE	0,23	0,127	1,776	0,07*
Dota	0,64	0,128	4,976	0,00***
CS	0,31	0,119	2,621	0,00**
			*, **,*** - значимость на 10%, 5%, 1% соответственно

В итоге, в FGLS модели значимыми является большая часть переменных, модель в целом также является значимой. Остатки также характеризуются нормальным распределением (рис. 2. П6).

Но примечательным является то, что данная спецификация МНК модели позволила устранить гетероскедастичность ошибок, доказывает это тест Бройша-Пагана (рис. 4. П3.).

Ниже представлена сравнительная таблица двух исследуемых моделей (табл. 9). Ни в одну из моделей в итоге не была включена переменная возраста киберспортсмена, так как она оказалась незначимой в обеих моделях. На основе незначимости переменной можно сделать вывод, что возраст не влияет на величину дохода киберспортсмена, но в то же время стоит отметить, что средний возраст киберспортсмена составляет 24 года.

Таблица 9. Сравнение МНК и FGLS моделей

	МНК	FGLS
const	12,57***	12,63***
	(0,12)	(0,12)
Den	0,38**	0,22
	(0,17)	(0,17)
Sou	0,38***	0,35***
	(0,14)	(0,1)
Chi	0,36***	0,26*
	(0,14)	(0,13)
Swe	0,27	0,23*
	(0,18)	(0,13)
Dot	0,65***	0,64***
	(0,12)	(0,13)
CS	0,32**	0,31***
	(0,16)	(0,12)
p-value (F-statistic)	1,15E-06	5,50E-259
Ст. ошибка модели	0,62	1,03
Коэффициент детерминации	0,19	0,98
Нормальность остатков	Да	Да
Гетероскедастичность остатков	Да	Нет
	*,**,*** - значимость на 10%, 5%, 1% соответственно
	в скобках указаны стандартные отклонения коэффициентов

На основе приведенной таблице было принято решение использовать FGLS модель для интерпретации полученных результатов, так как, несмотря на более высокую стандартную ошибку модели, в модели отсутствует гетероскедастичность остатков, а значит, модель является адекватной.

Так как зависимая переменная приведена в форме логарифма, то модель показывает процентное изменени...