Анализ таблиц сопряженности выявил статистически значимую корреляцию между двумя этими предикторами и наличием новой машины как для выборки 2015 года, так и для 2018 года. Впрочем, согласно исследованию экономистов ФРБ Далласа, значимой должна оказаться только welf_worse, так как уменьшение экономического благосостояния в период кризиса влияет на потребление больше, чем его увеличение, так как домохозяйства даже после позитивных шоков в экономике склонны сохранять осторожность еще некоторое время.

Тип поселения. Тип поселения, в котором проживает домохозяйство, несомненно влияет на его потребительское поведение. Можно также предположить, что потребление жителей крупных городов больше, чем жителей сел и поселков городского типа (далее ПГТ). Люди в крупных городах зарабатывают больше, а также имеют более широкие возможности для траты денег.

Влияние типа поселения, в котором проживает индивид, может быть неоднозначно, так как развитая инфраструктура и система общественного транспорта в мегаполисах избавляют домохозяйство от необходимости покупать новую машину. Кроме того, развитая дорожная сеть и высокое качество дорожного покрытия уменьшают износ автомобилей и снижают вероятность покупки нового автомобиля. С другой стороны, слаборазвитая дорожная инфраструктура в ПГТ и селах порождает необходимость покупки автомобиля для облегчения передвижения.

Чтобы выяснить, насколько различные типы поселения влияют на вероятность покупки нового автомобилям, мы включим в регрессию такие факторы как тип поселения. Предварительно мы провели анализ с помощью таблиц сопряженности.

Данный метод анализа выявил, что наибольшая процентная доля домохозяйств, владеющих новой машиной, приходится на те, которые живут в сельской местности (ПГТ и селах): домохозяйства с новыми машинами в данном типе поселений составляют 13% от всех домохозяйств при 4,3% в среднем по выборке. Для выяснения характера связи мы введем дамми-переменную country_side для ПГТ и сел. Можно предположить, что при проведении регрессионного анализа зависимость между данным регрессором и регрессантом будет положительной. При проведении 2-теста для сельской местности по выборке 2015 года p-value оказался равен 0.027, а значит, гипотеза об отсутствии статистической связи между этими факторами может быть отвергнута на 5% уровне значимости. Анализ выборки за 2018 год с помощью таблиц сопряженности не выявил статистически значимой взаимосвязи между проживанием в сельской местности и наличием нового автомобиля иностранной или отечественной марки (p-value=0,27), однако статистически значимая взаимосвязь есть между проживанием в сельской местности и наличием автомобиля иностранной марки (p-value=0,000).

Что интересно, в мегаполисах домохозяйства с новой машиной составляют 2,5% от всех домохозяйств в данном типе поселения, при среднем по выборке 4,3%. Мы можем предположить, что зависимость от проживания в мегаполисах, представленных в выборке Москвой и Санкт-Петербургом, может быть отрицательной, для проверки нашей гипотезы введем дамми-переменную city.

При проведении 2-теста для мегаполисов p-value оказался равен 0.057, а значит, гипотеза об отсутствие статистической связи между этими факторами может быть отвергнута на 10% уровне значимости. При применении аналогичного метода анализа для выборки 2018 года, была выявлена статистическая значимая взаимосвязь между проживанием в городе и наличием нового автомобиля (p-value=0,02).

После первичного анализа таблиц сопряженности нам кажется достаточно обоснованным поставить следующую гипотезу для проверки: в мегаполисах, таких как Москва и Санкт-Петербург, домохозяйства проявляют меньшую потребительскую активность на рынке новых автомобилей, чем в других населенных пунктах.

Феномен репрезентативного потребления. Как нами уже было отмечено, потребление дорогостоящих товаров длительного пользования может быть связано с феноменом репрезентативного потребления. Достоверно оценить влияние этого феномена сложно, однако в рамках данной работы мы включим в нашу регрессию такие индикаторы, как стремление жить богато и стремление жить не хуже, чем другие семьи, дабы измерить, насколько домохозяйству, которое купило новую машину, присуще желание показать свое материальное положение через потребление.

Как нами уже было отмечено, репрезентативное потребление во многом основано на самоощущении домохозяйства, а также на его статусе в том социальном окружении, в котором он живет. [Шишкина 2017] Согласно совместному исследованию, проведенному Левада-Центром и Сбербанком, образ жизни окружения - ключевой ориентир при формировании планов и потребительских предпочтений российскими домохозяйствами. Так для 49% россиян, участвовавших в опросе, жизненная цель могла быть сформулирована следующим образом: «жить не хуже, чем большинство семей в городе», для 30% - «жить лучше, чем большинство семей в городе».

Для операционализации демонстративного потребления, как одной из черт потребительского поведения российских домашних хозяйств, мы создадим дамми-переменную, которая поможет нам оценить стремление семьи жить не хуже других. Для этого перекодируем категориальную переменную «Добились ли вы того, чтобы жить не хуже других?». Для ответов «уже добились» и «пока не добились, но считаю, что это по силам» значение дамми-переменной равно 1, для всех остальных - 0.

Анализ таблиц сопряженности для выборки 2015 года выявил статистически значимую взаимосвязь (p-value=0.015), поэтому мы включим данную переменную в нашу регрессионную модель. В выборке 2018 года, статистически значимая взаимосвязь не была выявлена.

Также мы включим в модель аналогичную переменную wealthy, перекодировав категориальную «Добились ли вы того, стать богатым человеком?». Для ответов «уже добились» и «пока не добились, но считаю, что это по силам» значение дамми-переменной равно 1, для всех остальных - 0. Анализ таблиц сопряженности выявил статистически значимую взаимосвязь для 2015 и 2018 года, а также как для всех новых машин, так и для иномарок, поэтому мы включим данную переменную в нашу регрессионную модель.

2.2.4 Социально-демографические факторы

Возраст. Влияние возраста на потребительские предпочтения рассматривалось во многих маркетинговых, психологических и экономических исследованиях. Пока ученые не пришли к единому мнению о степени значимости данного фактора при формировании потребительских предпочтений, однако экономисты и маркетологи не относят возраст к абсолютно незначимым факторам.

Тем не менее, маркетолог-исследователь Ф. Котлер отмечает, что возраст и этап жизненного цикла оказывают решающее влияние на принятие решений потребителем. [Котлер 1990]. На основе анализа исследований экономистов, маркетологов и психологов О.С. Посыпанова предлагает разделение потребителей на 9 стадий возрастной динамики потребительских предпочтений.

Первые три стадии посвящены изучению формирования потребительского поведения у детей, начиная с четвертой стадии (17-23 года) происходит развитие потребительских предпочтений и расширение набора доступных благ, а на пятой стадии (23-45 лет) происходит фиксация потребительских предпочтений. Для шестой и седьмой возрастных стадий характерны уменьшение потребительской активности и сужение потребительского набора. [Посыпанова 2012] Данные теоретические выкладки подтверждает построенный нами график частоты покупок автомобиля, в зависимости от возраста. Мы можем предположить, что возраст может оказать существенное влияние на потребительские практики населения, а значит, необходимо включить эту переменную в нашу регрессию. Исследователи при построении моделей в социологии и маркетинге, предполагают нелинейную зависимость от такого фактора как возраст, поэтому зачастую вводят квадрат этого индикатора в модель.

Так или иначе, наличие в семье члена, чей возраст превышает 55 лет, увеличивает иждивенческую нагрузку на домохозяйства, которая в свою очередь может повлиять на решение о покупке новой машины.

При подборе оптимальной спецификации мы провели свое собственное исследование, построив график (рис. 4 и рис. 5) частоты покупки новой машины в зависимости от возраста. При построении графика мы учитывали только возраст тех респондентов, в домохозяйстве которых есть новая машина. Как видно из графика, наиболее активно население на рынке новых автомобилей в период с 23 до 46 лет. Верхняя же возрастная группа (после 56 лет) готова покупать новую машину гораздо менее охотно, чем нижняя и средние возрастные группы.

Для моделирования влияния возраста на потребительскую активность население мы введем в наши модели 2 индикатора, отражающих влияние возраста: линейную переменную age и квадрат линейной переменной age_sq.



Рисунок 4. Частота покупки нового автомобиля в зависимости от возраста, 2015 г.

Источник: рассчитано автором по данным мониторинга ИС РАН

Рисунок 5. Частота покупки нового автомобиля в зависимости от возраста, 2018 г.

Источник: рассчитано автором по данным мониторинга ИС РАН

Образование. Во многом экономические и временные ресурсы домохозяйства определяются уровнем доступного информационного ресурса, к которому относят доступ к информации и способности к ее анализу, а при ее операционализации обычно учитывается наличие высшего образования. Стоит отметить, что наличие высшего образования открывает перед индивидом новые профессиональные перспективы и является одним из распространенных социальных лифтов для перемещения между стратами: наличие высшего образования открывает доступ для домохозяйства в более высокие доходные группы.

Мы посчитали обоснованным включить в нашу модель дамми-переменную, которая будет отображать наличие высшего образования у респондента. Для этого мы введем переменную, отображающую уровень образования респондента - high_edu. Мы провели анализ зависимости наличия новой машины в домохозяйстве от наличия высшего образования у респондента с помощью таблиц сопряженности.

Анализ выборки за 2015 для всех новых автомобилей дал следующие результаты: значение хи-квадрат равно 3,6, а значение p-value равно 0, 06. Наличие высшего образования и наличие новой машины в домохозяйстве взаимосвязаны при уровне значимости в 10%. Анализ таблиц сопряженности для выборки 2018 года не выявил статистически значимой взаимосвязи между наличием нового автомобиля иностранной или отечественной марки и наличием высшего образования у респондента (p-value = 0.26), однако есть статистически значимая взаимосвязь между этим предиктором и наличием нового автомобиля иностранной марки (p-value = 0.003).

Мы предполагаем, что наличие высшего образования у респондента повышает вероятность того, что у домохозяйства есть новая машина.

Пол. Сегментация потребителей по гендерному признаку лежит в основе большинства маркетинговых стратегий. Для разделения потребителей по половому признаку можно использовать описанные в первой главе модели потребления. Так, например, модель репрезентативного потребления, или «модель Веблена» в большей мере соответствует мужскому стилю потребительского поведения. [Василенко 2006] Исследование О.В. Василенко проводилось на студентах - представителях низшей возрастной группы, мы же предполагаем, что можем расширить уже проведенное исследование, разделив нашу выборку по гендерному признаку, так как автомобили относятся как раз к группе товаров, задействованных в репрезентативном потреблении, и проверив гипотезу о значимости пола при формировании покупательского поведения.

Кроме того, Ф. Котлер в своем учебнике отмечал, что при принятии решения о покупке такого товара, как автомобиль, в большей степени учитывается мнение мужа, как главы домохозяйства. [Котлер 1990] Мнение женщины является основополагающим при выборе бытовой техники, мебели и других домашних товаров.

Предпосылка о том, что мужчины и женщины ведут себя по-разному на рынках товаров длительного пользования может быть проверена введением дамми-переменной для пола (sex), где значение переменной 1 присваивается мужчинам, а 0 - женщинам.

Проведя анализ таблиц сопряженности для выборки за 2015 год, мы выявили наличие статистически значимой связи между наличием новой машины и полом (p-value=0.000), а значит, мы можем включить данный фактор в нашу регрессионную модель и предположить положительный характер зависимости.

После анализа таблиц сопряженности для выборки за 2018 год наличие статистически значимой связи между наличием новой машины и полом не выявлено ни для всех новых машин (p-value=0.4), ни для новых иномарок ((p-value=0.6).

Состав домохозяйства. Согласно теории Ф. Котлера, в жизненном цикле домохозяйства можно выделить 9 основных стадий, на которых состав его членов существенно различается от стадии к стадии. При рассмотрении поведения на автомобильном рынке наибольший интерес представляет 1 и 2 стадии: этап холостой жизни и супружеские пары без детей. Ввиду невысоких финансовых обременений, например, необходимости заботиться о детях и финансировать их потребление на данных этапах, потребители проявляют наивысшую потребительскую активность, в том числе и на рынке автомобилей. Чтобы проверить изложенные Котлером теоретические предпосылки, мы можем ввести дамми-переменную single для домохозяйств, состоящих из 1 человека, чей возраст не превышает 55 лет - холостяков.

Также интерес представляет стадия 5 и 6: на пятой стадии основообразующие члены домохозяйства - мать и отец - имеют относительно высокий уровень дохода и относятся к средней возрастной группе, а домохозяйство проявляет наибольшую потребительскую активность на рынке товаров длительного пользования и товаров роскоши; на шестой стадии дети, или хотя бы часть из них, начинают работать, а значит, у домохозяйства появляются свободные финансовые ресурса, которые могут быть использованы как для потребления, так и для сбережений. Так мы решили ввести в переменную couple для семейных пар без детей, где работают оба супруга.

Иждивенческая нагрузка. При введении в регрессию линейной переменной family_members для количества членов в домохозяйстве зависимость, скорее всего, будет отрицательной, ведь увеличение количества членов зачастую связано с появлением детей в домохозяйстве, а значит, и увеличении финансовой нагрузки на работающих членов.

Социологи отмечают, что иждивенческая нагрузка на домохозяйство негативно влияет на его среднедушевой доход. В частности, бедные слои населения формируются по большей части благодаря факторам, связанным с иждивенческой нагрузкой [Аникин, Слободенюк 2018]. Так как бедные слои обладают меньшими ресурсами для покупки товаров длительного пользования, в том числе и машин, особенно в период кризиса, мы посчитали обоснованным включить в нашу регрессию факторы, которые позволили бы нам измерить влияние иждивенческой нагрузки. Самый простой индикатор иждивенческой нагрузки - это наличие в семье иждивенцев - детей, неработающих пенсионеров, людей с ограниченными возможностями и т.д. Для этого мы создали переменную dpnd_d (dependent load dummy). Мы решили провести анализ с помощью таблиц сопряженности. Анализ выборки за 2015 год дал следующие результаты значение хи-квадрат равно 3,2, а значение p-value равно 0, 07. Наличие иждивенческой нагрузки и наличие новой машины в домохозяйстве взаимосвязаны при уровне значимости в 10%. В 2018 году статистически значимой взаимосвязи между этими факторами выявлено не было ни для всех новых автомобилей, ни для иномарок.

Так как уровень значимости для выборки 2015 года всего 10%, мы создали линейную переменную, отображающий коэффициент иждивенческой нагрузки depend_load, который отражает отношение неработающих членов домохозяйства к работающим.

Все переменные, отобранные нами для проведения регрессионного анализа, содержатся в таблице 1.

Таблица 1. Список предикторов и характер взаимосвязи с регрессантом Предположение о характере связи дамми-переменных с регрессором сделаны на основе значений V-Крамера при проведении анализа таблиц сопряженности.

Обозначение переменной	Интерпретация переменной	Предполагаемый характер зависимости
all_newcar	Наличие нового автомобиля в д/х	Зависимая переменная 1
for_newcar	Наличие нового автомобиля иностранной марки в д/х	Зависимая переменная 2
income_th	Среднедушевой доход д/х в тыс. руб.	Положительный
sav_en_liv	Сбережения достаточные для жизни в течение года или более при утрате нынешних источников дохода	Положительный
sav_not_en_liv	Сбережения недостаточные для жизни в течение года и более при утрате нынешних источников дохода	Отрицательный
loan	Наличие банковского кредита	Положительный
SKL	Д/х принадлежит к среднедоходной группе населения	Положительный
age_2	Квадрат возраста респондента	Отрицательный
sex	Пол-дамми (1 - мужчины, 0 -женщины)	Положительный
dpnd_d	Иждивенческая нагрузка на д/х (дамми)	Отрицательный
depend_load_1	Иждивенческая нагрузка на д/х (соотношение имеющих и не имеющих самостоятельные доходы членов)	Отрицательный
single	Д/х состоит из 1 человека, чей возраст не превышает 55 лет	Положительный
couple	Д/х состоит из 2 работающих людей	Положительный
high_edu	Наличие высшего образования	Положительный
city	Д/х проживает в Москве и Санкт-Петербурге	Отрицательный
country_side	Д/х проживает в сельской местности	Положительный
welf_worse	Д/х отмечало ухудшение благосостояния за последний год	Отрицательный
welf_better	Д/х отмечало улучшение благосостояния за последний год	Положительный
liv_bett_other	Д/х живет не хуже других (дамми)	Положительный
wealthy	Д/х причисляет себя к богатым (дамми)	Положительно

Источник: рассчитано автором

2.3 Регрессионная модель бинарного выбора

Выбор спецификации модели играет важную роль. Ввиду особенностей выбранного регрессанта использование обычной линейной множественной регрессии повлияет на адекватность построенной модели. В рамках линейной регрессии зависимая переменная вероятность может получиться больше 1, что математически невозможно.

Обоснованность применения логистической регрессии при проведении маркетинговых и социологических исследований проверена прошлыми поколениями исследователей. Так, например, логистическая регрессия на основе данных, используемых в нашей работе, была использована Аникиным В.А. и Слободенюк Е.Д. в своем исследовании «Где пролегает «черта бедности» в России?» (2018) для предсказания вероятности домохозяйства перейти в разряд бедных при наличии у него некоторых характеристик.

Что касается маркетинговых исследований, то логистическую регрессию использовали для построения моделей микс-маркетинга в упомянутых выше публикациях. [Петренко 2017] Обоснованность применения логистической регрессии в маркетинговых исследованиях также, как и пошаговое ее описание, содержится в публикации «Логистическая регрессия -- один из инструментов директ маркетинга». [Черенков 2003]

При проведении регрессионного анализа мы построим биноминальную логистическую регрессию - частный случай линейной регрессии. Зависимая переменная в рамках данной модели может принимать только два значения, 0 и 1, и имеет биноминальное распределение, поэтому такие модели в эконометрике получили название «модели бинарного выбора». В маркетинговых исследованиях данный вид регрессии применяют для предсказания склонности к покупке.

Есть несколько видов моделей бинарного выбора. В рамках данной исследовательской работы для нас представляют интерес две спецификации: логит- и пробит-модель. Эконометрическая модель бинарного выбора позволяет разделить всю выборку на два класса наблюдений и провести анализ предельных эффектов факторов. [Воищева 2006]

Ключевую значимость в данных типах моделей играет оценка вероятностей наступления того или иного события, в нашем случае покупки автомобиля, в зависимости от сторонних факторов. Данный вид моделей неидеален и имеет некоторые ограничения.

Во-первых, числе респондентов в выборке должно быть большим - не менее 500.

Во-вторых, может возникнуть проблема мультиколлинеарности факторов, когда между столбцами матрицы X существует почти линейная зависимость. Данное явление имеет несколько негативных последствий, которые могут отразиться на анализе модели, например, t-статистики у многих факторов могут быть малы, при этом R2 может быть высок, F-статистика для проверки гипотезы об адекватности регрессии может быть велика, а значит регрессия адекватна, но при этом мы не можем разграничить влияние факторов. Кроме того, небольшое изменение в данных приводит к большим изменениям в оценках коэффициентов.

Тем не менее, преимущества данного вида регрессии перевешивают ее недостатки. Так как модели достаточно просты для проведения регрессионного анализа, дают статистически достоверные результаты и исключают несовершенства линейной спецификации, а результаты легко интерпретируются, то мы будет использовать их при проведении исследования факторов, определяющих потребительское поведение домохозяйств на автомобильном рынке.

Общая черта моделей - это использование функции оценки вероятностей, однако в основе logit-модели лежит логистическое распределение (1) (2), а в основе probit - нормальное (3) (4), что видно из функциональной формы регрессий. [Тимофеев, Санина 2015]

Функция вероятности логистического распределения имеет вид:

(1);

при этом функция плотности, которая описывает предельное воздействие величины Z на вероятность, в данной эконометрической модели имеет вид:

Функция вероятности в пробит-модели имеет вид:

;



функция плотности пробит-модели имеет вид:

.

Переменная Z в обоих случаях представляет собой линейную регрессию (5):

.

Предельный эффект переменной Xi (6) можно рассчитать через производную функцию вероятности по этой переменной:

.

Модели бинарного выбора нелинейны, а значит, для оценки их параметров стоит применять метод максимального правдоподобия, который заключается в максимизации функции максимального правдоподобия (7).

.

Чтобы выбрать одну из представленных спецификаций, необходимо исследовать их на выбранных нами факторах и данных, и только после этого сравнить две построенные модели по критериям качества, которые мы рассмотрим далее.

R2 и псевдо- R2. R2 - коэффициент множественной детерминации показывает какая часть регрессии может быть объяснена значениями X. Впрочем, так как при оценке логистической регрессии используется не метод наименьших квадратов (МНК), а метод максимального правдоподобия, для оценки качества модели исследователи прибегают к другим показателям - - индексам отношения правдоподобия - pseudo-R2 (8) и R2-МакФадена (9), за невозможностью использовать простой R2. Данные показатели рассчитываются по формулам:

(8);

(9).

При этом L - функция правдоподобия для построенной нами модели, а L0 - модель, в которую включена только константа. Аналогично классическому R2, чем больше данный показатель, тем лучше. [Демидова 2017-2018]

Статистика отношения правдоподобия. Еще один критерий качества логистической регрессии - это тест отношения правдоподобия (10):

, (10)

где L - функция правдоподобия для построенной нами модели, а L0 - модель, в которую включена только константа. Чем меньше данный показатель, тем лучше специфицирована наша модель. [Айвазян 2001]

Стоит признать, что и этот критерий не дает исчерпывающей информации о качестве модели и ее предсказательной силе.

Информационные критерии (AIC и BIC). Информационные критерии Акаике (AIC) (11) и Шварца, или байесовский (12), (BIC)- не менее важные показатели качества регрессии, который позволяет сравнивать модели с одинаковой зависимой переменной, но с различными включенными регрессорами. Так, мы можем сравнивать ограниченные модели с меньшим количеством объясняющих переменных с более расширенными моделями, в которых первый предложенный критерий качества (pseudo-R2) зачастую больше. Вышеописанные информационные критерии рассчитываются по формулам:

AIC = -2ln (L) + 2p (11)

BIC = -2log (L) + p log (n) (12),

где учитывается не только функция правдоподобия для построенной нами модели, но и количество параметров модели (р). Данные критерии служат для поиска оптимальной модели, при этом включение незначимых переменных может обернуться увеличением критерия, что говорит об ухудшении качества модели. Байесовский критерий (12) также учитывает и размер выборки, он более устойчив и стремится выбрать истинную модель с вероятностью 1 при увеличении размер выборки. [Acquah De-Graft 2017]

Чем меньше информационные критерии, тем лучше специфицирована наша модель.

Мультиколлинеарность. Мультиколлинеарность возникает, если между столбцами матрицы X существует почти линейная зависимость. Данное явление имеет несколько негативных последствий, которые могут отразиться на анализе модели. Во-первых, t-статистики у многих факторов могут быть малы, при этом R2 может быть высок, F-статистика для проверки гипотезы об адекватности регрессии может быть велика, а значит регрессия адекватна, но при этом мы не можем разграничить влияние факторов. Во-вторых, небольшое изменение в данных приводит к большим изменениям в оценках коэффициентов.

Еще один признак, по которому можно предположить мультиколлинеарность, - это рассчитать ковариационную матрицу между объясняющими переменными. Если между некоторыми факторами высокая корреляционная зависимость, т.е. R > 0,7, то можно предположить мультиколлинеарность между этими факторами. Построенная нами ковариационная матрица, а также все последующие ковариационные матрицы для моделей, полученных методом регрессионного анализа, приведена в Приложении Б к диплому. Единственными факторами, между которыми наблюдалась высокая корреляционная зависимость (> 0,7) были age и age_2. Так как age_2 был получен путем возведения в квадрат age, то решить проблемы мультиколлинеарности можно, если мы оставим в нашей модели только одну эту переменную с более значимым коэффициентом - age_2.

Наличие мультиколлинеарности в нашей регрессии можно проверить, рассчитав VIF'ы. Считается, что если VIF достаточно велик (> 6; 8), то можно подозревать мультиколлинеарность.

Для решения проблемы мультиколлинеарности можно прибегнуть к методу пошагового исключения и включения компонент.

ROC-кривая и область AUC. Универсальным критерием оценки качества модели являются такие связанные между собой показатели, как ROC-кривая и область AUC. Данные элементы анализа включают в себя как графическое описание модели, так и цифровые значения.

ROC-кривая иллюстрирует соотношения правильного и ложного обнаружения сигналов. Данный метод графического анализа показывает величину чувствительности и величину специфичности для нашей модели. Чем лучше модель, тем ближе к верхнему левому углу она расположена: доля ложно предсказанных единиц при этом минимальна. Кривая ROC строится в двумерной системе координат в области 1х1. Для удобства интерпретации нижнюю и верхнюю часть разделяет опорная диагональная линия, которая проходит через точки (0,0) и (1,1). ROC-кривая хорошей модели всегда лежит выше опорной диагональной линии. Если же кривая лежит ниже, то это значит, что построенная модель хуже подбрасывания монетки. [Демидова 2017-2018]

Еще один показатель качества модели - это AUC (Area Under Curve) - площадь области под нашей ROC-кривой, рассчитанная по правилу трапеции и принимающая значение в интервале [0; 1]. Значение данного показателя должно быть строго больше 0,5, иначе же наша модель обладает малой предсказательной силой. [Hand 2001]

Выводы по 2 главе

Во второй главе на основании обзора маркетинговых исследований, мы отобрали ключевые факторы, определяющие потребительское поведение домохозяйств. Также мы разделили факторы на экономические, социально-демографические, а также факторы среды. Мы полагаем, что определяющую роль будут играть именно экономические факторы. Помимо этого, мы выдвинули основные гипотезы о характере взаимосвязи регрессанта с отобранными предикторами.

Чтобы выяснить наличие статистической значимой взаимосвязи регрессоров с выбранными нами регрессантами, а также характер зависимости между ними, мы провели анализ таблиц сопряженности. Также мы описали основные теоретические предпосылки для применения эконометрических методов анализа выборок за 2015 и 2018 год.

В работе мы протестируем следующие гипотезы:

1. Поведение потребителей на рынке дорогостоящих товаров длительного пользования во многом определено доступными экономическими ресурсами. Эта гипотеза конкретизируется для проверки в виде трех субгипотез: 1) среднедушевой доход имеет высокую значимость для поведения потребителей на рынке автомобилей; 2) наличие сбережений, достаточных для жизни в течение года или более, имеет высокую значимость для поведения потребителей на рынке автомобилей; 3) принадлежность к группе со среднедушевыми ежемесячными доходами в домохозяйствах выше 1,25 медианы доходного распределения по стране имеет высокую значимость для поведения потребителей на рынке автомобилей.

2. Кредитная нагрузка домохозяйства имеет высокую значимость для поведения потребителей на рынке автомобилей.

3. Проживание в мегаполисах -- крупных экономических центрах -- имеет высокую значимость для поведения потребителей на рынке автомобилей.

4. Высшее образование имеет высокую значимость для поведения потребителей на рынке автомобилей.

5. Динамика материального благосостояния за последний год имеет высокую значимость для поведения потребителей на рынке автомобилей.

6. Демографическая нагрузка имеет высокую значимость для поведения потребителей на рынке автомобилей.

7. Потребительское поведение на рынке дорогостоящих товаров длительного пользования во многом определено субъективными оценками домохозяйства относительно своего уровня благосостояния. Эта гипотеза конкретизируется для проверки в виде двух субгипотез: 1) Самоидентификация домохозяйства как богатого имеет высокую значимость для поведения потребителей на рынке автомобилей; 2) Самоидентификация домохозяйства, как живущего лучше других, имеет высокую значимость для поведения потребителей на рынке автомобилей.



Глава 3. Интерпретация результатов

При проведении регрессионного анализа мы построим биноминальную логистическую регрессию. Зависимая переменная в рамках данной модели, как уже отмечалось выше, может принимать только два значения, 0 и 1, и имеет биноминальное распределение, поэтому такие модели в эконометрике получили название «модели бинарного выбора».

В маркетинговых исследованиях данный вид регрессии применяют для предсказания склонности к покупке определенного товара.

3.1 Анализ потребительского поведения за 2015 год

3.1.1. Регрессионная модель для домохозяйств с новыми автомобилями (2015 г.)

На первом шаге моделирования мы построили расширенную регрессию (модель 1), в которую включили все отобранные нами 17 факторов, для домохозяйств, у которых есть новая машина отечественной или иностранной марки.

Полученные результаты - значения коэффициентов, коэффициент отношения правдоподобия, псевдо R2, значения информационных критериев - для всех построенных нами моделей содержатся в сравнительных таблицах.

Как и ожидалось, некоторые из регрессоров, включенных в расширенную модель, - SKL, single, couple, high_edu, depend_load_1, dpnd_d, welf_better - оказались незначимыми Для отвержения гипотезы о незначимости переменной обычно рассматривается порог p-value в 10%: если значение p-value превышают 0,1, то переменная признается незначимой, если не превышают - значимой., поэтому мы исключили их из нашей регрессии (модель 2).

Мы сравнили расширенную и ограниченную модель по основным критериям качества.

При проведении процедуры пошагового исключения незначимых переменных методом адаптивного теста правдоподобия нами было выявлено, что предсказательная сила нашей модели снижается (согласно данным теста Хосмера - Лемешова).

Мы постарались исключить максимальное количество незначимых переменных из нашей регрессии и при этом сохранить удовлетворительные значения теста Хосмера - Лемешова (>0,4-0,5).

Результаты сравнения всех построенных моделей приведены в Таблице 2.

Таблица 2. Сравнение расширенной, ограниченной и прочих моделей для всех новых автомобилей (2015 г.)

Переменная	Модель
	1	2	3	4	5
Среднедушевой доход	(0,017)*** Здесь и далее (*) использованы для обозначения уровня значимости: *** - на 1%; ** - на 5%; * - на 10%	(0,017)***	(0,017)**	(0,017)**	(0,017)**
Среднедоходная группа	0,318		0,296	0,294	0,3
Сбережения достаточные для жизни в течение года или более	(1,141)***	(1,07)***	(1,109)***	(1,070)***	(1,090)***
Сбережения не достаточные для жизни в течение года или более	(0,411)**	(0,369)*	(0,388)*	(0,369)*	(0,382)**
Кредитная нагрузка	(0,630)***	(0,613)***	(0,610)***	(0,613)***	(0,615)***
Квадрат возраста	(0,000)***	(0,000)***	(0,000)***	(0,000)***	(0,000)***
Пол	(0,722)***	(0,728)***	(0,723)***	(0,728)***	(0,728)***
Проживание в мегаполисе	(-0,783)**	(-0,787)**	(-0,779)**	(-0,787)**	(-0,785)**
Проживание в сельской местности	(0,571)***	(0,570)***	(0,574)***	(0,570)***	(0,568)***
Холостяки	0,300		0,359
Супружеские пары без детей	-0,450		-0,054
Высшее образование	-0,019
Иждивенческая нагрузка	-0,016
Иждивенческая нагрузка (дамми)	-0,412
Улучшение материального положения	-0,282		-0,276
Ухудшение материального положения	(-0,432)**	(-0,432)**	(-0,425)**	(-0,432)**	(-0,425)**
Самоопределение как материально состоявшегося	(0,567)***	(0,545)***	(0,557)***	(0,545)***	(0,559)***
Домохозяйство живет не хуже других	-0,096
Log likelihood	-567,0	-568,9	-567,8	-568,9	-568,4
Pseudo R2	0,124	0,119	0,123	0,121	0,122
AIC	1172	1161	1165	1161	1162
BIC	1290	1230	1259	1236	1244
Критерий согласия Хосмера - Лемешова	0,7323	0,3269	0,6957	0,4508	0,7130

Источник: рассчитано автором

Нам удалось достичь желаемых значений теста Хосмера - Лемешова, и при этом оставить только две незначимых переменных - SKL и welf_better. В целом, при удалении незначимых переменных из нашей модели значение псевдо-коэффициента детерминации упало незначительно, а значение информационных критериев упало, поэтому мы решили, что оптимальным вариантом будет изучить качественные характеристики Модели 5.

Мы проверили Модель 5 на следующие характеристики: ROC-AUC, чувствительность и специфичность, мультиколлинеарность и VIF, а также посчитали предельные эффекты. Анализ ковариационной матрицы для включенных в модель регрессоров не выявил наличие мультиколлинеарности, так как все значения не превышали порогового - 0,7. При анализе ковариационной матрицы на наличие парных корреляции пороговым значением принято считать 0,7. (см. Приложение Б) Значение VIF (рис. 6) для включенных в модель факторов также были меньше 6, что говорит об отсутствии мультиколлинеарности в нашей модели.



Рисунок 6. Значение VIF'ов (справа) и таблица классификации (слева) для Модели 5

Источник: рассчитано автором по данным ИС РАН

Наша модель показала адекватные значения AUC - 0.7852, что говорит о ее высокой предсказательной способности.

Графическое изображение ROC-кривой и кривых чувствительности и специфичности приведены на рис. 7.

Рисунок 7. ROC-кривая (справа) и кривая специфичности и чувствительности (слева) для Модели 5

Источник: рассчитано автором на основе данных ИС РАН



Изначально мы получили аномальные значения двух этих показателей (0,00% и 99,94% соответственно), которые можно объяснить преобладающим количеством отрицательных наблюдений (0), так как в нашей выборке доля домохозяйств с новым автомобилем (1) составляет только 4,3% - 156 единиц в массиве. Мы предположили, что отобранные нами экономические и социальные-демографические факторы окажутся значимыми даже при таком объеме выборки, что и подтвердил дальнейший регрессионный анализ. Помимо этого, аналитический пакет STATA обладает достаточным функционалом для коррекции аномальных значений чувствительности и специфичности, полученных нами из-за малого объема выборки.

Так мы воспользовались графиком Sen/Spec, чтобы найти порог отсечения для проведения теста на классификацию.

Данные приведены на рис. 7: наша регрессия после проведения скорректированного на порог отсечения теста на классификацию достоверно предсказывает 72% реальных единиц.

Для оценки изменения вероятности владения новым автомобилем от изменения предикторов на одну единицу мы рассчитали предельные эффекты, значения которых приведены в таблице 3.

Таблица 3. Предельные эффекты в модели 5 для всех новых автомобилей, 2015 г., %

Переменная	Предельный эффект
Среднедушевой доход	(0,042)***
Среднедоходная группа	0,800
Сбережения достаточные для для жизни в течение года или более	(4,362)***
Сбережения не достаточные для жизни в течение года или более	(1,057)*
Кредитная нагрузка	(1,811)***
Квадрат возраста	(-0,000)***
Пол	(1,901)***
Проживание в мегаполисе	(-1,514)***
Проживание в сельской местности	(1,627)***
Улучшение благосостояния	-0,637
Ухудшение благосостояния	(-1,080)**
Самоопределение как богатого	(1,654)**

Источник: рассчитано автором

Исходя из полученных данных, мы можем сделать следующие выводы:

1. При увеличении среднедушевого дохода домохозяйства на тысячу рублей вероятность обладания новым автомобилем растет на 0,04%.

2. Наличие у домохозяйства сбережений, достаточных для жизни в течение года или более, увеличивает вероятность владения новым автомобилем на 4,3%.

3. Наличие кредита у домохозяйства повышает вероятность обладания новым автомобилем на 1,8%

4. Влияние возраста на вероятность владения новым автомобилем незначительно, однако между этим предиктором и регрессантом существует отрицательная зависимость.

5. Принадлежность главы домохозяйства к мужскому полу увеличивает вероятность владения новым автомобилем на 1,9%.

6. Проживание домохозяйства в сельской местности увеличивает вероятность владения новым автомобилем на 1,6%.

7. Проживание домохозяйства в мегаполисе уменьшает вероятность владения новым автомобилем на 1,5%.

8. Ухудшение материального состояния за последний год уменьшает вероятность владения новым автомобилем на 1,0%.

9. Стремление домохозяйства принадлежать к группе материально благополучных увеличивает вероятность владения новым автомобилем на 1,6%.

10. Уменьшают вероятность владения новым автомобилем следующие факторы: ухудшение благосостояния, проживание в мегаполисе, а также возраст.



3.1.2 Регрессионная модель для домохозяйств с новыми автомобилями иностранной марки (2015 г.)

Мы предположили, что поведение домохозяйств на рынке автомобилей иностранной марки может различаться из-за более высокого ценового порога для входа на рынок. поэтому мы, понимая недостаточность выборки и возможную условность результатов, решили провести регрессионный анализ на значимость отобранных нами факторов, а также на изменение предельных эффектов из-за возможного разнонаправленного действия факторов покупки отечественного автомобиля и иномарки.

Нами была построена модель со всеми отобранными нами факторами. Далее методом адаптивного теста правдоподобия нами была получена ограниченная модель, в которой остались только значимые коэффициенты. Впрочем, уровень значимости для теста Хосмера - Лемешова, по которому можно судить о предсказательной силе модели, значительно упал, поэтому нами была предпринята попытка исключить максимальное количество незначимых переменных и достичь высокого уровня значимости теста Хосмера - Лемешова. Стоит отметить, что при анализе неограниченной регрессии часть ранее незначимых факторов - SKL, single - стала значимыми, а проживание домохозяйства в мегаполисе - переменная city, напротив, стала незначимой. Так, нами было построено еще две модели, в обеих из которых осталась только одна незначимая (на 10% уровне значимости) переменная: в модели 3 - SKL, в модели 4 - city. Мы сравнили четыре этих модели по основным критериям: коэффициенту отношения правдоподобия, псевдо R2, значениям информационных критериев, а также значениям теста Хосмера - Лемешова. Значения полученных коэффициентов, уровень значимости для каждого, а также значение основных критериев качества приведены в таблице 4.



Таблица 4. Сравнение расширенной, ограниченной и прочих моделей для всех новых иномарок, 2015 г.

Переменная	Модель 1	Модель 2	Модель 3	Модель 4
Среднедушевой доход	(0,017)***	(0,021)***	(0,016)**	(0,017)**
Среднедоходная группа	(0,482)*		0,377	(0,426)*
Сбережения достаточные для жизни в течение года или более	(1,377)***	(1,225)***	(1,195)***	(1,205)***
Сбережения недостаточные для жизни в течение года или более	0,403
Кредитная нагрузка	(0,757)***	(0,690)***	(0,708)***	(0,684)***
Квадрат возраста	(0,000)***	(0,000)***	(0,000)***	(0,000)***
Пол	(0,852)***	(0,878)***	(0,852)***	(0,865)***
Проживание в мегаполисе	-0,564			-0,525
Проживание в сельской местности	(0,561)***	(0,581)***	(0,635)***	(0,567)***
Холостяки	(0,714)**	(0,695)**	(0,652)**	(0,638)**
Супружеские пары без детей	-0,576
Высшее образование	-0,039
Иждивенческая нагрузка	0,077
Иждивенческая нагрузка (дамми)	-0,496
Улучшение материального положения	-0,440
Ухудшение материального положения	(-0,434)**	(-0,397)**	(-0,378)**	(-0,358)**
Самоопределение как материально состоявшегося	(0,719)***	(0,782)***	(0,754)***	(0,714)***
Домохозяйство живет не хуже других	-0,051
Log likelihood	-427,7	-432,9	-431,8	-430,7
Pseudo R2	0,155	0,144	0,146	0,149
AIC	893	886	886	885
BIC	1012	948	954	960
Критерий согласия Хосмера - Лемешова	0,562	0,148	0,614	0,714

Источник: рассчитано автором

Сравнив качественные показатели всех построенных моделей, мы отдали предпочтение модели 4. Мы проверили следующие характеристики Модели 4: ROC-AUC, чувствительность и специфичность, мультиколлинеарность и VIF, а также посчитали предельные эффекты. Анализ ковариационной матрицы для включенных в модель регрессоров не выявил наличие мультиколлинеарности, так как все значения не превышали порогового - 0,7. Впрочем, income_th и SKL имеют высокую корреляцию, поэтому мы решили провести проверку на мультиколлинеарность с помощью VIF (рис. 8).

Значение VIF'ов для включенных в модель факторов также были меньше 6, что говорит об отсутствии мультиколлинеарности в нашей модели.

Рисунок 8. Значение VIF'ов (справа) и таблица классификации (слева) для Модели 4

Источник: рассчитано автором по данным ИС РАН

Наша модель показала значения AUC - 0.8171, что говорит о ее высокой предсказательной способности. Графическое изображение ROC-кривой и кривых чувствительности и специфичности приведены на рис 9.

Изначально мы получили аномальные значения двух этих показателей (0,00% и 99,9% соответственно), которые можно объяснить преобладающим количеством отрицательных наблюдений (0), так как в нашей выборке доля домохозяйств с новой иномаркой (1) составляет только 3% - 113 единиц в массиве.

Чтобы это исправить, мы воспользовались графиком Sen/Spec (рис. 9), чтобы найти порог отсечения для проведения теста на классификацию.

Данные приведены на рис. 8. Наша регрессия достоверно предсказывает 82% реальных единиц.

Рисунок 9. ROC-кривая (справа) и кривая специфичности и чувствительности (слева) для Модели 4

Источник: рассчитано автором по данным ИС РАН

Для оценки изменения вероятности владения новой машиной от изменения предикторов на одну единицу мы рассчитали предельные эффекты, значения которых приведены в таблице 5.

Таблица 5. Предельные эффекты в Модели 4 для всех новых иномарок, 2015 г., %.

Переменная	Предельный эффект
Среднедушевой доход	(0,03)**
Среднедоходная группа	(0,74)*
Сбережения долгосрочные	(3,26)***
Кредитная нагрузка	(1,30)***
Квадрат возраста	(0,000)***
Пол	(1,44)***
Проживание в мегаполисе	(-0,69)*
Проживание в сельской местности	(1,03)**
Холостяки	1,31
Ухудшение благосостояния	(-0,57)*
Самоопределение как богатого	(1,41)***

Источник: рассчитано автором



Исходя из полученных данных, мы можем сделать следующие выводы:

1. При увеличении среднедушевого дохода домохозяйства на тысячу рублей вероятность обладания новой иномаркой растет на 0,03%;

2. Наличие у домохозяйства сбережений, достаточных для жизни в течение года или более, увеличивает вероятность владения новой иномаркой на 3,3%;

3. Наличие кредита у домохозяйства повышает вероятность обладания новой иномаркой на 1,3%;

4. Влияние возраста на вероятность владения новой иномаркой незначительно, однако между этим предиктором и регрессантом существует положительная зависимость.

5. Принадлежность главы домохозяйства к мужскому полу увеличивает вероятность владения новой машиной иностранной марки на 1,4%.

6. Проживание домохозяйства в сельской местности увеличивает вероятность владения новой машиной иностранной марки на 1,0%.

7. Проживание домохозяйства в мегаполисе уменьшает вероятность владения новой иномаркой на 0,69%.

8. Ухудшение материального состояния за последний год уменьшает вероятность владения новой иномаркой на 0,57%.

9. Стремление домохозяйства принадлежать к группе материально благополучных увеличивает вероятность владения новой иномаркой на 1,4%.

10. Уменьшают вероятность владения новой иномаркой следующие факторы: ухудшение благосостояния, проживание в мегаполисе.



3.2 Анализ потребительского поведения за 2018 год

3.2.1 Регрессионная модель для домохозяйств с новыми автомобилями (2018 г.)

Так как нас интересуют не только факторы, определяющие поведение домохозяйств, но и их изменение после кризисного периода, мы построим модель на данных 8 линейки опроса, проведенного ИС РАН. Методика исследования и построения регрессии аналогична той, что мы использовали при анализе данных 3 линейки опроса, проведенного ИС РАН.

Стоит отметить, что домохозяйств с новым автомобилем иностранной или отечественной марки, попавших в нашу выборку в 2018 г., всего 155 единиц в массиве, что составляет 3,8%, с новой иномаркой - 109 - 2,7%).

Вероятно, это может повлиять на значение псевдо-коэффициента детерминации и спровоцировать уменьшение предсказательной силы регрессии.

Вначале мы построили расширенную модель со всеми отобранными факторами, после чего методом адаптивного теста правдоподобия нами была получена ограниченная модель, в которой остались только значимые коэффициенты.

Впрочем, уровень значимости для теста Хосмера - Лемешова, по которому можно судить о предсказательной силе модели, значительно упал, а модель можно признать незначимой, поэтому нами была предпринята попытка исключить максимальное количество незначимых переменных и достичь высокого уровня значимости теста Хосмера - Лемешова. Результаты сравнения расширенной, ограниченных и прочих моделей приведены в таблице 6.



Таблица 6. Сравнение расширенной, ограниченной и прочих моделей для всех новых автомобилей, 2018 г.

Переменная	Модель
	1	2	3	4
Среднедушевой доход	(0,011)**	(0,015)***	(0,012)**	(0,013)**
Среднедоходная группа	0,183		0,227
Сбережения достаточные для жизни в течение года или более	-0,225
Сбережения не достаточные для жизни в течение года или более	-0,113
Кредитная нагрузка	(0,695)***	(0,739)***	(0,730)*...

Подобные документы

• Правила потребительского поведения на автомобильном рынке

  Мировые тенденции развития автомобильного рынка, особенности поведения его потребителей. Критический обзор основных методов выявления ассоциативных правил поведения потребителей. Подготовка данных и суммарная статистика, применение измерителей и тестов.
  
  курсовая работа [5,4 M], добавлен 27.09.2016
  

• Покупательское поведение

  Мотивы покупательского поведения на потребительском рынке. Принятие решений о покупке. Типы покупательского поведения. Психологические факторы, определяющие поведение потребителей. Способы воздействие на потребителя до и после совершения покупки.
  
  курсовая работа [107,7 K], добавлен 07.11.2013
  

• Изучение модели поведения потребителей на примере рынка мебели

  Понятие модели потребительского поведения. Факторы, влияющие на поведение потребителей. Принятие решения о покупке (на примере рынка мебели). Макротренды потребительского поведения на рынке мебели и продиктованные ими задачи по привлечению покупателей.
  
  курсовая работа [305,1 K], добавлен 06.06.2015
  

• Потребительское поведение

  Теоретические аспекты изучения потребительского поведения и классификация потребителей. Поведение покупателей на рынке и жизненный цикл семьи. Процесс принятия решения потребителем. Изучение покупательских потребностей и процесс совершения покупок.
  
  курсовая работа [35,4 K], добавлен 24.02.2009
  

• Поведение потребителей, принципы и методы его изучения. Основные факторы, определяющие поведение потребителей

  Реакция потребителей на разные побудительные приемы маркетинга. Влияние культуры, субкультуры и социального положения покупателя. Процесс принятия решения о покупке. Факторы, влияющие на удовлетворенность или неудовлетворенность потребителя покупкой.
  
  презентация [940,0 K], добавлен 17.12.2014
  

• Поведение и мотивация потребителя

  Необходимость и предмет исследования поведения потребителей. Факторы внешней среды, определяющие значение маркетинга в экономике. Сегментирование рынка как вид мотивации потребления. Цели и методы микромаркетингового анализа потребительских тенденций.
  
  курсовая работа [33,0 K], добавлен 21.12.2010
  

• Потребительское поведение и целевые группы потребителей

  Факторы, оказывающие влияние на потребительское поведение, классификация потребителей. Методы изучения социальных классов как основы поведения потребителя. Целевые группы, целевой рынок и сегментация; основные направления маркетинговой деятельности.
  
  контрольная работа [30,7 K], добавлен 05.10.2010
  

• Анализ поведения потребителей на рынке товаров и услуг

  Факторы внешнего влияния на поведение потребителей, референтная группа. Процесс принятия решения покупателем. Осознание потребностей и информационный поиск, оценка и выбор альтернатив. Формирование приверженности покупателей к марке фирмы товара.
  
  курсовая работа [155,1 K], добавлен 24.06.2010
  

• Формирование маркетинговых стратегий и поведение потребителя

  Анализ и классификация факторов, влияющих на поведение потребителя, внешние (экзогенные) и внутренние (эндогенные) факторы. Сегментация рынка в контексте потребительского поведения. Планирование комплекса маркетинга, разработка продуктовой стратегии.
  
  реферат [127,0 K], добавлен 08.05.2010
  

• Анализ влияния культуры, субкультуры на поведение потребителей

  Основные внешние и внутренние факторы, влияющие на поведение потребителей на современном рынке. Культурные вариации в вербальных и невербальных коммуникациях. Адаптация продуктового портфеля компании с учетом культурных особенностей потребителей.
  
  курсовая работа [50,4 K], добавлен 22.10.2014
  

• Теория потребительского поведения и спроса

  Потребительское поведение как объект экономической теории. Фазы поведения потребителей, модели их поведения. Модель экономического человека. Типологии рациональности и следования своим интересам. Поведенческие предпосылки, принятые в институционализме.
  
  курсовая работа [93,8 K], добавлен 20.04.2011
  

• Рассмотрение комплекса факторов, формирующих поведение потребителей

  Основные принципы формирования правильного представления о поведении потребителей. Анализ факторов, формирующих поведение потребителей питьевой воды "Фрост". Исследования мотивации потребителей. Формирование и функционирование потребительских панелей.
  
  курсовая работа [121,5 K], добавлен 22.03.2016
  

• Факторы социального и культурного характера, оказывающие влияние на потребителей

  Основная задача современного маркетинга. Классификация факторов, обуславливающих поведение покупателей. Пути практического использования результатов исследования. Исследование влияния факторов культурного и социального характера на поведение покупателей.
  
  курсовая работа [39,1 K], добавлен 20.03.2009
  

• Поведение потребителей при совершении покупки

  Типы поведения потребителей. Особенности процесса принятия решений потребителями и факторы, его определяющие. Анализ поведенческой тактики при совершении покупки потребителем. Влияние пяти основных ситуационных факторов. Портрет идеального магазина.
  
  курсовая работа [98,3 K], добавлен 28.06.2016
  

• Потребитель на российском рынке: проблема защиты прав

  Потребитель и его права. Анализ потребительского поведения. Сущность потребителя на рынке. Факторы, влияющие на поведение потребителей. Проблемы защиты прав потребителя на рынке в современных условиях. Деятельность государства по защите прав потребителя.
  
  курсовая работа [1,4 M], добавлен 06.05.2019
  

• Мерчендайзинг как фактор влияния на поведение потребителей

  Понятие и инструменты влияния мерчендайзинга на процесс выбора товара. Общая характеристика, исследование, анализ и история компании "Адидас". Факторы, влияющие на поведение покупателей. Оценка нужд, запросов и обеспечение доступа к ним потребителей.
  
  курсовая работа [33,1 K], добавлен 17.03.2015
  

• Изучение потребителей при планировании бизнеса (на примере компании "IKEA")

  Факторы, определяющие оценки и поведение потребителей. Направления изучения потребителей. Изучение отношения к компании и ее продуктам, системы ценностей потребителей и уровня удовлетворения их запросов. Изучение потребителей по принципам компании "IKEА".
  
  курсовая работа [41,7 K], добавлен 16.07.2010
  

• Поведение потребителя на рынке товаров и услуг

  Факторы внешнего влияния на поведения потребителей: социальное положение, культура, образ жизни, семья. Влияние референтной группы на индивида. Типы потребительского поведения в России и за рубежом. Степень удовлетворенности приобретенными товарами.
  
  курсовая работа [302,2 K], добавлен 06.04.2013
  

• Поведение потребителей

  Гендерные особенности восприятия в создании рекламы. Изучение влияния рекламы на потребительское поведение мужчин и женщин. Рассмотрение моделей принятия решения о покупке: осознание потребности, поиск информации, выбор альтернатив, покупка и потребление.
  
  реферат [22,9 K], добавлен 06.05.2014
  

• Поведение потребителя

  Предпосылки теории потребительского поведения. Концепция потребления Ж. Бодрийяра. Социально-экономический портрет потребителя. Факторы, влияющие на потребительское поведение. Исследование поведения потребителей на примере услуг аквапарка "ПитерЛенд".
  
  курсовая работа [871,7 K], добавлен 29.05.2015
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам