E-touirism: модель потребительского поведения пользователей сети интернет на этапе планирования туристической поездки

Ответ эксперта: "Человек приблизительно понимает свой бюджет, накладывает его на ряд мест, в которые он хотел бы поехать, далее смотрит стоимость билетов, отелей и после этого делает окончательный выбор, и тогда делает бронирование поездки. После бронирования проезда и проживания переходит к планированию остальных пунктов внутри поездки."

На основании опроса экспертов мы дополнили и сформулировали анкету для онлайн-опроса, более подробно все включенные переменные будут описаны в результатах следующего раздела.

Как мы видим, этап планирования путешествия можно подразделить на 3 основных блока: выбор туристкой дестинации, выбор транспорта, места проживания и как дополнительный блок - это экскурсии. Рассматривая экосистему e-туризма, мы приходим к выводу, что этап “выбор туристской дестинации” находится вне контроля, вне зоны охвата бизнеса в индустрии e-туризма. По мнению экспертов, на выбор дестинации влияет ряд факторов, такие как: отзывы друзей, спонтанные предложения, личные желания, мероприятия. Остальной же блок, касающийся проживания и транспорта может быть оценен и сделан прогноз о модели поведения. Блок экскурсии не отметил ни один из экспертов, наоборот отметив высокий уровень свободы в путешествии и допускают спонтанность в путешествиях. (см. рисунок 14)

Поведение потребителя на этапе планирования туристической поездки.

Исходя из актуальности исследования, изученной теоретической базе и опрошенных экспертов области e-туризма, сформировались следующие исследовательские гипотезы:

Рекламный контент сайтов туристической тематики, продвигающий определенные дестинации, не влияет на выбор туристического продукта потребителем на этапе планирования туристической поездки (H0).

Выбор средства передвижения при планировании поездки превалирует по использованию поисковых агрегаторов, таких как Aviasales, Skyscanner и другие (H1).

Туристы предпочитают арендовать апартаменты у местных жителей для проживания во время туристической поездки, чем использовать стандартные места проживания, такие как отели и хостелы (H2).

Туристы не тщательно планируют программу своей поездки, определяя только ключевые аттракции для посещения (спонтанность превалирует над тщательным планированием) (H3).

3.2 Результаты эмпирического исследования

Описание результатов онлайн-опроса

Нами было опрошено 218 респондентов с помощью анкеты, основанной на интервью экспертов индустрии e-туризма и теоретической базе, рассмотренной в предыдущих главах. Онлайн-опрос был создан на базе Google - форм и распространён среди выбранной целевой аудитории.

Опрос состоял из трех основных блоков. Первый блок был посвящен общим привычкам потребителя туристического продукта, этот блок относится как к онлайн привычкам, так и может выходить в офлайн поведение. Вопросы затрагивали следующие аспекты:

частоту путешествий;

цель путешествия;

компанию в путешествиях (в одиночку или друзья и другое);

стиль планирования путешествия;

страны, которые уже посетили и в целом выбирают для себя;

прокат автомобиля.

Второй блок онлайн-опроса был посвящен именно сбору данных для дальнейшего построения модели потребительского поведения на этапе планирования туристической поездки. Данный блок мы также подразделили на 3 группы вопросов в соответствии с предварительно выдвинутой моделью потребительского поведения на этапе планирования поездки (см. предыдущую главу), а именно: "Выбор туристической дестинации", "Транспорт", "Проживание". Каждая из групп содержала ряд факторов, которые влияют или используются пользователем при планировании поездки. Каждый фактор было необходимо оценить респондентам по 7-ми балльной шкале, где 1 - никогда не использовал или не оказывает совершенно никакого влияния; 4 - иногда оказывает влияние или иногда используется; 7 - всегда оказывает влияние или всегда используется.

В группу "Выбор туристической дестинации" или "Что оказывает влияние на ваш выбор туристической дестинации" входили следующие факторы, и оценивалось что в большей степени может оказать влияние на выбор потребителя:

мнение и опыт друзей,

советы родных,

блоги путешественников,

контентные сайт (вдохновляют и советуют куда поехать, например Trip Secrets, ChipTrip),

Youtube каналы,

социальные сети,

сайты отзывов (например, TripAdvisor),

сайты отелей

сайты онлайн сервисов по бронированию (например, Booking.com) (OTA),

предложения авиакомпаний (Победа, aviasales, skyscanner).

В группу "Транспорт" входили следующие переменные, и было предложено оценить именно частоту использования тех или иных сервисов и источников:

Aviasales.ru,

Skyscanner.ru,

Mamondo.ru,

сайты авиакомпаний,

Яндекс. Авиабилеты,

Anywayanyday,

OneTwoTrip,

OzonTravel,

Kayak.

Группа "Проживание" объединила следующие переменные, где оценивалась частота использования данных сервисов:

Booking.com

Ostrovok.ru

Kayak.com

Trivago.ru

Airbnb.com

Couchsurfing.com

TripAvisor.ru

Mamondo.ru

Oktogo.ru

Hotels.com

OzonTravel

RoomGuru.ru

Agoda.com

Planetofhotels.com

Сайты отелей/хостелов/апартаментов

Последний блок онлайн-опроса состоял из сбора базовых статистик:

пол,

возраст,

город проживания,

род занятий (учеба/работа/учеба и работа),

знание английского языка.

Также был создан дополнительный раздел в анкете, посвященный использованию пакетных туров, данный вопрос носит побочный характер, и позволяет лучше понять опрошенных респондентов и их поведенческие особенности к потреблению туристического продукта.

Полный текст опроса можно найти в Приложении 2.

Проведя опрос мы получили следующее базовое описание наших респондентов и их особенностей в поведении на этапе планирования туристической поездки в онлайн среде.

В первую очередь, большая часть ответивших на опрос - это женщины - 69,7% (152 ответивших), мужчины - 30,3% (66 ответивших). (рис. 15)

Гендерное распределение респондентов онлайн-опроса.

Возрастное распределение респондентов, в большей степени - это аудитория в возрасте от 21 до 23 лет - 112 респондентов, что говорит о соответствии выбранной аудитории в исследовании. (рис. 16)

Возрастное распределение респондентов онлайн-опроса.

Большая часть ответивших проживает в Москве - 47% (103 респондента), 37% (81 респондент)- Санкт-Петербург, а также были представлены такие города, как Амстердам, Лондон, Будапешт, Воронеж, Якутия, Волгоград, Екатеринбург и другие - суммарно составили 16% респондентов.

Больше половины опрошенных до сих являются студентами бакалаврских или магистерских программа, что интересно тех, кто находится в статусе "Работаю и учусь" на 15% больше, тех, кто находится в статусе "Работаю". Это показывает опять же, что мы опросили самое ядро нашей целевой аудитории, так как доходы таких респондентов в большей степени расходуются на личные нужды, а не на семейные и бытовые, так как человек продолжает находится в статусе "студент". (рис. 17)

Род деятельности респондентов онлайн-опроса.

"Знание английского языка" является достаточно очевидным, но крайне характерным для нашей выборки, мы не спрашивали уровень знания, но подразумевали, что в целом, если человек отвечает "Да" на поставленный вопрос, то он в силах разъяснится в путешествии, и более того приспособлен использовать международные интернет ресурсы, а также более подвижен в своем путешествии и более интегрирован с местными жителями. Почти 100% опрошенных (210 респондентов) ответили, что они знают английский язык. (рис. 18)

Знание английского языка у респондентов онлайн-опроса.



Основная цель поездки у большинства опрошенных - это отдых 90,3% - 195 ответов, остальные 10% включают такие цели, как работа, образование и другое. (рис.19)

Цель поездки респондентов онлайн-опроса.

На вопрос путешествия в компании или в одиночку, мы получили 129 ответов (60%) "Путешествие с друзьями", 82 ответов - с семьей, 50 ответов - парой, в данном вопросе можно было выбрать несколько вариантов ответа, поэтому возможно удвоение ответов. (рис. 20)

Компания в путешествии: в одиночку или с компанией.

Интересный факт касательно привычек потребителя выбранного сегмента, мы предполагали, что такая аудитория стала максимально самостоятельной и близкой к местной жизнью, и одним из основных показателей этого факта мы выдвинули "Прокат автомобиля в путешествии". К нашему удивлению из 218 опрошенных респондентов: только 63 ответили "Да", остальные 155 ответили "Нет". (рис. 21)

Рис. 21 Прокат автомобиля в поездке.

Вопрос относительно частоты путешествий показал, что 39% путешествует 1 раз в несколько месяцев, 33% - 1 раз в полгода и 20% - 1 раз в год. В целом, можно сказать, что путешествие соотносится с сезонными выходными и праздничными днями. (рис. 22)

Частота поездок среди респондентов онлайн-опроса.

Страны, которые уже посетили респонденты в большей степени страны Центральной и Восточной Европы, совсем малая часть посетила страны Азии. Дестинации лидеры по посещению: Германия - 117 респондентов, Турция - 107, Финляндия - 105 (данный ответ встречается чаще всего у жителей Санкт-Петербурга), Испания - 106, Франция -94, Италия - 94, в сравнении Китай - всего 25, Япония - 4. (рис. 23)



Дестинации, которые посетили респонденты онлайн-опроса.

Важный аспект, характеризирующий стиль планирования путешествия опрашиваемых потребителей туристического продукта и соотносящийся с ядром нашей целевой аудитории. Были получены следующие результаты: больше половины опрошенных (141 респондент) отметили, что обозначают только главные места для посещения, а также бронируют жилье; 22% опрошенных (49 респондентов) - продумывают своё путешествие очень тщательно; 7% опрошенных (16 ответов) доверяют себя обстоятельствам и ничего не планируют помимо транспорта, точнее билетов до места назначения. Наша гипотеза относительно стиля путешествия: туристы не тщательно планируют программу своей поездки, определяя только ключевые аттракции для посещения (спонтанность превалирует над тщательным планированием) (H3).

Подтверждается на первоначальном урповне оценки данных, так как более половины опрошенных бронируют отель и обозначают только главные места для посещения, доля такого стиля поведения составила 71% опрошенных, то есть более 150 респондентов дали такле определение своему стилю поведения на этапе планирования туристической поездки (рис. 24)

Стиль планирования путешествия.

И завершающий блок вопросов относительно использования пакетных туров, показал следующие результаты. Из 218 опрошенных 143 респондента когда-либо использовали пакетные туры - 66,5%, что интересно есть часть аудитории, которая ни разу не использовала пакетные туры - это 33,5%. (рис. 25)

Использование пакетного тура.

Переход же на самостоятельно планирование путешествие становится всё более массовым и одним из основных способов планирования путешествия. Так, мы видим, что 45% (73 респондента) - прибегают к пакетным турам только в случае, если это горячий тур, это ярко характеризует нашу выбранную целевую аудиторию, так как более старшее поколение менее спонтанно в покупки подобных туров, когда как наша аудитория покупают подобные туры в целях экономии и с возможностью лишний раз отдохнуть, но не как основной способ планирования своих поездок. Часть респондентов отметила, что сайты с подобным контентом помогают найти идеи для поездок - 29% (47 ответов), лишь для 9 респондентов (6%) - пакетные туры являются основным способом организации собственного путешествия.

Важно отметить, что 56 респондентов из 218 не использовали пакетные туры никогда, именно поэтому не дали ответы на данный блок вопросов. (рис. 26)

Использование пакетных туров на этапе планирования туристической поездки.

Певоначальный анализ полученных данных

Оставшийся блок анкеты был посвящен выявлению силы воздействия выдвинутых факторов, на основании опроса экспертов и теоретической базы, на поведения потребителя на этапе планирования туристической поездки по трем направлениям: "Выбор туристической дестинации", то есть по сути, что может повлиять на мнение потребителя; "Транспорт" - какие сервисы используются чаще всего для поиска, бронирования или покупки; "Проживание" - где чаще всего осуществляется поиск и бронирование проживания перед поездкой.

Полученные данные были перекодированы и присвоены следующие коды переменным (Таблица 1):



Таблица 1. Присвоенные метки зависимым переменным

Opinion/Destination choice	Выбор туристической дестинации
opin_friends	Мнение и опыт друзей
opin_family	Советы родных
opin_travelblog	Блоги путешественников
opin_contentweb	Контентные сайт (вдохновляют и советуют куда поехать, например Trip Secrets, ChipTrip)
opin_youtube	Youtube каналы
opin_sm	Социальные сети
opin_review	Сайты отзывов (TripAdvisor)
opin_webhotel	Сайты отелей
opin_OTA	Сайты онлайн сервисов по бронированию (Booking.com)
opin_avia	Предложения авиакомпаний (Победа, aviasales, skyscanner)
Transport	Транспорт
trans_aviasales	Aviasales.ru
trans_skyscanner	Skyscanner.ru
trans_mamondo.ru	Mamondo.ru
trans_wevavia	Сайты авиакомпаний
trans_yandexavia	Яндекс. Авиабилеты
trans_anyway	Anywayanyday
trans_12trip	OneTwoTrip
trans_ozon	OzonTravel
trans_kayak	Kayak
Accomodation	Проживание
accom_booking	Booking.com
accom_ostrovok	Ostrovok.ru
accom_kayak	Kayak.com
accom_trivago	Trivago.ru
accom_airbnb	Airbnb.com
accom_couchsurf	Couchsurfing.com
accom_tripadvis	TripAvisor.ru
accom_mamondo	Mamondo.ru
accom_oktogo	Oktogo.ru
accom_hotels	Hotels.com
accom_ozon	OzonTravel
accom_roomguru	RoomGuru.ru
accom_agoda	Agoda.com
accom_planet	Planetofhotels.com
accom_webhotel	Сайты отелей/хостелов/апартаментов
General information	Общая информация
gender	Ваш пол (1-муж,2-жен)
age	Возраст
city	Город вашего проживания
activity	Ваш род занятий (1-работаю, 2 -работаю и учусь 2, 3 - учусь)
english_know	Знаете ли вы английский язык? (1 -да, 2 -нет)

Каждая из зависимых переменных была оценена респондентом от 1-ого до 7-ми, проведя базовый анализ анкет, мы получили следующие результаты по каждой из группы персменных. Наши группы, как было упомянуто ранее - это "Выбор туристической дестинации", "Транспорт" и "Проживание". Именно данные 3 группы и были выбраны латентными или независимыми переменными в данном исследовании для построения модели.

По первой группе зависимых переменных (Таблица 2), включающий в себя факторы, влияющие на выбор потребителя туристической дестинации, меньшее влияние на выбор оказывают сайты отелей - 33% респондентов отметили данный фактор, как слабее всего влияющий на выбор, а также OTA (онлайн агентства по бронированию). Несмотря на низкую оценку на первом этапе построения модели, мы не будем исключать данные переменные и посмотрим на величину факторной нагрузки от данных переменных.

Таблица 2. "Выбор туристической дестинации" - базовый анализ зависимых переменных данной группы

	1	2	3	4	5	6	7
мнение друзей	3%	3%	11%	23%	25%	24%	11%
советы родных	8%	14%	12%	23%	22%	17%	4%
блоги путешестенников	11%	9%	15%	23%	20%	15%	6%
контент сайты	21%	16%	15%	19%	16%	8%	5%
youtube каналы	34%	23%	17%	10%	9%	6%	2%
социальные сети	15%	13%	19%	25%	16%	10%	3%
сайты отзывов	20%	16%	16%	17%	16%	11%	5%
сайты отелей	39%	17%	15%	16%	6%	3%	4%
OTA	33%	13%	15%	15%	11%	8%	4%
предложения авиакомпаний	19%	10%	12%	19%	18%	14%	9%



Группа переменных, относящихся к "Транспорту" имеет следующее распределение оценок от респондентов. (Таблица 3). Здесь мы видим ряд переменных, где использование достигает 1% отметки, то есть 1 или 2 человека из 218 используют данные сервисы для поиска/бронирования/оплаты. Поэтому при построении модели мы убираем наименее значимые переменные: Mamondo - 75% оценили частоту использования в 1 балл (никогда не используют), ЯндексАвиабилеты - 85% респондентов никогда не использовали данный сервис, Kayak - 91% никогда не использовали, а также ни один из респондентов не использует данный сервис, как основной.

Таблица 3. "Транспорт" - базовый анализ зависимых переменных данной группы

	1	2	3	4	5	6	7
Aviasales	32%	7%	6%	13%	16%	15%	11%
Skyscanner	32%	3%	5%	11%	13%	21%	15%
Mamondo	75%	7%	2%	8%	4%	3%	1%
Сайты авиакомпаний	19%	6%	8%	17%	13%	20%	17%
Яндекс авиабилеты	85%	6%	4%	1%	2%	1%	1%
Anywayanyday	72%	5%	6%	11%	2%	3%	1%
OneTwoTrip	63%	3%	9%	11%	4%	5%	4%
OzonTravel	76%	3%	5%	6%	5%	4%	2%
Kayak	91%	4%	1%	2%	1%	0,5%	0%

Последняя латентная переменная "Проживание", которая объединяет ряд зависимых переменных, также включает зависимые переменные, которые по итогам онлайн-опроса являются крайне редко используемые потребителями. Для дальнейшего построения исключаются следующие незначимые переменные: Kayak - 95% никогда не использовали данный сервис, Trivago - 91%, Mamondo - 90%, Oktogo - 90%, Planetofhotels - 93%.



Таблица 4. "Проживание" - базовый анализ зависимых переменных данной группы

	1	2	3	4	5	6	7
Booking	15%	1%	2%	11%	14%	22%	34%
Ostrovok	79%	6%	3%	4%	4%	2%	2%
Kayak	95%	3%	2%	0%	0%	0%	0%
Trivago	91%	3%	3%	1%	0%	0%	0%
Airbnb	51%	7%	7%	9%	8%	10%	8%
Couchsurfing	71%	6%	7%	7%	5%	1%	2%
TripAdvisor	72%	10%	5%	6%	5%	2%	0%
Mamondo	90%	6%	2%	1%	0%	0%	0%
Oktogo	90%	4%	3%	2%	1%	0%	0%
Hotels.com	81%	6%	5%	5%	2%	1%	0%
OzonTravel	84%	5%	5%	3%	1%	0%	1%
Roomguru	89%	5%	3%	0%	2%	0%	1%
Agoda	89%	6%	2%	2%	1%	0%	0%
Planetofhotels	93%	5%	1%	1%	0%	0%	0%
Сайты отелей/хостелов	37%	8%	7%	11%	14%	12%	10%

Моделирование структурными уравнениями с латентными переменными или конфирматорный факторный анализ

На этапе построения модели с помощью программы Stata, мы выделяем следующие латентные переменные модели: "Выбор дестинации" (Opinion), "Транспорт" (Transport), "Проживание" (Accomodation). Данные переменные являются латентными, так как не поддавались измерению и являются независимыми переменными, которые объединяют в себе группы факторов, то есть имеют факторные нагрузки от зависимых переменных, которые были получены нами в ходе проведения опроса и представлены в Таблице 4.

На основании первичного анализа данных из двух групп латентных переменных мы исключили ряд зависимых переменных.

Из "Транспорт" исключили: ""

Mamondo - "trans_mamondo.ru",

ЯндексАвиабилеты - "trans_yandexavia",

Kayak - "trans_kayak".

Из "Проживание" исключили:

Kayak - "accom_kayak",

Trivago - "accom_trivago",

Mamondo - "accom_mamondo",

Oktogo - "accom_oktogo",

Planetofhotels - "accom_planet".

Таким образом, мы получаем следующие данные для анализа:

Латентная переменная "Opinion", где зависимые переменные:

opin_friends	Мнение и опыт друзей
opin_family	Советы родных
opin_travelblog	Блоги путешественников
opin_contentweb	Контентные сайт (вдохновляют и советуют куда поехать, например Trip Secrets, ChipTrip)
opin_youtube	Youtube каналы
opin_sm	Социальные сети
opin_review	Сайты отзывов (TripAdvisor)
opin_webhotel	Сайты отелей
opin_OTA	Сайты онлайн сервисов по бронированию (Booking.com)
opin_avia	Предложения авиакомпаний (Победа, aviasales, skyscanner)

Латентная переменная "Transport", где зависимые переменные с учетом исключения незначимых:

trans_aviasales	Aviasales.ru
trans_skyscanner	Skyscanner.ru
trans_webavia	Сайты авиакомпаний
trans_anyway	Anywayanyday
trans_12trip	OneTwoTrip
trans_ozon	OzonTravel

Латентная переменная "Accomodation", где зависимые переменные с учетом исключения незначимых:

accom_booking	Booking.com
accom_ostrovok	Ostrovok.ru
accom_airbnb	Airbnb.com
accom_couchsurf	Couchsurfing.com
accom_tripadvis	TripAvisor.ru
accom_hotels	Hotels.com
accom_ozon	OzonTravel
accom_roomguru	RoomGuru.ru
accom_agoda	Agoda.com
accom_webhotel	Сайты отелей/хостелов/апартаментов

Между зависимыми переменными выстраиваем арочные стрелки с двумя наконечниками, чтобы показать связь переменных (корреляцию, так как модель с стандартизированная). (Рис. 27 )

Моделирование: связь между латентными переменными.

Построение модели будет происходить в несколько этапов. Так как будют производиться корректировки в соответствии с улучшением статистик модели на основании модификационных индексов, где мы увидим какие из зависимых переменных также следует связать.

1 модификация модели с учетом исключение незначимых переменных первой очереди. Мы получили следующие статистики модели (Таб. 6). RMSEA больше 5%, CFI и TLI недостаточно близки к значению 1.



Таблица 5. Оценка качества модели - 1 модификация

Построив модификационные индексы, мы связываем следующие зависимые переменные:

cov(e.opin_webhotel,e.opin_ota) = 94,92

cov(e.opin_friends,e.opin_family) = 55,59

cov(e.accom_ozon,e.trans_ozon) = 45,843

cov(e.opin_youtube,e.opin_sm) = 41,01

2 модификация модели с учетом внесенных правок, выдает результаты лучше, но по-прежнему недостаточно значимыми, чтобы принять модель. (Таб. 6) RMSEA больше 5%, но уже составляет 0,076; CFI и TLI немного выросли до 0,72 и 0,69, но недостаточно близки к значению 1.



Таблица 6. Оценка качества модели - 2 модификация

По средствам модификационных индексов продолжаем вносить коррективы в модель. На данном этапе это:

cov(e.accom_agoda,e.accom_roomguru) = 17,143

cov(e.trans_aviasales,e.trans_anyway) = 16,593

cov(e.opin_friends,e.opin_sm) = 13,737

cov(e.accom_booking,e.opin_ota) = 11,289

3 модификация модели с учетом правок выдает результаты лучше, но по-прежнему недостаточно значимыми, чтобы принять модель. (Таб. 7) RMSEA больше 5%, но уже составляет 0,07; CFI и TLI немного выросли до 0,76 и 0,73, но недостаточно близки к значению 1.



Таблица 7. Оценка качества модели - 3 модификация

По средствам модификационных индексов продолжаем вносить коррективы в модель. На данном этапе это:

cov(e.accom_booking,e.trans_webavia) = 15.128

cov(e.accom_couchsurf,e.opin_contentweb) = 12.235

cov(e.opin_travelblog,e.opin_youtube) = 11.868

4 модификация модели с учетом правок выдает результаты лучше, но по-прежнему недостаточно значимыми, чтобы принять модель. (Таб. 8) RMSEA больше 5% на больше чем на 0,01, но уже составляет 0,066; CFI и TLI немного выросли до 0,79 и 0,76 и уже достаточно близки к значению 1.



Таблица 8. Оценка качества модели - 4 модификация

В соответствии с модификационными индексами, связываем ковариацией, следующие зависимые переменные:

cov(e.opin_travelblog,e.opin_contentweb)| 12.765

cov(e.opin_review,e.opin_avia)| 11.410

cov(e.accom_booking,e.accom_ozon)| 11.010

5 модификация модели с учетом правок выдает следующие результаты (таб.9): значение RMSEA = 0,06, что превышает 5% - ый уровень значимости на 0,01; CFI и TLI составляют выросли до 0,827 и 0,801 соответственно и уже достаточно близки к значению 1.

Для принятия модели мы делаем последние коррективы в соответствии со следующими модификационными индексами:

cov(e.accom_booking,e.accom_agoda) = 9.743

cov(e.opin_contentweb,e.opin_youtube) = 9.564

Получаем 6 модификацию модели (табл. 10). Данную модель мы принимаем, так полученные статистики пригодности модели принимают следующие значения. RMSEA = 0, 058, что максимально близко к 5%, разница составляет лишь 0,008 сотых. CFI = 0,843 (д.б. макс. близко к 1), TLI = 0,817 (д.б. макс. близко к 1).

Таблица 9. Оценка качества модели - 5 модификация

Таблица 10. Оценка качества модели - 6 модификация

Полученные статистики пригодности модели позволяют сделать вывод о принятии модели и дальнейшей работе с ней. Полня модель представлена в приложении 3 данного исследования, и более подробное описание полученных выводов модели мы представим далее. Также, для ознакомления со всеми результатами проводимых операций в программе Stata (output)

Первая группа зависимых переменных, относящихся к латентной переменной "Выбор туристической дестинации" (Opnion), из 10 зависимых переменных, включенных в модель, все являются значимыми на 5% уровне, то есть значение p-value не превышает 0,05 (см. Приложение 4, где представлен вывод в Stata). Следовательно, мы оставляем все рассматриваемые зависимые переменные из этой группы. (рис.29)

Рис. 29. Латентная переменная "Opinion" с факторными нагрузками, часть основной модели.

Наибольшее влияние на принятие решений о выборе дестинации имеет содержание сайтов с отзывами такие как TripAdvisor (коэффициент 0,86), контент сайтов по онлайн бронированию (Booking), где зачастую играет роль e-mail рассылка и специальные предложения от компаний и отелей, а также предлагаются топ-десять дестинации для посещения с уже готовыми вариантами на проживание. Именно также обстоит дело и с зависимой переменной "сайты с предложением от авиакомпаний" (Победа, Aviasales и другие), когда компании формируют наиболее популярные направления для путешествий сразу предлагая удобные варианты передвижения.

Также, стоит отметить сайты с "вдохновляющем контентом", где предлагают интересные идеи для путешествий и расписывают о том, что там можно делать (contentweb - 0,58). Меньшее влияние имеют блоги путешественников (0,44), и самое незначительное влияние на выбор дестинации потребителем оказывает мнение семьи и друзей (0,21 и 0,19 соответственно), предпочитая всё же использовать более опытные и профессиональные источники для вдохновения.

Касательно корреляции между переменными мы наблюдаем следующее взаимодействие:

Сайты с "вдохновляющем контентом" имеет небольшую связь с каналами на Youtube и блогами путешественников, что не удивительно, так как зачастую на подобных сайтах идет отссылка на блоггеров с ютюб каналов и письменные блоги, но так как коэффициент всего 0,2 и 0,34 соответственно, мы понимаем, что данный обмен происходит очень редко, что не снижает степень влияния на принятие решения именно сайтов содержательного характера. В большей степени "вдохновляющие" сайты генерируют собственной контент. В свою очередь сайты с блогами и youtube-каналы также с собой взаимосвязаны, так как блоггер зачастую имеет как видео-канала, так и канал письменного донесения информации (коэффициент корреляции - 0,29).

Достаточно высокая связь между "онлайн агентствами по бронированию" и "сайтами отелей" - 0,6, что объясняется генерированием предложений на сайте онлайн бронирований по средствам предложений самих отелей, но мы видим, что пользователи предпочитают использовать сгенерированную информацию, нежели чем переходить на сайт самого отеля (0,68 > 0,58).

Взаимосвязь между мнением друзей и мнение семьи находится на уровне 0,51, так как пользователи в целом данные две группы независимых факторов объединяют в единый источник информации. Это также видно по силе оказываемой факторной нагрузке на переменную "Выбор туристической дестинации", а именно 0,21 - семья, 0,19 - друзья.

Наблюдается небольшая связь между мнением друзей и социальными сетями, что не удивительно, так как читаем и получаем информацию от друзей, мы именно из социальных сетей (значение коэффициента корреляции 0,22). А также, связь youtube -блогов и социальных сетей, так как youtube -канал сам по себе может быть частично отнесен к социальным сетям, но базово основное продвижение видео-каналов идет через социальные сети, что и объясняет наличие корреляции в 0,42.

Интересный момент касательно взаимосвязи "сайтов с отзывами" и "предложениями авиакомпаний", связь отрицательная, что говорит об отсутствии какого-либо взаимовлияния (-0,69). Это обусловлено тем, что на сайтах с отзывами, таких как TripAdvisor, отзывы формируются касательно отелей, но не авиакомпаний и предложений от них.

Гипотеза, выдвинутая нами и относящаяся к данному блоку модели, а именно "Выбор туристической дестинации", заключается в следующем: рекламный контент сайтов туристической тематики, продвигающий определенные дестинации, не влияет на выбор туристического продукта потребителем на этапе планирования (H0). Данная гипотеза отвергается, так как именно контентные сайты с предложением об определенных дестинациях влияют на формирование выбора потребителя. Это подтверждает максимальная факторная нагрузка на латентную переменную "Выбор туристической дестинации" оказываемая от зависимых переменных: (0,86) сайты отзывов (TripAdvisor), (0,68) сайты онлайн сервисов по бронированию (Booking.com), (0,66) предложения авиакомпаний (Победа, aviasales, skyscanner). Мнение же друзей оказывает наименьшее влияние и позволяет сделать вывод, что рекламный контент с наиболее выгодными туристическими дестинациями влияют на выбор потребителем туристической дестинации на этапе планирования поездки.

Вторая группа зависимых переменных, относящиеся к латентной переменной "Транспорт" (Transport), была сформирована после первичного анализа данных и исключены ряд переменных упомянутых ранее, более того, после построения модели из 6 зависимых переменных, одна переменная "trans_webavia" (сайты авиакомпаний) - оказалась незначимой, так как значение p-value = 0,742, что превышает значение 5%-ого уровня значимости, поэтому мы исключаем данную переменную, так как она не имеет факторную нагрузку на латентную переменную. (рис.30)

Латентная переменная "Transport" с факторными нагрузками, часть основной модели.

Как было сказано ранее, мы получили результат, что переменная "сайты авиакомпаний" с незначимым коэффициентом, тоже самое здесь, мы видим отрицательную факторную нагрузку на латентную переменную, что говорит об отсутствии какого-либо влияния на нее, что показывает поведение пользователя, который не используют сайты авиакомпаний для поиска/бронировани/покупки билетов. С другой стороны, мы видим большое влияние именно сайтов, агрегирующих предложения авиакомпаний, так компания Skyscanner наиболее часто используемый сервис при формировании транспортного аспекта туристической поездки (факторная нагрузка составляет 0,65). Факторная нагрузка 0,55 у таких агрегаторов, как Onetwotrip, а также Aviasales, далее следуют и другие сервисы с меньшей факторной нагрузкой. Касательно взаимосвязей внутри группы, отмечается отрицательная корреляция между Anywayanyday и Aviasales (-0,33), что говорит об отсутствии одинакового контента на данных сайтах и соответственно отсутствия какого-либо взаимног овлияния.

Гипотеза относительно данной группы переменных, объединяемых латентной перменной "Транспорт" звучит следующим образом: выбор средства передвижения при планировании поездки превалирует по использованию поисковых агрегаторов, таких как Aviasales, Skyscanner и другие (H1). Данная гипотеза подтверждается засчет высоких факторных нагрузок именно данных независимых переменных: Skyscanner (0,65) и Aviasales (0,55) и OneTwoTrip (0,55).

Последняя группа зависимых переменных относилась к латентной переменной "Проживание" (Accomodation) и включала первоначально 15 переменных, из которых к построению модели были допущены 10, так как остальные при первичном анализе оказались незначимыми. (рис. 31) Также, после построения модели переменная "webhotel" (сайты отеля) получила значение p-value = 0,563, что превышает 5%-ый уровень значимости, следовательно может быть исключена, как факторная нагрузка. Что естественно, данная переменная имеет отрицательную факторную нагрузку (-0,46), что говорит об отсутствии какого- либо влияния на выбор проживания потребителем.

Латентная переменная "Accomodation" с факторными нагрузками, часть основной модели.



Из полученных данных мы видим, что в большей степени потребитель предпочитает использование агрегаторов по поиску/бронированию/оплате проживания в поездке, в особенности booking (максимальная факторная нагрузка = 0,52), agoda (0,51), ozon (0,47). В основном агрегаторы сравниваются не между с собой, а с кардинально другими сервисами, такими как Airbnb и Couchsurfing (0,37 и 0,27 соотвественно). Полученные результаты говорят о предпочтении более стандартных способов для проживания, используя поисковые агрегаторы, так наша гипотеза относительно 3-ей латентной переменной: туристы предпочитают арендовать апартаменты у местных жителей для проживания во время туристической поездки, чем использовать стандартные места проживания, такие как отели и хостелы (H2). Днаня гипотеза отвергается, так факторная нагрузка от онлайн агентств по бронированию превышает нагрузки от бронирования жилья у местных жителей (0,52 > 0,37).

Взаимосвязи между некоторыми переменными внутри группы:

Ozon и Booking и Agoda и Booking - не имеют никакой взаимосвязи, так как их предложения по отелям являются редко дублирующими (-0,3 и -0,3).

Сервисы Roomguru и Agoda имеют взаимосвязь 0,3, так как зачастую существуют дублирование предложений на двух сайтах.

Взаимодействие трех групп независимых переменных, являющиеся факторными нагрузками для следующих латентных переменных: "Выбор туристической дестинации", "Транспорт" и "Проживание".

Corr (Opin_ota; Accom_booking) = 0,2, данная взаимосвязь объясняется тем, что OTA (агентства по онлайн бронированию) включает в своем множество агрегатор по поиску отелей Booking, так как именно Booking является одним из определяющих факторов при осуществлении выбора жилья, то и при воздействии на выбор потребителя именно этот сервис имеет наибольшее влияние на выбор потребителя, так в группе "Opinion", зависимая переменная "opin_ota" имеет также высокое значение факторной нагрузки (0,68), как и "accom_booking" (0,52) в своей группе.

Corr (Opin_contentweb; Accom_couchsurfing) = 0,23. Связь между контентными сайтами, или как мы говорим "вдохновляющие", и выбор проживания через сайт каучсерфинга, где основной принцип - это проживание у местных жителей. Связь обусловлена всё чаще встречающемся упоминании такого способа проживания на подобных сайтов, но так как и упоминания немного, возможно это объясняет достаточно низких спрос на данный способ проживания.

Corr (Trans_ozon; Accom_ozon) = 0,49, данная связь обусловлена тем, что на сайте ozontravel представлены предложения как по поиску/бронированию/оплате билетов, так и по поиску/бронированию/оплате проживания, то есть контент формируется на едином сайте.

Corr (Trans_webavia; Accom_booking) = 0,28 -данная взаимосвязь не является значимой, так как сама переменная "trans_webavia" является незначимой на 5%-ом уровне значимости, p-value = 0,742.

Финальный этап итерпретации модели сводится к взаимосвязям между тремя латентными переменными (рис. 32). По полученным значениям корреляции мы видим, что взаимосвязь с "выбором туристической дестинации" гораздо ниже (0,29 - с переменной "проживание" и 0,25 с переменной "транспорт"), чем корреляция между "проживанием" и "транспортом", которая составляет 0,55. Данные коэффииенты корреляции говорят о том, что на выбор дестинации действительно в большей степени находится вне контроля и не зависит от транспорта и проживания, скорее только после принятия решения начинается работа над другими блоками путешествия. Транспорт же и проживание имеют сильнее связь, так как при определении транспорта и при приобретении билетов до места назначения, возникает вопрос касательно проживания, и действительно важно учитывать время и место прилета, что и определяет критерии при определении места проживания. Так, при изменении транспорта или проживания, происходит корректировка соответственно проживания и транспорта.

Взаимосвязь латентных переменных модели.

3.3 Рекомендации онлайн и оффлайн агентствам по оказанию туристических услуг

На основании проведенного исследования: проработки теоретической базы, опроса экспертов, построение модели с латентными переменными, был разработан ряд рекомендаций по улучшению функционала сервиса, как онлайн, так и офлайн агентствам по оказанию туристических услуг.

На основании не принятой гипотезы о том, что туристы предпочитают арендовать апартаменты у местных жителей для проживания во время туристической поездки, чем использовать стандартные места проживания, такие как отели и хостелы (H2). При формулировании гипотезы, мы предполагали, что поведение потребителя вышло на новый уровень, и потребитель стал ещё более самостоятельным, то есть раньше при планировании путешествия большая часть обращалась в туристические агенства, потом перешли на использование онлайн сервисов по бронированию отелей и хостелов. Сейчас нам казалось, что потребитель с целью полной интеграции в стране отдыха, предпочитает проживание в апартаментах местных жителей, используя такие сервисы как Airbnb и Couchsurfing. Полученные же результаты подтвердили обратную гипотезу, потребители туристического продукта по-прежнему используют онлайн агентства по бронированию, такие как Booking. На основании этого была сформулирована следующая рекомендация таким сервисам, как Airbnb и Couchsurfing:

Разделить типы предоставляемого жилья, то есть добавить определённые категории бизнес, отдых, семья, что позволит расширить аудиторию, определив те же важные компоненты, что и в отеле.

Необходимо упростить процесс регистрации и аренды жилья на данных сайтах, доведя до такого же уровня, как и сервисы по бронированию отелей и хостелов.

На основании гипотезы, что туристы не тщательно планируют программу своей поездки, определяя только ключевые аттракции для посещения (спонтанность превалирует над тщательным планированием) (H3), мы формулируем рекомендации для онлайн агенств по бронированию, в частности для DaTravel, предлагающие на своем сайте: поиск и покупку билетов, проживания и экскурсии. Данная гипотеза подтвердилась, и действительно, потребитель туристического продукта описывает своё поведение при планировании поездки, как формирование и обозначение только основных пунктов назначения и посещения, а также продумывание места проживания, что же касается программы - она отсутствует. В этой связи выдвигаются следующие рекомендации:

Онлайн агентства по бронированию могут исключить аспект бронирования и покупки экскурсий в дестинациях, так как данная составляющая не является необходимой для потребителя, а в случае агентств - это слишком рассеивает внимание и ни один из предоставляемых сервисов не оказывается на высоком уровне.

Если же есть желание оставлять блок экскурсии/досуг в путешествии для этого формируется отдельный сервис, так как большинство пользователей бронируют отели и билеты на разных сайтах.

Следующий блок рекомендаций разработан на основании опровергнутой гипотезе: рекламный контент сайтов туристической тематики, продвигающий определенные дестинации, не влияет на выбор туристического продукта потребителем на этапе планирования (H0). Модель показала, что сайты с контентом, сайты онлайн агенств по бронированию могут оказать определнное влияние на выбор дестинации на жтапе планирования. Данный факт говорит о том, что не мнение родителей или разговоры с друзьями стимулируют и вдохновляют на выбор дестинации, а скорее опредленные предложения и идеи, Данные рекомендации в большей степени относятся офлайн агентствам по бронированию, у кого онлайн-составляюща бизнес ане сильно развита.

Проработать онлайн - присутствие на сайтах отзывов и контеного содержания презентации своих предложений. Данный путь не отталкивает, а лишь может склонить потребителя к выбору предлагаемой дестинации, а как результат покупки уже готового тура.

потребительский туризм гостеприимство интернет



Заключение

Потребители услуг больше не нуждаются в полных пакетах услуг (например, билеты на самолет, бронирование отеля, автомобиля и всё в одном месте или сайте). Это новый тренд, гораздо актуальней получить один конкретный сервис и непосредственно в текущий момент времени. Это относится не только к индустрии туризма, это новый способ потребления, это новые модели поведения. И интернет-технологии (преимущественно сайты и мобильные приложения) стали тем каналом коммуникаций, который быстрее всего эти потребности удовлетворяет.

Основными причинами таких сдвигов в потребительском поведении объясняется демографическим сдвигом. Новое поколение предпочитает использовать мобильные технологии, и что важнее потреблять услуги с их помощью. Это новое поколение миллениалов, приходящее на смену поколению X. Уже сейчас только в США живет более 85 миллионов миллениалов, которые не могут представить свою жизнь без смартфонов. Так называемая "смартфонизация" и проникновение ИТ во все сферы жизни наложила определенный отпечаток на способ мышления и потребления представителей поколения, приучив их к практически моментальному получению ответов на свои запросы. Эти особенности поведения "интернет-поколения" важно учитывать.

Проведенное исследование позволило построить модель с 3-мя латентными переменными, и выявить факторные нагрузки на каждый из этапов планирования туристической поездки, также были сделаны выводы по выдвинутым в исследовании гипотезам.

1. Рекламный контент сайтов туристической тематики, продвигающий определенные дестинации, не влияет на выбор туристического продукта потребителем на этапе планирования. Данная гипотеза отвергается, так как именно контентные сайты с предложением об определенных дестинациях влияют на формирование выбора потребителя. Это подтверждает максимальная факторная нагрузка на латентную переменную "Выбор туристической дестинации" оказываемая от зависимых переменных: (0,86) сайты отзывов (TripAdvisor), (0,68) сайты онлайн сервисов по бронированию (Booking.com), (0,66) предложения авиакомпаний (Победа, aviasales, skyscanner). (H0)

2. Выбор средства передвижения при планировании поездки превалирует по использованию поисковых агрегаторов, таких как Aviasales, Skyscanner и другие. Данная гипотеза подтверждается за счёт высоких факторных нагрузок именно данных независимых переменных: Skyscanner (0,65) и Aviasales (0,55) и OneTwoTrip (0,55). (H1)

3.Туристы предпочитают арендовать апартаменты у местных жителей для проживания во время туристической поездки, чем использовать стандартные места проживания, такие как отели и хостелы. Данная гипотеза отвергается, так факторная нагрузка от онлайн агентств по бронированию превышает нагрузки от бронирования жилья у местных жителей (0,52 > 0,37). (H2)

4. Туристы не тщательно планируют программу своей поездки, определяя только ключевые аттракции для посещения (спонтанность превалирует над тщательным планированием). Данная гипотеза подтверждается на первоначальном уровне оценки данных, так как более половины опрошенных бронируют отель и обозначают только главные места для посещения, доля такого стиля поведения составила 71% опрошенных, то есть более 150 респондентов дали такое определение своему стилю поведения на этапе планирования туристической поездки. (H3)

На основании проверки гипотезы, были разработаны рекомендации для онлайн и оффлайн агентств по оказанию туристических услуг, задачи поставленные в исследовании были выполнены.

Данное направление исследования несет высокий уровень научной и практической значимости, и интересно для проведения дальнейших исследований. В особенности, охватить большую аудиторию респондентов, рассмотреть данные во временном разрезе, а также добавить количество влияющих факторов.



Список литературы

1. Аборвалова О. Н. Социология торговли: некоторые аспекты теоретико-методологического анализа //Applied and Fundamental Studies. - 2012. - С. 539.

2. Дорохова Ю. В. Исследовательские подходы к потребительскому поведению в системе социально-экономических отношений //Среднерусский вестник общественных наук. - 2010. - №. 4.

3. Казаков С. П., Соловьева А. О. Исследование особенностей потребительского выбора с помощью социальных медиа в индустрии гостеприимства //Маркетинг услуг. - 2014. - Т. 4. - С. 246-263.

4. Коваль Е.Д., Обзор исследований влияния онлайн-контента на поведение потребителей в Российской индустрии гостеприимства и туризма на примере интернет-агентств, занимающихся бронированием - 2015.

5. Котлер Ф. Основы маркетинга. Краткий курс: Учебное пособие //М.: Вильямс.-2014.-496 с. - 2007.

6. Кошелева А. Особенности потребительского поведения на рынке услуг гостеприимства и туризма. // Логистика и менеджмент. - 2012. - № 3. - С. 68-71.

7. Ламбен Ж. - Ж. Стратегический маркетинг. Европейская перспектива. СПб.: Наука, 1996.

8. Экономика рунета - исследование экономики рынков интернет-сервисов и контента России 2013-2014 // РАЭКБ, НИУ ВШЭ. - 2014.

9. Экономика рунета - исследование экономики рынков интернет-сервисов и контента России 2014-2015 // РАЭКБ, НИУ ВШЭ. - 2015.

10. Энджел Д. Ф., Блэкуэлл Р. Д., Миниард П. У. Поведение потребителей //СПб.: Питер Ком. - 1999. - Т. 2.

11. Baggio R. The web graph of a tourism system //Physica A: Statistical Mechanics and its Applications. - 2007. - Т. 379. - №. 2. - С. 727-734.

12. Baggio R., Del Chiappa G. Real and virtual relationships in tourism digital ecosystems //Information Technology & Tourism. - 2014. - Т. 14. - №. 1. - С. 3-19.

13. Berne C., Garcia-Gonzalez M., Mugica J. How ICT shifts the power balance of tourism distribution channels //Tourism Management. - 2012. - Т. 33. - №. 1. - С. 205-214.

14. Bieger T., Laesser C. Information sources for travel decisions: Toward a source process model //Journal of Travel Research. - 2004. - Т. 42. - №. 4. - С. 357-371.

15. Bigne J. E., Sanchez M. I., Sanchez J. Tourism image, evaluation variables and after purchase behaviour: inter-relationship //Tourism management. - 2001. - Т. 22. - №. 6. - С. 607-616.

16. Buhalis D. eTourism: Information technology for strategic tourism management. - Pearson Education, 2003.

17. Buhalis D. Strategic use of information technologies in the tourism industry //Tourism management. - 1998. - Т. 19. - №. 5. - С. 409-421.

18. Buhalis D., Law R. Progress in information technology and tourism management: 20 years on and 10 years after the Internet--The state of eTourism research //Tourism management. - 2008. - Т. 29. - №. 4. - С. 609-623.

19. Buhalis D., Deimezi O. E-tourism developments in Greece: Information communication technologies adoption for the strategic management of the Greek tourism industry //Tourism and Hospitality Research. - 2004. - Т. 5. - №. 2. - С. 103-130.

20. Buhalis D., Licata M. C. The future eTourism intermediaries //Tourism management. - 2002. - Т. 23. - №. 3. - С. 207-220.

21. Buhalis D., Jun S. H. E-tourism //Contemporary tourism reviews. - 2011. - С. 01-38.

22. Bьyьkцzkan G., Ergьn B. Intelligent system applications in electronic tourism //Expert Systems with Applications. - 2011. - Т. 38. - №. 6. - С. 6586-6598.

23. Cheung C. M. K., Thadani D. R. The impact of electronic word-of-mouth communication: A literature analysis and integrative model //Decision Support Systems. - 2012. - Т. 54. - №. 1. - С. 461-470.

24. Connolly D. J., Olsen M. D., Moore R. G. The Internet and travel: A good fit //Cornell Hospitality Quarterly. - 1998. - Т. 39. - №. 4. - С. 50.

25. Cosma S., Bota M., Tutunea M. Study about customer preferences in using online tourism products //Procedia Economics and Finance. - 2012. - Т. 3. - С. 883-888.

26. Fodness D., Murray B. Tourist information search //Annals of tourism research. - 1997. - Т. 24. - №. 3. - С. 503-523.

27. Fodor O., Werthner H. Harmonise: A step toward an interoperable...