Дипломная работа: Различия в бизнес-моделях авиакомпаний и воспринимаемый пассажирами уровень дифференциации услуг

Для формирования использованы данные log-файлов полетов пользователей на Flightradar24 по отобранным направлениям. Общие характеристики представлены в табл. 9.

При формировании общих характеристик пассажиров учитывались только те авиакомпании, которые выполняют регулярные полеты в пределах ограниченной ранее географической зоны. С учетом ограничений по физическому распространению опросных листов указанные характеристики использовались для таргетированной настройки он-лайн распространения опросных листов. Принадлежность респондента к указанным группам, например, по географии заполнения, контролировалось социо-демографическими вопросами, содержащими такие характеристики, как опыт полетов авиакомпанией, регион проживания, преимущественная цель полетов. Кроме этого, большая часть генеральной совокупности - 73,28% имели как минимум один полет авиакомпанией AFL, 54,18% генеральной совокупности совершили как минимум один рейс авиакомпанией PBD. В блоке паспортных вопросов каждый ответ на это тоже контролировался.

Технически опрос составлен с использованием инструментов он-лайн сервиса Lime Survey, позволяющего выстраивать многоуровневые логические схемы представления вопросов. Распространение опросных листов происходило с использованием механизмов контекстной и таргетированной рекламы по параметрам региона, характера публикаций пользователя, его мобильности в изменении геопозиций, членстве в сообществах авиакомпаний (аэропортов) рассматриваемых регионов, возраста. Электронный опрос проводился в период с 21.04.2020 по 26.04.2020. Общее количество представлений опросного листа составило 87402 показа. Количество полученных обратных опросных листов составило 808. Уровень отклика составил по результатам единичной итерации составил 0,92%, что в условиях одной итерации приглашения к заполнению, а также показа предложения широкому кругу лиц является достаточным уровнем. По результатам предварительного анализа из выборки удалено 157 наблюдений, для которых были не полностью заполнены паспортные вопросы, что не позволяет идентифицировать пассажира к группам. При этом, в итоговой выборке 23 респондента не летали ни одной из представленных авиакомпаний, что составило 3,53% от общего числа валидных наблюдений - 651. Распределение респондентов по регионам представлено на рис. 6.

Рис. 6 Распределение ответов респондентов по регионам европейской части России

В целом, в распределении по регионам ожидаемо наибольшее число респондентов сосредоточено в Москве, Санкт-Петербурге и соответствующих областях. Вместе с этим установление фильтров на города с наибольшими значениями пассажиропотока во внутрироссийских авиаперелётах позволило привлечь целевых участников, которые имеют опыт полетов отобранными авиакомпаниями, что подтверждает и распределение участников по опыту полетов (табл. 10).

Таблица 10

Описательная статистика частоты полетов авиакомпаниями, входящих в анализ (совместно с AFL, PBD)

В распределении перевозчиков (без учета AFL, PBD) удалось соблюсти установленные в генеральные совокупности доли и порядок частоты полетов респондентов. Наибольший процент перевозок принадлежит авиакомпании SBI, в том числе, за счет распределенной географии полетов, в которую при учете территориальных ограничений попала летная программа из Санкт-Петербурга, Сочи и Екатеринбурга. В целом, стоит отметить, как по географической представленности респондентов, так и частоте полетов - наибольшие доли обеспечены полетами с аэродромами посадки в Южном федеральном округе.

Единственным ограничением, на которое следует обратить внимание в этой связи, являются низкие доли респондентов, которые имеют опыт полетов AZO, SSF. Ввиду того, что эти авиакомпании относятся к классу региональных перевозчиков, а в первую очередь, при анализе мы опирались на сопоставимые маршруты, авиакомпании не имеют развитых хабов на аэродромах МУДР и, соответственно, обеспечивают низкую частоту рейсов по направлениям FSC. Следуя этой логике, вопрос их сопоставимости - достаточно сложен, но, тем не менее в рамках прямых билетов или пересадок такие пассажиры встречаются.

Региональные различия пассажиров - не единственное основание их различия. На основании паспортных вопросов, а также ответов на вопросы об опыте полетов авиакомпаниями в рамках описательной статистики были составлены обобщенные портреты пассажиров каждой из авиакомпаний, представленные в табл. 11.

Таблица 11

Портреты пассажиров авиакомпаний России на региональных маршрутах

В целом обобщённые портреты пассажиров авиакомпаний согласованы с выводами, полученными по итогам анализа поведения пассажиров при формировании характеристик генеральной совокупности. В частности, по целям перелетов для 6 из 9 перевозчиков основной потребительский сегмент связан с организованным и неорганизованным туризмом. Кроме этого, распределение целевых портретов пассажиров по регионам также подтверждает основные направления мобильности. Для 5 из 9 перевозчиков целевой пассажир проживает в регионах Юга России, при этом, стоит отметить, что, очевидно, большая часть пассажиров в силу особенностей распределения городских агломераций и аэродромной сети сосредоточена в Москве, Санкт-Петербурге и областях, однако, в целях анализа и визуализации регионального разделения пассажиров при формировании целевых портретов города вышеназванные субъекты были опущены.

Попытка сопоставления целевых портретов с выделенными формами ценностного предложения пока что подтверждает конфигурацию последнего для некоторых авиакомпаний. В частности, для СC преимущественная цель полетов совпадает с одной из ключевых характеристик чартерных авиакомпаний, кроме этого, разделение регионов проживания позволяет определить и различные рынки, где работают авиакомпании. Если принять во внимание, тот факт, что после Москвы и Санкт-Петербурга для авиакомпаний целевой пассажир распределен в Крыму для RWZ и Свердловской области для NWS, то можно указывать на то, что авиакомпания, в первом случае, ориентируется в большей степени на туристические маршруты из аэропортов МУДР, во втором случае, на прямые региональные перелеты также по туристическим направлениям. Иные типы авиакомпаний также похожи на выделенные категории, в частности, региональные AZO и SSF с целевыми пассажирами в регионах основного хаба. При этом, особый интерес в частоте полетов наблюдается для авиакомпаний, выполняющих полную или частичную летную программу в Южном федеральном округе, например AZO, UTA, что возможно связано с близко расположенностью населенных пунктов, имеющих аэропорты, а также развитым предложением со стороны авиакомпаний.

Наблюдения, попавшие в целевые портреты пассажиров, легли в основу для проведения процедуры многомерного шкалирования по определению различий в восприятии пассажирами ценностного предложения авиакомпаний. В качестве базы для оценки использовались ответы, полученные на соответствующий вопрос, выраженные в шкале Лайкерта. Используя пакет анализа Stata, в целом для рассматриваемых авиакомпаний, построена нижняя треугольная матрица сходимости для 21 значения, где на пересечениях параметров 0 обозначает минимальные различия между авиакомпаниями (табл. 12).

Таблица 12

Матрица сходимости для усредненных различий между авиакомпаниями на региональных маршрутах

Полученная матрица легла в основу для построения общего пространства объектов, отражающего различия. Для определения различий между авиакомпаниями использовано двух и трехмерное пространство, где по осям отражаются латентные (ненаблюдаемые) переменные, близость точек по которым означает схожесть объектов, а удаленность - различия в пространстве.

Качество разделения проверено на критерии согласия и меры стресса, как наилучших с точки зрения интерпретации показателей различий между фактическими дистанциями (различиями признаков) и прогнозными значениями, полученными на графике (табл. 13) (DeSabro et al., 2010).

Таблица 13

Меры стресса и согласия

В качестве основного показателя качества полученного разделения использовался нормализованный простой стресс, который представляет собой различия на основании фактических и псевдорасстояний между объектами, взамен S-стресса (перегрузки) - квадратов расстояний. Значения стресс-I ниже установленного оптимального коэффициента шкалирования, установленного на уровне 1,072. Кроме этого, техника интерпретации его значений аналогична нормализованному простому стрессу и в наилучшем решении должна стремиться к нулю (Doyle, 1975). Аналогичные выводы с использованием коэффициента оптимального шкалирования применимы и к стрессу-II.