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

Тем не менее, адаптируя указанные параметры для каждой из российских авиакомпаний, выполняющей коммерческие пассажирские авиаперевозки, определены типы ценностного предложения на основании данных сайтов, летно-технических характеристик воздушных судов, географии полетов и широты предлагаемых пассажирам услуг на всех стадиях обслуживания (табл. 7)

Таблица 7

Разделение российских коммерческих пассажирских авиакомпаний по типам ценностного предложения авиакомпаний

Очевидно, согласно выделенным критериям, определяются два типа авиакомпаний: LCC и FSNC - PBD и AFL. Если первая классифицируется по географии полетов и ценовой политике, то вторая по характеристикам маршрутной сети, набору услуг и сервисов, а также уникальному статусу перевозчика, ассоциируемого с национальной авиакомпанией (Jean and Lohmann, 2016).

Наиболее представленными в полученных результатах выглядят группы региональных, чартерных и полносервисных авиакомпаний. Попавшие в группу RC авиакомпании SYL, LLM, SHU представляют четкую региональную модель, предлагая в качестве основной, отличающей от других перевозчиков, услугу прямых перелетов в регионе основного присутствия.

Значительное число чартерных авиакомпаний предположительно может быть связано с моделями поведения пассажиров, частота полетов которых, в большей степени, определяется туристическими целями. Кроме этого, второе предположение, связано с необходимостью авиакомпаний обеспечить стабильную летную загрузку в двух различных периодах навигации: осенне-зимнем (низкий период) и весенне-летнем (высокий период). Совмещая эти две гипотезы, одним из вариантов работы авиакомпаний выступает предложение пакетных услуг как в рамках прямых продаж, так и с использованием компаний-партнеров туристической отрасли.

Что касается полносервисных авиакомпаний, есть основания предполагать, что перевозчики в этой конфигурации ценностного предложения двигаются в направлении гибридной модели. Так, различная конфигурация салона, широта классов обслуживания являются одной из черт этого класса. При этом, сохранение пакетных предложений услуг, а также базовой услуги, имея в виду распределённость маршрутной сети не позволяют пока что говорить об этом переходе. Однако, например, для авиакомпаний SVR, SBI модель двухабовой маршрутной сети, предлагающей пассажирам прямые региональные рейсы (с сохранением широты услуг), является одним из шагов в сторону перехода к гибридной модели, которая для российских авиакомпаний представлена UTA.

UTA с точки зрения распределения полетов, действует в нескольких регионах, обслуживая как магистральные межрегиональные рейсы, так и внутрирегиональное авиасообщение. С точки зрения предлагаемых наборов услуг, здесь, в отличие от полносервисных перевозчиков, пассажиры при приобретении билетов получают возможность кастомизировать услугу, отобрав только те продукты и сервисы, которые потребуются им в полете. Именно эта гибкость позволяет привлекать авиакомпании более широкие группы пассажиров, вне традиционной дихотомии: экономический класс и бизнес-класс. В этой связи, предполагаем, что основные эффекты реализации гибридной бизнес-модели будут выражаться в более разнородных группах пассажиров.

3.2 Восприятие пассажирами различий ценностного предложения авиакомпаний

Обнаружив и рассмотрев дифференциацию авиакомпаний в терминах классификации ценностного предложения, выделенной на этапе теоретического анализа, можно указать на факт неравномерного распределения типов среди российских авиакомпаний. Полярности LCC и FSNC представлены единственными авиакомпаниями, чьи модели ценности являются однозначно интерпретируемыми. Модель четвертого этапа развития предложения перевозчиков представлена единственной авиакомпанией, в то время как наиболее развитыми группами являются FSC, CC, RC.

Принимая во внимание значительное число авиакомпаний со схожими характеристиками по итогам кабинетного этапа исследования представляет интерес оценка различий в восприятии пассажирами сервисов и услуг авиакомпаний, показавших по результатам первого этапа эмпирического анализа схожие результаты.

Первоначально необходимо в пуле перевозчиков разработать фильтры сопоставимости авиакомпаний, что, отчасти сделано в рамках второй главы работы. В набор сопоставимых входят следующие критерии:

- география внутрироссийских полетов (на предмет наличия однородных направлений и, следовательно, потенциально схожих пассажиров);

- характеристики вместимости воздушных судов (по единой категории IKAO турбулентности в следе); Категория турбулентности в следе - единая классификация воздушных судов на основании величины максимально сертифицированной взлетной массы. Согласно классификации, выделяются три типа самолетов: Light - масса до 7 т (Cessna C172 и т.д.); Medium - масса от 7 до 136 т (Boeing B737 и т.д.); Healy - масса более 136 т (Boeing 747 и т.д.).

- техническое или модельное сходство (позволяющее обеспечить приблизительно равный набор услуг).

Анализ географии пассажирских авиакомпаний по первому критерию позволяет выделить три типа рейсов: внутрирегиональные (в распределении федеральных округов на воздушном судне категории турбулентности в следе «Light», «Medium» до 2 часов), межрегиональные средней дальности (категории «Medium» до 4 часов) и высокой дальности (категория «Medium» и длительность полета от 4 до 6 часов) и дальнемагистральные рейсы (категория «Heavy» и длительность полета свыше 6 часов).

Разделение авиакомпаний по географии полетов и характеристикам самолетов позволяет исключить из дальнейшего анализа таких перевозчиков, как SHU, DRU, ZZF, RSY, KAR, IAE, SDM, RLU, SYL, т.к. либо авиакомпании имеют во флоте самолеты разных категории «Light» и «Heavy» для выполнения дальнемагистральных рейсов, либо их маршрутная сеть не является сопоставимой. Предполагая наличие иных форм поведения пассажиров и иных наборов услуг и конфигурации пассажирских салонов в целях исследования принято решение о фокусировке на среднемагистральных маршрутах, характеризующихся большими провозными емкостями, пассажиропотоком и более однородными возможностями авиакомпаний создания и развития сервисов и услуг, ввиду использования более однородных типов воздушных судов и аэродромной инфраструктуры. Кроме этого, подобное предположение поддерживается статисткой пассажиропотока по направлениям, где по итогам 2019 года наибольший пассажиропоток российской авиационной транспортной системы обеспечен маршрутами средней дальности (Москва - Санкт-Петербург, Сочи, Краснодар, Екатеринбург, Ростов-на-Дону и т.д.), что составило 37% от внутрироссийского пассажиропотока (Авиатранспортное обозрение, 2019).

На втором уровне для оставленных компаний (AZO, AUL, RWZ, NWS, SSF, SBI, SVR, UTA, LLM) проведена дополнительная проверка сопоставимости маршрутов на предмет, во-первых, наличия идентичных направлений полета (по пунктам вылета и прибытия). Граница рассмотрения маршрутов очерчена средней длительностью полетов для среднемагистрального рейса и составила 4 часа, захватив тем самым аэродромы в границах: Мурманск, Симферополь, Сочи, Новосибирск, Сургут.

Во-вторых, по используемым на маршрутах воздушным судам, что в некоторой степени снизит возможные вариации в связи с различными техническими возможностями самолетов, обеспечив оценку различий авиакомпаний пассажирами только за счет доступных сервисов и услуг перевозчиков.

Неудовлетворяющими критериям сопоставимости маршрутов и используемым воздушным судам стали авиакомпании: AUL, LLM. Авиакомпании AFL, PBD не рассматривались, т.к. характеристики их ценностного предложения значительно различаются и однозначно определены. Оставшиеся же образовали пары, где каждому из выделенных ранее типов ценностного предложения соответствовало два перевозчика:

- полносервисные авиакомпании: SBI, SVR;

- региональные авиакомпании: AZO, SSF;

- чартерные авиакомпании: NWS, RWZ.

Кроме этого, принято решение отдельно рассмотреть авиакомпанию UTA, как представляющую уникальную для российского рынка бизнес-модель, комбинирующую особенности всех вышеназванных типов. Итоговый перечень авиакомпаний для формирования опросного листа представлен семью перевозчиками.

Следуя цели эмпирической части исследования, состоящей в оценке уровня восприятия пассажирами различий между авиакомпании проанализированы подходы и методы проведения подобной оценки другими авторами. Основные подходы систематизированы в табл. 8.

Таблица 8

Резюме подходов к оценке восприятия пассажирами различий между авиакомпаниями

Очевидно, что для оценки восприятия сервисов и услуг или определения их различий в большинстве своем авторы опирались на проведение полевых опросов пассажиров, однако, спрашивая их о том, как они оценивают тот или иной параметр сервиса, насколько для них он важен при покупке авиабилета, насколько они удовлетворены его качеством, исследователи сталкиваются с проблемой очевидной валидности, выраженной в ненулевой вероятности неточных ответов респондентов или неверной интерпретации качественных категорий разряда «удовлетворенности», «Нравится/не нравится» и т.д., что, в конечно итоге, может привести к некорректным результатам по моделям в целом. (Brymen, Bell, 2012).

Дополнительно проанализирована база российских публикаций по оценкам уровня сервиса перевозчиков. Мотивация связана с тем, что исследователи, которые преследовали схожую цель, скорее всего, сталкивались с ограничениями, например, доступа к данным, с которыми можем столкнуться в данной работе. Поиск работ проводился с использованием российской базы научного цитирования eLibrary.ru, в которой по запросу «сервис авиакомпаний» содержится 112 работ, при этом некоторые из них - это ссылки на практические исследования компаний, проведенные, например, Отраслевым агентством «АвиаПорт» или Forbes-Россия. Рассмотрим каждую из представленных групп в контексте формулировки дизайна исследования и полученных результатов.

Публикации отраслевых и внешних компаний по факторам сервиса и широте услуг на борту воздушного судна в большинстве своем носят рейтинговый характер и не демонстрируют серьезные аналитических техник и инструментов. Так, авторы проводят полеты «тайными пассажирами» с заполнением заранее разработанных чек-листов проверки качестве сервисов и услуг. При этом, оценки в чек-листах выставляются экспертным методом при учете веса критерия, определенного также на основании собственных оценочных суждений. Очевидно, что подобная методика создает проблему валидности и репрезентативности результатов. Кроме того, частота полетов экспертов разными авиакомпаниями может приводит результаты к смещенным оценкам из-за влияния эффектов «повторного тестирования» или «эффекта ореола» определенных компаний, где от наименований перевозчиков зависит определенный претестируемый уровень оценки (Кузьмина, 2017; АвиаПорт, 2020).

В качестве преимуществ таких метрик стоит отметить широту используемых в сравнении категорий, которые, все равно остаются качественными (например, клиентоориентированность call-center). Однако, результатом оценки остается все рейтинг, который не может говорить о том, что нравится пассажирам (так как они не участвуют в исследовании), тем более о том, насколько те различия в категориях сервиса, которые репрезентирует рейтинг, действительно соотносятся с фактическим восприятием пассажирами авиакомпании.

Пласт российских исследовательских работ по теме представлен более широкой палитрой методов. Среди всех по объёму выборки выделяется исследованием ВЦИОМ, проведенное в 2010 году по определению критериев выбора авиакомпании российскими региональными пассажирами на выборке 1400 человек. Так, значимыми факторами стали: внешний вид самолета, вежливость бортпроводников, чистота салона, качество питания на борту (Корягин, 2017).

Другая группа работ разрабатывает критерии и методологию оценки уровня сервиса, например, где на основании первичных опросных данных определяется важность набора атрибутов для каждой из авиакомпаний и затем, либо создается интегрированный рейтинг перевозчиков, либо значения сравниваются с «идеальной точкой» по каждому атрибуту, которая определяется либо экспертным путем, либо на основании среднеотраслевого значения (Худяков & Николайкин, 2009). При этом, в качестве сервисов, определяющих выбор и служащих основанием для различия перевозчиков по результатам исследований, выступают: регулярность полетов, качество питания, возможность покупки электронных билетов, скорость работы горячей линии, количество направлений.

Третья группа работ представляет в большей степени качественный, с точки зрения методов, кластер публикаций, где исследователи не взаимодействуют напрямую ни с пассажирами, ни с авиакомпаниями, проводя частотные анализы отзывов путешественников на соответствующих сайтах. Определяя наиболее частовстречающиеся категории сервиса и их оценки, авторы формируют предположения о влиянии подобных характеристик на различия авиакомпаний (Кривцова & Креков, 2017; Хрысева & Чекалова, 2017).

Систематизируя блок российской исследовательской литературы в части тех методов и факторов, которые влияют на восприятие различий между авиакомпаниями отметим, что в большинстве своем работы носят характер кабинетных исследований или используют в рамках этого же дизайна метод экспертных оценок, что, конечно, позволяет сформировать некоторые варианты влияющих на выбор перевозчика факторов, но, вместе с этим, создает значительные репрезентативные ограничения.

Международное поле публикаций в этом плане представлено более широким спектром вариантов оценки, но, опять же, как и с российскими вариантами работ, авторы оперировали прямыми вопросами пассажиров, принимая во внимание риски смещенных оценок, которые это может повлечь.

В качестве варианта для преодоления указанных ограничений может выступать смена метода оценивания, которая, в том числе, изменит и опросный лист в сторону отхода от прямой связи между авиакомпаниями и практиками обслуживания пассажиров. Одним из таких вариантов может выступать метод многомерного шкалирования (Multidimensional Scaling, далее - MDS), как, с одной стороны, способа визуализации многомерных данных в пространстве меньшей размерности, с другой стороны, инструмента безатрибутивной оценки восприятия различий или сходства объектов внутри группы (Green, 1969). Кроме этого, применительно к дизайну исследования, метод исходит из предположения, что респондент, отвечая на вопрос о различиях между сервисами и услугами авиакомпаний, который сам по себе предполагает большое число переменных, руководствуется ограниченным для него и латентным для нас набором континуальных переменных, параметры которых сформировались на основании опыта полетов сравниваемыми авиакомпаниями.

В этой связи, дизайн опросного листа, размещенного в Приложении 1, представлял собой 5 блоков, где первые 3 условно разделены по категориям ценностного предложения (FSC, RC, CC), четвертый блок касался сравнения авиакомпании UTA с другими авиакомпаниями и пятый блок содержал вопросы, касающиеся социо-демографических характеристик, области деятельности, а также опыта полетами одной или двумя «крайними» в разделении перевозчиков авиакомпаниями - AFL, PBD.

Вопросы об оценках восприятия различий в блоках задавались только при наличии двух одновременных условий о полетах авиакомпаниями. Например, в блоке «Полносервисных авиакомпаний» респондент мог указать восприятие различий в сервисах и услугах только если до этого был дан ответ на вопрос об опыте полетов двумя вышеназванными авиакомпаниями. В четвертом блоке вопросов, связанном с UTA, соблюдена аналогичная логика.

Уровень восприятия различий в сервисах и услугах перевозчиков («Основываясь на Вашем опыте полетов, видите (ощущаете) ли Вы различия в наборе сервисов и услуг авиакомпаний») необходимо было указать на шкале Лайкерта, где 1 - набор услуг и сервисов абсолютно не различается, 5 - набор услуг и сервисов существенно различается.

Таблица 9

Общая характеристики пассажиров на региональных направлениях средней дальности

Для отобранных направлений полетов проведена попытка определения характеристик генеральной совокупности, однако, в связи со значительным снижением пассажиропотока, в том числе, по внутристрановым направлениям, а также частичной или полной приостановкой обслуживания отдельными авиакомпаниями части направлений сбор данных был осложнен, что приводило к необходимости использования альтернативных вторичных данных, которые, разумеется, не в полной мере отражают структуру генеральной совокупности, но, тем не менее, позволяют выделить некоторые общие характеристики пассажиров.

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.

В это же время, коэффициент учтенного разброса и коэффициент конгруэнтности Такера выше установленного для двумерного шкалирования значения, составившего 0,919. Интерпретация коэффициентов обратна стрессу, значения, приближающиеся к единице, характеризуют разделение как качественное (DeSabro, 2008). Однако, суммируя выводы оценочных коэффициентов мы не можем однозначно сказать о низком качестве двумерной визуализации. Из шести показателей только лишь два говорят о недостаточном качестве модели. При этом 4 из остальных либо выше установленных целевых значений, либо стремятся к ним.

В целях повышения качестве репрезентации дополнительно проанализирована трехмерная визуализация, которая по нормализованному стрессу, учтенному разбросу и коэффициенту Такера ожидаемо показала лучшие результаты, что, очевидно, связано с повышением размерности и приближению к исходной размерности данных, с другой стороны может говорить о комплексе из трех факторов, существенно влияющем на оценки потребителей различий авиакомпаний.

Далее рассмотрим и интерпретируем каждый из полученных графиков, представленных на рис. 6.

Дальнейшая задача интерпретации графиков состоит в определении наименования и содержания латентных осей - параметров восприятия различий сервисов и услуг авиакомпаний. В литературе, рассматривающей метод многомерного шкалирования, выделяются несколько способов определения наименований осей, разделенных на количественные и качественные. С точки зрения качественных методов предлагается проведения фокус-групп, экспертных сессий или самостоятельной идентификации на основании исследовательского опыта или бизнес-представлений. С другой стороны, возможны количественные методы, определяющие силу связей факторов, в рамках анализа корреляций, эконометрического моделирования или факторного анализа для определения факторных нагрузок переменных (Takane, 1981; Rust et al., 1995; Luce & Edwards, 1958).

В целях получения правдоподобных результатов и широты возможных наименований осей, так как сервис авиакомпаний включает достаточно широкий набор вариантов не только на летной стадии обслуживания, но и на предполетной и послеполетной, сделан выбор в пользу комплексного варианта исследования, включающего варианты двух указанных подходов.

а) трехмерный график

б) двумерный график

Рис. 6 Точки объектов на многомерных пространствах

На первом этапе, качественном исследовании, необходимо определить набор переменных, включаемых в последующий анализ количественный анализ сервисов и услуг авиакомпаний. Иными словами, все возможные варианты различий авиакомпаний, что в отдельных вариантах проводилось в работах (Akamavi et al., 2015; Kim & Park, 2017; Han, 2013). В развитии данного предположения для каждой из рассматриваемых авиакомпаний построена количественная цепочка обслуживания пассажира по трем стадиям: предполетное обслуживание, обслуживание на борту и послеполетное обслуживание. Цепочки размещены в Приложениях 2-9. Для их формировки проведены пробные покупки билетов по единому маршруту. В качестве базового рейса рассматривалось направление Москва-Сочи с датой вылета 18.06.2020. При построении цепочек учитывались все возможные вариации в доступных платных и бесплатных пассажирам услуг на всех стадия обслуживания, что позволило определить широкий пул возможных вариаций разделения авиакомпаний.

Результаты по итогам построения цепочек обслуживания представлены в табл. 14. С учетом того, что перцептивные карты строились без учета разделения авиакомпаний на группы, набор услуг также рассчитан без указанного деления.

Таблица 14

Сводная таблица различий в наборе услуг и сервисов авиакомпаний

Помимо определения различий между авиакомпаниями построение цепочек обслуживания, совместно с портретами целевых групп пассажиров, позволило сформировать эмпирическое подтверждение гипотезы H1 о связи широты дифференциации услуг и разнообразия паттернов потребительского поведения. Так, очевидно, что наиболее широкими в этом плане выступают полносервисные авиакомпании SBI, SVR, а также гибридный перевозчик UTA. В портретах целевых групп факторов, подтверждающим более широкие категории пассажиров, является широта тарифной линейки, где в континууме трэвел-эконом - комфорт-бизнес перевозчики имеют возможность работать с разительно различающимися группами клиентов, как по уровню чувствительности к цене, по ожидаемому уровню сервиса и по целям перевозкам, которые, которые использовались при определении целевых портретов.

Кроме этого, дополнительно проведена, попытка квалификации суждений за счет количественных измерений. Цепочки обслуживания пассажиров расширены доступными в открытых источниках материалами по сервису авиакомпаний, а также тем комментариям респондентов, которые оставлены в опросном листе в поле свободного ввода ответов. Итоговый перечень переменных для количественной проверки:

- география внутрироссийских полетов авиакомпании (geo);

- возможность приобретения единого билета на рейсы авиакомпаний-партнеров альянсовых и неальянсовых соглашений (one_tic);

- среднедневная частота полетов по внутрироссийским направлениям ВС категории «Heavy» (freq_flight);

- широта доступных для приобретения тарифов (dif_tar);

- количество уникальных бесплатных услуг для тарифов класса «эконом» (free_eco);

- количество уникальных бесплатных услуг для тарифов класса «бизнес» (serv_bus);

- количество дополнительных неавиационных услуг в аэропорту прибытия и вылета, предоставляемых авиакомпанией и партнерами перевозчика (add_serv_apt);

- количество вариации опции выбора места (place_diff);

- максимальное количество доступных единиц багажа для провоза (add_lugg);

- количество вариантов оплаты авиабилета (diff_pay);

- количество вариантов дополнительного питания на борту (diff_meals);

- количество дополнительных услуг на борту (add_serv_plane);

- рейтинг авиакомпании по задержкам (по данным Федерального агентства воздушного транспорта - Росавиация; номинальная шкала) (delay);

- преимущественно эксплуатируемый московский аэропорт (номинальная шкала) (mosc_apt);

- количество уровней программы лояльности (ffp);

- количество вариантов начисления миль (mlies_get);

- количество вариантов списания миль (miles_lost).

В целом, представленные 17 переменных в более детализированной степени отражают положения цепочки обслуживания пассажиров, что позволит более сфокусировано предположить о содержании осей и сформулировать итоговые выводы по основаниям различий или сходства авиакомпаний.

В качестве метода количественного анализа использовался факторный анализ. Ключевая задача - определить факторные нагрузки для каждой из вышеуказанных переменных при контроле на некоторые ограничения, связанные со значительным числом переменных и несовпадающем количестве наблюдений (авиакомпаний). Инструментом факторного анализа выступил метод главных компонент, позволяющий уменьшить размерность данных, указав, в том числе, на наиболее существенные по силе влияния переменные. Для получения факторных нагрузок проведено вращение варимакс с нормализацией Кейзера, что повышало «контрастность» матрицы и балансировало дисперсии, объясняемые компонентами. Факторные нагрузки представлены в табл. 15.

Таблица 15

Повернутая матрица компонентов

По результатам наиболее высокие факторные нагрузки получили переменные, связанные с программой лояльности - уровень ее развития и варианты накопления миль участниками, дополнительных неавиационных сервисов, связанных с созданием персонального комфорта в аэропорту (что в цепочке ценности относилось к специальному обслуживанию), широта тарифной линейки и местонахождение хаба авиакомпании в Москве, что, возвращаясь к дескриптивной статистике и составленным обобщённым портретам пассажиров, большая часть из которых сосредоточена в Москве (что не указывалось в таблице, т.к. являлось фактом, характеризующим все авиакомпании), описывает близость аэропорта к месту проживанию и аэродромное логистическое удобство.

Возвращаясь к характеристикам осей, суммируем наблюдения о возможном их наименовании:

- уровень развития программы поощрения частолетающих пассажиров (количество статусов участия);

- варианты авиационного и неавиационного накопления миль в программе лояльности;

- услуги по созданию дополнительного персонального комфорта в аэропорту;

- широта тарифной линейки авиакомпании;

- местонахождение хаба авиакомпании в Москве;

- вариация способов оплаты билета;

- возможность приобретения единого авиабилета.

Представленные переменные имеют различную степень детализации, некоторые из них, например, варианты накопления миль являются содержанием программ лояльности авиакомпаний, однако такой различный фокус кажется оправданным, так как позволяет в общих более крупных переменных отметить те факторы, которые вносят наибольший вклад в различия перевозчиков, скажем, как программы лояльности, которые присутствуют у большинства, но содержание которых - различно.

Возвращаясь к визуализации восприятия различий авиакомпаний обратимся к крайним точкам (авиакомпаниям), размещенным по соответствующим осям.

Измерение 1: Полярными значениями по осям обозначены авиакомпании UTA и SBI. Полученные в анализе цепочек ценности результаты не демонстрируют значительно различающихся характеристик по сервису и услугам авиакомпаний, показатели факторного анализа, которые являются более расширенным переменными цепочек также не позволяют выделить значительных различий между перевозчиками, за исключением, возможно дифференциации способов оплаты билетов и управления накоплением и списание миль, однако, рассмотрение других случаев, например примерного равного положения SSF и RWZ, где для второй программа лояльности отсутствует - служит основанием для непринятия данного предположения.

В поиске вариантов различий авиакомпаний внимание обращено на смежные публикации для иных авиакомпаний, которые рассматривали различия в сервисах авиаперевозчиков. Здесь, одним из потенциально удовлетворяющих вариантов признаны работы, которые рассматривали уровень развитости IT-технологий в компании в направлении возможностей покупки авиабилета (Chao et al., 2013; Mason and Gray, 1995; Teichert et al., 2008). В развитии данного предположения для каждой из рассматриваемых авиакомпаний проведена процедура замера минимально необходимого количества кликов для покупки билета в одну сторону, как достаточно очевидная и понятная пассажиру метрика развитости IT-инфраструктуры. (Park et al., 2004, 2009). Полученные значения для представленных авиакомпаний составили: UTA - 5 кликов; SVR - 7 кликов; SSF - 7 кликов; RWZ - 8 кликов; NWS, AZO - 8 кликов; SBI - 11 кликов. Пробные покупки авиабилетов проводились для минимального класса тарифов и с минимальным набором услуг, однако, даже в этом случае, кажущаяся очевидной прямая связь с уровнем и набором услуг авиакомпаний, и количеством кликов для FSC не находит эмпирического подтверждения. Представленное разделение соотносится с визуализацией, полученной на графике многомерного шкалирования, что дает основания предполагать о корректном выборе переменной. Однако, считаем, что для формирования выводов о необходимости развития отдельных сервисов и услуг количество кликов является одним из частных, достаточно простых параметров более сложных элементов, например, удобства приложения и front-end интерфейса, которое при наличии значительного числа услуг может снижать уровень удовлетворенности пассажира качество модуля бронирования и авиакомпании в целом.

Измерение 2: В указанном измерении полярности занимают авиакомпании NWS и RWZ. Аналогично, рассматривая факторы сервиса авиакомпаний количество различий между перевозчиками несущественно, в особенности, если принимать во внимание факт того, что авиакомпании принадлежат одной конфигурации ценностного предложения - CC. При этом, одним из основных различий является программа лояльности, которая, однако, не подтверждается положением авиакомпании RWZ относительно других игроков, например, SVR, которая имеет более развитые параметры последней.

Рассматривая результаты факторного анализа, значимыми переменными, которые потенциально могут отражать различия здесь, являются наименование и количество дополнительных сервисов в аэропорту, дифференциация тарифов, наличие бизнес-класса и набор сервисов на борту. Представленные факторы, в единственном сопоставлении UTA и SSF, которые на графике имеют схожие параметры не подтверждаются и не могут быть основанием осей. Выбранные авиакомпании существенно различны между собой, что, продолжая рассуждения, не дает основания говорить о верификации гипотезы H2 о том, что различия в наборе доступных сервисов для пассажиров являются триггером потребительского выбора.

Единственной переменной, которая дает возможность более детально ее разобрать является наличие бизнес-класса. Начав разговор о внутреннем делении на классы салона воздушного судна и поиска количественного и, немаловажно, доступного критерия, отражающего эти различия, логично встает вопрос о проценте занятости пассажирских кресел. Развивая эту идею, были проанализированы соответствующие показатели, представляемые на ежемесячной основе Росавиацией в докризисный период - февраль. Так, наивысший процент занятости пассажирских кресел действительно принадлежит авиакомпании NWS - 84,1%. Авиакомпания SSF такие данные не предоставляла, однако, для других перевозчиков фактическое соотношение и репрезентация на графике совпадают. Так, визуальная интерпретация точек по второму измерению составляет следующую последовательность перевозчиков в порядке снижения процентов занятости пассажирских кресел: NWS (84,1%) - SSF(NA) - UTA(75,8%) - SBI(68,8%) - AZO(67,8%) - SVR(66,5%) - RWZ(66,1%). В скобках указаны проценты занятости пассажирских кресел на соответствующий месяц анализа. С учетом того, что Росавиация представляет данные, агрегированные по всем направлениями и типам рейсов, данные по каждому конкретному объекту анализа и кейсу-рейсам может существенно различаться, но тем не менее, представленная структура в соотношении с результатами MDS выглядит убедительно.

Вместе с этим, сам процент занятости пассажирских кресел не является фактором сервиса и услуг, кроме того, предполагаем, что этот показатель является прокси-переменной более существенных факторов, которые связаны с загрузкой воздушного судна и отражают тот уровень комфорта, который зависит у каждого конкретного пассажира от общего числа пассажиров на борту и связан с временем обслуживания на борту в таких направлениях, как подготовка рационов питания и его раздача, ожидание посадки и высадки из самолета, ожидания дополнительных удобств на борту по персональному запросу и т.д. Также, время обслуживания, к которому удалось прийти рассматривая содержание оси связан и с типами воздушных судов и компоновкой салона, что показывает, что чем меньше салон или занятость пассажирских кресел в самолете, тем выше уровень удовлетворенности клиента факторами сервиса и услуг перевозчиков. В визуальной интерпретации в этом контексте также есть некоторые объясняемые различия, связанные с тем, что в верхнюю часть графика попали авиакомпании с политиповым флотов, т.е., имеющие в своем воздушном парке самолеты различной вместимости, нижняя часть графика составлена авиакомпаниями имеющий монотиповой воздушный флот. однако, повторно отметим, что сам по себе флот авиакомпаний в данном случае мы не рассматриваем как переменную, описывающую содержание данной оси.

Измерение 3: В качестве одного из вариантов факторов возможно обратить внимание на развитость программы лояльности (количество доступных опций в работе с внутренней валютой), количество дополнительных сервисов и услуг в аэропорту, предоставляемых совместно с авиакомпанией и местонахождение аэропорта в МУДР. Наиболее нерелевантной к представленному распределению выглядит третий вариант, т.к. в схожие группы попали авиакомпании различных аэропортов базирования (для верхней группы - Шереметьево и Внуково). Вторая опция, связанная с дополнительными услугами в аэропорту, не поддерживается результатами построения цепочек обслуживания пассажиров, так как наиболее развитой в этой связи выглядит либо авиакомпания RWZ, либо NWS, для которых количество предоставляемых в базовых аэропортах услуг значительно меньше, чем, например, у SBI и UTA, которые в представленном разделении не выделяются значительными результатами.

Третья опция, связанная с уровнем развития программ лояльности, достаточно широко рассмотрена, как в цепочках, так и факторном анализе. Однако, разделение ее на общее, суммарно доступное вне зависимости от классов участия количество услуг по конвертации внутренней валюты на авиационные и неавиационные сервисы позволяет обнаружить соответствующие разделению результаты, что, в отличии от второго измерения частично, только в направлении анализа программ лояльности, подтверждает гипотезу H2. Так, верхняя группа репрезентации представляет авиакомпании с низким количеством опций, от нуля до единицы. При этом, как отмечено ранее, RWZ вообще не имеет программы поощрения частолетающих пассажиров, что хорошо отображено в его уникальном положении на графике по третьему измерению. Наиболее отдаленно в данной группе выглядит авиакомпания AZO, количество услуг которой в программе лояльности ограничивается возможностью оформления премиального авиабилета. Отдельный комментарий стоит дать по авиакомпании SSF, чья программа лояльности является общекорпоративной, в том числе, для материнской компании SSF. Поэтому, с одной стороны, в некотором виде эта программа лояльности существует, с другой стороны, она не является самостоятельной для авиакомпании.

Рассмотрим вторую группу перевозчиков с широким набором опций программы лояльности. Приблизительно равные значения занимают авиакомпании SBI/SVR/UTA. Выделяющиеся значения авиакомпании NWS возможно связаны с ее чартерной особенностью, когда в рамках единого туристического пакета пассажиру предлагается комбинированный набор услуг, которые в том числе учитывается и в программе лояльности.

Основная задача эмпирической оценки этой части работы состояла в определении степени восприятия пассажирами текущих различий между авиакомпаниями России на региональных маршрутах центральноевропейского региона. При этом, в отличии от иных методов, вопросы о паритете или дифференциации перевозчиков в восприятии пассажиров задавались без атрибутивно, что, значительно снижало эффект неверного кодирования ответов или проблему ложного оценивания признаков по латентным переменным.

Кроме этого, важное замечание работы состоит в том, что, разрабатывая шкалы оценки сервиса, например, цепочки обслуживания пассажиров, где подсчитывалось количество доступных сервисов, исследовательский фокус направлен на получение количественной оценки, нежели качественных различий перевозчиков.

В целом, выводы работы подтвердили гипотезу Н1 о том, что более дифференцированные наборы услуг привлекают более различные группы пассажиров, кроме этого, частично подтверждена гипотеза Н2 о том, что различия в восприятии сервисов авиакомпаний лежат в трех измерениях: программа поощрения частолетающих пассажиров - широта опций начисления и списания миль, уровень удобства и простоты в покупке, front-end IT-интерфейсы сайтов и мобильных приложений авиакомпаний; время предоставления услуг на борту, как прокси-переменная оценки комфорта размещения в салоне. Сравнение полученных при применении метода многомерного шкалирования результатов с построенными цепочками обслуживания пассажиров, а также кейс-стади позволяет сделать несколько дополнительных выводов. Во-первых, отсутствие в результатах измерений MDS таких существенных различий авиакомпаний, как широта тарифной линейки (3 опции для RWZ и 10 опций для SSF), количество уникальных услуг в тарифах (3 - RWZ и 12 - SBI), варианты оплаты (6 - SBI и 1 - SSF, RWZ), количество вариантов специального питания на борту (9 - UTA и 1 - SSF, RWZ), предметы персонального комфорта на борту (6 - UTA и 0 - AZO, SSF и RWZ), позволяет сказать о том, что указанные факторы не определяют восприятие различий между авиакомпаниями в глазах пассажира. Единственная опция, которая указана в цепочках обслуживания пассажиров, и которая стала основанием для измерения MDS - широта опций списания миль в программе лояльности, что позволяет говорить о том, что этот параметр является важным для пассажира и служит одним из оснований для восприятия разницы между различными авиакомпаниями.