Методология исследования. 
Информированность потребителя

Для осуществления эксперимента было отобрано 6 видов мороженого самых популярных торговых марок России и Перми по версии компании Инмарко (А. Дорошенко и др., 2012). Среди предложенных образцов представлено мороженое компаний «Ижмолоко», «Новосибхолод», «Nestle» и «Созвездие» .

Все выбранные сорта мороженого были проранжированы в соответствии с возможным риском для здоровья: чем больше пищевых добавок в мороженом, тем больший риск для здоровья оно представляет, следовательно, тем выше его ранг (смотрите таблицу 1).

Таблица 1.

Сорта мороженого и соответствующие им ранги.

Эксперимент проводился на базе Высшей Школы Экономики г. Перми. Участники эксперимента отбирались на добровольной основе среди студентов. В эксперименте приняли участие 40 человек.

Эксперимент проводился в 2 шага в двух помещениях. При входе в первое помещение потребителю предлагалось заполнить небольшую анкету, на основе которой в дальнейшем была построена эконометрическая модель.

Затем, респонденту нужно было выбрать один из предложенных сортов мороженого. Испытуемому были показаны упаковки мороженого с наклеенными на них ценниками. Наблюдатель фиксировал его ответ. Также наблюдатель фиксировал, изучал или нет респондент упаковку, в течение какого времени, возвращался ли повторно к упаковкам. Кроме того, после этого испытуемому был задан еще один вопрос о том, пробовал ли он ранее данные сорт мороженого. Его лист складывался и заклеивался, с ним он проходил в помещение, где продавалось мороженое.

На втором шаге все участники эксперимента делились на 2 группы, для каждой из которых дальнейшие условия эксперимента были разными. Был составлен список с номерами всех испытуемых, и при помощи генератора случайных чисел каждому номеру было присвоено целое числовое значение от 1 до 100. Если номеру респондента соответствовало четное значение, то он попадал в контрольную группу, если нечетное, то — в экспериментальную.

Во втором помещении находился прилавок, на котором для участников контрольной группы лежали упаковки того же самого мороженого с ценниками, а для экспериментальной группы к упаковкам с ценами были приложены информационные листы, на которых был крупно отпечатан состав мороженого с указанием типов пищевых добавок, содержащихся в конкретном сорте мороженого с точки зрения оценки риска ухудшения здоровья потребителя. На каждом листе все добавки были проранжированы в соответствии со шкалой оценки безопасности пищевых добавок по Б. Стейтему: добавки, безопасные для большинства людей; добавки, к которым следует относиться с осторожностью; добавки, которых лучше избегать; добавки, опасные для здоровья (пример информационного листа можно увидеть в Приложении 1). Здесь испытуемому было необходимо совершить окончательный выбор и заплатить за выбранное мороженое. На опросном листе наблюдатель фиксировал купленный потребителем сорт мороженого. Также фиксировалось время изучения информации о составе, время выбора и то, возвращался ли потребитель повторно к изучению упаковок и сколько раз.

В итоге было получено 2 набора переменных: первый набор — это данные, полученные на первом шаге эксперимента. Сюда вошел вектор характеристик потребителя, полученный в результате анкетирования, а также вектор характеристик эксперимента. Второй набор переменных — это данные, полученные на втором шаге эксперимента. Сюда вошли только характеристики самого эксперимента. Для построения эконометрической модели были использованы данные, полученные на первом шаге.

Переменные, сформированные на основе вопросов анкеты, а также их описательные статистики можно увидеть в таблице 2.

Таблица 2.

Переменные, включенные в модель.

Эконометрический анализ осуществлялся в статистических пакетах Eviews и Stata. Перед построением эконометрической модели был проведен анализ переменных на наличие выбросов. Было принято решение не исключать имеющиеся выбросы в целях сохранения размера выборки. Далее был проведен корреляционный анализ. Так как мы имеем дело с большим количеством бинарных и ранговых переменных, то корреляция Спирмена была выбрана как наиболее подходящая. Корреляционный анализ показал наличие умеренной взаимосвязи на уровне значимости 10% между уровнем риска, который готовы принять потребители при покупке мороженого и оценкой потребителя собственного понимания информации, указанной на упаковке. Слабая взаимосвязь была обнаружена между уровнем риска, который готов принять потребитель и такими переменными как степень вовлеченности в процесс покупки, уровень знания потребителей о пищевых добавках и тем фактом, пробовал ли потребитель ранее выбранный им сорт мороженого. Мультиколлинеарность не была обнаружена.

Затем было построено несколько спецификаций моделей упорядоченного выбора.

Для подборки наиболее качественной модели был использован метод последовательного исключения переменных, который заключается в следующем: из модели последовательно исключаются переменные с наибольшими значениями вероятности (не значимые переменные) до тех пор, пока в модели не останутся только значимые переменные.

Таким образом, после проведения процедуры исключения переменных между собой сравнивались 2 модели: logit и probit. Переменные, включенные в модели, а также их коэффициенты можно увидеть в таблице 3.

Таблица 3.

Коэффициенты полученных моделей.

• * - 10% уровень значимости
• ** - 5% уровень значимости
• *** - 1% уровень значимости

Из таблицы можно заметить, что в logit-модели количество значимых переменных оказалось больше. Выбор наилучшей модели проходил по нескольким параметрам. Сначала были оценено число корректных прогнозов в каждой из моделей. Так в Logit-модели 7 из 11 случаев принятия потребителем самого высокого уровня риска были угаданы построенной моделью правильно. Для уровней риска два, три и пять нет ни одного правильно угаданного случая. Для уровня риска четыре корректными оказались 4 случая из 7 и для уровня шесть (самого низкого уровня риска) моделью было угадано 3 случая из 6. В целом, моделью было правильно угадано 35% случаев. Процент правильно угаданных моделью наблюдений на 7,5% больше в том случае, когда в модели нет константы. В модели с константой было правильно угадано 27,5% случаев. Probit-моделью было корректно угадано 37,5%, при этом, не было угадано ни одного случая второго, третьего и пятого уровней. В модели с константой было также угадано 27,5% случаев.

Для полученных probit и logit-спецификаций был проведен тест Вальда на определение значимости коэффициентов независимых переменных. Для probit-спецификации данный тест показал значение probability меньше 0,1 для всех переменных, что означает, что все переменные модели оказывают влияние на уровень риска, который готовы принять потребители. Это говорит об адекватности модели. Что касается logit-модели, то здесь был обнаружено, что переменная EAT_BEFORE не оказывает влияния на зависимую переменную. Также тест Вальда был проведен на проверку гипотезы о том, что все коэффициенты модели одновременно равны нулю. Данная гипотеза была отвергнута как для probit-модели (probability меньше 0,1), так и для logit-модели.

Стоит, тем не менее, учитывать, что тест Вальда показывает достоверные результаты на больших объемах выборки, о чем нельзя сказать в нашем случае.

Также для обеих моделей был проведен тест на пропущенные переменные. Ни в logit, ни в probit-спецификации пропущенных переменных обнаружено не было. Кроме того, тест на лишние переменные показал отсутствие таковых в исследуемых моделях.

Более того, модели были проверены на устойчивость оценок. Для этого из выборки исключались в случайном порядке 3 любых наблюдения, и заново строились модели для оставшихся 37 наблюдений. В probit-модели всегда оставались значимыми на уровне значимости 10% только такие переменные как HEALTH, OBESITY и READING SKILLS. Значения probability для остальных переменных варьировались и иногда превышали 10%. Для logit-модели были получены аналогичные результаты. Данные оценки говорят о том, что модели не являются устойчивыми.

Критерий Акаике в logit-модели составляет 3,6098, в то время как у probit-модели он незначительно ниже (3,5956). Критерий Шварца в logit-модели равен 4,06, а в probit-спецификации данный критерий равен 4,032. Показатель McKelvey & Zavoina’s R2, который используется для оценки качества упорядоченных моделей, в представленной probit-модели равен 35%, в то время как в logit-модели он равен 38,4%.

Таким образом, по количеству угаданных прогнозов, а также по критериям Акаике и Шварца probit-модель является более предпочтительной, чем logit.

Таблица 4.

Основные критерии сравниваемых моделей.