Scientific journal
International Journal of Applied and fundamental research
ISSN 1996-3955
ИФ РИНЦ = 0,593

HEDONIC PRICING IN HOTEL BUSINESS

Kozlov D.A. 1
1 Plekhanov Russian University of Economics
1448 KB
In the article are researched the theoretical approaches to the method of hedonic analysis and pricing in the hospitality industry and tourism. It is established a review of existing practices of applying hedonic regression. It is designed a model for developing hotel markets of the Russian Federation on the example of Crimean hotels of three stars category. The complex nature of pricing, the practical absence of the influence of the characteristics of the hotel enterprises on the final price on is identified. Analysis of the available statistical data carried out by such methods as clustering, discriminant, factor analysis, modeling by artificial neural networks reaffirmed the results of the multiple regression in terms of multicollinearity of the hotel enterprises parameters, as well as the weak correlation of these parameters to the final price on hotel’s room. As a result the conclusion is made that the pricing of hotel services in the studied segment of the hotel market does not take into account the qualitative characteristics of hotel enterprises, as well as evaluating their usefulness for the end customer.
hotel business
tourism economics
hedonic analysis
regression
tourist demand
modeling
forecasting

Основная идея гедонического подхода состоит в том, что основным фактором, влияющим на действия потребителя, выступает его удовольствие [5]. Целью гедонического анализа, известного также как метод гедонического ценообразования или метод цен удовольствия, выступает квантификация зависимости цены на рыночные блага и параметрами их качественный характеристик [4]. Считается, что при выборе какого-либо продукта или услуги, например, гостиничной, потребитель выберет тот, что по его мнению окажется лучшим [3]. То есть гостиничный продукт имеет набор каких-то определенных характеристик, которые больше всего подходят туристу [1, 2]. Для определения этой зависимости применяется регрессия гедонических цен, в которой зависимой переменной выступает цена, а набор характеристик – независимой. Продолжением построения гедонической регрессии служат гедонические индексы, для построения которых требуется наличие не только пространственных, но и временных данных [10].

Гедонический анализ позволяет решать ряд проблем, с которыми сталкиваются гостиничные предприятия. К ним можно отнести вопросы правильного позиционирования гостиницы, ценообразование при изменении качественных характеристик предприятия, начальное ценообразование при открытии новой гостиницы, выбор туристом гостиницы с учетом его предпочтений и т.д. [6, 7].

Цель исследования

Целью данного исследования выступает анализ гедонических цен на гостиничный продукт на развивающихся гостиничных рынках Российской Федерации, определение основных факторов, влияющих на цену.

Материалы и методы исследования

В качестве статистической базы исследования выступают сведения о гостиничных предприятиях Крыма категории 3 звезды. Собрана статистика по 36 действующим гостиничным предприятиям, что составляет примерно треть от всего гостиничного рынка категории 3 звезды. Выбраны следующие параметры гостиниц, которые в дальнейшем закодированы таким образом: расстояние до пляжа (0 – на побережье, 1 – от 1 до 5 минут до пляжа, 2 – до 10 минут и 3 – свыше 10 минут или трансфер), расстояние до Симферополя (в км.), наличие спортивных услуг (0 – нет, 1 – есть), услуги питания (0 –нет или только завтрак, 1 – полный пансион, 2 – наличие специального меню, например, диетического), наличие бесплатного доступа в интернет по протоколу wi-fi (0 – нет, 1 – только в номерах, 2 – во всей гостинице), наличие парковки (0 – нет, 1 – платная, 2 – бесплатная), режим работы (0 – ограничен во времени, 1 – круглосуточно), наличие конференц-зала или банкетного зала (0 – нет, 1 – есть), наличие обслуживания в номерах (0 – нет, 1 – есть), наличие на территории отеля различных сервисов, например, магазины, киоски, пункты проката, почтовые услуги и т.п. (0 – нет, 1 – есть), параметры оплаты (0 – только наличные, 1 – возможность оплаты кредитной картой), наконец, цена за стандартный номер (в рублях за ночь; статистика собрана на дату 12-13 июня 2016 г.).

В качестве методов исследования применены корреляционно-регрессионный анализ, множественная регрессия, дискриминантный анализ, факторный анализ, кластеризация и моделирование искусственными нейронными сетями.

Гедонический анализ и его применение в туризме в научной литературе освещены достаточно широко [8]. Впервые данный метод был предложен еще в 1928 г. В 1990 г. Хэсти и Тибширани определили отсутствие зависимости цены от объема номерного фонда гостиниц; в 2003 г. Эспинет провел исследования курортных отелей Испании; в 2005 г. Хэмильтон исследовал привлекательность гостиниц среди туристов; в 2006 г. Хсу исследовал гедонические цены на гостиничные услуги Тайваня. Кроме указанных были также проведены исследования Израэли (2002), Вайтом (2002), Трэйном (2007), Андерсеном (2010), Ченом (2010) и т.д. В расчеты было взято большое количество характеристик гостиничного продукта, анализировались различные зависимые переменные [9].

В общем виде уравнение гедонической регрессии выглядит следующим образом:

koz01.wmf

где Pit – гедоническая цена; сit – набор коэффициентов модели; zit – вектор характеристик; c0t – чистый временной тренд (или сумма временных фиктивных переменных); eit – ошибка; t – период времени. Фактически, уравнение гедонической регрессии представляет собой обычную множественную регрессию, в качестве независимых переменных которой используются качественные характеристики продукта.

Для подтверждения результатов гедонического анализа методом регрессии, применены дискриминантный анализ, позволяющий определить сегменты как отклик, факторный анализ для снижения размерности и определения основных групп факторов, влияющих на конечную цену, кластеризация разными методами, включая К-средних, ближайшего соседа, групповых средних, моделирование искусственными нейронными сетями, в частности, сетью радиальных базисных функций. Для проведения статистических расчетов использован программный продукт Statgraphics Centurion XV.

Результаты исследования и их обсуждение

Сводная статистика средних значений и стандартного отклонения представлена в табл 1. Наименования переменных: расстояние до пляжа (Beach), расстояние до Симферополя (Simf), спортивные услуги (Sport), питание (Food), wi-fi (WiFi), парковка (Parking), режим работы (Work), конференц-зал (Conf), обслуживание в номерах (RServ), наличие сервисов (Serv), оплата (Pay), цена (Price).

Таблица 1

Описательная статистика характеристик гостиничных предприятий

Параметр

Среднее

Стандартное

отклонение

Коэффициент вариации

Минимум

Максимум

Диапазон

Beach

1,45714

0,91853

0,630364

0

3

3

Simf

90,1429

27,9823

0,310422

34

162

128

Sport

0,628571

0,490241

0,779929

0

1

1

Food

1,37143

0,731063

0,533067

0

2

2

WiFi

1,88571

0,471008

0,249777

0

2

2

Parking

1,57143

0,698137

0,444269

0

2

2

Work

0,828571

0,382385

0,461499

0

1

1

Conf

0,6

0,49705

0,828417

0

1

1

RServ

0,628571

0,490241

0,779929

0

1

1

Serv

0,285714

0,458349

1,60422

0

1

1

Pay

0,142857

0,355036

2,48525

0

1

1

NRooms

47,2286

45,6129

0,96579

8

231

223

Price

4648,14

2713,11

0,583697

1200

11000

9800

Результаты корреляционного анализа представлены в табл. 2 (выдержка; только для зависимости цены на номер от прочих параметров гостиничного предприятия).

Таблица 2

Коэффициенты корреляции цены и остальных параметров гостиничных предприятий

Параметр

Коэффициент кореляции

Р-значение

Beach

– 0,1857

0,2855

Simf

– 0,1419

0,4162

Sport

0,5115

0,0017

Food

0,4257

0,0108

WiFi

– 0,2299

0,184

Parking

0,0649

0,7109

Work

0,2731

0,1124

Conf

0,537

0,0009

RServ

0,4068

0,0153

Serv

0,4928

0,0026

Pay

0,387

0,0216

NRooms

0,6133

0,0001

Всего насчитано 22 пары корреляций между всеми характеристиками гостиниц. Что касается цены, то самая большая корреляция наблюдается с параметром количества номеров, подтверждаемая Р-значением, не превышающим 0,05. Еще шесть характеристик коррелируют с ценой, однако, если наличие конференц/банкетного зала, спортивных развлечений и предприятий обслуживания на территории еще можно определить как связь средней степени, то параметры оплаты, обслуживание в номерах и услуги питания показывают зависимость ниже среднего.

Результаты построения множественной регрессии представлены в табл. 3 и 4.

Таблица 3

Параметры множественной регрессии

Параметр

Оценка

Стандартная ошибка

Т-статистика

Р-значение

CONSTANT

1911,29

2403,68

0,795152

0,4350

Beach

– 819,514

444,525

– 1,84357

0,0788

Simf

– 4,10843

15,7024

– 0,261644

0,7960

Sport

1293,04

1199,77

1,07775

0,2928

Food

79,4818

784,627

0,101299

0,9202

WiFi

227,424

999,309

0,227582

0,8221

Parking

461,023

570,155

0,808592

0,4274

Work

– 302,406

1306,13

– 0,231528

0,8190

Conf

952,057

1153,02

0,825709

0,4178

RServ

997,201

1191,9

0,836651

0,4118

Serv

– 212,228

1226,82

– 0,17299

0,8642

Pay

594,651

1230,39

0,483303

0,6337

NRooms

26,5614

11,5629

2,29713

0,0315

Таблица 4

Анализ дисперсии

Параметр

Сума квадратов

Разности

Средний квадрат

F-значение

P-значение

Model

1,56775E8

12

1,30645E7

3,07

0,0108

Residual

9,34978E7

22

4,2499E6

   

Total (Corr.)

2,50272E8

34

     

Уравнение модели имеет вид:

Price = 1911,29 – 819,514*Beach – 4,10843* Simf + 1293,04*Sport + 79,4818*Food + 227,424*WiFi + 461,023*Parking – 302,406*Work + 952,057*Conf + 997,201*RServ – 212,228*Serv + 594,651*Pay + 26,5614* NRooms.

Поскольку Р-значение модели меньше 0,05, то можно утверждать, что существует зависимость между ценой и остальными характеристиками гостиниц, полученная выбранной моделью. Коэффициент детерминации данной модели составляет 62,64 %. Приведенный коэффициент детерминации существенно ниже и составляет всего 42,26 %. Статистика Дурбина-Ватсона равна 2,53 при Р = 0,95, что свидетельствует об отсутствии автокорреляции остатков. Следует отметить, что Р-значение параметров модели ниже 0,05 наблюдается только у одной переменной – количество номеров и близко к этому значению еще у одной – расстояние до пляжа. В теории, для упрощения модели необходимо изъять из расчетов все независимые переменные кроме указанных, однако на деле это привело к снижению коэффициента детерминации до 46 %, что является неприемлемым результатом при построении модели; она не отражает реального состояния.

Полная модель свидетельствует о следующем: чем больше расстояние до пляжа – тем ниже должна быть цена (увеличение на каждые 5 минут снимает 819 руб. в цене), каждый километр до аэропорта Симферополя снижает цену на 4,1 руб., наличие спортивных развлечений добавляет 1293 руб., режим питания не сильно влияет на цену, добавляя всего по 79,5 руб. на каждую последующую градацию, наличие беспроводного интернета увеличивает цену на 227 руб., наличие паркинга – на 461 руб., а если он предоставляется бесплатно – на 922 руб., режим работы влияет на цену в размере 302 руб., наличие банкетного зала повышает цену на 952 руб., наличие обслуживания в номерах – повышает на 997 руб., наличие сервисных предприятий на территории отеля – повышает всего на 212 руб., возможность оплаты кредитной картой – повышает на 595 руб., а увеличение номерного фонда приводит к повышению цены на 26,5 руб. за каждый дополнительный номер.

Следует понимать, что такие результаты можно было бы считать адекватными, если бы показатели модели были бы выше. Однако, они свидетельствуют, скорее, об обратном. Для проверки проведены дополнительные исследования различными статистическими методами. Результаты кластеризации представлены на рисунке.

kozlov1.tif

Дендрограмма кластерного анализа характеристик гостиничных предприятий

Из дендрограмы видно, что расстояния между объектами очень большие. Все гостиницы отличаются друг от друга, невозможно провести какую-либо группировку.

Дискриминантный анализ определил две дискриминантные функции, при этом процент правильно классифицированных случаев составил всего 2,86. Факторный анализ определил четыре фактора, однако разброс характеристик гостиничных предприятий по этим факторам совершенно не дает возможности как-то интерпретировать их и снизить размерность данных. Искусственная нейронная сеть в конфигурации по 10 нейронов во входном, основном и выходном слоях смогла добиться 85,71 % правильной классификации объектов, однако разделила исходную статистику на большое количество неоднородных групп, фактически определив, что ничего схожего между исследуемыми гостиницами нет. Однако, это единственный метод анализа, который позволил добиться высоких прогнозных результатов.

Заключение

Гостиничные предприятия развивающихся рынков Российской Федерации демонстрируют сложное состояние в области ценообразования своих услуг. Фактически, цена на гостиничный номер не зависит от тех благ, которыми располагают гостиницы и предлагают их в качестве своих конкурентных преимуществ. В этих условиях потенциальному клиенту очень затруднено сравнение возможных вариантов своего отдыха. Новые гостиничные предприятия, которых должно стать немало, не в состоянии корректно оценивать свой сегмент и проводить грамотную ценовую политику. Традиционные статистические методы не смогли справиться со сложной структурой данных. Гостиницам можно рекомендовать применение адаптивных прогнозных методов, например, нейросетевое моделирование.