Аннотация 3
Введение 5
Обзор литературы 9
Постановка исследовательского вопроса 24
Методология исследования и данные 28
Эмпирические результаты 42
Заключение 50
Список литературы 55
Приложения 60
Приложение 1. Пример типажей 60
Приложение 2. Пример ситуации выбора 61
Приложение 3. Описание переменных 62
Приложение 4. Результаты оценивания модели II 64
Продолжение 5. Взаимосвязь характеристик агентства и выбранного типажа в модели I 65
Приложение 6. Результаты оценивания модели латентных классов 66
Приложение 7. Распределение условного среднего параметров модели I
В последнее время среди молодых людей наблюдается растущий интерес к трудоустройству в модельном бизнесе. Представители агентств объясняют это отсутствием особых требований к уровню общей квалификации (образование, опыт) кандидата. Однако кастинг-менеджеры рассматривают всех кандидатов через призму специфических для модной индустрии качеств и навыков: параметры тела, типаж, коммуникативные качества, репутация и индивидуальность. Передача смыслов и вызов определённых эмоций и ассоциаций посредствам образов моделей - именно так описывает Дин (2005) основное требование заказчика к модели. Именно поэтому важно исследовать то, какие из специфических для модной сферы характеристик будут влиять на вероятность выбора во время кастинга.
Рекламодатели, дизайнеры и бренды нанимают моделей для создания рекламных кампаний, каталогов и показов, а модельные агентства, в лице букеров, скаутов и кастинг-менеджеров , являются посредниками в этой сделке. Образ модели - товар, который привлекает конкретного клиента в определенное время. Исходя из предположений теории потребителя, введенных Ланкастером (1966), именно характеристики блага приносят полезность индивиду. Таким образом, представить предпочтения кастинг-менеджера можно с помощью функции полезности, зависящей от некоторых характеристик потенциальной модели. Применительно к модельному бизнесу, внешний вид человека и его индивидуальность не могут быть оценены единообразно всеми агентствами; именно такое непостоянство описывается случайным элементом, который вводится в рамках теории случайной полезности. Таким образом, теория потребителя Ланкастера и теория случайной полезности являются основанием для анализа заявленных предпочтений менеджеров в модельном бизнесе. Зависимость вероятности выбора соискателя вакансии на позицию изучалась ранее в эмпирических работах (Biesma et al., 2007; Humburg, van der Velden, 2015a; Montgomery, 2002). Основными инструментами авторов работ были эксперимент дискретного выбора, данные которого были использованы для построения регрессионных моделей дискретного выбора.
Цель настоящего исследования заключается в том, чтобы с помощью экспериментальных данных выявить особенности заявленных предпочтений кастинг-менеджеров модельных агентств. Изучение особенностей спроса методом заявленных предпочтений релевантно для поставленной исследовательской цели, так как позволяет протестировать исследователю те характеристики модели, которые в большей степени, по мнению автора, определяют решение кастинга-менеджера при отборе моделей, а также проверить взаимосвязь между выбором и характеристиками модельного агентства (опыт работы в индустрии, происхождение агентства), что обуславливает актуальность текущей работы.
Использование эксперимента выбора для получения уникальных данных о заявленных предпочтениях кастинг-менеджеров является ключевой особенностью данного исследования. Изучение особенностей спроса достаточно популярная маркетинговая задача, которая была решена для других рынков, но не для спроса на рынке модельных услуг. Это обусловлено тем, что сфера моды отличается своей субъективной оценкой параметров тела и характеристик внешности кандидатов, их профессиональных качеств необходимых для модельного бизнеса и коммуникативных навыков.
Исходя из поставленной цели исследования были сформулированы следующие задачи:
(1) провести анализ литературы в области изучения заявленных предпочтений и применения эксперимента дискретного выбора;
(2) выделить работы, схожие с ситуацией модельного кастинга в смежных областях (процесс найма сотрудников, выбор культурных благ);
(3) сформировать множество атрибутов, которые влияют на вероятность выбора модели на кастинге путем проведения пилотного опроса, а также проведения интервью с практиками бизнеса;
(4) выделить 5-7 ключевых характеристик девушек моделей с их соответствующим диапазоном вариации;
(5) сконструировать с помощью специализированного сервиса эксперимент выбора и провести эксперимент с целью получения данных о заявленных предпочтениях;
(6) провести первичный анализ полученных экспериментальных данных;
(7) выдвинуть основные исследовательские гипотезы на основе изученной литературы и исследуемых данных;
(8) согласно эмпирическому опыту исследований заявленных предпочтения, оценить регрессионные модели для вероятности выбора кандидатуры (смешанный логит и модель латентных классов);
(9) верифицировать гипотезы на основе полученных результатов, проверить их устойчивость и интерпретировать оценки параметров;
(10) обозначить ограничения текущего исследования, предложить направления дальнейшей работы, сделать выводы.
Практическая значимость результатов работы заключается в выявлении взаимосвязей между определенными специфическими характеристиками модели и вероятность выбора кандидатуры с соответствующим набором характеристик. Знания о предпочтениях кастинг-менеджеров прежде всего полезно для тех моделей, которые только входят на данный рынок труда.
Работа состоит из 7 разделов. Обзор литературы предлагает введение в теоретическое обоснование анализа заявленных предпочтений и особенности работы модельного бизнеса. Постановка исследовательского вопроса представляет алгоритм исследования и показывает связь цели и методов ее достижения. В методологической части работы описаны данные и основные методы исследования, основанные на литературном обзоре, которые послужат инструментом для ответа на исследовательский вопрос. В эмпирических результатах исследования представлена интерпретация оцененных регрессий, а также сделаны выводы в части исследуемых гипотез. В заключении сделаны выводы по всей работе, также обсуждаются ограничения текущего исследования и направления для будущего исследования.
Объем работы составляет 68 страниц, включая 7 приложений. В работе использовано 63 источника литературы, в том числе 63 источника на иностранных языках.
В последнее время наблюдается растущий интерес молодых людей к трудоустройству в модельном бизнесе. Ключевым различием кастинга моделей от классической задачи отбора кандидатов на работу является смещение акцентов с традиционных атрибутов соискателей должности, отраженных в резюме и рекомендательных письмах (образование, квалификация, достижения и пр.) в сторону специфических для сферы модельного бизнеса (внешность, репутация, коммуникация). В данном исследовании предпринята попытка оценить особенности спроса модельных агентств на экспериментальных данных с помощью метода заявленных предпочтений кастинг-менеджеров.
Данные получены в ходе эксперимента дискретного выбора, в котором приняло участие 90 представителей модельных агентств из России и стран СНГ. С помощью методологии эксперимента дискретного выбора для респондентов было составлено 12 разных ситуаций выбора, имитирующих кастинг моделей, в каждой из которых представлено 4 альтернативы. Кандидатуры были описаны группами характеристик, которые были выявлены в предшествующем пилотном опросе. Всего собрано 4320 наблюдений. Применение метода заявленных предпочтений осложнено отсутствием строгих формализованных критериев отбора во время модельного кастинга. Именно с целью преодоления сложностей формализации критериев, описывающих особенности внешнего вида, в эксперимент выбора были добавлены изображения девушек моделей, которые характеризуют принадлежность к одной из типажных групп.
Для оценки заявленных предпочтений кастинг-менеджеров используются модели дискретного выбора - смешанный логит и модель латентных классов. Выбор смешанной логит спецификации обусловлен ее гибкостью в описании предпочтений сложного типа, при этом модель латентных классов позволяет учесть гетерогенность кастинг-менеджеров. Посредством оценивания на экспериментальных данных регрессионных моделей дискретного выбора были сделаны следующие выводы относительно 4-х выделенных групп параметров: параметры тела, профессиональная квалификация (опыт, отзывы, репутация), профессиональные качества (походка) и коммуникативные навыки (навыки общения и взаимодействия в команде).
Группа параметров, характеризующих коммуникативные навыки, характеристики внешности и профессиональную квалификацию модели устойчиво значимы во всех моделях. Однако внутри групп переменных, описывающих качество портфолио, опыт работы в бизнесе (профессиональная квалификация) и типаж (параметры тела), эффекты различаются статистической значимостью между регрессионными моделями. Модель латентных классов позволила сегментировать представителей модельных агентств на классы по оцененным заявленным предпочтениям. По результатам оценивания было выявлено, что кастинг- менеджеры гетерогенны и их можно разбить на 2 класса. При чем 1 класс отличается склонностью к выбору более высоких моделей, а также определенных коммерческой типажной группы. Представители 1-го класса описаются на портфолио при выборе модели и ценят его высокое качество, что отличает их от представителей 2-го класса. При этом оба класса приблизительно одинаково ценят положительно-нейтральные коммуникативные навыки модели. Таким образом, анализ заявленных предпочтений кастинг-менеджеров в модельном бизнесе частично подтверждает особенности спроса, выявленные в социологической литературе: характеристики внешности, коммуникативные качества, опыт работы определяют выбор агентства по время модельного кастинга.
Эксперимент дискретного выбора ранее использовался в большом количестве маркетинговых исследований, главной целью которых являлось моделирование спроса на продукт. Практическая значимость результатов текущей работы заключается в выявлении взаимосвязей между определенными специфическими характеристиками модели и вероятностью выбора кандидатуры с соответствующим набором характеристик. Знания о предпочтениях кастинг-менеджеров прежде всего полезно для тех моделей, которые только входят на рынок. Важным выводом также является сегментирование агентств, в результате которого выявлено 2 класса агентств, которые обладают статистически значимо разными предпочтениями. Полученные знания о предпочтениях помогут сформулировать особенности спроса на рынке моделей в модной индустрии и выявить некоторые тенденции и закономерности в процессе кастинга.
Основным ограничением исследований, использующих эксперимент дискретного выбора и данные о заявленных предпочтениях, как в данной работе, является невозможность оценить параметры, не включённые в дизайн исследований и оцениваемую регрессионную модель (Adamowicz et al., 1998). Таким образом, качество опроса во многом определяется тем, насколько богат эмпирический опыт исследования определенного рынка. В случае данного исследования, выбор атрибутов основывался на социологических исследованиях и пилотном опросе, при отсутствии какого-либо эмпирического опыта. Ограничения подобного рода всегда будут присутствовать в работах с экспериментом дискретного выбора; однако преодолеть их возможно исключительно путем продолжающейся работы над исследованием атрибутов такого или иного товара или услуги.
Дальнейшее развитие исследования также возможно с точки зрения эмпирической части работы. Кажущаяся гибкость и практическая общность модели смешанного логита ограничена трудностью определения и оценки распределений параметров (Train, 2016). Подавляющее большинство исследований использовали нормальные и логнормальные распределения при аппроксимации характеристик альтернатив; Лювьер и др. (2008) критикуют в своем исследовании использование нормального распределения в смешанной логит спецификации. Более того, ни одно из параметрических распределений не может с полной точностью описать распределение параметра. Фосгерау и Мабит (2013) и Трейн (2016) предлагают в своих работах использовать смешение распределений, используя непараметрические методы задания распределения случайных коэффициентов: метод полиномов и сплайны.
Тем не менее, проблема моделирования случайный коэффициентов указывает на потребность в более богатых данных. По мнению Трейна (2016), смещение акцента в будущих исследованиях с разработки методов моделирования параметров будет способствовать разработке иных форм данных о предпочтениях, которые более четко раскрывают распределение предпочтений потребителей. Анализ спроса может быть основан на данных двух типов: о выявленных и заявленных предпочтениях. Адамович и др. (1997) отмечают, что важна согласованность (сонаправленность) результатов обоих методов в рамках исследовательского вопроса; тем более, сбор информации об обоих типах данных представляется трудоемкой исследовательской задачей. Однако использование смешанных данных о предпочтениях (RP и SP) в будущем исследовании позволит получить более надежные результаты и нивелировать эффект гипотетического смещения и, как следствие, переоценки параметров спроса.
Сегментирование выборки респондентов, в результате которого выявлено 2 класса агентств, обладающих статистически значимо разными предпочтениями, может отличаться от истинного разделения на генеральной совокупности. Поиск оптимального количество латентных классов также подразумевает потребность в большем количестве наблюдений, а также информации о респондентах.
Целью будущих работ может являться преодоление ограничений исследования путем моделирования процесса отбора на кастинге как процесс состоящий из двух этапов, где первый этап - это оценка общих параметров тела, типажа и последующий отбор, а второй - выбор модели из оставшихся кандидатов по оставшимся критериям. Оценивание динамических моделей бинарного выбора требует особой процедуры проведения эксперимента выбора и сбора данных о предпочтениях. Однако такой подход приблизит условия эксперимента к реальным условиям отбора моделей во время кастинга и, как следствие, позволит получить данные, отражающие реальные паттерны поведения кастинг- менеджеров в ситуации выбора.
Adamowicz, W.L., 1994. Habit Formation and Variety Seeking in a Discrete Choice Model of Recreation Demand. Journal of Agricultural and Resource Economics 19, 19-31.
Adamowicz, W., Louviere, J., Swait, J., 1998. Introduction to Attribute-Based Stated Choice Methods.
Adamowicz, W., Swait, J., Boxall, P., Louviere, J., Williams, M., 1997. Perceptions versus Objective Measures of Environmental Quality in Combined Revealed and Stated Preference Models of Environmental Valuation. Journal of Environmental Economics and Management 32, 65-84.
Becker, G.S., 1962. Investment in Human Capital: A Theoretical Analysis. Journal of Political Economy 70, 9-49.
Bekker-Grob, E.W.D., Hol, L., Donkers, B., Dam, L.V., Habbema, J.D.F., Leerdam, M.E.V., Kuipers, E.J., Essink-Bot, M.L., Steyerberg, E.W., 2010. Labeled versus Unlabeled Discrete Choice Experiments in Health Economics: An Application to Colorectal Cancer Screening. Value in Health 13, 315-323.
Biesma, R.G., Pavlova, M., van Merode, G.G., Groot, W., 2007. Using conjoint analysis to estimate employers preferences for key competencies of master level Dutch graduates entering the public health field. Economics of Education Review 26, 375-386.
Borchers, A.M., Duke, J.M., Parsons, G.R., 2007. Does willingness to pay for green energy differ by source? Energy Policy 35, 3327-3334.
Brown, B.W., Walker, M.B., 1989. The Random Utility Hypothesis and Inference in Demand Systems. Econometrica 57, 815-829.
Bullock, C.H., Scott, M., Gkartzios, M., 2011. Rural residential preferences for house design and location: insights from a discrete choice experiment applied to Ireland. Journal of Environmental Planning and Management 54, 685-706.
Cameron, A.C., Trivedi, P.K., 2005. Microeconometrics: Methods and Applications. Cambridge University Press, 456-500.
Campbell, D., Erdem, S., 2018. Including Opt-Out Options in Discrete Choice Experiments: Issues to Consider. Patient 12, 1-14.
Carson, R.T., Louviere, J.J., 2011. A Common Nomenclature for Stated Preference Elicitation Approaches. Environ Resource Econ 49, 539-559.
Dean, D., 2005. Recruiting a self: women performers and aesthetic labour. Work, Employment and Society 19, 761-774.
Entwistle, J., 2002. The Aesthetic Economy: The production of value in the field of fashion modelling. Journal of Consumer Culture 2, 317-339.
Entwistle, J., Wissinger, E., 2006. Keeping up Appearances: Aesthetic Labour in the Fashion Modelling Industries of London and New York. The Sociological Review 54, 774-794.
Eriksson, S., Johansson, P., Langenskiold, S., 2017. What is the right profile for getting a job? A stated choice experiment of the recruitment process. Empir Econ 53, 803-826.
Favaro, D., Frateschi, C., 2007. A discrete choice model of consumption of cultural goods: the case of music. J Cult Econ 31, 205-234.
Flynn, T.N., Bilger, M., Malhotra, C., Finkelstein, E.A., 2016. Are Efficient Designs Used in Discrete Choice Experiments Too Difficult for Some Respondents? A Case Study Eliciting Preferences for End-of-Life Care. PharmacoEconomics 34, 273-284.
Fosgerau, M., Mabit, S.L., 2013. Easy and flexible mixture distributions. Economics Letters 120, 206-210.
Gerds, M., 2012. Requirements towards and Discrimination against Agricultural Workers - Evidence from a Discrete Choice Experiment among East German Farms. Agricultural Economics Review 13, 48-75.
Ghosh, S., Maitra, B., Das, S.S., 2013. Effect of Distributional Assumption of Random Parameters of Mixed Logit Model on Willingness-to-Pay Values. Procedia - Social and Behavioral Sciences 104, 601-610.
Godart, F.C., Mears, A., 2009. How Do Cultural Producers Make Creative Decisions? Lessons from the Catwalk. Social Forces 88, 671-692.
Green, C., Gerard, K., 2009. Exploring the social value of health-care interventions: a stated preference discrete choice experiment. Health Economics 18, 951-976.
Greene, W.H., Hensher, D.A., 2003. A latent class model for discrete choice analysis: contrasts with mixed logit. Transportation Research Part B: Methodological 37, 681-698.
Greene, W.H., Hensher, D.A., Rose, J., 2006. Accounting for heterogeneity in the variance of unobserved effects in mixed logit models. Transportation Research Part B: Methodological 40, 75-92.
Hensher, D.A., 2001. The valuation of commuter travel time savings for car drivers: evaluating alternative model specifications. Transportation 28, 101-118.
Hensher, D.A., Greene, W.H., 2003. The Mixed Logit model: The state of practice. Transportation 30, 133-176.
Hess, S., Polak, J.W., 2005. Distributional assumptions in mixed logit models (Report), Arbeitsberichte Verkehrs und Raumplanung. Eidgenossische Technische Hochschule Zurich, IVT, Institut fur Verkehrsplanung und Transportsysteme, 1-26.
Humburg, M., van der Velden, R., 2015. Skills and the graduate recruitment process: Evidence from two discrete choice experiments. Economics of Education Review 49, 24-41.
Kamakura, W.A., Russell, G.J., 1989. A Probabilistic Choice Model for Market Segmentation and Elasticity Structure. Journal of Marketing Research 26, 379-390.
Lancaster, K.J., 1966. A New Approach to Consumer Theory. Journal of Political Economy 74, 132-157.
Lancsar, E., Louviere, J., 2008. Conducting Discrete Choice Experiments to Inform Healthcare Decision Making. Pharmacoeconomics 26, 661-677.
Louviere, J.J., Flynn, T.N., Carson, R.T., 2010. Discrete Choice Experiments Are Not Conjoint Analysis. Journal of Choice Modelling 3, 57-72.
Louviere, J.J., Hensher, D.A., 1983. Using Discrete Choice Models with Experimental Design Data to Forecast Consumer Demand for a Unique Cultural Event. Journal of consumer research 10, 348-360.
Louviere, J.J., Hensher, D.A., Swait, J.D., 2000. Stated choice methods: analysis and applications. Cambridge University Press, Cambridge, 20-189.
Louviere, J.J., Pihlens, D., Carson, R., 2011. Design of Discrete Choice Experiments: A Discussion of Issues That Matter in Future Applied Research. Journal of Choice Modelling 4, 1-8.
Louviere, J.J., Street, D., Burgess, L., Wasi, N., Islam, T., Marley, A.A.J., 2008. Modeling the choices of individual decision-makers by combining efficient choice experiment designs with extra preference information. Journal of Choice Modelling 1, 128-164.
Luce, R.D., 1959. On the possible psychophysical laws. Psychological Review 66, 81-95.
Luce, M.F., 1998. Choosing to Avoid: Coping with Negatively Emotion-Laden Consumer Decisions. J Consum Res 24, 409-433.
Malhotra, N., Birks, D., 200. Marketing Research: an applied approach. Pearson Education, 1-835.
Manski, C.F., 1977. The structure of random utility models. Theor Decis 8, 229-254.
Marley, A.A.J., 1968. Some probabilistic models of simple choice and ranking. Journal of Mathematical Psychology 5, 311-332.
McFadden, D., 1974. The measurement of urban travel demand. Journal of Public Economics 3, 303-328.
McFadden, D., 1986. The Choice Theory Approach to Market Research. Marketing Science 5, 303-328.
McFadden, D., Train, K., 2000. Mixed MNL models for discrete response. Journal of Applied Econometrics 5(4), 275-297
Mears, A., 2010. Size zero high-end ethnic: Cultural production and the reproduction of culture in fashion modeling. Poetics 38, 21-46.
Mears, A., 2014. Seeing culture through the eye of the beholder: four methods in pursuit of taste. Theory and Society, 43(3-4), 291-309.
Mears, A., Finlay, W., 2005. Not Just a Paper Doll: How Models Manage Bodily Capital and Why They Perform Emotional Labor. Journal of Contemporary Ethnography 34, 317-343.
Mincer, J., 1974. Schooling, experience, and earnings, Human behavior and social institutions. Columbia University Press, 45-63.
Montgomery, M., 2002. A nested logit model of the choice of a graduate business school. Economics of Education Review 21, 471-480.
Murphy, J.J., Allen, P.G., Stevens, T.H., Weatherhead, D., 2005. A Meta-analysis of Hypothetical Bias in Stated Preference Valuation. Environ Resource Econ 30, 313-325.
Ryan, M., 1999. Using conjoint analysis to take account of patient preferences and go beyond health outcomes: an application to in vitro fertilisation. Social Science & Medicine 48, 535-546.
Ryan, M., Hughes, J., 1997. Using Conjoint Analysis to Assess Women’s Preferences for Miscarriage Management. Health Economics 6, 261-273.
Sarrias, M., Daziano, R., 2017. Multinomial Logit Models with Continuous and Discrete Individual Heterogeneity in R: The gmnl Package. Journal of Statistical Software 79, 2-40.
Street, D.J., Burgess, L., Louviere, J.J., 2005. Quick and easy choice sets: Constructing optimal and nearly optimal stated choice experiments. International Journal of Research in Marketing 22, 459-470.
Train, K., 2016. Mixed logit with a flexible mixing distribution. Journal of Choice Modelling 19, 40-53.
Train, K.E., 2009. Discrete Choice Methods with Simulation. Cambridge University Press, 15¬168.
Thurstone, L.L., 1927. A law of comparative judgment. Psychological Review 34, 273-286.
van Beek, K.W.H., Koopmans, C.C., van Praag, B.M.S., 1997. Shopping at the labour market: A real tale of fiction. European Economic Review 41, 295-317.
Vooren, M., Haelermans, C., Groot, W., Maassen van den Brink, H., 2019. Employers’ preferences for IT-retrainees: evidence from a discrete choice experiment. International Journal of Manpower 40, 1273-1287.
Verma, R., Plaschka, G.R., Hanlon, B., Livingston, A., Kalcher, K., 2008. Predicting customer choice in services using discrete choice analysis. IBM Syst. J. 47, 179-191.
Ziegler, A., 2012. Individual characteristics and stated preferences for alternative energy sources and propulsion technologies in vehicles: A discrete choice analysis for Germany. Transportation Research Part A: Policy and Practice 46, 1372-1385.