SP5. Prototipo software per la simulazione di modelli di billing di

Transcript

1 SP5 Prototipo software per la simulazione di modelli di billing di tipo PPEV

2 1

3 Indice 1. INTRODUZIONE 4 2. GENERAZIONE DI UN DISEGNO ORTOGONALE 6 3. VISUALIZZAZIONE DEL DISEGNO ORTOGONALE E CREAZIONE DI STIMOLI SPERIMENTALI ESECUZIONE DELL ANALISI CONJOINT RISULTATI DELL ANALISI CONJOINT 20 2

4 3

5 1. Introduzione Una volta definito il modello di Conjoint Analysis più adatto alla stima delle utilità marginali per livelli esperienziali di fruizione di un Neoluogo, partendo dalle preferenze globali espresse dagli intervistati sull'insieme delle caratteristiche di fruizione, è necessario il ricorso ad un software che sia in grado di ottenere le stime di tali utilità marginali a partire dalle preferenze espresse. Tra le varie alternative possibili, si è scelto di utilizzare la release 22 del software SPSS Statistics, prodotto e commercializzato da IBM. Tale scelta è stata dettata, da un lato, da criteri di economicità, dall'altro, da criteri di flessibilità e semplicità di utilizzo. L'impiego di altri software specificamente ed esclusivamente dedicati alla Conjoint Analysis, come ad esempio quelli sviluppati da Sawtooth Software o quelli inclusi nel pacchetto R-sw Conjoint Analysis di Demia Studio Associato, avrebbe comportato infatti un costo eccessivo, imputabile all'offerta di servizi aggiuntivi non indispensabili, come ad esempio la disponibilità di una piattaforma web per la raccolta delle preferenze degli intervistati. L'utilizzo di SPSS 22, invece, se da un lato permette di ridurre tale costo, dall'altro consente il pieno raggiungimento degli obiettivi realizzativi del task 4.3, fornendo tutte le stime necessarie per lo studio del Pay Per Experience Value (PPEV), come le utilità marginali e, di conseguenza, la Willingness To Pay (WTP) per livelli esperienziali di fruizione, e anche alcune statistiche aggiuntive, come ad esempio il numero di inversioni. Infine, prevedendo già uno specifico modulo Conjoint Analysis, la release 22 di SPSS permette un rapido e semplice utilizzo delle funzioni e dei comandi già pre-impostati, senza dover ricorrere ad un linguaggio di programmazione. Queste brevi linee guida vogliono rappresentare un semplice e mirato strumento di ausilio per l implementazione di un indagine di Conjoint Analysis metrica, finalizzata alla stima delle utilità marginali legate a livelli esperienziali di fruizione, senza presunzioni di esaustività nella trattazione delle diverse tecniche di Conjoint Analysis e delle molteplici funzionalità del software utilizzato. Ciononostante, si cercherà comunque di contestualizzare le scelte, operate per la definizione del disegno di indagine Conjoint, all interno delle possibili alternative offerte dal software. La trattazione delle linee guida è strutturata come segue. Nel secondo paragrafo si illustreranno tutti i passaggi necessari per la generazione della matrice ortogonale che contiene tutte (disegno fattoriale pieno) o solo alcune (disegno fattoriale frazionario) delle possibili combinazioni dei differenti livelli dei fattori che costituiscono le caratteristiche del Neoluogo (nell'esempio proposto tre differenti Point of Interest, ognuno con due livelli, e il prezzo di 4

6 fruizione, con tre livelli). Nel terzo paragrafo, invece, si illustrerà la procedura per la creazione dei c.d. stimoli sperimentali, ovvero dei profili di fruizione da sottoporre alla valutazione dell intervistato, attraverso la visualizzazione del disegno. Dopo aver descritto le procedure per la generazione del disegno ortogonale, la creazione degli stimoli sperimentali e la rilevazione delle preferenze degli intervistati, è possibile passare alla trattazione dell esecuzione dell analisi Conjoint, affrontata nel quarto paragrafo, in cui ci si concentrerà sui requisiti richiesti per l esecuzione, le specifiche del file del piano ortogonale e del file di dati sulle preferenze, nonché sull immissione dei comandi di sintassi per poter lanciare l esecuzione. Il quinto e ultimo paragrafo, infine, sarà dedicato alla descrizione dei risultati ottenuti nell' analisi Conjoint qui proposta come esempio esplicativo per l utilizzo del software. 5

7 2. Generazione di un disegno ortogonale Il punto di partenza per l implementazione, e la successiva esecuzione, di una Analisi Conjoint è rappresentato dalla definizione delle combinazioni dei livelli dei fattori che si intende sottoporre alla valutazione degli intervistati. L insieme di tali combinazioni, detto matrice o disegno ortogonale, può identificare gli effetti principali per ogni livello di fattore (nel caso di disegno fattoriale frazionario) o anche le interazioni tra un fattore e i livelli di un altro fattore (nel caso di disegno fattoriale pieno). Nell esempio qui proposto 1, dato l eccessivo numero di possibili combinazioni, si procede alla creazione di un disegno fattoriale frazionario. Tuttavia, non si segue la procedura standard di frazionamento di SPSS, basata sull eliminazioni casuale di alcuni stimoli, ma si procede dapprima alla generazione di tutte le possibili combinazioni di livelli dei fattori, per poi eliminare manualmente, attraverso un frazionamento ragionato, quei profili c.d. dominanti o dominati, ovvero quelle combinazioni irrealistiche di livelli dei fattori. La procedura Genera disegno ortogonale permette così la creazione di un file di dati contente un insieme di profili di fruizione, dato dalle possibili combinazioni di livelli dei fattori (ovvero delle modalità delle caratteristiche dell offerta complessiva di fruizione). Per generare un disegno ortogonale, dal menù di SPSS 22, scegliere Dati > Progettazione ortogonale > Genera. Attraverso la finestra di dialogo che si apre, è così possibile definire i fattori del disegno, nel nostro caso le diverse caratteristiche che compongono l offerta complessiva di fruizione di un Neoluogo, ovvero i 3 POI, più il fattore monetario. Nella casella di testo Nome fattore, si procede ad inserire il nome del primo fattore, ovvero POI1, a cui è possibile assegnare un etichetta opzionale, nel nostro esempio Museo (Figura lato sinistro). Per aggiungere il fattore così definito al piano ortogonale è sufficiente fare clic su Aggiungi. Si ripete la stessa procedura per il fattore POI2 con Etichetta Palazzo storico, per il POI3 con Etichetta Pasto e, infine, per il fattore monetario price con Etichetta Costo di fruizione, che rappresenta il prezzo di fruizione complessivo per lo specifico profilo di fruizione a cui è associato. 1 Tale esempio rappresenta il caso riportato nella relazione finale sul PPEV e nel TRIAL 1 descritto nella relativa appendice. 6

8 Fig Finestra di dialogo Genera progettazione ortogonale 7

9 Una volta terminata la procedura di inserimento di tutti i fattori, si otterrà un elenco (Figura lato destro), in cui ad ogni fattore segue la relativa etichetta, riportata tra virgolette e infine un punto interrogativo riportato tra parentesi. Quest ultimo sta ad indicare che ancora non sono stati specificati i livelli dei fattori. Per far ciò è sufficiente selezionare dall elenco i fattori uno per volta e fare clic su Definisci valori. Così, ad esempio, selezionando il fattore POI1, procediamo a definirne i relativi valori, attribuendo a ciascuno di essi un etichetta descrittiva, ovvero lo specifico significato che acquista un diverso valore del fattore e che verrà visualizzato dal rispondente. Per il fattore POI1, Museo, definiamo due valori, il valore 1 a cui è associato una visita tradizionale e il valore 2 a cui è associato una visita multimediale, che assumiamo rappresenti una visita di tipo più esperienziale rispetto a quella tradizionale (Figura 2.2) Fig Finestra di dialogo Genera progettazione ortogonale: Definisci valori Facendo clic su Continua, procediamo allo stesso modo per gli altri fattori. Per il POI2, Palazzo storico, definiamo due valori, al valore 1 associamo un etichetta di visita tradizionale e al valore 2 una visita con story telling (fruizione di tipo esperienziale); per il POI3 Pasto definiamo due 8

10 valori, al valore 1 associamo un etichetta non incluso e al valore 2 un etichetta percorso enogastronomico (fruizione di tipo esperienziale); per il fattore monetario, price, definiamo 3 diversi valori, per il valore 18 associamo un etichetta Euro 18, per il valore 26 un etichetta Euro 26, per il valore 34 un etichetta Euro 34. La definizione delle etichette associate a specifici valori dei fattori è utile, come si vedrà in seguito, per la definizione dei profili (le c.d. plan card o semplicemente card) da somministrare agli intervistati. Ovviamente, per i 3 POI abbiamo assegnato al valore più basso una visita di tipo tradizionale e al valore più alto una visita di tipo esperienziale. Anche per il fattore monetario abbiamo assegnato al valore più basso un prezzo di fruizione (complessivo) più basso e, viceversa, al valore più alto un prezzo di fruizione più alto. È da notare, inoltre, come nel caso del fattore monetario non sia necessario assegnare dei codici ai differenti livelli, essendo il prezzo una variabile quantitativa. Terminata la procedura di definizione dei valori di ogni singolo fattore, nella finestra di dialogo Genera progettazione ortogonale, appariranno nell elenco tutti i fattori con i rispettivi valori e le etichette assegnati a questi ultimi (Figura 2.3) Fig Finestra di dialogo Genera progettazione ortogonale con valori definiti 9

11 Facendo clic su Opzioni, sempre nella finestra di dialogo Genera progettazione ortogonale, possiamo definire il Numero minimo di casi da generare. Qualora si voglia generare un disegno fattoriale frazionario, attraverso una selezione casuale, si può inserire il numero di casi che si preferisce generare e che si considera congruo con il proprio obiettivo di indagine. Tuttavia, essendo presente nel nostro disegno di indagine anche il fattore monetario, il frazionamento casuale del numero di profili da somministrare agli intervistati, avrebbe generato alcune combinazioni di livelli dei fattori (i profili appunto) irrealistiche. Per ovviare a tale problema, come detto in precedenza, si è preferito procedere ad un frazionamento ragionato, attraverso l eliminazioni di profili irrealistici. Per far ciò, quindi, abbiamo proceduto dapprima a generare un numero di profili pari a tutte le possibili combinazioni di livelli dei fattori (generando di fatto un disegno fattoriale pieno), per poi procedere ad una eliminazione manuale e ragionata di quei profili dominanti (dati dalla combinazione di livelli di fruizione più esperienziali e prezzo più basso) o dominati (livelli di fruizione tradizionale e prezzo più alto) per evitare di sottoporre agli intervistati combinazioni irrealistiche e, di conseguenza, ottenere risposte e stime distorte. Pertanto, abbiamo specificato un Numero minimo di casi da generare pari a 24 (Figura 2.4), risultante da tutte le possibili combinazioni di livelli dei fattori, ottenuto moltiplicando tutti i livelli di ciascun fattore (2*2*2*3 = 24). Fig Genera progettazione ortogonale: Opzioni 10

12 Facendo clic cu Continua, la procedura di generazione del piano ortogonale è terminata. Facendo clic su OK, nella finestra di dialogo Genera disegno ortogonale, nell Editor dei dati viene visualizzato il disegno ortogonale (Figura 2.5). Fig Disegno ortogonale generato Nel caso in cui si visualizzassero i valori dei dati effettivi (quelli risultanti dalla codificazione effettuata) anziché le etichette dei valori, come mostrato in Figura 2.5, dal menu Visualizza si può selezionare Etichette dei valori. Come detto in precedenza, si è scelto di generare un disegno fattoriale pieno, per poi procedere ad eliminazione manuale e ragionata delle combinazioni irrealistiche, anziché utilizzare la procedura di frazionamento casuale eseguibile automaticamente in SPSS. Del disegno fattoriale pieno generato si è quindi proceduto a mantenere soltanto quei profili, le c.d. card, risultanti da combinazioni realistiche di livelli dei fattori. Tali profili sono evidenziati in giallo in Figura 2.5. I restanti profili irrealistici, quelli non evidenziati, sono stati pertanto eliminati, selezionando dal menu contestuale il tasto cancella. In tal modo si è ottenuto, 11

13 in modo ragionato, un disegno fattoriale frazionato contenente soltanto 6 card da somministrare agli intervistati, ciascuna corrispondente ad una riga. Le variabili nel file di dati (POI1, POI2, POI3, price) sono i fattori utilizzati in precedenza per specificare il disegno ortogonale, mentre le altre due variabili aggiuntive CARD_ e STATUS_ rappresentano, rispettivamente, il numero progressivo assegnato ad ogni profilo che viene utilizzato come identificativo 2 e l indicazione dell appartenenza del profilo al disegno sperimentale 3. L ultimo passo consiste nel salvare il file di dati. Il software offre la possibilità di scegliere di salvare il disegno ortogonale in un nuovo insieme di dati nella sessione corrente, attraverso l opzione Crea nuovo dataset, oppure creare un nuovo file di dati esterno, attraverso l opzione Crea un nuovo file di dati. Abbiamo scelto quest ultima opzione facendo clic su File per specificare un nome e una destinazione per il file. Abbiamo definito un nome per il file del disegno ortogonale, profili_ppev_3poi_trial_1.sav, e scelto una cartella in cui salvare tutti gli altri file spss relativi a questa applicazione. La destinazione del file del disegno 'F:/RESEARCH/myspss/trial_1/profili_ppev_3poi_trial_1.sav', così come quella del file relativo alle preferenze rilevate tra gli intervistati, non dovrà cambiare, in quanto, come si vedrà in seguito, dovrà essere riportata nella sintassi dei comandi che permette l esecuzione dell analisi. 2 Successivamente all eliminazione dei profili irrealistici, i numeri progressivi sono ovviamente compresi tra 1 e 6. 3 Nel nostro caso la variabile STATUS_ è sempre Disegno ad indicare, appunto, l appartenenza dei profili al disegno sperimentale. Tale variabile avrebbe potuto indicare anche Controllo o Simulazione, nel caso in cui si fossero generati, rispettivamente, dei casi per il controllo della validità del modello specificato o dei casi di simulazione. 12

14 3. Visualizzazione del disegno ortogonale e creazione di stimoli sperimentali A questo punto è possibile visualizzare il disegno ortogonale generato. Sempre dal menu è possibile scegliere Dati > Progettazione ortogonale > Visualizza e cliccare su Apri File di Dati. Tale file va cercato e poi selezionato nella cartella in cui è stato salvato, seguendo il percorso di destinazione su specificato. Aperto il file di dati nell Editor, otteniamo la finestra di dialogo Visualizza progettazione, mostrata in Figura 3.1. Fig Finestra di dialogo Proprietà visualizzazione disegno Da tale finestra è possibile scegliere le variabili che si intende visualizzare. Nel nostro caso si è proceduto a selezionare tutte le variabili di fruizione, ovvero i 3 POI e il fattore monetario, non essendo necessario selezionare le variabili STATUS_ e CARD_, essendo incluse automaticamente nell output delle stime. Da tale finestra di dialogo, è possibile scegliere, inoltre, due differenti modalità di visualizzazione delle card da somministrare, che rappresentano i diversi possibili profili di fruizione. Scegliendo Elenco per lo sperimentatore nel gruppo Formato si visualizza l insieme dei profili in una tabella unica (Figura 3.2). 13

15 Fig Visualizzazione card a tabella singola ID scheda Museo Palazzo storico pasto costo di fruizione 1 visita tradizionale visita tradizionale non incluso Euro 18 2 visita tradizionale visita tradizionale enogastronomico Euro 26 3 visita multimediale visita con story telling non incluso Euro 26 4 visita tradizionale visita con story telling enogastronomico Euro 26 5 visita multimediale visita tradizionale enogastronomico Euro 26 6 visita multimediale visita con story telling enogastronomico Euro 34 Selezionando invece Profili per i soggetti si ottiene una tabella distinta per ogni profilo di fruizione, rendendo più agevole la somministrazione delle relative card all intervistato, come mostrato in Figura 3.3 Fig Visualizzazione card a più tabelle Numero del profilo 1 ID scheda Museo Palazzo storico pasto costo di fruizione 1 visita tradizionale visita tradizionale non incluso Euro 18 Numero del profilo 2 ID scheda Museo Palazzo storico pasto costo di fruizione 2 visita tradizionale visita tradizionale percorso enogastronomico Euro 26 Numero del profilo 3 ID scheda Museo Palazzo storico pasto costo di fruizione 3 visita multimediale visita con story telling non incluso Euro 26 14

16 Numero del profilo 4 ID scheda Museo Palazzo storico pasto costo di fruizione 4 visita tradizionale visita con story telling non incluso Euro 26 Numero del profilo 5 ID scheda Museo Palazzo storico pasto costo di fruizione 5 visita multimediale visita tradizionale percorso enogastronomico Euro 26 Numero del profilo 6 ID scheda Museo Palazzo storico pasto costo di fruizione 6 visita multimediale visita con story telling percorso enogastronomico Euro 34 Ad ogni intervistato è chiesto, quindi, di esprimere una propria preferenza su ciascuno dei 6 profili di fruizione. Come si vedrà, il tipo di preferenza richiesta è di tipo SCORE, e il punteggio è compreso tra 1 e 10. È possibile ora passare alla fase di esecuzione dell analisi Conjoint, utilizzando il file di dati (il disegno ortogonale) così costruito, il file di dati contenente le preferenze espresse dagli intervistati e il file contenente la sintassi dei comandi necessari per l esecuzione dell analisi. 15

17 4. Esecuzione dell analisi Conjoint Per creare il file in cui riportare le preferenze rilevate per i profili di fruizione, attraverso la somministrazione delle card agli intervistati, è sufficiente utilizzare un Editor di dati, che presenta la stessa estensione di quello utilizzato per il disegno ortogonale e, ovviamente, nominarlo in maniera differente. Dal Menu > File > Nuovo > Dati apriamo il nuovo Editor dei dati e inseriamo le preferenze espresse da ciascun dei 50 intervistati, a cui è assegnato un ID progressivo, per ognuna delle 6 card che, come detto in precedenza, corrispondono ai 6 profili di fruizione risultanti dal disegno fattoriale frazionario precedentemente definito. Fig File di dati delle preferenze Ad esempio, l intervistato con l ID 7 ha espresso una preferenza massima per il profilo di fruizione corrispondente alla card1, e una preferenza minima per la card6, denotando un profilo di consumatore/fruitore orientato al contenimento dei costi, piuttosto che all esperienzialità della fruizione. 16

18 Si procede, quindi, a salvare il file delle preferenze, preferenze_ppev_3poi_trial_1, nella stessa cartella creata per il file del disegno ortogonale, definendo quindi il seguente percorso 'F:/RESEARCH/myspss/trial_1/preferenze_ppev_3poi_trial_1.sav'. Il terzo e ultimo file necessario per l esecuzione dell analisi Conjoint è quello contenente la sintassi dei comandi. Dal Menu > File > Nuovo > Sintassi apriamo un nuovo Editor di Sintassi. Nella prima riga dell Editor di sintassi (Figura 4.2) si va specificare il comando CONJOINT seguito dal sottocomando PLAN per specificare il file di dati che contiene il disegno ortogonale, nel nostro caso profili_ppev_3poi_trial_1.sav e il relativo percorso per trovare tale file nella cartella specifica. Il sottocomando SUBJECT specifica, invece, che il soggetto intervistato è identificato dalla variabile ID. Il sottocomando FACTORS specifica il tipo di relazione prevista tra i dati relativi alle preferenze espresse dagli intervistati e i livelli di fattore. I fattori che vengono qui specificati si riferiscono, ovviamente, alle variabili definite nel file del piano ortogonale specificato nel sottocomando PLAN. Fig File della sintassi dei comandi Per tutti i fattori qui utilizzati si utilizza la parola chiave LINEAR, in quanto si ipotizza che i dati delle preferenze siano correlati in modo lineare al fattore, in altri termini si ipotizza 17

19 una relazione lineare tra le preferenze e i diversi livelli di ogni singolo fattore 4. Le parole chiave MORE e LESS che seguono LINEAR indicano, invece, la direzione presumibile della relazione lineare ipotizzata. Nel nostro caso, la parola chiave MORE viene utilizzata per i fattori rappresentati dai 3 POI, in quanto è plausibile ipotizzare una preferenza maggiore per un livello maggiore di fruizione, ovvero per una fruizione di tipo esperienziale, rispetto ad una di tipo tradizionale; utilizziamo, invece, la parola chiave LESS per il fattore monetario, il fattore price, in quanto è lecito attendersi che vi sia una preferenza maggiore per un livello minore di prezzo. L utilizzo delle opzioni MORE e LESS non incide né sulle stime delle utilità parziali né su quelle dei coefficienti del modello di regressione, ma consente di ottenere il numero di inversioni, ovvero di identificare tutti quei soggetti le cui preferenze si sono rilevate inverse rispetto alla direzione ipotizzata della relazione lineare. Il sottocomando SCORE specifica la modalità con cui sono stati registrati i dati di preferenza, indicando che, nella tabella rappresentata in Figura 4.1, ad ogni punto di dati corrisponde un punteggio di preferenza, da 1 (meno preferito) a 10 (più preferito) assegnato dall intervistato ai profili, partendo dal punteggio relativo al profilo 1 (card1) fino (to) al punteggio del profilo 6 (card6). Le altre due possibili modalità di registrazione dei dati - non utilizzate in questo esercizio - sono quella RANK, utilizzata quando si richiede agli intervistati di attribuire ad ogni profilo una classificazione da 1 a n, dove n rappresenta il numero di profili; e quella SEQUENCE, utilizzata quando agli intervistati è richiesto di classificare i profili proposti dal più al meno preferito. Il sottocomando PRINT permette di specificare quali risultati visualizzare nell output. Specificando Analysis, si ottengono solo i risultati dell analisi, specificando Simulations, solo i risultati della simulazione (non eseguita nel nostro caso), Summary only, invece, consente di ottenere solo i risultati complessivi dell analisi, senza quelli relativi a ciascun intervistato. Specificando, 4 Oltre il modello LINEAR, si può utilizzare anche altri modelli. Il modello DISCRETE, ad esempio, indica che i livelli di fattore sono variabili categoriali e non viene ipotizzato alcun tipo di relazione tra il fattore e le classificazioni o i punteggi. È l impostazione predefinita. Il modello IDEAL, invece, indica una relazione quadratica prevista tra le classificazioni o i punteggi e i livelli dei fattori. Si suppone, quindi, l esistenza di un livello ideale per il fattore e la distanza da questo punto (in entrambe le direzioni) è associata a una riduzione della preferenza. Il fattore a cui viene applicato un simile modello devono, ovviamente, possedere almeno tre livelli. Infine, il modello ANTIIDEAL indica una relazione quadratica prevista tra le classificazioni o i punteggi e i livelli del fattore. Si suppone, in questo caso, l esistenza di un livello peggiore per il fattore e la distanza da questo punto (in entrambe le direzioni) è associata a un aumento della preferenza. Anche in questo caso il fattore descritto con questo modello deve possedere almeno tre livelli. 18

20 come nel nostro caso, All si ottengono tutti i risultati. Allo stesso modo, il sottocomando PLOT consente di specificare quali grafici includere nell output. Nel nostro caso, specificando All si è deciso di ottenere in forma grafica sia i risultati riassuntivi sia quelli relativi a ciascun intervistato. Infine, il sottocomando UTILITY consente di creare un file di dati, in cui vengono riportate alcune informazioni per ciascun intervistato. Tale sottocomando è seguito dal nome del file e dal percorso che consente di risalire alla cartella in cui tale file è salvato, come si evince dalla riga 9 del file della sintassi dei comandi rappresentato in Figura 4.2. Una volta definiti tutti i comandi e i sottocomandi necessari, è possibile salvare il file della sintassi dei comandi. Nel nostro caso abbiamo scelto syntax_ppev_3poi_trial_1 utilizzando la stessa cartella di destinazione degli altri due file di dati, quello dei profili e quello delle preferenze, ovvero seguendo il percorso 'F:/RESEARCH/myspss/trial_1/ syntax_ppev_3poi_trial_1.sps'. Come si nota, l estensione del file di sintassi è (.sps), diversamente dagli altri due file di dati con estensione (.sav). A questo punto occorre chiudere il programma, in quanto nella sintassi dei comandi non si è specificato di utilizzare file di uso corrente. Una volta riaperto il software, per procedere con l esecuzione dell analisi è necessario lanciare soltanto la serie di comandi specificati, in quanto gli altri due file sono in questo richiamati con il proprio percorso. Da Menu > File > Apri > Sintassi e seguendo il percorso su specificato si sceglie il file salvato con il nome syntax_ppev_3poi_trial_1. Dal menu della finestra dell Editor di sintassi, selezionando Esegui e scegliendo Tutto si procede finalmente con l esecuzione dell analisi e la visualizzazione dei risultati. Il file, con estensione (.spv), che contiene tutti i risultati che si è scelto di visualizzare, viene nominato Output_ppev_3poi_trial_1 e salvato nella stessa cartella in cui sono stati salvati tutti gli altri file relativi alla stessa analisi Conjoint. 19

21 5. Risultati dell analisi Conjoint Oltre i risultati in forma grafica, che sono integralmente riportati nel Trial 1 nell Appendice allegata al Report PPEV, e le statistiche relative ad ogni singolo intervistato, i principali risultati che si ottengono dall analisi Conjoint sono contenuti nella prima sezione del file di Output che riguarda la Descrizione del modello di analisi Conjoint utilizzato (Tabella 5.1) e alcune statistiche descrittive dei fattori (Tabella 5.2) e nella sezione dedicata alle Statistiche complessive. Tab Descrizione modello N. livelli Relazione con ranghi o punteggi *** poi1 2 Lineare (superiore a) poi2 2 Lineare (superiore a) poi3 2 Lineare (superiore a) price 3 Lineare (minore di) Tab Statiche delle V di Cramer poi1 poi2 poi3 price poi1 1,333,000,577 poi2,333 1,000,577 poi3,000,000 1,661 price,577,577,661 1 Nella sezione dedicata alla Statistiche complessive, visualizziamo le stime delle utilità parziali (Tabella 5.3) e dei coefficienti di regressione (Tabella 5.4), i Valori di importanza (Tabella 5.5), i coefficienti di correlazione (Tabella 5.6) e le Inversioni (Tabelle 5.7 e 5.8). 20

22 Tab Utilità parziali (part-worths) Stima di utilità Errore std. poi1 poi2 poi3 visita tradizionale 2,405,410 visita multimediale (esperienziale) 4,810,820 visita tradizionale 2,165,410 visita con story telling (esperienziale) 4,330,820 non incluso 3,410,537 percorso enogastronomico (esperienziale) 6,820 1,074 Euro 18-9,855 1,395 price Euro 26-14,235 2,015 Euro 34-18,615 2,635 (Costante) 7,740,727 Nella Tabella 5.3 sono riportati i punteggi di utilità e i relativi errori standard riferiti ad ogni livello dei vari fattori. Punteggi di utilità più alti indicano ovviamente una maggiore preferenza associata al rispettivo livello. Per i 3 POI considerati, come ci attendevamo, ad un livello più alto dei fattori, corrisponde un utilità maggiore, mentre a livelli più elevati del fattore monetario corrisponde una disutilità maggiore, ovvero una minore utilità, essendo il segno delle stime di utilità negativo. Tab Coefficienti Coefficiente B Stima poi1 2,405 poi2 2,165 poi3 3,410 price -,548 21

23 Alle stesse conclusioni si giunge considerando i coefficienti di regressione lineare presentati in Tabella 5.4. I dati contenuti in Tabella 5.3 e in Tabella 5.4 rappresentano i risultati più utili ottenibili attraverso un analisi Conjoint, in quanto permettono di giungere alla stima della Disponibilità marginale a pagare, la Marginal Willingness To Pay (MWTP) per uno specifico livello di fattore, ovvero per il livello esperienziale di fruizione di ciascun POI. Attraverso la seguente equazione, si riesce infatti a stimare la MWTP per il livello esperienziale e quello tradizionale di fruizione per ogni POI. Dalla differenza tra la MWTP per il livello esperienziale e la MWTP per il livello tradizionale si ottiene infine il Pay Per Experience Value (PPEV), che rappresenta l obiettivo ultimo della seconda parte del task 4.3 dell OR4. Un altro risultante interessante è fornito da una misura dell importanza del fattore nella preferenza complessiva espressa (Tabella 5.5). Tab Valori di importanza poi1 14,196 poi2 13,152 poi3 22,185 price 50,468 Tale tabella fornisce una misura dell importanza relativa di ogni fattore. Il valori, rappresentati in termini percentuali, sono calcolati considerando, per ogni intervistato, l intervallo di utilità del singolo fattore (utilità massima - utilità minima) e dividendo la somma degli intervalli di utilità per tutti i fattori. I valori di importanza relativa mostrati in Tabella 5.5 rappresentano una media dei valori d importanza calcolati separatamente per ogni individuo intervistato. 22

24 Nella sezione delle statistiche complessive, vengono inoltre riportati due indicatori statistici, R di Pearson e Tau di Kendall (Tabella 5.6), che offrono una misura della correlazione tra le preferenze osservate e le preferenze stimate. Tab Coefficienti di correlazione Valore Sig. R di Pearson,990,000 Tau di Kendall,867,007 Un valore basso prossimo allo zero per entrambi gli indici, indica una bassa correlazione e quindi una scarsa validità del modello di stima, viceversa, un indice alto prossimo ad uno, indica una correlazione alta e, pertanto, conferma la validità del modello. Nel nostro caso, entrambi gli indici sono prossimo ad uno, ad indicare la validità della specificazione del modello. Infine, avendo impostato una direzione prevista (LESS per il fattore monetario e MORE per i 3 POI) per la relazione lineare tra i livelli dei fattori e la preferenza espressa dagli intervistati, è possibile calcolare il numero di Inversioni per ciascun fattore, ovvero il numero di individui le cui preferenze si sono rivelate opposte alla direzione prevista della relazione lineare. (Tabella 5.7). Tab Numero di inversioni poi3 8 Fattore price 7 poi2 5 poi1 3 Nel caso in esame, ad esempio, per 8 individui il livello esperienziale di fruizione per il POI2, costituito dal Palazzo storico è associato ad un utilità minore, mentre per 7 individui un prezzo maggiore non è associato ad una disutilità maggiore. Risalendo al numero identificativo degli 23

25 intervistati per cui si manifesta un inversione di preferenza per un fattore, i casi di Inversione costituiscono un ottimo strumento per un analisi per sottogruppi di fruitori, in base a informazioni socio-economiche precedentemente raccolte sul campione di intervistati, e per una successiva differenziazione dell offerta di fruizione di un Neoluogo. 24