КОРРЕЛЯЦИОННЫЙ АНАЛИЗ ФАКТОРОВ, ВЛИЯЮЩИХ НА ПОКУПКУ ВИРТУАЛЬНЫХ ТОВАРОВ

Цифровизация экономики и повседневной жизни привела к формированию обширного рынка виртуальных благ, включающего внутриигровые предметы, цифровые подписки, NFT-активы и другой нематериальный контент [3, с. 190]. Данный анализ проведен с целью выявления взаимосвязей между различными факторами, влияющими на поведение потребителей на рынке цифровых и виртуальных товаров. В период с 8 по 11 января 2026 года был проведен онлайн-опрос, в котором приняли участие 52 респондента. Целью данного исследования, является количественная оценка силы и направленности влияния ключевых социально-экономических факторов на потребление виртуальных товаров. Были выдвинуты и проверены следующие гипотезы: H1 – Частота совершения покупок отрицательно коррелирует с возрастом респондента. H2 – Приемлемый для пользователя уровень разовых расходов на виртуальный товар положительно коррелирует с его доходом. H3 – Частота покупок выше среди респондентов, чей основной род деятельности связан с обучением (школьники, студенты). H4 – Количество различных категорий потребляемых виртуальных товаров положительно коррелирует с доходом респондента. Анкета включала блоки вопросов о демографических характеристиках, финансовом положении, частоте и структуре потребления цифровых товаров.

Для проверки выдвинутых гипотез был применен корреляционный анализ. Выбор метода измерения связи определялся шкалой измерений исследуемых переменных [2, с. 271]. Для анализа связи между количественными и порядковыми переменными использовался коэффициент линейной корреляции Пирсона (r). Для проверки гипотезы H3, применялся коэффициент точечно-бисериальной корреляции (rpb), являющийся частным случаем коэффициента Пирсона. Перед анализом категориальные данные анкеты были преобразованы в числовые шкалы. Возраст и доход кодировались путем присвоения среднего арифметического значения указанного респондентом диапазона. Частота покупок была ранжирована от 0 («никогда не трачу») до 4 («регулярно, несколько раз в месяц»). Род деятельности поделен, и каждой категории были присвоены цифры: школьник (1), студент (2), работающий (3) и т.д. Приемлемая сумма и количество покупаемых категорий, также были переведены в числовую форму. Коэффициент корреляции Пирсона вычисляется по формуле, которая стандартизирует ковариацию двух переменных, делая её безразмерной и ограничивая диапазон значений от -1 до 1 [2, с. 271].

Рисунок 1. Формула вычисления коэффициента корреляции Пирсона

Где xi, yi​ – значения переменных для i-го наблюдения, xˉ, yˉ​ – выборочные средние, cov(x,y) – ковариация, σx, σy​ – стандартные отклонения. Значение r, близкое к +1, указывает на сильную прямую линейную связь, к -1 – на сильную обратную, а около 0 – на отсутствие линейной связи. Статистическая значимость коэффициента оценивалась для уровня p < 0.05, при этом для объема выборки n=52 критическое значение |r| составляет приблизительно 0.273. Гипотеза H1 предполагала, что молодые респонденты будут совершать покупки виртуальных товаров чаще, чем старшие, что должно было проявиться в отрицательной корреляции. Однако расчет коэффициента Пирсона между значением возраста и баллом частоты покупок дал результат r = -0.108. Данное значение не достигает порога статистической значимости (|r| < 0.273).

Рисунок 2. График рассеяния. Зависимость частоты покупок от возраста

График рассеяния (Рис. 2) наглядно иллюстрирует этот результат. Точки, представляющие респондентов, расположены хаотично, не образуя какого-либо наклонного тренда – ни нисходящего (что подтвердило бы гипотезу), ни восходящего. Облако точек равномерно по всему полю графика. Это визуальное подтверждение отсутствия линейной зависимости. Гипотеза не подтвердилась. Это результат, который может указывать на то, что практика цифровых трат стала широко распространенной в более старших возрастных категориях, с разной мотивацией и структурой покупок. Гипотеза H2, основанная на базовых экономических принципах, нашла подтверждение в данных. Коэффициент корреляции Пирсона между уровнем дохода и приемлемой для респондента суммой разовой покупки составил r = 0.455. Это значение указывает на умеренную положительную связь, которая является статистически значимой (p < 0.01).

Рисунок 3. График рассеяния. Зависимость расходов от дохода

График рассеяния (Рис. 3) демонстрирует тенденцию к росту. Несмотря на наличие разброса, общая траектория облака точек направлена вправо-вверх: с увеличением значения по оси X (доход) растет и значение по оси Y (приемлемая сумма). Это означает, что респонденты с более высоким доходом в среднем готовы тратить больше на один виртуальный товар. Гипотеза полностью подтвердилась. Доход выступает ключевым экономическим ограничителем потребительского поведения в цифровой среде. Полученный результат имеет прямую практическую ценность для бизнеса, обосновывая стратегии ценовой дифференциации и разработку премиального контента для платежеспособной аудитории. Для проверки гипотезы H3 был рассчитан коэффициент точечно-бисериальной корреляции [1, с. 31]. Средняя частота покупок в группе студентов/школьников (M₁ = 2.1) оказалась выше, чем в группе работающих (M₀ = 1.5).

Рисунок 4. Формула расчета коэффициента точечно – бисериальной корреляции

Расчет, дал значение r_pb = 0.250, где sy​ – общее стандартное отклонение частоты, p и q – доли групп.

Рисунок 5. График рассеяния. Зависимость частоты покупок от деятельности

На графике рассеяния (Рис. 5) значения частоты покупок колеблются от 1 до 6. Подавляющее большинство значений находится в диапазоне 2 – 4. Разброс точек внутри каждой группы значительный, что говорит о неоднородности поведения даже внутри одной категории. Так же, общий тренд подтверждает слабую положительную связь между статусом учащегося и более частыми покупками виртуальных товаров. Гипотеза получила частичное подтверждение. Более высокая частота покупок среди учащихся может объясняться не столько родом деятельности, как сколько сопутствующими факторами: количеством свободного времени, глубокой погруженностью в цифровые и игровые экосистемы, а также спецификой социального взаимодействия в этой среде. Гипотеза H4 о зависимости покупаемых категорий от дохода, также была подтверждена. Коэффициент корреляции Пирсона между доходом и количеством различных категорий виртуальных товаров, которые приобретал респондент, составил r = 0.382. Это свидетельствует о слабой, но статистически значимой положительной связи (p < 0.05).

Рисунок 6. График рассеяния. Зависимость количества покупаемых категорий от дохода

График рассеяния (Рис. 4) подтверждает наличие тренда. Облако точек имеет явный наклон вверх, с ростом дохода увеличивается и разнообразие потребляемого цифрового контента. Респонденты с высоким доходом не только готовы платить больше за единицу товара, но и активнее экспериментируют с разными форматами – от внутриигровых категорий и подписок до виртуальной валюты и NFT. Гипотеза подтвердилась. Полученная связь указывает на то, что финансовая состоятельность позволяет и стимулирует пользователей к более разнообразному и, возможно, зрелому потреблению цифровых благ, выходящему за рамки единичных покупок. Проведенный корреляционный анализ позволил верифицировать выдвинутые гипотезы и выявить закономерности. Главным выводом исследования является приоритет экономического фактора над демографическим в объяснении потребительского поведения на рынке виртуальных товаров. В то время как возраст респондента не показал значимой связи с частотой покупок (опровержение H1), уровень дохода продемонстрировал устойчивые и значимые связи как с готовностью тратить (подтверждение H2, r=0.455), так и с широтой потребительского интереса (подтверждение H4, r=0.382). Это указывает на зрелость рынка, где виртуальные товары перестают быть прерогативой молодежи и становятся элементом цифрового потребления для различных социально-экономических групп, чьи возможности и аппетиты определяются в первую очередь финансовыми ресурсами. Слабая связь частоты покупок с родом деятельности (частичное подтверждение H3) указывает на важность факторов вовлеченности и образа жизни, которые требуют более детального изучения с помощью качественных методов или анализа более крупных наборов данных.