JEALOUSVUE日本成熟50APP
COVID-19迫使人们应对旅行禁令、居家令和非必要企业关闭。《商业研究杂志》上的一项新研究揭示了这一重大事件如何影响消费者的流动性和购物习惯。结果很难像人们所预料的那样。
堪萨斯大学(University of Kansas)商学助理教授迈克尔?拉什(Michael Lash)表示:“首先，消费者对不同事物的反应取决于他们所处的位置。”
“此外，我们假设人们会做出合乎逻辑的反应，但他们并不总是会做出反应——他们有时会以相反的方式做出反应。”
他的论文《在大流行的早期阶段使用有限的数据预测流动性》探讨了几个大都市地区的消费者流动性，捕捉了大流行健康指标如何推动消费者的风险认知，并随后影响零售流动性。拉什与内布拉斯加大学林肯分校的S. Sajeesh和?zgür Araz共同撰写了这篇文章。
三人分析了这些关键问题:风险感知指标(如谷歌Trends搜索数据)是否受到风险易感性的影响?消费者的流动性是否受到风险易感性和严重性认知的影响?一个模型能预测零售业的流动性吗?风险感知维度如何影响不同地铁区域的各种交通活动?
他们的研究着眼于三个地区:东北部、南部和中MD传媒MD0076老师家访在线观看西部。
“推动这些地区人口流动的因素，至少就COVID-19而言，是多种多样的。它们的不同之处在于人们对它们的反应和反应方式。人们对风险的认知和容忍度不同，在这些因素对流动性的影响方面也存在额外的差异。”
在一些地方，搜索与大流行相关的卫生用品与零售流动性下降有关，但不同的地方对搜索的反应不同——例如，休斯顿的消毒剂和奥马哈的口罩。
拉什还发现，在休斯顿，当地COVID-19病例数越高，零售流动性就越高。
“在这里，风险因素对流动性产生了相反的影响。这是许多合乎逻辑的转变之一，”他说。
为什么会这样呢?
拉什说:“大流行是一件如此分裂的事情。所以很多人决定，“我要做任何对我和你都不好的事情。”
他的团队最值得注意的贡献之一是创建了一种算法，可以生成消费者流动模式的线性预测模型。他们的模型处理了多重共线性(即当模型中包含的变量相互关联时，所有变量都是相关的)，并选择了严格统计上显著且不包含多重共线性的变量。
拉什说:“我们将这些风险严重程度和风险易感性的衡量标准包括在内，并让模型找出统计上重要的因素。”
当我们做这件事的时候，在我的脑海里，我想，“也许在我们建立这些模型之后，我们需要回去找出一些额外的数据，以便建立更准确的模型。”但实际上，仅凭这些测量，预测结果就惊人地好。我们使用交通数据等其他测量方法来预测零售、杂货和药房的流动性，但我惊讶于我们包含的这些变量能够准确地预测整体情况。”
他还指出，他的论文明确区分了零售流动性(被定义为悠闲购物)与杂货店或药店流动性(更多地由需求驱动)。
他说:“不管有没有大流行，你都得吃饭吃药。”
拉什是爱荷华州人，于2019年开始在堪萨斯大学工作，就在大流行开始之前。他的专长包括商业分析、机器学习和预测建模。
拉什认为，这项研究及其有价值的算法也可以应用于其他学科。
他说:“当一场大流行或其他事情发生，严重影响我们所有人的生活时，拥有这样一个工具可以帮助零售业人士更清楚地了解他们对消费者的期望。”
“这类工作的最大动力之一是，就他们的业务而言，人们并不真正知道会发生什么。一些企业拥有库存，他们可以保留几个月。但其他的，比如餐馆，有容易腐烂的商品。例如，如果你有更好的方法来衡量消费者将要做什么，那么你就可以更好地准备你的库存。所以，希望我们不会看到那么多的机构倒闭。”
更多信息草莓视频ios下载无限看-丝瓜:Michael T. Lash等人，在大流行早期阶段使用有限数据预测流动性，《商业研究杂志》(2023年)。DOI: 10.1016 / j.jbusres.2022.113413
由堪萨斯大学提供
引用本文:新模型有效预测了大流行期间消费者的零售购物流动性(2023,1月27日)，检索自2023年1月28日https://phys.org/news/2023-01-effectively-consumers-retail-mobility-pandemic.html
这份文件受版权保护。除为私人学习或研究目的而进行的公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
