COVID-19 zwang die Menschen, sich mit Reiseverboten, Anordnungen für den Aufenthalt zu Hause und der Schließung nicht wesentlicher Unternehmen auseinanderzusetzen. Eine neue Studie im Zeitschrift für Wirtschaftsforschung zeigt, wie sich dieses bedeutende Ereignis auf die Mobilität und das Einkaufsverhalten der Verbraucher auswirkte. Und die Ergebnisse sind kaum das, was man vorhersagen könnte.
„Zunächst einmal reagieren Verbraucher je nach Standort unterschiedlich auf verschiedene Dinge“, sagte Michael Lash, Assistenzprofessor für Betriebswirtschaftslehre an der University of Kansas.
„Außerdem reagieren wir nicht immer darauf, worauf wir annehmen, dass die Leute logischerweise reagieren würden – sie reagieren manchmal auf die entgegengesetzte Weise.“
Sein Artikel „Prognose der Mobilität mit begrenzten Daten in frühen Phasen einer Pandemie“ untersucht die Verbrauchermobilität in mehreren Ballungsgebieten und erfasst, wie Pandemie-Gesundheitsmetriken die Risikowahrnehmung der Verbraucher beeinflussen und sich anschließend auf die Mobilität im Einzelhandel auswirken. Lash hat den Artikel gemeinsam mit S. Sajeesh und Özgür Araz von der University of Nebraska-Lincoln verfasst.
Das Trio analysierte diese Schlüsselfragen: Werden Risikowahrnehmungsindikatoren (wie Google Trends-Suchdaten) von der Risikoanfälligkeit beeinflusst? Wird die Verbrauchermobilität durch die Risikowahrnehmung von Anfälligkeit und Schweregrad beeinflusst? Kann ein Modell die Einzelhandelsmobilität vorhersagen? Wie wirken sich die Dimensionen der Risikowahrnehmung auf die verschiedenen Mobilitätsaktivitäten in verschiedenen Metropolregionen aus?
Ihre Studie betrachtete drei Regionen: den Nordosten, den Süden und den Mittleren Westen.
„Die Faktoren, die die Mobilität an diesen Orten vorantreiben, sind zumindest in Bezug auf COVID-19 heterogen. Sie unterscheiden sich sowohl in Bezug darauf, worauf die Menschen reagieren, als auch darauf, wie sie darauf reagieren. Es gibt unterschiedliche Risikowahrnehmungen und -toleranzen und vieles mehr Unterschiede darin, wie diese in die Mobilität einfließen“, sagte er.
An einigen Standorten war die Suche nach pandemiebezogenen Gesundheitsartikeln mit einem Rückgang der Einzelhandelsmobilität verbunden, aber verschiedene Standorte reagierten auf unterschiedliche Suchanfragen – zum Beispiel Desinfektionsmittel in Houston und Masken in Omaha.
Lash stellte außerdem fest, dass in Houston die Mobilität des Einzelhandels umso stärker zunahm, je höher die Zahl der lokalen COVID-19-Fälle war.
„Hier hatten Risikofaktoren den gegenteiligen Effekt auf die Mobilität. Es war unter vielen logischen Flip-Flops“, sagte er.
Warum war das so?
Lash sagte: „Die Pandemie war so eine spaltende Sache. Und so viele Leute entschieden: ‚Ich werde alles tun, was schlecht für mich ist … und für dich.’“
Zu den bemerkenswerten Beiträgen seines Teams gehörte die Entwicklung eines Algorithmus, der lineare Vorhersagemodelle von Verbrauchermobilitätsmustern generierte. Ihr Modell handhabte Multikollinearität – das heißt, wenn die in einem Modell enthaltenen Variablen alle miteinander korrelieren – und wählte Variablen für die Einbeziehung aus, die streng statistisch signifikant waren und keine Multikollinearität enthielten.
„Wir beziehen diese Maße für die Schwere des Risikos und die Risikoanfälligkeit ein und lassen das Modell herausfinden, was statistisch wichtig ist“, sagte Lash.
„Während wir dies taten, dachte ich im Hinterkopf: „Vielleicht müssen wir, nachdem wir diese Modelle gebaut haben, zurückgehen und einige zusätzliche Daten herausfinden, um genauere zu bauen. Aber tatsächlich sind die Vorhersagen mit nur diesen Messungen überraschend gut. Wir verwenden einige andere Messungen wie Transitdaten, um die Mobilität von Einzelhandel, Lebensmittelgeschäften und Apotheken vorherzusagen, aber ich war überrascht, wie sehr diese von uns einbezogenen Variablen in der Lage waren, die Dinge massenhaft genau vorherzusagen.
Er stellt auch fest, dass sein Papier eine klare Unterscheidung zwischen Einzelhandelsmobilität (die als gemächliches Einkaufen definiert ist) und Lebensmittel- oder Apothekenmobilität (die eher bedarfsorientiert ist) macht.
„Sie müssen immer noch essen und Ihre Medikamente bekommen, ob es eine Pandemie gibt oder nicht“, sagte er.
Lash stammt aus Iowa und begann 2019 an der KU zu arbeiten – kurz bevor die Pandemie begann. Seine Expertise umfasst Business Analytics, Machine Learning und Predictive Modeling.
Lash glaubt, dass diese Forschung und ihr wertvoller Algorithmus auch auf andere Themen angewendet werden könnten.
„Wenn eine Pandemie oder etwas passiert, das unser aller Leben drastisch betrifft, kann ein Tool wie dieses den Einzelhandelsmitarbeitern helfen, eine bessere Vorstellung davon zu bekommen, was sie von einem Verbraucher erwarten können“, sagte er.
„Einer der großen Beweggründe für diese Art von Arbeit war, dass die Leute nicht wirklich wussten, was mit ihrem Unternehmen passieren würde. Einige Unternehmen haben Lagerbestände, die sie monatelang zur Hand haben können. Aber andere, wie Restaurants, haben verderbliche Waren. Wenn Sie besser einschätzen können, was der Verbraucher tun wird, dann können Sie zum Beispiel Ihr Inventar besser vorbereiten. Hoffentlich würden wir nicht sehen, dass so viele Betriebe ausziehen Unternehmen.“
Mehr Informationen:
Michael T. Lash et al., Vorhersage der Mobilität anhand begrenzter Daten in frühen Stadien einer Pandemie, Zeitschrift für Wirtschaftsforschung (2023). DOI: 10.1016/j.jbusres.2022.113413