《Frontiers in Nutrition》：Factors influencing urban Ghanaian consumers’ preferences for meals/products from multinational food corporations and gender subgroups: a supervised machine learning MaxDiff designs study
编辑推荐：
本研究结合五种机器学习模型和定量最大差异标度法，通过加纳大阿克拉地区200名消费者的调查数据，揭示食品质量/包装是影响跨国食品选择的最关键因素，并发现男女消费者在香气/气味、高纤维含量等属性上存在显著偏好差异。研究为制定性别特异性饮食干预政策提供了AI驱动的科学依据。
引言
全球化推动跨国食品公司加速进入低收入国家市场，深刻影响着这些地区的营养转型进程。研究表明，食品系统和零售环境的变革正导致发展中国家消费者转向高加工、高能量食品，这与2型糖尿病、肥胖症等非传染性疾病的发病率上升存在明确关联。尽管合理膳食对疾病预防至关重要，但食物选择的复杂性使得消费者行为研究需要更精细的方法。最大差异标度法作为现代消费者实验技术，能有效克服传统评分量表的局限性，但现有研究较少关注发展中国家消费者的需求侧视角，更缺乏对性别差异的深入探讨。机器学习方法凭借其处理复杂非线性关系的能力，为揭示消费者偏好提供了新途径。
研究方法
本研究采用横断面调查设计，于2023年3月至4月期间，通过随机抽样对加纳大阿克拉地区的200名消费者进行问卷调查。调查地点覆盖Shoprite、肯德基等11家跨国超市和快餐店，确保数据代表性。研究基于文献回顾和专家咨询确定了14个食品属性指标，包括内在特性（营养、口感等）和外在因素（价格、包装等）。采用最大差异标度法的实验设计，每位受访者需在20个场景中完成最重要/最不重要属性的选择任务。
数据分析采用5折交叉验证，比较五种机器学习模型（岭回归、弹性网络、LASSO、广义回归模型与修剪前向选择、前向选择）的性能。评估指标包括校正阿卡克信息准则、贝叶斯信息准则、均方根误差等。所有分析使用JMP Pro 17.0完成，并针对全数据集和性别分组数据分别进行。
研究结果
人口学特征显示，女性受访者占65.1%，以15-29岁年龄段为主，39.6%的女性拥有学士学位。消费频率数据显示，39.6%的女性经常食用跨国食品公司产品。
模型性能方面，所有机器学习模型均表现出优异的拟合优度（AICc=6513.1893，BIC=6616.1162），显著优于传统统计模型（AICc=18258.4200）。其中岭回归模型以0.67365的均方根误差表现最佳，尽管其拟合时间较长（7243毫秒）。
全数据分析显示，食品质量/包装是最关键的影响因素（效用估计值最高），其次为健康性、口感/风味和营养价值。香气/气味、经济性、便利性等属性也显著影响选择，而质地属性虽具有统计学意义但重要性较低。
性别亚组分析揭示显著差异：女性消费者特别重视香气/气味属性，随后是经济性、便利性、可及性和餐食熟悉度；男性消费者则更关注高纤维/粗纤维含量，其次才是香气/气味、经济性和便利性。多重比较分析进一步验证了这些属性在统计学上的显著性差异。
讨论与结论
本研究通过机器学习与最大差异标度法的创新结合，突破了传统统计方法的局限。研究证实食品质量/包装是加纳城市居民选择跨国食品的首要决定因素，这与超加工食品通过包装设计增强吸引力的行业趋势相符。政策制定者应通过强化食品标签监管和教育干预，提升消费者对营养特征的认知。
机器学习模型识别出的新预测因子（可及性、高纤维含量等）为健康政策制定提供了新视角。性别特异性偏好的发现尤其重要：女性对感官属性和实用价值的重视，与男性对营养功能的关注形成鲜明对比，提示饮食干预需要针对性别的差异化策略。
研究局限在于未纳入非线性模型，未来研究可整合决策树、随机森林等算法，并扩大样本的社会经济多样性。尽管如此，本研究为加纳食品政策的制定提供了数据驱动的科学依据，证实了量身定制的饮食干预对促进健康饮食行为的潜在价值。
