从助推到规范：通过可解释机器学习预测植物基肉类采纳

《International Journal of Gastronomy and Food Science》：From Nudges to Norms: Predicting Plant-Based Meat Adoption via Explainable Machine Learning

　　

向可持续食品消费转变是应对传统肉类生产相关环境与健康挑战的关键措施。助推（nudging）作为一种行为经济学方法，在不限制个体选择的前提下微妙地引导决策，已作为促进可持续饮食行为的潜在策略而日益受到关注。本研究调查了行为助推（behavioral nudges）与心理、人口统计及情境因素在预测消费者对植物基肉类替代品（plant-based meat alternatives）采纳意愿中的相对贡献。研究基于伊朗发展中国家主要城市马什哈德（Mashhad）的478名消费者数据，采用基于机器学习的XGBoost（Extreme Gradient Boosting）框架结合SHAP（SHapley Additive exPlanation）分析，识别了与采纳意愿相关的关键预测因子的相对重要性和方向。研究结果表明，心理因素（psychological factors）是消费者意愿最重要的预测因子，其次为人口统计特征（demographic characteristics）和环境因素（environmental factors），而助推干预（nudging interventions）提供补充性预测贡献。在考察的助推策略中，环境助推（environmental nudges）对模型预测的相对贡献最高，其次为健康-环境助推（health-environmental nudges）、社会规范助推（social norm nudges）和健康助推（health nudges）。这些发现凸显了行为干预作为鼓励可持续食品选择更广泛策略中支持性工具的潜在作用。政策制定者与利益相关者可通过将情境化助推方法与教育和信息倡议相结合，以促进消费者对植物基肉类替代品的参与。此外，SHAP-XGBoost框架通过提供数据驱动的方法来识别行为、心理和人口统计决定因素的相对重要性，增强了复杂消费者决策模式的可解释性。

**论文解读：从助推到规范——基于可解释机器学习预测植物基肉类采纳行为**

**研究背景与问题**

全球肉类消费与生产在1961年至2019年间增长了近五倍，带来了温室气体排放、资源消耗、水污染及健康风险（如心血管疾病和癌症）等严峻挑战。植物基肉类替代品（plant-based meat alternatives）作为一种资源节约且环境友好的选择，有望缓解这些负面影响。然而，消费者对这类新兴食品的接受度仍然有限，尤其在发展中国家，其文化、社会与经济背景与发达国家存在显著差异。现有研究多聚焦于发达国家，且多采用参数化方法，难以捕捉消费者决策中的非线性与复杂交互关系。此外，行为助推（nudging）作为一种不限制自由选择的引导策略，已被用于促进可持续饮食，但各类助推（如环境、健康、社会规范等）与心理、人口统计因素在预测采纳意愿中的相对贡献尚未被系统比较。因此，本研究旨在通过可解释机器学习框架，在伊朗马什哈德（Mashhad）这一发展中国家城市，综合评估心理因素、人口统计特征、环境因素及四种信息助推（环境助推、健康助推、健康-环境助推、社会规范助推）对植物基肉类替代品采纳意愿的预测能力，填补研究空白，并为政策制定提供数据驱动的见解。该论文发表在《International Journal of Gastronomy and Food Science》。

**主要技术方法**

本研究采用问卷调查法，于2024年6月至9月在伊朗马什哈德13个区域进行分层随机抽样，收集478名成年居民（18岁以上）的完整有效数据。问卷包含三部分：人口统计与经济信息（教育、性别、年龄、收入、家庭规模、居住区域）、心理变量（基于计划行为理论（TPB）的态度、主观规范、感知行为控制，以及食物新恐惧症、食物厌恶、环境关注、道德规范）和四种信息助推干预（环境、健康、健康-环境、社会规范助推）。参与者被随机分配到四个处理组（各接受一种助推信息）和一个对照组。采用XGBoost（极端梯度提升）分类器进行预测建模，结合贝叶斯超参数优化和五折分层交叉验证，并通过SHAP（SHapley Additive exPlanation）分析量化每个预测因子的相对贡献和方向。

**研究结果**

**4-1. 描述性统计与变量分析**
通过描述性统计发现，66.1%的受访者具有高采纳意愿（均值>3.0），33.9%为低/无意愿。样本以男性（55.2%）为主，平均年龄31.7岁，多数持有学士学位（48.3%），收入集中在203–303美元（27.8%），大部分居住于发展中区域（56.7%），家庭规模多数为3–5人（71.3%）。心理特征方面，多数受访者表现出中等食物新恐惧症（62.8%）和中等食物厌恶（48.1%），42.3%具有高环境关注，36.4%持有积极态度。助推暴露方面，23.2%接触到社会规范助推，21.3%环境助推，15.7%健康助推，12.8%健康-环境助推。

**4-2. 模型性能结果**
通过比较多种机器学习模型（包括MLP、AdaBoost、KNN、HistGradientBoosting、GradientBoosting、Random Forest、MLP-AdaBoost和XGBoost），XGBoost分类器在测试集上表现最优：精度（precision）0.8752，召回率（recall）0.8750，F1分数0.8734，AUC（曲线下面积）0.8579，平均交叉验证分数0.7505。其训练准确率为0.9669，表明模型在捕捉复杂关系与泛化能力之间取得了最佳平衡。

**4-2-1. 混淆矩阵结果**
XGBoost分类器在96个测试样本中正确分类84个（准确率87.5%），其中真阳性55个（高意愿），真阴性29个（低意愿），假阳性8个，假阴性4个，表明模型具有可靠且均衡的区分能力。

**4-2-2. ROC曲线结果**
ROC曲线显示，XGBoost模型对两类别的AUC均为0.90，微平均和宏平均AUC为0.91，表明模型具有良好的判别能力，在真阳性率与假阳性率之间实现了有利平衡。

**4-3. SHAP分析结果**

**4-3-1. SHAP特征重要性结果**
SHAP分析揭示了各预测因子的相对重要性：心理因素总体贡献最大，其中态度（Attitude, Att）为最强预测因子，其次为感知行为控制（PBC）和道德规范（MN）。主观规范（SN）、食物厌恶（FD）和环境关注（EC）也贡献显著。人口统计变量中，年龄和收入贡献中等，教育、性别、家庭规模和居住区域贡献较小。在助推变量中，环境助推（EN）贡献最高，随后为健康-环境助推（HEN）、社会规范助推（SNN）和健康助推（HN），但均低于心理因素，表明助推作为补充性预测因子而非主要决定因素。

**4-3-2. SHAP Beeswarm图结果**
SHAP Beeswarm图进一步展示了各特征的方向性影响：态度（Att）正向影响，高态度值对应高采纳意愿；感知行为控制（PBC）正向；道德规范（MN）正向；主观规范（SN）正向；食物厌恶（FD）负向；环境关注（EC）正向。年龄呈现非线性关系：年轻群体（20岁左右）正向，中年群体负向，老年群体异质性。收入也呈非线性：最低和最高收入组正向，中等收入组负向。教育正向，性别贡献微弱，家庭规模负向，居住区域（SR）正向，食物新恐惧症（FN）负向。环境助推（EN）正向但贡献较小，健康-环境助推（HEN）和社会规范助推（SNN）贡献有限，健康助推（HN）最弱。

**讨论与结论**

讨论部分指出，心理因素（态度、感知行为控制、道德规范、主观规范、环境关注、食物厌恶、食物新恐惧症）是预测采纳意愿的最重要决定因素，这与以往研究一致。人口统计变量中，年龄和收入呈非线性影响，教育和居住区域正向，性别和家庭规模作用有限。助推干预中，环境助推贡献最大，其次为健康-环境助推、社会规范助推和健康助推，但整体贡献低于心理因素，表明助推应作为补充工具，而非替代内在动机的强化策略。研究结论翻译如下：本研究通过整合机器学习与SHAP可解释性分析，调查了发展中国家伊朗城市马什哈德消费者对植物基肉类替代品采纳意愿的决定因素。研究发现，心理因素（态度、感知行为控制、道德规范、主观规范、环境关注、食物厌恶和食物新恐惧症）是消费者意愿最重要的预测因子，其贡献显著大于人口统计特征和助推行为。在人口统计变量中，更高教育水平和居住区域正向影响采纳意愿，而更大家庭规模负向影响。年龄和收入的非线性贡献表明消费者反应因人口统计细分而异，强调需要针对性市场策略而非统一干预。在行为干预中，环境助推对模型预测贡献最强，随后为健康-环境助推、社会规范助推和健康助推。这表明，强调环境责任（尤其是结合个人健康益处）的信息在预测框架中与采纳意愿的关联强于仅依赖健康信息或社会影响的干预。助推的相对有限贡献进一步表明，助推策略应补充而非取代强化消费者对可持续食品选择内在动机的努力。从实践角度，研究建议政策制定者、食品制造商和营销人员采取多层次干预策略：优先通过教育、产品体验和意识项目强化积极态度、感知行为控制、道德责任和环境意识，同时减少食物厌恶和食物新恐惧症；根据年龄、收入、教育、家庭规模和居住区域等人口统计特征调整干预；最后，将环境助推和健康-环境助推视为在宣传、产品标签和零售环境中有前景的沟通策略，以支持消费者对可持续食品选择的意愿。