English
Consumers’ nutritional health status is facing significant global challenges, including malnutrition, obesity, and overweight-related health risks. The persistent high consumption of meat further exacerbates resource depletion, compromises animal welfare, and contributes to environmental pollution. Consumers’ choices not only affect individual health but also shape the structure of the food industry, environmental sustainability, and international trade patterns. Optimizing consumer purchasing behavior has thus become a critical issue in both public policy and market research. The current food market is undergoing profound transformation, with novel products such as plant-based and cultured meat gradually entering consumer awareness, making traditional consumption decision mechanisms increasingly complex. The rapid development of machine learning techniques has significantly improved data processing capabilities and enabled the identification of complex decision-making patterns.
Against this backdrop, this dissertation seeks to apply machine learning to consumer behavior research, utilizing Lasso regularization to identify key determinants of consumer decisions. Lasso achieves automatic feature selection by adding a penalty term to the residual sum of squares (RSS), thereby effectively mitigating multicollinearity and overfitting issues in the dataset.
In particular, essay 1 explores the application of machine learning in Choice Experiments (CE). As an efficient survey method for estimating consumer preferences, CE is often affected by Attribute Non-Attendance (ANA), which can cause parameter estimation bias. Machine learning provides an effective approach to deal with this issue, offering a promising alternative to traditional methods. To illustrate this, we conducted a CE on organic apples in Germany, employing the Lasso algorithm to filter out potential ANA. The findings suggest that organic certification may not be a significant determinant in consumers’ apple purchasing decisions. Instead, consumers tend to prioritize more intuitive attributes, such as appearance and taste. This pattern holds implications for the formulation of marketing strategies. Lasso proves to be useful both in CE design with limited prior information and in ex-post willingness-to-pay (WTP) estimation, opening up new operational directions for future related fields.
Essay 2 focuses on China’s alternative meat market. As a major meat-consuming country, China remains in the early stages of developing its alternative meat industry. It is of great significance to understand Chinese consumers’ purchasing preferences for it, as this not only fosters the industry growth and helps balance meat supply and demand but also contributes to environmental sustainability and animal welfare. Additionally, shifting dietary patterns away from excessive meat consumption can help mitigate potential health risks associated with unbalanced diets. Thus, we use machine learning technique to predict Chinese consumers’ purchasing behavior for alternative meat and identify the key factors driving their choices. The results of Lasso regression reveal that first impressions play a significant role in consumer decisions: curiosity tends to encourage purchases, whereas uncertainty and fear surrounding cultured meat act as deterrents. Consumers also place great importance on food safety, health benefits, and environmental sustainability. At the same time, perceived taste differences from conventional meat and high prices remain major barriers to adoption.
Given these findings, the government should establish strict food standards and regulatory frameworks while encouraging businesses to enhance production technologies and scale up the alternative meat market. Furthermore, innovative marketing strategies can help expand the consumer base. However, in the long run, it is essential to help consumers develop a scientific understanding of alternative meat to encourage repeat purchases and ensure sustained market acceptance.
Meanwhile, the impact of agricultural trade on nutritional levels and food security has become increasingly significant. To achieve the Sustainable Development Goals (SDGs) of “ensuring that all people have access to safe, nutritious and sufficient food all year round”, particularly in alleviating food system pressures in low- and middle-income countries, trade must be considered within the context of improving diet, nutrition, and preventing chronic diseases.
Building on this foundation, the third paper constructs a novel indicator, the Nutrition Trade Index (NTI), to effectively measure the degree of dependence of countries’ nutritional levels on agricultural trade. We use calorie supply to represent nutritional levels and calculate indices for countries worldwide based on FAO data. The analysis controls for social, economic, environmental, and political factors. Two-way fixed effects models with separate regressions for developing and developed countries examine how trade affects malnutrition.
The results show that NTI has a significant negative correlation with the prevalence of stunting, food insecurity, and childhood overweight in developing countries, while positively impacting protein supply. This indicates that actively participating in international trade helps improve the nutritional status of developing countries. However, NTI has a significant positive impact on adult obesity rates in developed countries, contributing to overnutrition. This study provides new evidence on the impact of international trade on malnutrition. While the SDGs framework establishes favorable conditions for agricultural trade development, countries must address how to minimize the potential negative effects of such trade.
Overall, these three essays focus on food consumption and food security issues, exploring the key factors influencing consumer food purchasing behavior as well as the mechanisms through which agricultural trade affects nutritional conditions in developing and developed countries. They identify consumers’ genuine demands and concerns regarding organic and novel food products, helping governments, food companies, and retailers develop strategies that enhance product market acceptance. The research also provides new theoretical frameworks and empirical support for maintaining food security and improving public health.
From a methodological perspective, the essays offer methodological contributions by integrating machine learning techniques into consumer behavior research. Supervised learning algorithms prove effective for automated feature selection, particularly with high-dimensional datasets. This approach enhances estimation accuracy and model robustness, creating new opportunities for future empirical applications in this field.
Keywords: Consumer behavior; Attribute non-attendance; Choice experiment; Machine learning; Lasso; Food consumption; Agricultural trade; Malnutrition; Alternative meat
German
Die Ernährungsgesundheit von Verbrauchern sieht sich weltweit erheblichen Herausforderungen gegenüber, zu denen Mangelernährung, Adipositas und übergewichtsbedingte Gesundheitsrisiken zählen. Der anhaltend hohe Fleischkonsum verschärft zudem die Ressourcenverknappung, beeinträchtigt das Tierwohl und trägt zur Umweltverschmutzung bei. Die vorliegenden Untersuchungen zeigen, dass Verbraucherentscheidungen nicht nur die individuelle Gesundheit beeinflussen, sondern auch die Struktur der Lebensmittelindustrie, die Umweltverträglichkeit und die internationalen Handelsmuster prägen. Die Optimierung des Kaufverhaltens der Verbraucher ist daher sowohl für politische Entscheidungsträger als auch für Marktforscher zu einem wichtigen Thema geworden. Der Lebensmittelmarkt unterliegt derzeit einem tiefgreifenden Wandel. Dieser ist geprägt von der zunehmenden Relevanz neuartiger Produkte, wie pflanzenbasiertes und kultiviertes Fleisch, die sich sukzessive in das Bewusstsein der Verbraucherinnen und Verbraucher integrieren. Gleichzeitig führen diese Entwicklungen zu einer zunehmenden Komplexität traditioneller Konsumentscheidungsmechanismen. Entwicklungen der Datenverarbeitungskapazitäten, durch u. a. Machine-Learning-Techniken, können dabei helfen, komplexe Entscheidungsmuster zu identifizieren.
Vor diesem Hintergrund versucht die vorliegende Dissertation, Machine Learning in der Verbraucherverhaltensforschung anzuwenden, und nutzt dabei die Lasso-Regularisierung zur Identifizierung zentraler Determinanten von Verbraucherentscheidungen. Lasso erreicht eine automatische Merkmalsauswahl, indem es einen Strafterm zur Residuenquadratsumme (RSS) hinzufügt, und mildert damit wirkungsvoll Multikollinearitäts- und Overfittingprobleme im Datensatz.
Im ersten Essay wird der Einsatz von Methoden des Maschinellen Lernens in Choice Experiments (CE) untersucht. Als effiziente Erhebungsmethode zur Ermittlung von Konsumentenpräferenzen ist CE häufig von sogenannter Attribut-Nichtbeachtung (Attribute Non-Attendance, ANA) betroffen, was zu Verzerrungen in der Parameterschätzung führen kann. Maschinelles Lernen bietet eine effektive Vorgehensweise, um dieses Problem anzugehen, und bietet eine vielversprechende Alternative zu traditionellen Methoden. Um dies zu illustrieren, haben wir ein CE zu biologisch angebauten Äpfeln in Deutschland durchgeführt, wobei der Lasso-Algorithmus verwendet wurde, um potenzielle ANA auszuschließen. Die Ergebnisse deuten darauf hin, dass die biologische Zertifizierung möglicherweise keine bedeutende Determinante bei den Kaufentscheidungen der Verbraucher für Äpfel darstellt. Stattdessen tendieren die Verbraucher dazu, intuitivere Attribute wie Aussehen und Geschmack zu priorisieren. Dieses Muster hat Implikationen für die Formulierung von Marketingstrategien. Lasso erweist sich dabei sowohl in der Gestaltung von CE mit begrenztem Vorwissen als auch bei der nachträglichen Schätzung der Zahlungsbereitschaft (Willingness to Pay, WTP) als nützlich und eröffnet neue operative Perspektiven für verwandte Forschungsfelder.
Der zweite Essay widmet sich dem Markt für Fleischalternativen in China. Als eines der weltweit größten Fleischtkonsumierenden Länder befindet sich die Industrie von Fleischalternativen Chinas noch in einem frühen Entwicklungsstadium. Ein besseres Verständnis der Kaufpräferenzen chinesischer Verbraucher somit ist von großer Bedeutung, da es nicht nur das Wachstum dieser Branche fördert und zur Ausbalancierung von Fleischangebot und -nachfrage beiträgt, sondern auch positive Effekte auf umweltbezogene Nachhaltigkeit und Tierwohl haben kann. Zudem kann eine Abkehr von übermäßigem Fleischkonsum zur Verringerung gesundheitlicher Risiken beitragen, die mit unausgewogener Ernährung einhergehen. Auch hier wenden wir eine Methode des Maschinellen Lernens an, um das Kaufverhalten chinesischer Verbraucher im Hinblick auf Fleischalternativen vorherzusagen und die maßgeblichen Einflussfaktoren zu identifizieren. Die Ergebnisse der Lasso-Regression zeigen, dass der erste Eindruck eine entscheidende Rolle spielt: Neugierde fördert tendenziell die Kaufbereitschaft, während Unsicherheit und Angst gegenüber kultiviertem Fleisch abschreckend wirken. Darüber hinaus messen die Verbraucher Aspekten wie Lebensmittelsicherheit, gesundheitlichem Nutzen und ökologischer Nachhaltigkeit große Bedeutung bei. Gleichzeitig stellen wahrgenommene Geschmacksunterschiede im Vergleich zu herkömmlichem Fleisch sowie hohe Preise nach wie vor wesentliche Hürden für die Akzeptanz dar.
Auf Grundlage dieser Erkenntnisse sollten Entscheidungsträger strenge Lebensmittelstandards und regulatorische Rahmenbedingungen etablieren, während gleichzeitig Unternehmen dazu ermutigt werden sollten, Produktionstechnologien zu verbessern und den Markt für Fleischalternativen auszuweiten. Darüber hinaus können innovative Marketingstrategien dazu beitragen, den Kreis potenzieller Konsumenten zu vergrößern. Langfristig ist es jedoch entscheidend, bei den Verbrauchern ein wissenschaftlich fundiertes Verständnis für Fleischalternativen zu fördern, um Wiederholungskäufe zu begünstigen und eine nachhaltige Marktakzeptanz sicherzustellen.
Gleichzeitig hat der Agraraußenhandel signifikanten Einfluss auf Ernährungsstandards und Lebensmittelsicherheit. Die Erreichung der von den Vereinten Nationen definierten Nachhaltigkeitsziele (SDGs) setzt voraus, dass alle Menschen jederzeit Zugang zu sicheren, nahrhaften und ausreichenden Lebensmitteln haben. Dabei spielt Handel eine wichtige Rolle, weil er dazu beitragen kann, Ernährungssysteme in Ländern mit niedrigem und mittlerem Einkommen zu entlasten und die Ernährung, Nährstoffversorgung sowie die Vorbeugung chronischer Krankheiten zu verbessern.
Vor diesem Hintergrund entwickelt die dritte Studie einen Nutrition Trade Index (NTI), um den Abhängigkeitsgrad der Ernährungsstandards verschiedener Länder vom Agraraußenhandel zu messen. Wir verwenden die Kalorienversorgung als Maß für das Ernährungsniveau und berechnen auf Grundlage von FAO-Daten entsprechende Indizes für Länder weltweit. Die Analyse berücksichtigt soziale, wirtschaftliche, ökologische und politische Faktoren. Zweiseitige Fixed-Effects-Modelle mit separaten Regressionen für Entwicklungs- und Industrieländer untersuchen, wie sich der Handel auf Mangelernährung auswirkt.
Die Ergebnisse zeigen, dass der NTI in Entwicklungsländern signifikant negativ mit der Prävalenz von Wachstumsverzögerungen, Ernährungsunsicherheit und Übergewicht im Kindesalter korreliert, während er die Proteinversorgung positiv beeinflusst. Dies deutet darauf hin, dass eine stärkere Integration in den internationalen Handel zur Verbesserung des Ernährungszustands in Entwicklungsländern beitragen kann. In Industrieländern hingegen hat der NTI einen signifikant positiven Einfluss auf die Adipositasrate bei Erwachsenen und trägt damit zu Überernährung bei. Die Studie liefert neue Evidenz über die Auswirkungen des internationalen Handels auf Formen der Mangelernährung. Obwohl der Rahmen der SDGs günstige Voraussetzungen für die Entwicklung des Agrarhandels schafft, stehen Länder vor der Herausforderung, die potenziell negativen Effekte dieses Handels möglichst gering zu halten.
Insgesamt fokussieren sich diese drei Abhandlungen auf Fragestellungen des Lebensmittelkonsums und der Ernährungssicherheit und erforschen dabei sowohl die zentralen Faktoren, die das Kaufverhalten von Verbrauchern bei Lebensmitteln beeinflussen, als auch die Mechanismen, durch welche der Agraraußenhandel die Ernährungsbedingungen in Entwicklungs- und Industrieländern prägt. Sie identifizieren die tatsächlichen Bedürfnisse und Bedenken der Verbraucher bezüglich biologischer und neuartiger Lebensmittelprodukte und unterstützen Regierungen, Lebensmittelunternehmen und Einzelhändler bei der Entwicklung von Strategien, die die Marktakzeptanz der Produkte verbessern. Die Forschung liefert zudem neue theoretische Rahmenwerke und empirische Belege für die Aufrechterhaltung der Ernährungssicherheit und die Verbesserung der öffentlichen Gesundheit.
Insgesamt befassen sich die drei Studien dieser Dissertation mit Fragen des Lebensmittelkonsums und der Ernährungssicherheit. Sie untersuchen die zentralen Faktoren, die das Kaufverhalten der Verbraucher beeinflussen, sowie die Mechanismen, über die der Agrarhandel die Ernährungsbedingungen in Entwicklungs- und Industrieländern prägt. Zudem identifizieren sie die tatsächlichen Bedürfnisse und Anliegen der Konsumenten in Bezug auf biologische und neuartige Lebensmittelprodukte und unterstützen politische Entscheidungsträger, Lebensmittelunternehmen und Einzelhändler dabei, Strategien zu entwickeln, die die Marktakzeptanz solcher Produkte erhöhen. Die drei Aufsätze liefern neue theoretische Ansätze und empirische Evidenz zur Sicherung der Ernährungssicherheit und zur Förderung der öffentlichen Gesundheit.
Aus methodischer Sicht leistet die Dissertation einen Beitrag, indem sie Methoden des maschinellen Lernens in die Forschung zum Verbraucherverhalten integriert. Supervised algorithms erweisen sich insbesondere bei hochdimensionalen Datensätzen als wirksame Instrumente für die automatisierte Merkmalsauswahl. Dieser Ansatz verbessert die Schätzgenauigkeit und die Robustheit der Modelle und eröffnet neue Möglichkeiten für zukünftige empirische Anwendungen in diesem Forschungsfeld.
Persistent Address:
http://dx.doi.org/10.53846/goediss-11697
