bestellen oder einkaufen gehen? ein entscheidungsexperiment€¦ · bevorzugter zitierstil schmid,...
TRANSCRIPT
Bevorzugter Zitierstil
Schmid, B. (2016) Bestellen oder Einkaufen gehen? EinEntscheidungsexperiment, Verkehrsingenieurtag 2016, Zurich,Marz 2016.
Bestellen oder Einkaufen gehen?Ein Entscheidungsexperiment
Basil Schmid
IVTETH Zurich
Alumni Verkehrsingenieurtag17th of March 2016
Danksagung
Kay W. Axhausen: Betreuung und Unterstutzung
Simon Schmutz: Datenaufbereitung und personliche Beratung
Milos Balac: Routenberechnung in MATSim
Maxim Janzen: LATEX Folienvorlage
SNSF: Projektfinanzierung
”Wie der Onlinehandel die Strassen verstopft”
Quelle: Tagesanzeiger, 23. Februar 20164
Online und konventionelles Einkaufsverhalten
• Einstellungen gegenuber Online-Shopping: Schweizer Studiezeigt signifikante Unterschiede in Alter, Geschlecht undEinkommen auf (Rudolph et al., 2004)
– Veranderung von Einkaufsgewohnheiten– Intrinsischer Wert des Ladeneinkaufens als Aktivitat– Unsicherheit und Informationsasymmetrie– Tradition, Ansichten und Erfahrung
• Rotem-Mindali und Salomon (2007): Tiefere Produktpreiseals Hauptgrund fur Online-Shopping
• Dijst, Farag und Schwanen (2008): Entscheidungsmodell inkl.Einstellungen zum Online vs. Ladeneinkauf
• Mokhtarian und Tang (2012): Multivariate Probitmodelle zursimultanen Wahl von verschiedenen Einkaufskanalen
5
Einkaufen in einer ”Post-Car World”
=⇒ Post-Car World (PCW): Erstes alternativen-spezifischesHybrid Choice Modell in diesem Forschungsbereich
• Projektrahmen: Ausschluss privater Autos, gerechtfertigtdurch zunehmend autofreie Politikmaßnahmen
• Wie sensibel reagieren die Leute auf Veranderungen inAttributen bezuglich der Entscheidung zwischenLadeneinkaufen und Online-Shopping?
• Wie beeinflussen Einkommen und Einstellungen diePreissensibilitat?
• Wie sind die Einstellungen verteilt, und wie hangen sie vonden soziodemographischen Eigenschaften ab?
6
Einkaufen in einer ”Post-Car World”
Quelle: www.focus.de, 3. Dezember 2015
7
PCW: Eine mehrstufige Verkehrserhebung
8
Rucklaufquoten @ IVT, ETH Zurich
020
4060
8010
0R
espo
nse
Rat
e [%
]
0 500 1000 1500 2000 2500 3000 3500 4000Response Burden Score [−]
Prior recruitment and incentive Exp. fit & 95 % CIPrior recruitment, no incentive Exp. fitNo prior recruitment, no incentive Exp. fitPCW (Pre−Test) PCW (Wave I)PCW (Wave II)
Quelle: Axhausen, Schmid and Weis, 20159
Daten (220 Haushalte; 339 Personen)
Variable Wert MZ2010 [%] PCW15 [%]
Haushaltseinkommen Nicht berichtet 24.1 5.7< 12’000 CHF 61.0 27.6≥ 12’000 CHF 18.4 61.8
Wohnlage Stadtzentrum 38.9 50.0Agglomeration 54.8 43.1Landlich 6.3 6.9
Haushaltstyp Einpersonenhaushalt 31.6 18.7Paar ohne Kinder 33.0 25.2Paar mit Kindern 26.6 48.0Alleinerziehend 5.8 4.5Wohngemeinschaft 3.1 3.7
Bildung Tief 21.0 14.7Mittel 54.9 22.3Hoch 24.1 63.0
OV Abos Keines 37.3 11.0Halbtax 51.8 72.9GA 10.9 16.1
10
Experimentelle Rahmenbedingungen
• Einheitliche Entscheidungssituationen:– Rundfahrt fur den Einkauf im Laden– Keine sozialen Motive: Einkauf des Produkts als einziger
Zweck– Einkaufszwecke: Lebensmittel oder langerfristige Guter
(Multimedia, HiFi und elektronische Haushaltsgerate)– Qualitat der Guter zwischen Ladeneinkauf und
Online-Shopping identisch– Ladeneinkauf entweder mit OV, Carsharing oder
Carpooling• Pivot-Ansatz: Referenzwerte basieren auf durchschnittlichen
Ausgaben, Einkaufsdauern und zuruckgelegten Distanzen
11
Experimentelles Design: Attribute und Levels
Attribute Online Laden Levels/relative Veranderung
Einkaufskosten O√
– −10%,−5%, 0%Einkaufskosten L –
√−5%, 0%,+5%
Einkaufsdauer O√
– −20%,−10%,+5%Einkaufsdauer L –
√−10%, 0%,+10%
Lieferkosten und Zoll√
– 0, 5, 10, 15 CHFReisekosten –
√−20%,+10%,+40%
Lieferzeit Lebensmittel√
– < 1 Tag / 1-2 Tage / > 2 TageLieferzeit elektr. Guter
√– 2-4 Tage / 4-7 Tage / > 1 Woche
Reisezeit –√
−30%, 0%,+30%Große/Gewicht
√ √Klein / mittel / groß
des Einkaufs
• Effizientes Design; 3 Blocke mit je 8 Entscheidungssituationen• Teilnehmer wurden dem ”Lebensmittel” (38 %) oder dem
”elektronische Gerate” (62 %) Experiment zuteilt
12
Beispiele von Entscheidungssituationen
13
Einstellungen zum Online-Shopping
• Verschiedene Indikatoren zur Messung von ...– Einstellungen gegenuber Online-Shopping und
Internetnutzung– Risiken und Kreditkartenbetrug– Vor- und Nachteile von Online-Shopping
• Explorative Faktorenanalyse zur ...– Reduktion der Datendimensionalitat zu den elementaren
Eigenschaften– Vermeidung von Kollinearitat und Messfehlern– Schatzung unkorrelierter ”Factorscores” mit µ ≈ 0 undσ ≈ 1 als ersten Schritt zur Entwicklung des HybridChoice Modells
14
Einstellungen zum Online-Shopping
Item (1: ”Trifft nicht zu” bis 4: ”Trifft genau zu”) Faktorladung
sh1: Ich bestelle oft Produkte im Internet +0.68
sh2: Online-Shopping ist mit Risiken verbunden –0.49
sh3: Die Weitergabe meiner Kreditkartennummer ist –0.66einer der Grunde, weshalb ich kein Online-Shoppingbetreibe
sh4: Das Internet ist mehr ein Fluch als ein Segen –0.54
sh5: Der Nachteil beim Online-Shopping ist, dass ich –0.30die Produkte nicht physisch begutachten kann
sh6: Online-Shopping erleichtert mir das Vergleichen +0.53von Preisen und verschiedenen Produkten
sh7: Das Risiko, ein falsches Produkt zugeliefert zu –0.60bekommen, ist einer der Hauptgrunde, weshalb ichkein Online-Shopping betreibe
15
Einstellungen und Soziodemographie
16
Korrelogramm: Die Fakten (N = 339)
Pro onl.−shop.
Onl. shop. act.
RP shop. trips
Rural area
High educ.
Income
Car avail.
Swiss
Age
Male
Choice: ONL
Cho
ice:
ON
L
Mal
e
Age
Sw
iss
Car
ava
il.
Inco
me
Hig
h ed
uc.
Rur
al a
rea
RP
sho
p. tr
ips
Onl
. sho
p. a
ct.
Pro
onl
.−sh
op.
−0.5
−0.4
−0.3
−0.2
−0.1
0
0.1
0.2
0.3
0.4
0.5
17
Modellierung: Hybrid Choice Ansatz
18
Strukturgleichungen
Nutzenfunktion fur Einkaufskanal i mit EntscheidungsattributenXin und der latenten Variable LVn:
UOn = βCO + βOn · XOn + βsc,O ∗ scO ∗( inc
inc
)λinc+
µLV · (LVn − LVn)+
µsc,LV · scOn · (LVn − LVn) + εOn
(1)
ULn = βL · XLn + βsc,L ∗ scL ∗( inc
inc
)λinc+
µsc,LV · scLn · (LVn − LVn) + εLn(2)
Latente Variablengleichung mit soziodemographischenEigenschaften Xn:
LVn = LVn + κX · Xn + ωLVn (3)
19
Messgleichungen
Messgleichung der latenten Variable uber die 7 Items zu denEinstellungen Ish:
Ishn = Ish + τLVIsh· LVn + εIshn (4)
Entscheidung der Person n fur Einkaufskanal i falls maximalerNutzen Ui :
falls UO,n > UL,n : Entscheidungi,n ={
Online-Shoppingsonst Laden
(5)
βj , µj , λinc , LVn, κj , σωLV , Ish, τsh und σIsh sind die zu schatzendenParameter (total 42)
20
Schatzung
Wahrscheinlichkeit, dass Person n Alternative i auswahlt, ist diegemeinsame Wahrscheinlichkeit der Entscheidungsbeobachtungund der 7 Indikatoren Ishn fur gegebene Eigenschaften Xi ,n:
Likelihood =∫ωLVn
P(enti,n|Xi,n, ωLV n )7∏
sh=1
fshn (Ishn , ωLV n )φ(ωLV )dωLV n (6)
ωLV ∼ N(0, σωLV ) (7)
P(enti,n|Xi,n, ωLV n ) =exp(U(Xi,n))∑2j exp(U(Xj,n)) (8)
fshn (Ishn , ωLV n ) =1σIsh
φ
(Ishn − Ish − τIsh · LVn
σIsh
)(9)
Maximum Likelihood Schatzung mit PythonBiogeme Version 2.4auf Euler (HPCC, 2 Kerne, Laufzeit 36 min., 101 Iterationen)
21
Deskriptive Statistiken und (Non-)Traders
• Marktanteile (2698 Beobachtungen; 339 Personen):Lebensmittel = 65 % Laden und 35 % OnlineElektr. Gerate = 39 % Laden und 61 % Online
• Non-Traders: Teilnehmer, die in allen 8 Entscheidungenimmer dieselbe Alternative ausgewahlt haben
• Fast 80 % der Teilnehmer sind Traders, 83 % fur elektr. Guterund 68 % fur Lebensmittel (pdifference < 0.01)
• Non-Traders: Hauptsachlich bei Lebensmitteln; fast 30 % derTeilnehmer haben immer den Laden gewahlt
22
Resultate: Entscheidungsmodell
Variable Base model Factor model Hybrid model
Einkaufskosten −0.021 ∗∗∗ −0.024 ∗∗∗ −0.022 ∗∗∗
Einkommenselastizitat 0.041 −0.033 −0.059Factorscore x Einkaufskosten − −0.007 ∗∗∗ −LV x Einkaufskosten − − −0.019 ∗∗∗
Reisezeit (L) −0.022 ∗∗∗ −0.024 ∗∗∗ −0.025 ∗∗∗
Reisekosten (L) −0.036 ∗∗ −0.035 ∗∗ −0.036 ∗∗
Lieferzeit (O) −0.560 ∗∗∗ −0.600 ∗∗∗ −0.614 ∗∗∗
Lieferkosten (O) −0.091 ∗∗∗ −0.098 ∗∗∗ −0.099 ∗∗∗
Lieferzeit x elektr. Guter (O) 0.466 ∗∗∗ 0.494 ∗∗∗ 0.504 ∗∗∗
Lieferkosten x elektr. Guter (O) 0.055 ∗∗∗ 0.054 ∗∗∗ 0.053 ∗∗
ASC (O) −2.080 ∗∗∗ −2.120 ∗∗∗ −2.370 ∗∗∗
Elektr. Guter (O) 0.152 0.047 0.065Große/Gewicht (O) 1.120 ∗∗∗ 1.200 ∗∗∗ 1.220 ∗∗∗
Factorscore − 0.466 ∗∗∗ −LV − − 1.210 ∗∗∗
Anzahl geschatzte Parameter 11 13 42McFadden ρ2 0.20 0.25 0.70∗∗∗p < 0.01, ∗∗p < 0.05, ∗p < 0.1
23
Resultate: Latentes Variablenmodell
Variable Abh. Variable: LVn
LVn 3.05 ∗∗∗
Schweizer −0.11 ∗∗∗
Mannlich 0.25 ∗∗∗
Autoverfugbarkeit 0.06 ∗∗∗
Hohe Bildung 0.11 ∗∗∗
Einkommen 0.08 ∗∗∗
Landlich −0.11 ∗∗
Alter 0.01 ∗∗
Alter2 −0.02 ∗∗∗
∗∗∗p < 0.01, ∗∗p < 0.05, ∗p < 0.1
• Auslandische Manner mit Auto, guter Ausbildung und hohemEinkommen in zentraler Wohnlage haben die positiverenEinstellungen gegenuber Online-Shopping
• Maximale Pro-Online-Shopping Einstellungen mit 31 Jahren
24
Zeitwerte fur Einkaufsweg/Lieferung
Verhaltnisse der Koeffizienten Base model Factor model Hybrid model
VTTS Einkaufsweg [CHF/h] 37.3 (62.9) 42.0 (60.0) 41.0 (68.2)VODT Lebensmittel [CHF/Tag] 6.1 (26.7) 6.2 (25.0) 6.2 (27.9)VODT elektr. Guter [CHF/Tag] 2.6 (4.5) 2.4 (4.4) 2.4 (5.0)
VTTS [CHF/h]: Erath, 2006 52.90-128.85 N = 110VTTS [US$/h]: Hsiao, 2009 5.30 N = 300VODT [US$/Tag]: Hsiao, 2009 0.44-0.76 N = 300VTTS [CHF/h]: VSS Norm, 2009 12.32-20.72 N = 649VTTS [CHF/h]: Frohlich et al., 2014 5.90-9.10 N = 282
• Zeitwerte von 40 CHF/h, ca. 50 % hoher wenn derEinkaufskostenkoeffizient als Basis genommen wird
• Vergleich mit anderen Schweizer Studien: VTTS variierenextrem stark
• Hsiao, 2009: Ahnliche Studie in Taiwan fur die Beschaffungvon Buchern
25
Punkt(Kreuz)Elastizitaten
Punkt(Kreuz)Elastizitaten (hybrid model) Online Laden
Einkaufskosten –2.48 (2.60) –2.74 (2.62)Reisezeit – –0.31 (0.30)Reisekosten – –0.10 (0.09)Lieferzeit, Lebensmittel –1.20 (1.25) –Lieferzeit, elektr. Gerate –0.21 (1.14) –Lieferkosten, Lebensmittel –0.37 (0.38) –Lieferkosten, elektr. Gerate –0.17 (0.18) –Große/Gewicht 1.15 (–1.20) –
=⇒ relativ große Einkaufskostenelastizitat (mean = 240 CHF),unabhangig vom Einkaufszweck (keine sign. Interaktion)
=⇒ ceteris paribus, eine 1% Erhohung der Einkaufskosten fuhrt zueinem 2.5 Prozentpunkte tieferen Marktanteil, fur Pro-Online-Shoppers (z.B. LVn = 0.5) 3.6 Prozentpunkte
26
Vorhersage der latenten Variable0
510
15D
ensi
ty [%
]
−.5 0 .5 1Prediction of ’Pro−Online−Shopping’ LV
12
34
56
7C
oef.
rela
tive
to s
hop.
cos
ts
−.5 0 .5 1Prediction of ’Pro−Online−Shopping’ LV
Travel cost / shopping costDelivery cost groceris / shopping costDelivery cost durables / shopping cost
• Positive Einstellungen gegenuber Online-Shopping:LVn ∼ N(0.16, 0.20)
• Sensitivitat gegenuber Attributen relativ zu denEinkaufskosten nimmt ab fur Pro-Online-Shoppers
=⇒ preissensitives trade-off Verhalten da beide Einkaufskanale(starker) in Betracht gezogen werden
27
Validierung mit RP Daten0
.1.2
.3#
Onl
ine
Sho
p. A
ct. p
er D
ay
Mon. Tue. Wed. Thu. Fri. Sat. Sun.Day of Reporting Period
Pre−Test Wave I Wave II
0.2
.4.6
.8#
Sho
ppin
g T
rips
per
Day
Mon. Tue. Wed. Thu. Fri. Sat. Sun.Day of Reporting Period
Pre−Test Wave I Wave II
• Revealed preference Daten vom Wege- und Onlinetagebuch(N = 339 Teilnehmer, 2709 Personentage)
• Ladeneinkaufe werden ofters Samstags getatigt, wahrend dieOnline-Shopping Aktivitaten uber die Wochentage abnehmen
28
Validierung mit RP Daten
Variable # Einkaufswege pro Tag # Onl. Shop. pro Tag
Const. −1.143 ∗∗∗ −2.360 ∗∗∗
Wochentag 0.000 −0.086 ∗∗∗
Samstag 0.532 ∗∗∗ −0.004Sonntag −1.469 ∗∗∗ −0.282LVn −0.388 1.242 ∗∗∗
SE(LVn) (0.25) (0.44)
σε 0.623 ∗∗∗ 1.049 ∗∗∗
Prob. > χ2 0.00 0.00∗∗∗p < 0.01, ∗∗p < 0.05, ∗p < 0.1
• Random-effects Poisson Regressionen: Starke interpersonelleAbhangigkeit der Fehlerterme
• Erwarteter Effekt von LVn auf die Anzahl Online-ShoppingAktivitaten
• Schwach negativer Effekt von LVn auf die AnzahlLadeneinkaufe =⇒ Substitutionseffekt?
29
Fazit
30
Fazit
• Hybrid Choice Modell: Enorme Effizienzsteigerung undtieferes Verstandnis der Entscheidungsmechanismen
• Interessante Einsichten in die Verteilung der latenten Variablebasierend auf soziodemographischen Eigenschaften
• VTTS und VOT: Großes Potential von Online-Shoppinggegeben die relativ hohen Zeitwerte fur Einkaufswege
• Positive Online-Shopping Einstellungen fuhren zu einer sign.hoheren Einkaufskostensensitivitat, Kausalitat jedoch unklar
• 1 CHF 6= 1 CHF: Lieferkosten werden als unangenehmerempfunden als Reise- und Einkaufskosten =⇒ OnlineHandler sollten die Lieferkosten im Preis kaschieren
31
Fragen?
Projektwebseite:
http://postcarworld.epfl.ch/
32