基于聚类的食品可追溯属性支付意愿研究

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (24): 221-226.

基于聚类的食品可追溯属性支付意愿研究

董汉芳1，吴小俊1，吴林海2，3

1.江南大学物联网工程学院，江苏无锡 214122
2.江南大学江苏省食品安全研究基地，江苏无锡 214122
3.江南大学商学院，江苏无锡 214122

出版日期:2015-12-15 发布日期:2015-12-30

Research of willingness to pay for food traceability property based on clustering

DONG Hanfang1, WU Xiaojun1, WU Linhai2，3

1.School of Internet of Things Engineering, Jiangnan University, Wuxi, Jiangsu 214122, China
2.Jiangsu Provincial Research Base for Food Safety, Jiangnan University, Wuxi, Jiangsu 214122, China
3.School of Business, Jiangnan University, Wuxi, Jiangsu 214122, China

Online:2015-12-15 Published:2015-12-30

摘要/Abstract

摘要： 运用菜单法问卷的调查方式，以江苏省无锡市区消费者为调查对象，以可追溯猪肉为案例，基于改进的k-modes聚类方法，研究消费者对猪肉可追溯属性的支付意愿。改进的k-modes聚类方法优化初始聚类中心选取从而简化聚类过程，以考虑可追溯属性的所有属性值的模式代替聚类的modes，从而提高聚类精确性。实验结果表明，消费者可分为不重视可追溯信息类、重视养殖信息类、重视可追溯信息类、重视养殖信息及政府认证类四个群体。可针对不同的群体提供不同的可追溯属性的组合的猪肉以扩大消费者对可追溯食品的需求，提高食品安全保障水平。

关键词: 聚类, 菜单法, 可追溯猪肉, 支付意愿

Abstract: A menu-based choice experimental survey is conducted in Wuxi, Jiangsu Province. An improved k-modes algorithm is used to analyze the data. The improved k-modes algorithm optimizes the method of selecting initial cluster centers so as to simplify the process of clustering. Cluster modes are replaced by the pattern of thinking all property values thereby improving the clustering accuracy. Experimental results indicate that customer can be divided into four classes, i. e. those who pay no attention to traceability information class, those who pay attention to farming information class, those who attach importance to the traceability information, and those who pay attention to farming information and government-certified class. Pork with different combinations of traceability information can be provided to different customer classes thus expanding consumers’ demand for traceable food and finally improving food safety standards.

Key words: clustering, menu based choice experiment, traceability pork, willingness to pay

董汉芳1，吴小俊1，吴林海2，3. 基于聚类的食品可追溯属性支付意愿研究[J]. 计算机工程与应用, 2015, 51(24): 221-226.

DONG Hanfang1, WU Xiaojun1, WU Linhai2，3. Research of willingness to pay for food traceability property based on clustering[J]. Computer Engineering and Applications, 2015, 51(24): 221-226.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[12]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[13]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.