付饒 王書博 劉智權(quán) 李雪 方茂達(dá)

摘要：文章從需求頻次與消費(fèi)意愿的影響因素入手，提出了茶葉消費(fèi)者粘性指數(shù)綜合評(píng)價(jià)模型，該模型包括粘性構(gòu)成要素、影響因素及其具體評(píng)價(jià)3部分;其中粘性構(gòu)成要素包括需求頻次與消費(fèi)意愿，影響因素包括感知有用性、可替代性、感知價(jià)值、轉(zhuǎn)移成本、專業(yè)素養(yǎng)和社會(huì)屬性，具體評(píng)價(jià)指標(biāo)共12項(xiàng)。采用調(diào)查問卷收集不同消費(fèi)者對(duì)模型指標(biāo)的評(píng)價(jià)數(shù)據(jù)，并通過了結(jié)構(gòu)效度檢驗(yàn)。采用隨機(jī)森林算法分析各因素對(duì)茶葉消費(fèi)者粘性的影響，以根據(jù)構(gòu)成要素計(jì)算得出的粘性數(shù)值作為樣本標(biāo)簽，以不同影響因素的具體評(píng)價(jià)指標(biāo)作為樣本特征，訓(xùn)練模型并進(jìn)行參數(shù)調(diào)優(yōu)，得到的最優(yōu)模型在測(cè)試集上的MSE為481.36，模型擬合較好。引入SHAP值算法計(jì)算出不同影響因素的重要性程度，發(fā)現(xiàn)消費(fèi)意愿的影響因素中，轉(zhuǎn)移成本與社會(huì)屬性重要性最高，權(quán)重值分別為0.343、0.325;需求頻次的影響因素中，感知有用性重要性程度為0.184，高于可替換性的重要性。對(duì)不同影響因素進(jìn)行分析，在此基礎(chǔ)上提出關(guān)于茶產(chǎn)品的改進(jìn)建議，進(jìn)一步推動(dòng)茶產(chǎn)品的改善與提升，促進(jìn)消費(fèi)者的茶產(chǎn)品消費(fèi)，從而帶動(dòng)貴州省茶產(chǎn)業(yè)的深入發(fā)展。

關(guān)鍵詞：消費(fèi)者粘性;綜合評(píng)價(jià)模型;隨機(jī)森林算法;SHAP值;重要性評(píng)價(jià)

Analysis on Influencing Factors of Tea Consumer

Stickiness Based on Random Forest Model

FU Rao， WANG Shubo*， LIU Zhiquan， LI Xue， FANG Maoda

School of Mathematics and Statistics， Guizhou University， Guiyang 550025， China

Abstract： In order to analyze the influencing factors of tea consumer stickiness and explore the influence degree of

different factors on consumer stickiness， starting from the influencing factors of demand frequency and consumption

intention， this paper put forward a comprehensive evaluation model of tea consumer stickiness， which included three

parts： stickiness components， influencing factors and specific evaluation. The stickiness components included demand

frequency and consumption intention. The influencing factors included perceived usefulness， substitutability， perceived

value， transfer cost， professional quality and social attributes. There were 12 specific evaluation indicators. The

questionnaire was used to collect the evaluation data of different consumers， and passed the structural validity test. The Random Forest Algorithm was used to analyze the influence of the factors. The stickiness value was used as the sample label， and the specific evaluation indexes were used as the sample characteristics. The model was trained and the parameters were optimized. The MSE of the optimal model on the test set was 481.36， and the model was well fitted. It was found that among the influencing factors of consumption intention， transfer cost and social attribute were the most important， and the weight values were 0.343 and 0.325 respectively. Among the influencing factors of demand frequency， the importance of perceived usefulness was 0.184， which was higher than that of substitutability. Based on the analysis， this paper put forward suggestions on the improvement of tea products， further promoted the improvement of tea products， and promoted the consumption of tea products， so as to drive the in-depth development of tea industry in Guizhou Province.

Keywords： consumer stickiness， comprehensive evaluation model， random forest algorithm， SHAP value， importance evaluation

目前，對(duì)于消費(fèi)者粘性應(yīng)用的研究多集中于互聯(lián)網(wǎng)產(chǎn)品應(yīng)用[1]、金融市場(chǎng)[2]、電商營銷[3]、品牌策略[4]等方面，對(duì)茶葉消費(fèi)者的研究多集中于購買行為[5]、購買意愿[6]、營銷策略[7]等方面。為深入分析茶葉消費(fèi)者粘性的影響因素，探究不同因素對(duì)消費(fèi)者粘性的影響程度，本研究采用問卷形式對(duì)購買茶產(chǎn)品的消費(fèi)者進(jìn)行調(diào)查，且未對(duì)消費(fèi)者購買的茶產(chǎn)品種類進(jìn)行限制，以獲得宏觀視角下不同因素對(duì)茶葉消費(fèi)者粘性的影響程度;并將粘性分析和茶葉消費(fèi)者分析相結(jié)合，建立茶葉消費(fèi)者粘性指數(shù)（T-CSI）綜合評(píng)價(jià)模型，并采用隨機(jī)森林算法，分析了粘性影響因素的重要性程度，在此基礎(chǔ)上得出適用于茶葉消費(fèi)者的粘性分析模式并提出茶產(chǎn)品改進(jìn)建議，以推動(dòng)茶產(chǎn)品的改造升級(jí)，促進(jìn)茶產(chǎn)業(yè)的進(jìn)一步發(fā)展。

1? 茶葉消費(fèi)者粘性指數(shù)綜合評(píng)價(jià)模型

1.1? 留存分析模型簡(jiǎn)介

留存分析模型是用來分析用戶參與情況/活躍度的分析模型，考察進(jìn)行初始行為的用戶中，有多少人會(huì)進(jìn)行后續(xù)行為，是用來衡量產(chǎn)品對(duì)用戶價(jià)值高低的重要方法[8]。包括N-day留存、Unbounded留存、Bracket留存3種留存方式;自定義留存是基于業(yè)務(wù)場(chǎng)景下的留存情況，比如閱讀類產(chǎn)品會(huì)把看過至少1篇文章的用戶定義為真正留存用戶[9]，電商類產(chǎn)品會(huì)把至少查看過1次商品詳情定義為有效留存。

1.2? 技術(shù)接受模型簡(jiǎn)介

技術(shù)接受模型（TAM），是1989年Davis運(yùn)用理性行為理論研究用戶對(duì)信息系統(tǒng)接受程度時(shí)所提出的模型[10]，其最初是對(duì)計(jì)算機(jī)被廣泛接受的決定性因素進(jìn)行解釋說明。

技術(shù)接受模型包括2個(gè)主要決定因素：感知的有用性與感知的易用性（圖1）。感知的有用性反映系統(tǒng)對(duì)工作業(yè)績(jī)提高的程度;感知的易用性反映系統(tǒng)的使用容易程度。

TAM認(rèn)為系統(tǒng)使用是由行為意向決定的，而行為意向由想用的態(tài)度和感知的有用性共同決定，想用的態(tài)度由感知的有用性和易用性共同決定，感知的有用性由感知的易用性和外部變量共同決定，感知的易用性由外部變量所決定。外部變量包括系統(tǒng)設(shè)計(jì)特征、用戶特征、任務(wù)特征等，為技術(shù)接受模型中的內(nèi)部信念、態(tài)度、意向和不同個(gè)體間的差異、環(huán)境約束、可控制的干擾因素之間建立起一種聯(lián)系。本文選取感知有用性作為粘性模型的影響因素之一。

1.3? 茶葉消費(fèi)者粘性指數(shù)改進(jìn)模型

消費(fèi)者粘性是指消費(fèi)者對(duì)于品牌或產(chǎn)品的忠誠、信任與良性體驗(yàn)等結(jié)合起來形成的依賴程度和再消費(fèi)期望程度[11]。對(duì)產(chǎn)品而言，最直接衡量消費(fèi)者粘性的指標(biāo)為使用時(shí)長(zhǎng)和使用頻率[12]。T-CSI改進(jìn)模型詳見圖2。本文以茶葉消費(fèi)者需求頻次，即每周喝茶的頻率（frequency）以及消費(fèi)意愿（desire），即消費(fèi)者1年來茶葉費(fèi)用支出，作為對(duì)茶葉消費(fèi)者粘性的評(píng)價(jià)指標(biāo)。需求頻次、消費(fèi)意愿分別和消費(fèi)者粘性成正比;同時(shí)消費(fèi)意愿又制約著需求頻次的強(qiáng)弱。二者對(duì)粘性的評(píng)價(jià)公式如下：

其中 Csi為第i個(gè)被調(diào)查者的粘性程度;fi為第i個(gè)被調(diào)查者的需求頻次;di為第i個(gè)被調(diào)查者的消費(fèi)意愿; εi為隨機(jī)干擾因素項(xiàng)，設(shè)εi獨(dú)立同分布，服從均值為0、方差為σ2的正態(tài)分布。茶葉消費(fèi)者對(duì)茶葉的感知有用性和可替代性影響其需求頻次;同時(shí)消費(fèi)者對(duì)茶葉的感知價(jià)值、轉(zhuǎn)移成本及消費(fèi)者專業(yè)素養(yǎng)和社會(huì)屬性均影響其消費(fèi)意愿。

1.4? T-CSI模型指標(biāo)體系

T-CSI模型由3部分組成，需求頻次和消費(fèi)意愿為茶葉消費(fèi)者粘性指數(shù)的構(gòu)成要素，結(jié)合上文的公式可計(jì)算出消費(fèi)者粘性的具體數(shù)值;感知有用性和與可替代性為需求頻次對(duì)應(yīng)的影響因素，感知價(jià)值、轉(zhuǎn)移成本、專業(yè)素養(yǎng)與社會(huì)屬性為消費(fèi)意愿對(duì)應(yīng)的影響因素;影響因素的具體評(píng)價(jià)指標(biāo)為可觀測(cè)變量，該指標(biāo)的分值依據(jù)被調(diào)查者所選選項(xiàng)得出。

T-CSI綜合評(píng)價(jià)模型的指標(biāo)體系如表1。其中，需求頻次指茶葉消費(fèi)者每周喝茶天數(shù)，反映消費(fèi)者喝茶的頻率以及對(duì)茶葉的需求程度。消費(fèi)意愿指消費(fèi)者近1年來的茶葉支出費(fèi)用，反映了消費(fèi)者對(duì)茶葉的消費(fèi)態(tài)度和消費(fèi)能力。

2? 茶葉消費(fèi)者數(shù)據(jù)來源與檢驗(yàn)

2.1? 數(shù)據(jù)來源

采用問卷調(diào)查法獲得關(guān)于茶葉消費(fèi)者的基本信息與消費(fèi)情況，問卷中包括上述粘性模型指標(biāo)體系中三級(jí)指標(biāo)所對(duì)應(yīng)的問題（表2）。通過線上方式進(jìn)行問卷發(fā)放，共收集問卷1 020份，篩選出有效問卷881份，問卷有效率為86.4%。

2.2? 數(shù)據(jù)檢驗(yàn)

通過SPSS對(duì)問卷數(shù)據(jù)進(jìn)行結(jié)構(gòu)效度檢驗(yàn)，包括采樣充足性檢驗(yàn)（KMO）和Bartlett球形檢驗(yàn)[13]，其中KMO取值在0～1。當(dāng)所有變量間的簡(jiǎn)單相關(guān)系數(shù)平方和遠(yuǎn)遠(yuǎn)大于偏相關(guān)系數(shù)平方和時(shí)，KMO值接近1，意味著變量間的相關(guān)性越強(qiáng)，進(jìn)行數(shù)據(jù)分析的結(jié)果越好;Bartlett球形檢驗(yàn)P值越大則表明變量間的獨(dú)立性越高。經(jīng)檢驗(yàn)，KMO統(tǒng)計(jì)量取值為0.7，Bartlett球形檢驗(yàn)近似卡方為807.278，自由度為66。通常來說當(dāng)KMO>0.7時(shí)，問卷效度良好，當(dāng)KMO<0.6時(shí)，表明問卷需重新設(shè)計(jì)。由檢驗(yàn)結(jié)果可知，該問卷KMO系數(shù)為0.7，代表問卷的結(jié)構(gòu)設(shè)計(jì)較好。且該問卷Bartlett球形檢驗(yàn)的P值近似為0，從而說明變量間具有相關(guān)性，同時(shí)驗(yàn)證了本文對(duì)于茶葉消費(fèi)者粘性隨機(jī)干擾項(xiàng)的正態(tài)性假定。綜上所述，本次調(diào)查所用問卷及樣本合理可靠，可用于進(jìn)一步分析。

3? 茶葉消費(fèi)者粘性影響因素重要性計(jì)算

3.1? 隨機(jī)森林模型

隨機(jī)森林屬于裝袋法（Bagging）類型的集成算法，該模型將若干個(gè)弱學(xué)習(xí)器的分類結(jié)果進(jìn)行投票選擇或取均值，從而組成一個(gè)強(qiáng)分類器，使得整體模型的結(jié)果具有較高的精確度和泛化性能[14]。作為高度靈活的機(jī)器學(xué)習(xí)算法，隨機(jī)森林模型可以用于統(tǒng)計(jì)消費(fèi)者來源、保留和流失[15]。本文以消費(fèi)者粘性數(shù)值作為樣本標(biāo)簽，以不同影響因素的具體評(píng)價(jià)指標(biāo)得分作為樣本特征，構(gòu)建隨機(jī)森林模型進(jìn)行擬合，可以有效反映二者之間的關(guān)系。

3.2? 模型構(gòu)建

3.2.1? 模型指標(biāo)定義

由于粘性構(gòu)成要素與影響因素的具體評(píng)價(jià)指標(biāo)多為類別變量和順序變量，難以直接帶入模型進(jìn)行計(jì)算，因此將構(gòu)成要素及具體評(píng)價(jià)指標(biāo)X1～X12重新定義取值，模型指標(biāo)及其取值結(jié)果具體如表3。

3.2.2? 參數(shù)選擇與模型優(yōu)化

對(duì)樣本特征做歸一化處理，并將被調(diào)查者樣本劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集占總樣本量80%，測(cè)試集占總樣本量20%。

隨機(jī)森林模型由多棵決策樹構(gòu)成，因此其超參數(shù)和決策樹模型較為相似[16]。本文在構(gòu)建隨機(jī)森林模型時(shí)，選取的參數(shù)包括決策樹裝袋數(shù)量、最大樹深、葉節(jié)點(diǎn)含有的最少樣本數(shù)、構(gòu)建決策樹最優(yōu)模型時(shí)考慮的最大特征數(shù)等。為獲得最優(yōu)隨機(jī)森林模型，本文采用網(wǎng)格搜索參數(shù)優(yōu)化算法[17]，設(shè)定的各參數(shù)網(wǎng)格搜索區(qū)間范圍如表4。

選擇網(wǎng)格搜索優(yōu)化后的參數(shù)進(jìn)行建模，其參數(shù)取值分別為決策樹裝袋數(shù)量270個(gè)、最大樹深22、葉節(jié)點(diǎn)含有的最少樣本數(shù)6個(gè)、構(gòu)建決策樹最優(yōu)模型時(shí)考慮的最大特征數(shù)sqrt整數(shù)個(gè)、節(jié)點(diǎn)劃分標(biāo)準(zhǔn)MSE、節(jié)點(diǎn)可分的最小樣本數(shù)6個(gè)。得到的最優(yōu)模型對(duì)粘性預(yù)測(cè)的MSE即均方誤差為481.36，可見模型誤差較小，較為準(zhǔn)確地反映了影響因素的具體評(píng)價(jià)指標(biāo)與粘性構(gòu)成要素之間的關(guān)系。

3.3? 影響因素重要性計(jì)算

通過SHAP值計(jì)算隨機(jī)森林模型中每個(gè)樣本各個(gè)特征的權(quán)重，進(jìn)而求出全部樣本在不同特征上的SHAP值的絕對(duì)平均值，以此作為茶葉消費(fèi)者粘性不同影響因素的重要性程度。SHAP值量化每個(gè)特征對(duì)模型所做預(yù)測(cè)的貢獻(xiàn)[18]，其計(jì)算特征加入到模型的邊際貢獻(xiàn)，然后考慮到該特征在所有的特征序列的情況下不同的邊際貢獻(xiàn)后取均值，即該特征的基準(zhǔn)值[19]。

4? 茶葉消費(fèi)者粘性影響因素分析

4.1? 感知有用性與可替代性對(duì)需求頻次的影響

采用SHAP值算法計(jì)算消費(fèi)者粘性影響因素的各指標(biāo)重要性程度結(jié)果如表5。需求頻次的2個(gè)因素對(duì)需求頻次的影響權(quán)重總和為0.227，低于感知價(jià)值等4個(gè)因素對(duì)消費(fèi)意愿的影響權(quán)重總和。其中，感知有用性所占比重最大，可見受訪茶葉消費(fèi)者更為關(guān)注感知有用性，這可能是由于消費(fèi)者對(duì)茶葉的需求趨于多元化;此外，消費(fèi)者喝茶的目的在感知有用性中所占比重最大，其目的越廣泛，越能夠提高感知有用性;消費(fèi)者購茶用途的廣泛性對(duì)粘性的影響高于可替代性對(duì)粘性的影響，可見對(duì)于大多數(shù)消費(fèi)者來說，茶葉用途比其替代品更為重要。

4.2? 感知價(jià)值、轉(zhuǎn)移成本、專業(yè)素養(yǎng)與社會(huì)屬性對(duì)消費(fèi)意愿的影響

消費(fèi)意愿中4個(gè)因素對(duì)消費(fèi)意愿的影響權(quán)重總和為0.773（表5），可見消費(fèi)者粘性主要受到轉(zhuǎn)移成本、社會(huì)屬性、專業(yè)素養(yǎng)、感知價(jià)值4個(gè)因素的影響，消費(fèi)者對(duì)茶葉的消費(fèi)意愿較為強(qiáng)烈時(shí)，其需求頻次并不會(huì)過多地影響到消費(fèi)者粘性。其中，茶葉消費(fèi)者的轉(zhuǎn)移成本及其社會(huì)屬性所占比重最大，分別為0.343、0.325。消費(fèi)者經(jīng)常喝的茶葉價(jià)格區(qū)間越高，接觸其他種類茶葉的轉(zhuǎn)移成本也就越高;消費(fèi)者一次性購買的茶葉越多，越不會(huì)消費(fèi)其他茶葉或飲品;其購買茶葉的渠道越接近線下，轉(zhuǎn)移成本越高，粘性也就越高。消費(fèi)者年齡與平均月收入對(duì)其消費(fèi)意愿的影響較大，不同年齡段存在不同的飲茶偏好，也存在不同的飲茶習(xí)慣;消費(fèi)者平均月收入越高，其茶葉消費(fèi)的意愿越強(qiáng)烈，其粘性也就越高。消費(fèi)者的專業(yè)素養(yǎng)要比他對(duì)茶葉的感知價(jià)值更為重要，茶葉價(jià)格合理與否，并不會(huì)導(dǎo)致其消費(fèi)意愿發(fā)生明顯變化?？梢妼?duì)于消費(fèi)者來說，茶葉品質(zhì)的好壞、是否符合飲茶習(xí)慣比茶葉價(jià)格是否合理更為重要。

5? 消費(fèi)者粘性視角下的茶產(chǎn)品改進(jìn)建議

本文分別從需求頻次、消費(fèi)意愿2個(gè)維度分析了影響消費(fèi)者粘性的因素，構(gòu)建適用于茶葉消費(fèi)者的粘性分析模型，該模型較好地?cái)M合了茶葉消費(fèi)者的粘性特征結(jié)構(gòu)?；趯?duì)消費(fèi)者粘性各影響因素的分析結(jié)果，提出如下關(guān)于茶產(chǎn)品的改進(jìn)建議。

劃分茶葉消費(fèi)人群，打造差異化茶葉產(chǎn)品。通過對(duì)茶葉消費(fèi)者的分析，可以發(fā)現(xiàn)轉(zhuǎn)移成本與社會(huì)屬性對(duì)其消費(fèi)意愿的影響程度最高，因而可以根據(jù)年齡、平均月收入對(duì)茶葉消費(fèi)者進(jìn)行人群劃分，并針對(duì)不同類型的消費(fèi)者人群，提供不同價(jià)格區(qū)間的茶葉和包裝單元，通過不同的銷售渠道向不同類型的消費(fèi)者提供不同等級(jí)的茶葉。對(duì)于高收入的中年消費(fèi)者人群可以提供更高質(zhì)量的茶葉產(chǎn)品;對(duì)于收入較低的年輕消費(fèi)人群，可以提供價(jià)格更低、購買渠道更為便利的茶葉產(chǎn)品。

加大產(chǎn)品宣傳力度，促進(jìn)產(chǎn)品多元化發(fā)展。茶葉消費(fèi)者的感知有用性對(duì)需求頻次的影響較高，應(yīng)重點(diǎn)提高消費(fèi)者對(duì)產(chǎn)品的感知有用性，從拓寬消費(fèi)者購買的目的及用途入手，滿足消費(fèi)者多元化需求。產(chǎn)品對(duì)于消費(fèi)者的可替換性高低并不會(huì)過多影響消費(fèi)者需求頻次的變化，因而開發(fā)不同種類的產(chǎn)品與新式茶飲，不會(huì)阻礙原有產(chǎn)品的發(fā)展，反而能夠在促進(jìn)產(chǎn)品多元化發(fā)展的同時(shí)，進(jìn)一步提升茶葉消費(fèi)者的粘性。

大力弘揚(yáng)茶文化，提升茶葉消費(fèi)者專業(yè)素養(yǎng)。茶葉消費(fèi)者的專業(yè)素養(yǎng)高于其感知價(jià)值對(duì)消費(fèi)意愿的影響，以推廣茶文化為契機(jī)，提升消費(fèi)者在選茶、鑒茶、泡茶方面的專業(yè)素養(yǎng)，從而使消費(fèi)者主動(dòng)探索茶葉產(chǎn)品的優(yōu)勢(shì)方面，進(jìn)一步提高消費(fèi)者粘性。對(duì)于專業(yè)素養(yǎng)較高的消費(fèi)者，應(yīng)以產(chǎn)品質(zhì)量及蘊(yùn)含的文化內(nèi)涵為重點(diǎn)宣傳內(nèi)容;而對(duì)于專業(yè)知識(shí)欠缺的消費(fèi)者，應(yīng)提升產(chǎn)品在滿足其單一用途方面的能力，從而提高該消費(fèi)人群的粘性。對(duì)于習(xí)慣速?zèng)_茶葉的消費(fèi)者，提供價(jià)格區(qū)間較低的茶產(chǎn)品;而對(duì)于習(xí)慣簡(jiǎn)化和完整程序沖泡茶葉的消費(fèi)者，提供高質(zhì)量、價(jià)格區(qū)間相對(duì)較高的茶產(chǎn)品，有利于分別提升兩類消費(fèi)者的粘性。

參考文獻(xiàn)

[1] 趙青， 張利， 薛君. 網(wǎng)絡(luò)用戶粘性行為形成機(jī)理及實(shí)證分析[J]. 情報(bào)理論與實(shí)踐， 2012， 35（10）： 25-29.

[2] 黃卉， 沈紅波. 信用卡市場(chǎng)利率粘性和消費(fèi)者行為研究綜述[J]. 上海金融， 2011（6）： 86-90.

[3] 康培， 孫劍， 鄧彥宇. 網(wǎng)絡(luò)購物臨場(chǎng)感、信任與消費(fèi)者在線粘性——以B2C模式下消費(fèi)者網(wǎng)購生鮮農(nóng)產(chǎn)品為例[J]. 企業(yè)經(jīng)濟(jì)， 2018， 37（7）： 89-97.

[4] 賈微微. 社會(huì)網(wǎng)絡(luò)環(huán)境下網(wǎng)絡(luò)品牌粘性構(gòu)建的復(fù)雜結(jié)構(gòu)路徑——消費(fèi)者共創(chuàng)視角[J]. 技術(shù)經(jīng)濟(jì)與管理研究， 2017（6）： 19-24.

[5] 陳靈誠， 林暢. 福建省烏龍茶消費(fèi)者購買行為分析[J]. 中國茶葉， 2021， 43（6）： 37-45.

[6] 曹獻(xiàn)馥， 曹獻(xiàn)秋. 茶葉包裝中影響消費(fèi)者購買意愿的設(shè)計(jì)要素研究[J]. 包裝工程， 2021（12）： 1-16.

[7] 馬珀， 王琰琰， 陳志芳， 等. 試論互聯(lián)網(wǎng)背景下的茶葉營銷策略[J]. 福建茶葉， 2021， 43（1）： 56-58.

[8] 夏瓊燕， 羅冠， 張翔， 等. Open street map志愿者貢獻(xiàn)與留存分析[J]. 測(cè)繪與空間地理信息， 2021， 44（2）： 90-93， 97.

[9] 別昊. 延長(zhǎng)用戶在短視頻內(nèi)容中的留存時(shí)長(zhǎng)[J]. 中國眼鏡科技雜志， 2020（10）： 54-55.

[10] LIN C W， LIN Y S， LIAO C C， et al. Utilizing technology acceptance model for influences of smartphone addiction on behavioural intention[J/OL]. Mathematical Problems in Engineering， 2021. https：//doi. org/10. 1155/2021/5592187.

[11] 宋志剛， 肖楠. 網(wǎng)絡(luò)貨運(yùn)平臺(tái)用戶粘性影響因素研究[J]. 物流科技， 2021， 44（3）： 89-92， 99.

[12] 李雪， 宗穎， 陳穎， 等. 基于技術(shù)接受模型的電商直播消費(fèi)者滿意度分析[J]. 江蘇商論， 2021（6）： 31-34， 38.

[13] 張路. 問卷調(diào)查中信、效度的全面性問題初探[J]. 民營科技， 2016（12）： 230-232.

[14] 李欣海. 隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J]. 應(yīng)用昆蟲學(xué)報(bào)， 2013， 50（4）： 1190-1197.

[15] 李兵， 陳俊才. 基于TMRF算法的電信客戶流失預(yù)測(cè)方案研究[J]. 數(shù)字技術(shù)與應(yīng)用， 2021， 39（4）： 116-121.

[16] 梁虹藝， 葉嘉盛， 季波， 等. 基于決策樹模型對(duì)國產(chǎn)與原研注射用鹽酸萬古霉素治療MRSA感染的成本-效果分析[J]. 今日藥學(xué)， 2021， 31（9）： 702-707.

[17] 施皓晨， 肖海鵬， 周建江. 一種雙線性分段二分網(wǎng)格搜索SVM最優(yōu)參數(shù)方法[J]. 計(jì)算機(jī)與數(shù)字工程， 2020， 48（9）： 2179-2184.

[18] YANG C， CHEN M Y， YUAN Q. The application of XGBoost and SHAP to examining the factors in freight truck-related crashes： An exploratory analysis[J]. Accident Analysis and Prevention， 2007， 1（1）： 81-85.

[19] 李超， 陳功， 儲(chǔ)文強(qiáng)， 等. 基于改進(jìn)SHAP的城市供水管網(wǎng)爆管主影響因素研究[J]. 科技通報(bào)， 2021， 37（1）： 79-84.