دوره 8، شماره 15 - ( بهار و تابستان 1400 )
جلد 8 شماره 15 صفحات 136-126 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mojaverian S M, eshqi F, Rahmani esmaeili H. (2021). Investigating the Effect of tea Packaging Characteristics on Consumer Preferences using the Approach New Combination of Conjoint Analysis and Artificial Neural Network. jea. 8(15), 126-136. doi:10.52547/jea.8.15.126
URL: http://jea.sanru.ac.ir/article-1-275-fa.html
URL: http://jea.sanru.ac.ir/article-1-275-fa.html
مجاوریان سید مجتبی، عشقی فواد، رحمانی اسماعیلی حسین. بررسی تأثیر ویژگی های بسته بندی چای بر ترجیحات مصرف کننده با استفاده از رویکرد جدید ترکیبی تحلیل متقارن و شبکه عصبی مصنوعی راهبردهای کارآفرینی در کشاورزی 1400; 8 (15) :136-126 10.52547/jea.8.15.126
دانشگاه علوم کشاورزی و منابع طبیغی ساری
چکیده: (2306 مشاهده)
ترجیحات مصرف‌کنندگان در مورد بسته‌بندی چای، اهمیت بسیار زیادی در صنایع و کسب و کارهای بسته‌بندی چای دارد. در این مطالعه با ترکیب روش تحلیل متقارن با الگوریتم شبکه عصبی مصنوعی، به شناسایی ترجیحات خریداران برای بسته‌بندی چای و عوامل موثر بر آن استفاده شده است. بسته‌بندی چای با انتقال اطلاعات بصری و متنی، بر ترجیحات مصرف‌کننده و بازاریابی آن اثرگذار می‌باشد. این مطالعه با هدف بررسی تأثیر ویژگی‌های بسته‌بندی چای هم‌زمان با مؤلفه قیمت بر ترجیحات مصرف‌کنندگان با روش تحلیل متقارن و شبکه عصبی مصنوعی مبتنی بر تحلیل متقارن در شهر ساری صورت گرفت. داده های مورد نیاز در سال 1397 با تکمیل 296 پرسشنامه جمع آوری گردید. در این پژوهش از نرمافزارهای SPSS و اکسل استفاده شده است. بر پایه نتایج تحلیل متقارن از بین چهار ویژگی شکل، اطلاعات، قیمت و سابقه برند؛ اطلاعات روی بسته بیشترین تأثیر را از نظر مصرف‌کننده داشت، همچنین اطلاعات محدود ترجیح بیشتری نسبت به اطلاعات کامل‌تر دارد. برندهای نسبتاً جدید اولویت بیشتری نسبت به برندهای باسابقه طولانی‌تر دارند. با استفاده از وزن حاصله از تحلیل متقارن در شبکه عصبی مصنوعی به همراه ورود متغیرهای درآمد، سن و میزان مصرف چای، نتایج نشان داد میزان تأثیر اطلاعات، قیمت، شکل و سابقه برند بر انتخاب مصرف‌کنندگان، به ترتیب حدود 25 درصد، 50 درصد، 22 درصد و 19 درصد می‌باشد. در مدل شبکه عصبی با ورود متغیرهای درآمد، سن و مصرف، با توجه به درآمد و مصرف انتخاب از حالت ذهنی (خواسته) به حالت انتخاب مصرفی (نزدیک به تقاضا) تعدیل شده است که لحاظ کردن ویژگی‌های فردی در مدل شبکه عصبی منجر به واقعی‌تر نشان دادن ترجیحات مصرف‌کننده در مدل شبکه عصبی مصنوعی شده است؛ برای نمونه، تأثیر متغیر قیمت چای در مدل تحلیل متقارن از 24 درصد به 50 درصد در مدل ترکیبی شبکه عصبی مصنوعی بر پایه تحلیل متقارن افزایش یافته است. با توجه به نتایج حاصله از پژوهش، کارآفرینان و صاحبان کسب و کارهای مرتبط با بسته بندی چای باید بسته بندی را به‌صورت ترکیبی از اطلاعات حداقلی (اسم برند، قیمت مصرف‌کننده و تاریخ تولید و انقضا) با شکل قوطی استوانه‌ای و سطح بالای قیمت انجام دهند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اقتصاد کشاورزی
دریافت: 1400/3/16 | پذیرش: 1400/5/10 | انتشار: 1400/5/26
دریافت: 1400/3/16 | پذیرش: 1400/5/10 | انتشار: 1400/5/26
فهرست منابع
1. Aday, M.S. and U. Yener. 2014. Understanding the buying behavior of young consumers regarding packaging attributes and labels. International Journal of Consumer Studies, 38(4): 385-393. [DOI:10.1111/ijcs.12105]
2. Akase, R. and Y. Okada. 2017. User evaluation prediction models based on conjoint analysis and neural networks for interactive evolutionary computation. In: lee r. (Eds) applied computing and information technology. Studies in computational intelligence, Vol 695. [DOI:10.1007/978-3-319-51472-7_7]
3. Amirnejad, Q. 2016. The effect of packaging information on tea consumers' satisfaction. Management and Entrepreneurship Studies, 2(3): 12-124 (In Persian).
4. Andreas, Z. 1994. Simulation Neuronal Nets [Simulation of Neural Networks] (in German) (ed.).Addison-Wesley. ISBN 3-89319-554-8.
5. ArabMazar, M. and M. Ghasemi. 2010. Pricing Initial Public Offerings: combining Artificial Neural Networks and Genetic Algorithm. Journal of Accounting and Auditing Review, 16(5): 87-102 (In Persian).
6. Ares, G. and R. Deliza, 2010. Identifying important package features of milk desserts using free listing and word association. Food Quality and Preference, 21(6): 621-628. [DOI:10.1016/j.foodqual.2010.03.010]
7. Babaei Meybodi, H. 2011. Predicting energy consumption using artificial neural networks. Master Thesis. Yazd University, Faculty of Economics, Management and Accounting. Industrial Management Group (In Persian).
8. Cheraqi, D. and S. Qolipor. 2009. The effect of economic policies on the regulation of the tea market in Iran. Journal of Business Studies, (37): 27-42 (In Persian).
9. Daniel, M.C. and R.C. Baker. 1977. Convenience Food Packaging and the Perception of Product Quality, Journal of Marketing, 41(4): 57-58. [DOI:10.1177/002224297704100406]
10. Deliya, M. and J. Parmar, 2012. Global Journal of Management and Business Research Volume XII Issue X Version I0June.
11. Deputy of Economic Planning, Jahad Keshavarzi Economic Affairs Office. 2016. Country tea status report. Report No. 4 (In Persian).
12. Dorandish, A., A. Tohidi and P. Alizadeh. 2017. Ranking of effective factors on saffron packaging from consumers' point of view. Journal of Saffron Agriculture and Technology, 5(2): 175-184 (In Persian).
13. FalahNejad Nodehi, H., M. Naqavi mermeti, P. Beheshti and S.M. Nazari. 2014. The role of food packaging in marketing. The first international conference on new findings in agricultural sciences, natural resources and the environment. Tehran, Association for the Development and Promotion of Basic Sciences and Technologies (In Persian).
14. FAO Center Statistics 2019. Available at www.fao.org
15. FAO Center Statistics. 2018. Available at www.fao.org
16. Faraji, Y. 2005. Theory of Microeconomics, Commercial Publishing Company affiliated to the Institute of Business Studies and Research. Sixth edition, 77-94 (In Persian).
17. Gholizadeh, H., Gh. Norozi,and Y. Feizabadi. 2021. Investigating the effect of government macroeconomic policies on development Employment in the agricultural sector. Journal of Entrepreneurial Strategies in Agriculture, 7(14): 116-123 (In Persian).
18. Gomez, M., D. Martin‐Consuegra, and A. Molina. 2015. The importance of packaging in purchase and usage behavior. International Journal of Consumer Studies, 39(3): 203-211. [DOI:10.1111/ijcs.12168]
19. Grønholdt, L. and A. Martensen, 2005. Analyzing customer satisfaction data: a comparison of regression and artificial neural networks. International Journal of Market Research, 47(2): 121-130. [DOI:10.1177/147078530504700201]
20. Hair, J.F., R.E. Anderson, B.L. Tatham and W.C. Black. 1995. Multivariate data analysis (4th ed.): with readings. Prentice-Hall, Inc. Upper Saddle River, NJ, USA.
21. Jantzi, H.A., and M.B. McSweeney, 2019. An overview of wine consumers in Nova Scotia Canada: A conjoint analysis study. Journal of Wine Research 30 (1): 48-61. [DOI:10.1080/09571264.2019.1573356]
22. Jeng, J.M. and D.R. Fesenmaier. 1996. A neural network approach to discrete choice modeling. Journal of Travel & Tourism Marketing, 5(1-2): 119-144. [DOI:10.1300/J073v05n01_08]
23. Jitkuekul, P. and S. Khamtanet. 2020. A Conjoint Analysis of Consumer Preferences for Chili Products in Thailand: A Case Study on Chili Sauce. Global Conference on Business and Social Sciences Proceeding. [DOI:10.35609/jmmr.2020.5.4(4)]
24. Kochaki, A., M. Qorbani, H. Mansuri and M. Rajabzadeh. 2016. Factors affecting the consumption preferences of organic fruits and vegetables in Mashhad. Quarterly Journal of Agricultural Economics and Development (In Persian).
25. Lima Filho, T., S.M. Della Lucia, R.M. Lima and V.P.R. Minim. 2015. Conjoint analysis as a tool to identify improvements in the packaging for irradiated strawberries. Food Research International, 72: 126-132. [DOI:10.1016/j.foodres.2015.03.023]
26. Moazampor, H. 1998. Tea making and tea technologies, University of Gilan Press (In Persian).
27. Mohamadalizade, B. and T. Hasanqolipor. 2017. Investigating the effect of packaging shape on the behavior of Iranian tea consumers (Case study of tea buyers in Rudsar convenience store chain). Second International Conference on Management and Accounting (In Persian).
28. Moraveji, M. and A. Seyedi. 2016. The effect of color psychology on packaging. The First International Congress and the 24th National Congress of Food Science and Technology of Iran (In Persian).
29. Motmeni, A., H. Moradi, A. Hemmati, A. Hashemzadeh and V. Moradi. 2012. The effect of visual and informational factors of packaging on the tendency to buy food again. Quarterly Journal of Food Science and Technology, 11(24): 31-42 (In Persian).
30. Mothersbaugh, D.L., D.I Hawkins and S.B. Kleiser. 2020. Consumer Behavior: Building Marketing Strategy. McGraw-Hill Education, New York.
31. Pour Ahangarian, Kh., M. Movaghar and M. Shir Khodae. 2016. The role of entrepreneurial approach and the capacity to absorb knowledge in the performance of companies Agricultural conversion and complementary industries. Journal of Entrepreneurial Strategies in Agriculture, 3(6): 1-8 ((In Persian).
32. Puyares, V., G. Ares and F. Carrau. 2010. Searching a specific bottle for Tannat wine using a check-all-that apply question and conjoint analysis. Food quality and Preference, 21(7): 684-691. [DOI:10.1016/j.foodqual.2010.05.008]
33. Raie, R. and S. Falahpour. 2009. Support Vector Machines Application in Financial Distress Prediction of Companies Using Financial Ratios. Journal of Accounting and Auditing Review, 15(4): 17-34 (In Persian).
34. Rodrigues, D.M., J.F. Rodrigues, V.R.D. Souza, J.D.D.S. Carneiro and S.V. Borges. 2018. Consumer preferences for Cerrado fruit preserves: a study using conjoint analysis. British Food Journal, 120(4): 827-838. [DOI:10.1108/BFJ-03-2017-0187]
35. Rodriguez Arango, J.A. 2003. Introduction to the Engineering in Packaging and Packaging.
36. RoJin, P. 2007. Application of artificial neural network for conjoint analysis. The Korean Journal of Applied Statistics, 20(3): 441-447 [DOI:10.5351/KJAS.2007.20.3.441]
37. Sabernazaraqa, F. and A. Ebrahimi. 2017. The role of packaging in consumer buying behavior. The Second International Conference on Management Cohesion and Development Economics. University of Tehran (In Persian).
38. Shahmerzade, N., M. Abasi and H. Hosseininasab. 2012. The effect of different shapes and colors of dairy packaging using the association of words and techniques. Conjoint Master Thesis. Ministry of Science, Research and Technology - Yazd University. Faculty of Industry (In Persian).
39. Silavi, P. and M. Speece. 2007. The importance of packaging attributes: a conjoint analysis approach. European Journal of Marketing, 41(11/12): 1495-1517. [DOI:10.1108/03090560710821279]
40. Sinai, H., S. Mortazavi and E. Teymouri Asl. 2005. Prediction of Tehran Stock Exchange Index Using Artificial Neural Network. Journal of Accounting and Auditing Reviews. Twelfth Year, 41: 59-83 (In Persian).
41. Soltani, M., S.M. Jafari and S.S. Majidi. 2018. Identifying the components of the consumer purchasing decision from the perspective of product packaging and examining the effect of the level of mental engagement on these components (case study of Sohan Qom industry). Iranian Food Science and Technology. 243-257 (In Persian).
42. Tohidi, A.M., M. Qorbani, A. Karbasi, A.R. Asqarpor masole and B. Hasani Mehmoei. 2021. Investigating the effective factors on saffron consumers' preferences. Scientific research of agriculture and saffron technology, 9(1): 91-106 (In Persian).
43. Vakili, M. and D. Akhovat.1998. Planting and harvesting tea. Arabi Publications. First Edition, 40-55 (In Persian).
44. Venugopal, V. and W. Baets, 1994. Neural networks and their applications in marketing management. Journal of Systems Management, 45(9): 16-21.
45. Westerman, S.J., E.J. Sutherland, P.H. Gardner, N. Baig, C. Critchley, C. Hickey, S. Mehigan, A. Solway and Z. Zervos. 2013. The design of consumer packaging: Effects of manipulations of shape, orientation, and alignment of graphical forms on consumers' assessments. Food Quality and Preference, 27 (1): 8-17. [DOI:10.1016/j.foodqual.2012.05.007]
46. Williamson, P.O., S. Mueller‐Loose, L. Lockshin and I.L. Francis. 2017. More hawthorn and less dried longing: the role of information and taste on red wine consumer preferences in China. Australian journal of grape and Wine Research, 24(1): 113-124. [DOI:10.1111/ajgw.12309]
47. Zahedi, A.H. and M. Ferydoni. 2014. Comparison of Artificial Neural Network with Adaptive Neural Fuzzy Inference System in Groundwater Level Prediction Case Study: Arsanjan Plain Functions, National Conference on Solutions to Water Crisis in Iran and the Middle East, Shiraz (In Persian).
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
