Abstract

Bu çalışma, gündüz süresinin alışveriş harcamaları üzerindeki etkisini makine öğrenmesine dayalı modelleme yoluyla incelemektedir. Post-modern tüketim teorileri ve nöropazarlama bakış açısıyla şekillenen çalışmanın amacı, çevresel faktörlerin—özellikle gerçek güneş ışığı süresinin—tüketici davranışı üzerindeki etkisini araştırmaktır. Amerika Birleşik Devletleri’nden 3.900 katılımcıdan oluşan veri seti; konum, mevsim, demografik özellikler ve giyim sektöründeki harcama davranışlarını içermektedir. FLAML AutoML, Random Forest ve XGBoost gibi sekiz farklı regresyon algoritması kullanılarak bu ilişki modellenmiştir. Karmaşık yapılar yakalanmaya çalışılsa da, tüm modeller negatif R² değerleri vermiştir; bu da açıklayıcılığın zayıf olduğunu göstermektedir. En başarılı model olan FLAML AutoML en düşük hata oranlarına ulaşsa da R² değeri hâlâ negatiftir (-0.010). Bulgular, gündüz süresi ile alışveriş harcamaları arasında anlamlı bir ilişki olmadığını göstermekte ve güneş ışığının tüketim üzerindeki duygusal ve psikolojik etkilerini vurgulayan önceki çalışmalarla çelişmektedir. Çalışma, post-modern tüketici davranışını modellemenin zorluklarını ortaya koyarken, sadece gündüz süresinin harcama tahmininde yeterli bir gösterge olmadığını ortaya koymaktadır. Yöntemsel katkı sunan çalışma, gelecekte serotonin gibi doğrudan nörobiyolojik ölçütlerle yapılacak araştırmalarla daha net sonuçlara ulaşılmasını önermektedir.

Abstract

This study examines the impact of daylight duration on shopping expenditures through machine learning-based modeling. Grounded in post-modern consumption theories and neuromarketing perspectives, it aims to explore how environmental factors, particularly real sunlight hours, influence consumer behavior. The dataset, comprising 3,900 participants from the United States, includes variables such as location, season, demographic features, and spending behavior in the clothing sector. Eight different regression algorithms—including FLAML AutoML, Random Forest, and XGBoost—were applied to model this relationship. Despite various efforts to capture nonlinear structures, all models yielded negative R² values, indicating low explanatory power. The best-performing model, FLAML AutoML, achieved the lowest error metrics, yet its R² value remained negative (-0.010). These findings suggest no significant relationship between daylight duration and shopping expenditures, contrasting previous studies highlighting the emotional and psychological influence of sunlight on consumption. The study underscores the complexity of modeling post-modern consumer behavior and reveals that daylight alone may not serve as a strong predictor of expenditure. It contributes to literature by offering a unique methodological perspective and encourages future research using direct neurobiological metrics such as serotonin levels for more conclusive results.

Structured Abstract:

In the post-modern era, consumption has increasingly transcended its conventional economic function of satisfying basic needs and has evolved into a complex social, psychological, and symbolic process. Contemporary consumers do not merely purchase goods and services for their utilitarian value; rather, consumption has become a means through which individuals construct identities, communicate social status, and experience emotional gratification. As a result, consumer behaviour in postmodern societies is shaped by a wide array of factors extending beyond rational choice models, including emotional states, social norms, cultural contexts, and environmental conditions. Within this broader framework, environmental variables such as seasonal changes, temperature variations, and daylight duration have gained scholarly attention due to their potential influence on mood regulation, cognitive functioning, and decision-making processes.

Drawing on post-modern consumption theories and insights from neuromarketing research, this study examines whether daylight duration, defined as real sunlight hours, exerts a measurable influence on individual shopping expenditures. Existing studies frequently suggest that sunlight exposure may positively affect mood through neurochemical mechanisms, particularly by increasing serotonin levels, thereby fostering more hedonic and impulsive consumption tendencies. However, empirical findings on whether such psychological effects translate into actual spending behaviour remain mixed. Moreover, much of the existing literature focuses on specific product categories or aggregate seasonal demand patterns, leaving a gap in understanding the direct relationship between daylight duration and individual-level expenditure behaviour. This study addresses this gap by adopting a consumer-centred perspective and empirically testing whether daylight duration can function as a meaningful predictor of shopping expenditures.

The primary objective of the study is to model the relationship between real sunlight hours and shopping expenditures using a machine learning–based analytical framework. By employing advanced regression algorithms capable of capturing complex and nonlinear relationships, the study aims to move beyond traditional econometric approaches and rigorously evaluate the explanatory power of daylight duration when combined with demographic and behavioural variables. In doing so, the research contributes both theoretically, by reassessing assumptions regarding environmental determinants of consumption, and methodologically, by demonstrating the applicability of machine learning techniques in consumer behaviour research.

The empirical analysis is based on a dataset comprising 3,900 consumers located in the United States. The dataset includes demographic characteristics such as age and gender, behavioural indicators such as purchase frequency and payment method, and contextual variables including season and geographical location. Shopping expenditures are measured in U.S. dollars and focus on the clothing sector, which is frequently examined in consumption studies due to its symbolic and identity-related dimensions. In addition to the original dataset variables, real daylight hours were calculated for each observation using geographical coordinates and seasonal information. This approach allows for a more precise measurement of environmental exposure compared to commonly used proxy variables such as month or season alone.

To examine the relationship between daylight duration and shopping expenditures, eight different regression-based machine learning algorithms were employed: linear regression, decision tree regressor, random forest regressor, XGBoost regressor, CatBoost regressor, LightGBM regressor, MLP regressor (artificial neural network), and FLAML AutoML. Categorical variables were transformed using OneHotEncoder, and numerical variables were processed accordingly to ensure model compatibility. The dataset was randomly split into training (80%) and test (20%) subsets to evaluate model generalisability. Model performance was assessed using mean absolute error (MAE), root mean squared error (RMSE), and the coefficient of determination (R²), which together provide a comprehensive evaluation of prediction accuracy and explanatory power.

The results reveal a consistent pattern across all applied models. Although several algorithms—particularly ensemble and boosting-based methods—achieved relatively lower error values, all models produced negative R² scores. This indicates that the models failed to explain the variance in shopping expenditures more effectively than a naïve baseline prediction based on the mean. Among the tested algorithms, FLAML AutoML demonstrated the lowest MAE and RMSE values, suggesting superior performance in minimising prediction errors. Nevertheless, its R² value remained slightly negative, indicating limited explanatory capacity despite automated model selection and hyperparameter optimisation.

These findings suggest that daylight duration, when considered alongside basic demographic and behavioural variables, does not constitute a strong predictor of individual shopping expenditures. This outcome contrasts with prior studies emphasising the emotional and psychological effects of sunlight exposure on consumer behaviour. One possible explanation for this discrepancy lies in the distinction between consumption desire and effective demand.   In this context, consumption desire simply expresses a wish, independent of ability. Effective demand, on the other hand, is the situation where, in addition to the wish, requirements such as purchasing power and time are also present for the act of buying. While daylight and sunlight may influence mood, motivation, and consumption intentions, these psychological effects may not directly translate into higher realised expenditures, particularly in contexts where financial constraints, budgeting practices, and rational control mechanisms play a significant role.

From a theoretical perspective, the findings underscore the complexity of postmodern consumer behaviour and challenge assumptions that environmental factors exert direct and uniform effects on spending outcomes. Methodologically, the study demonstrates the value of machine learning approaches not only in identifying significant predictors but also in rigorously testing and potentially falsifying widely held theoretical expectations. In this sense, the absence of a statistically meaningful relationship between daylight duration and shopping expenditures should be interpreted not as a limitation, but as a theoretically informative null result.

Despite its contributions, the study has certain limitations. The analysis relies on indirect measures of psychological states and does not incorporate direct neurobiological or affective indicators. Future research may benefit from integrating biometric data, mood assessments, or hormonal measures to more accurately capture the mechanisms through which environmental conditions influence consumption behaviour. Additionally, extending the analysis to different cultural contexts, product categories, or longitudinal designs may provide further insights.

In conclusion, this study provides empirical evidence that daylight duration does not have a statistically meaningful impact on individual shopping expenditures when modelled using advanced machine learning techniques. By offering a rigorous examination of an environmental factor frequently assumed to influence consumer behaviour, the research contributes to a more nuanced understanding of postmodern consumption dynamics and highlights the importance of theoretically grounded null findings in consumer research.

Yapılandırılmış Özet:

Postmodern çağda tüketim, temel ihtiyaçları karşılamak gibi geleneksel ekonomik işlevinin ötesine geçerek karmaşık bir sosyal, psikolojik ve sembolik sürece dönüşmüştür. Günümüz tüketicileri, mal ve hizmetleri yalnızca faydacı değerleri için satın almamaktadır. Tüketim, bireylerin kimliklerini oluşturdukları, sosyal statülerini ifade ettikleri ve duygusal tatmin yaşadıkları bir araç haline gelmiştir. Sonuç olarak, postmodern toplumlarda tüketici davranışı, duygusal durumlar, sosyal normlar, kültürel bağlamlar ve çevresel koşullar dahil olmak üzere rasyonel seçim modellerinin ötesine geçen çok çeşitli faktörler tarafından şekillenmektedir. Bu daha geniş çerçeve içinde, mevsimsel değişiklikler, sıcaklık değişimleri ve gün ışığı süresi gibi çevresel değişkenler, ruh hali düzenleme, bilişsel işlevler ve karar verme süreçleri üzerindeki potansiyel etkileri nedeniyle bilimsel ilgi görmüştür.

Bu çalışma gerçek güneş ışığı saatleri olarak tanımlanan gün ışığı süresinin bireysel alışveriş harcamaları üzerinde ölçülebilir bir etkiye sahip olup olmadığını postmodern tüketim teorileri ve nöropazarlama araştırmalarından elde edilen bilgilerden yararlanarak incelemektedir. Mevcut çalışmalar, güneş ışığına maruz kalmanın, özellikle serotonin seviyelerini artırarak nörokimyasal mekanizmalar yoluyla ruh halini olumlu yönde etkileyebileceğini ve böylece daha hedonik ve dürtüsel tüketim eğilimlerini teşvik edebileceğini sıklıkla öne sürmektedir. Ancak, bu tür psikolojik etkilerin gerçek (efektif) harcama davranışına dönüşüp dönüşmediğine ilişkin ampirik bulgular karışık olmaya devam etmektedir. Dahası, mevcut literatürün çoğu belirli ürün kategorilerine veya mevsimsel talep modellerine odaklanmakta ve gün ışığı süresi ile bireysel düzeydeki harcama davranışı arasındaki doğrudan ilişkiyi anlamada bir boşluk bırakmaktadır. Bu çalışma, tüketici merkezli bir bakış açısı benimseyerek ve gün ışığı süresinin alışveriş harcamalarının anlamlı bir öngörücüsü olarak işlev görüp görmediğini ampirik olarak test ederek bu boşluğu ele almaktadır.

Çalışmanın temel amacı, makine öğrenimi tabanlı bir analitik çerçeve kullanarak gerçek güneş ışığı saatleri ile alışveriş harcamaları arasındaki ilişkiyi modellemektir. Çalışma geleneksel ekonometrik yaklaşımların ötesine geçmeyi ve demografik ve davranışsal değişkenlerle birleştirildiğinde gün ışığı süresinin açıklayıcı gücünü karmaşık ve doğrusal olmayan ilişkileri yakalayabilen gelişmiş regresyon algoritmaları kullanarak titizlikle değerlendirmeyi amaçlamaktadır. Böylece araştırma, tüketimdeki çevresel belirleyicilerle ilgili varsayımları yeniden değerlendirerek teorik olarak ve makine öğrenimi tekniklerinin tüketici davranışı araştırmalarında uygulanabilirliğini göstererek metodolojik olarak katkı sağlamaktadır.

Ampirik analiz Amerika Birleşik Devletleri'nde bulunan 3.900 tüketiciden oluşan bir veri setine dayanmaktadır. Veri seti, yaş ve cinsiyet gibi demografik özellikleri, satın alma sıklığı ve ödeme yöntemi gibi davranışsal göstergeleri ve mevsim ve coğrafi konum gibi bağlamsal değişkenleri içermektedir. Alışveriş harcamaları ABD doları cinsinden ölçülmekte ve sembolik ve kimlikle ilgili boyutları nedeniyle tüketim çalışmalarında sıklıkla incelenen giyim sektörüne odaklanmaktadır. Orijinal veri seti değişkenlerine ek olarak, coğrafi koordinatlar ve mevsimsel bilgiler kullanılarak her bir gözlem için gerçek gün ışığı saatleri hesaplanmıştır. Bu yaklaşım, yalnızca ay veya mevsim gibi yaygın olarak kullanılan tali değişkenlere kıyasla çevresel maruziyetin daha kesin bir şekilde ölçülmesini sağlamaktadır.

Gün ışığı süresi ile alışveriş harcamaları arasındaki ilişkiyi incelemek için sekiz farklı regresyon tabanlı makine öğrenimi algoritması kullanılmıştır: Doğrusal Regresyon, Karar Ağacı Regresörü, Rastgele Orman Regresörü, XGBoost Regresörü, CatBoost Regresörü, LightGBM Regresörü, MLP Regresörü (Yapay Sinir Ağı) ve FLAML AutoML. Kategorik değişkenler OneHotEncoder kullanılarak dönüştürüldü ve sayısal değişkenler model uyumluluğunu sağlamak için uygun şekilde işlendi. Veri kümesi, modelin genelleştirilebilirliğini değerlendirmek için rastgele olarak eğitim (80%) ve test (20%) alt kümelerine ayrılmıştır. Model performansı, Tahmin Doğruluğu ve Açıklayıcı Güç'ün kapsamlı bir değerlendirmesini sağlayan Ortalama Mutlak Hata (MAE), Kök Ortalama Karesel Hata (RMSE) ve belirleme katsayısı (R²) kullanılarak değerlendirilmiştir.

Sonuçlar, uygulanan tüm modellerde tutarlı bir model ortaya koymaktadır. Birkaç algoritma, özellikle ensemble ve boosting tabanlı yöntemler, nispeten daha düşük hata değerleri elde etmesine rağmen, tüm modeller negatif R² puanları vermiştir. Bu, modellerin alışveriş harcamalarındaki varyansı, ortalamaya dayalı basit bir temel tahmininden daha etkili bir şekilde açıklayamadığını göstermektedir. Test edilen algoritmalar arasında FLAML AutoML en düşük MAE ve RMSE değerlerini göstererek tahmin hatalarını en aza indirgemede üstün performans sergilemiştir. Bununla birlikte, R² değeri negatif kalarak, otomatik model seçimi ve hiperparametre optimizasyonuna rağmen açıklayıcı kapasitesinin sınırlı olduğunu göstermiştir.

Bu bulgular, temel demografik ve davranışsal değişkenlerle birlikte değerlendirildiğinde, gün ışığı süresinin bireysel alışveriş harcamalarının güçlü bir belirleyicisi olmadığını göstermektedir. Bu sonuç, güneş ışığına maruz kalmanın tüketici davranışları üzerindeki duygusal ve psikolojik etkilerini vurgulayan önceki çalışmalarla çelişmektedir. Bu tutarsızlığın olası bir açıklaması, tüketim arzusu ile efektif talep arasındaki farkta yatmaktadır.  Bu bağlamda, tüketim arzusu, yeteneklerden bağımsız olarak sadece bir isteği ifade eder. Efektif talep ise, isteğin yanı sıra satın alma eylemi için satın alma gücü ve zaman gibi gerekliliklerin de mevcut olduğu durumdur. Güneşlenme süresi ve güneş ışığı ruh halini, motivasyonu ve tüketim niyetlerini etkileyebilir, ancak bu psikolojik etkiler, özellikle finansal kısıtlamaların, bütçeleme uygulamalarının ve rasyonel kontrol mekanizmalarının önemli bir rol oynadığı bağlamlarda, doğrudan daha yüksek harcamalara dönüşmeyebilir.

Teorik açıdan, bulgular postmodern tüketici davranışının karmaşıklığını vurgulamakta ve çevresel faktörlerin harcama sonuçları üzerinde doğrudan ve tek tip etkiler yarattığı varsayımını sorgulamaktadır. Metodolojik açıdan, çalışma makine öğrenimi yaklaşımlarının sadece önemli belirleyicileri tespit etmekle kalmayıp, yaygın olarak kabul gören teorik beklentileri titizlikle test etmek ve potansiyel olarak çürütmek açısından da değerini göstermektedir. Bu anlamda, gün ışığı süresi ile alışveriş harcamaları arasında istatistiksel olarak anlamlı bir ilişki bulunmaması bir sınırlama olarak değil, teorik açıdan bilgilendirici bir sıfır sonucu olarak yorumlanmalıdır.

Katkılarına rağmen, bu çalışmanın bazı sınırlamaları bulunmaktadır. Analiz, psikolojik durumların dolaylı ölçümlerine dayanmaktadır ve doğrudan nörobiyolojik veya duygusal göstergeleri içermemektedir. Gelecekteki araştırmalar, çevresel koşulların tüketim davranışını etkilediği mekanizmaları daha doğru bir şekilde anlamak için biyometrik verileri, ruh hali değerlendirmelerini veya hormonal ölçümlerini entegre etmek fayda sağlayabilir. Ayrıca, analizi farklı kültürel bağlamlara, ürün kategorilerine genişletmek daha fazla içgörü sağlayabilir.

Sonuç olarak, bu çalışma, gelişmiş makine öğrenimi teknikleri kullanılarak modellenen gün ışığı süresinin bireysel alışveriş harcamaları üzerinde istatistiksel olarak anlamlı bir etkisi olmadığına dair ampirik kanıtlar sunmaktadır. Tüketici davranışını etkilediği sıklıkla varsayılan bir çevresel faktörü titizlikle inceleyerek, bu araştırma postmodern tüketim dinamiklerinin daha nüanslı bir şekilde anlaşılmasına katkıda bulunmakta ve tüketici araştırmalarında teorik temelli olumsuz bulguların önemini vurgulamaktadır.

ملخص منظم

في عصر ما بعد الحداثة، تجاوز الاستهلاك بشكل متزايد وظيفته الاقتصادية التقليدية المتمثلة في تلبية الاحتياجات الأساسية، وتطور ليصبح عملية اجتماعية ونفسية ورمزية معقدة. فالمستهلكون المعاصرون لا يقتصرون على شراء السلع والخدمات لقيمتها النفعية فحسب؛ بل أصبح الاستهلاك وسيلة يستخدمها الأفراد لبناء هوياتهم، والتعبير عن مكانتهم الاجتماعية، وتجربة الإشباع العاطفي. ونتيجة لذلك، يتشكل سلوك المستهلك في المجتمعات ما بعد الحداثية من خلال مجموعة واسعة من العوامل التي تتجاوز نماذج الاختيار العقلاني، بما في ذلك الحالات العاطفية، والأعراف الاجتماعية، والسياقات الثقافية، والظروف البيئية. وضمن هذا الإطار الأوسع، حظيت المتغيرات البيئية مثل التغيرات الموسمية، وتقلبات درجات الحرارة، ومدة ضوء النهار باهتمام الأكاديميين بسبب تأثيرها المحتمل على تنظيم المزاج، والأداء المعرفي، وعمليات اتخاذ القرار.

بالاعتماد على نظريات الاستهلاك ما بعد الحداثية والرؤى المستمدة من أبحاث التسويق العصبي، تبحث هذه الدراسة ما إذا كانت مدة ضوء النهار، المُعرَّفة بأنها ساعات ضوء الشمس الفعلي، تمارس تأثيرًا قابلًا للقياس على نفقات التسوق الفردية. تشير الدراسات الحالية في كثير من الأحيان إلى أن التعرض لأشعة الشمس قد يؤثر إيجابيًا على المزاج من خلال آليات كيميائية عصبية، لا سيما عن طريق زيادة مستويات السيروتونين، مما يعزز اتجاهات استهلاكية أكثر متعة واندفاعية. ومع ذلك، تظل النتائج التجريبية حول ما إذا كانت هذه الآثار النفسية تترجم إلى سلوك إنفاق فعلي متباينة. علاوة على ذلك، تركز معظم الأدبيات الحالية على فئات منتجات محددة أو أنماط الطلب الموسمي الإجمالية، مما يترك فجوة في فهم العلاقة المباشرة بين مدة ضوء النهار وسلوك الإنفاق على المستوى الفردي. تعالج هذه الدراسة هذه الفجوة من خلال تبني منظور يركز على المستهلك واختبار تجريبي لما إذا كانت مدة ضوء النهار يمكن أن تعمل كمؤشر تنبؤي ذي مغزى لنفقات التسوق.

الهدف الأساسي للدراسة هو نمذجة العلاقة بين ساعات ضوء الشمس الفعلية ونفقات التسوق باستخدام إطار تحليلي قائم على التعلم الآلي. من خلال استخدام خوارزميات انحدار متقدمة قادرة على استيعاب العلاقات المعقدة وغير الخطية، تهدف الدراسة إلى تجاوز المناهج الاقتصادية القياسية التقليدية وتقييم القوة التفسيرية لمدة النهار تقييمًا دقيقًا عند دمجها مع المتغيرات الديموغرافية والسلوكية. وبذلك، تساهم هذه الدراسة من الناحية النظرية، من خلال إعادة تقييم الافتراضات المتعلقة بالعوامل البيئية المحددة للاستهلاك، ومن الناحية المنهجية، من خلال إثبات قابلية تطبيق تقنيات التعلم الآلي في أبحاث سلوك المستهلك.

ويستند التحليل التجريبي إلى مجموعة بيانات تضم 3,900 مستهلك في الولايات المتحدة. وتتضمن مجموعة البيانات خصائص ديموغرافية مثل العمر والجنس، ومؤشرات سلوكية مثل تواتر الشراء وطريقة الدفع، ومتغيرات سياقية تشمل الموسم والموقع الجغرافي. يُقاس إنفاق التسوق بالدولار الأمريكي ويركز على قطاع الملابس، الذي غالبًا ما يتم دراسته في أبحاث الاستهلاك نظرًا لأبعاده الرمزية والمتعلقة بالهوية. بالإضافة إلى متغيرات مجموعة البيانات الأصلية، تم حساب ساعات النهار الفعلية لكل ملاحظة باستخدام الإحداثيات الجغرافية والمعلومات الموسمية. يتيح هذا النهج قياسًا أكثر دقة للتعرض البيئي مقارنةً بالمتغيرات البديلة الشائعة الاستخدام مثل الشهر أو الموسم وحدهما.

ولدراسة العلاقة بين مدة ضوء النهار ونفقات التسوق، تم استخدام ثماني خوارزميات مختلفة للتعلم الآلي القائمة على الانحدار: الانحدار الخطي، ومتغير شجرة القرار، ومتغير الغابة العشوائية، ومتغير XGBoost، ومتغير CatBoost، ومتغير LightGBM، ومتغير MLP (الشبكة العصبية الاصطناعية)، وFLAML AutoML. تم تحويل المتغيرات الفئوية باستخدام OneHotEncoder، وتم معالجة المتغيرات العددية وفقًا لذلك لضمان توافق النموذج. تم تقسيم مجموعة البيانات عشوائياً إلى مجموعات فرعية للتدريب (80٪) والاختبار (20٪) لتقييم قابلية تعميم النموذج. تم تقييم أداء النموذج باستخدام متوسط الخطأ المطلق (MAE)، وجذر متوسط الخطأ المربع (RMSE)، ومعامل التحديد (R²)، والتي توفر معاً تقييماً شاملاً لدقة التنبؤ والقدرة التفسيرية.

تكشف النتائج عن نمط متسق عبر جميع النماذج المطبقة. وعلى الرغم من أن العديد من الخوارزميات — لا سيما الأساليب القائمة على التجميع (ensemble) والتعزيز (boosting) — حققت قيم خطأ أقل نسبيًا، إلا أن جميع النماذج أسفرت عن قيم R² سالبة. ويشير ذلك إلى أن النماذج فشلت في تفسير التباين في نفقات التسوق بشكل أكثر فعالية مقارنة بالتنبؤ الأساسي البسيط القائم على المتوسط. ومن بين الخوارزميات التي تم اختبارها، أظهرت FLAML AutoML أدنى قيم MAE وRMSE، مما يشير إلى أداء متفوق في تقليل أخطاء التنبؤ. ومع ذلك، ظلت قيمة R² الخاصة بها سالبة قليلاً، مما يشير إلى قدرة تفسيرية محدودة على الرغم من الاختيار الآلي للنموذج وتحسين المعلمات الفائقة.

تشير هذه النتائج إلى أن مدة ضوء النهار، عند النظر إليها جنبًا إلى جنب مع المتغيرات الديموغرافية والسلوكية الأساسية، لا تشكل مؤشرًا تنبؤيًا قويًّا لنفقات التسوق الفردية. وتتناقض هذه النتيجة مع الدراسات السابقة التي ركزت على الآثار العاطفية والنفسية للتعرض لأشعة الشمس على سلوك المستهلك. ويكمن أحد التفسيرات المحتملة لهذا التباين في التمييز بين الرغبة في الاستهلاك والطلب الفعلي. في هذا السياق، تعبر الرغبة في الاستهلاك ببساطة عن أمنية، مستقلة عن القدرة. أما الطلب الفعلي، فهو الحالة التي تتوافر فيها، بالإضافة إلى الرغبة، متطلبات مثل القوة الشرائية والوقت اللازمين لعملية الشراء. ورغم أن ضوء النهار وأشعة الشمس قد يؤثران على الحالة المزاجية والدافع ونوايا الاستهلاك، فإن هذه الآثار النفسية قد لا تترجم مباشرة إلى زيادة في الإنفاق الفعلي، لا سيما في السياقات التي تلعب فيها القيود المالية وممارسات إعداد الميزانية وآليات التحكم العقلانية دورًا مهمًا.

من منظور نظري، تؤكد النتائج على تعقيد سلوك المستهلك في عصر ما بعد الحداثة وتتحدى الافتراضات القائلة بأن العوامل البيئية تمارس تأثيرات مباشرة وموحدة على نتائج الإنفاق. ومن الناحية المنهجية، تُظهر الدراسة قيمة مناهج التعلم الآلي ليس فقط في تحديد المتغيرات التنبؤية المهمة، بل أيضًا في الاختبار الدقيق والتفنيد المحتمل للتوقعات النظرية السائدة. وبهذا المعنى، ينبغي تفسير عدم وجود علاقة ذات دلالة إحصائية بين مدة ضوء النهار ونفقات التسوق ليس على أنه قيد، بل كنتيجة صفرية مفيدة من الناحية النظرية.

على الرغم من مساهماتها، فإن الدراسة تنطوي على بعض القيود. يعتمد التحليل على مقاييس غير مباشرة للحالات النفسية ولا يشمل مؤشرات عصبية بيولوجية أو عاطفية مباشرة. قد تستفيد الأبحاث المستقبلية من دمج البيانات البيومترية، أو تقييمات الحالة المزاجية، أو القياسات الهرمونية لرصد الآليات التي تؤثر من خلالها الظروف البيئية على سلوك الاستهلاك بدقة أكبر. بالإضافة إلى ذلك، قد يوفر توسيع نطاق التحليل ليشمل سياقات ثقافية مختلفة، أو فئات منتجات، أو تصميمات طولية رؤى إضافية.

في الختام، تقدم هذه الدراسة دليلاً تجريبيًّا على أن مدة ضوء النهار لا تؤثر تأثيرًا ذا دلالة إحصائية على نفقات التسوق الفردية عند نمذجتها باستخدام تقنيات التعلم الآلي المتقدمة. ومن خلال تقديم دراسة دقيقة لعامل بيئي يُفترض غالبًا أنه يؤثر على سلوك المستهلك، تساهم هذه الدراسة في فهم أكثر دقة لديناميات الاستهلاك ما بعد الحداثي، وتسلط الضوء على أهمية النتائج السلبية المستندة نظريًّا في أبحاث المستهلكين.

Résumé Structuré:

À l’ère postmoderne, la consommation a de plus en plus transcendé sa fonction économique conventionnelle consistant à satisfaire les besoins fondamentaux pour évoluer vers un processus social, psychologique et symbolique complexe. Les consommateurs contemporains n’achètent pas simplement des biens et des services pour leur valeur utilitaire ; la consommation est plutôt devenue un moyen par lequel les individus construisent leur identité, communiquent leur statut social et éprouvent une satisfaction émotionnelle. En conséquence, le comportement des consommateurs dans les sociétés postmodernes est façonné par un large éventail de facteurs qui dépassent les modèles de choix rationnel, notamment les états émotionnels, les normes sociales, les contextes culturels et les conditions environnementales. Dans ce cadre plus large, des variables environnementales telles que les changements saisonniers, les variations de température et la durée d’ensoleillement ont retenu l’attention des chercheurs. En effet, elles pourraient avoir une influence potentielle sur la régulation de l’humeur, le fonctionnement cognitif et les processus décisionnels.

Cette étude s'appuie sur les théories postmodernes de la consommation et sur les enseignements tirés de la recherche en neuromarketing. Elle sur les théories postmodernes de la consommation et sur les enseignements tirés de la recherche en neuromarketing, cette étude examine si la durée d’ensoleillement, définie comme le nombre d’heures d’ensoleillement réel, exerce une influence mesurable sur les dépenses d’achat individuelles. Les études existantes suggèrent fréquemment que l’exposition à la lumière du soleil peut avoir un effet positif sur l’humeur par le biais de mécanismes neurochimiques, notamment en augmentant les niveaux de sérotonine, favorisant ainsi des tendances de consommation plus hédoniques et impulsives. Cependant, les résultats empiriques quant à savoir si ces effets psychologiques se traduisent par un comportement de dépense réel restent mitigés. De plus, une grande partie de la littérature existante se concentre sur des catégories de produits spécifiques ou sur des tendances saisonnières agrégées de la demande. Cela laisse ainsi un vide dans la compréhension de la relation directe entre la durée d’ensoleillement et le comportement de dépense au niveau individuel. La présente étude comble cette lacune en adoptant une perspective centrée sur le consommateur et en testant empiriquement si la durée d’ensoleillement peut constituer un prédicteur significatif des dépenses d’achat.

L’objectif principal de l’étude est de modéliser la relation entre les heures d’ensoleillement réelles et les dépenses d’achat à l’aide d’un cadre analytique fondé sur l’apprentissage automatique. En recourant à des algorithmes de régression avancés capables de saisir des relations complexes et non linéaires, l’étude vise à aller au-delà des approches économétriques traditionnelles. Elle vise également à évaluer rigoureusement le pouvoir explicatif de la durée d’ensoleillement lorsqu’elle est combinée à des variables démographiques et comportementales. Ce faisant, cette recherche apporte une contribution tant sur le plan théorique, en réévaluant les hypothèses concernant les déterminants environnementaux de la consommation, que sur le plan méthodologique. Elle démontre en outre l’applicabilité des techniques d’apprentissage automatique à la recherche sur le comportement des consommateurs.

L’analyse empirique s’appuie sur un ensemble de données comprenant 3 900 consommateurs qui résident aux États-Unis. Cet ensemble de données inclut des caractéristiques démographiques telles que l’âge et le sexe, des indicateurs comportementaux tels que la fréquence d’achat et le mode de paiement, ainsi que des variables contextuelles, notamment la saison et la localisation géographique. Les dépenses d’achat sont mesurées en dollars américains et portent sur le secteur de l’habillement, qui fait fréquemment l’objet d’études de consommation en raison de ses dimensions symboliques et identitaires. Outre les variables du jeu de données d’origine, les heures de lumière du jour réelles ont été calculées pour observer l’aide des coordonnées géographiques et des informations saisonnières. Cette approche permet une mesure plus précise de l’exposition environnementale par rapport aux variables de substitution couramment utilisées, telles que le mois ou la saison seuls.

Afin d’examiner la relation entre la durée d’ensoleillement et les dépenses d’achat, huit algorithmes différents d’apprentissage automatique établis sur la régression ont été utilisés : la régression linéaire, le régresseur par arbre de décision, le régresseur par forêt aléatoire, le régresseur XGBoost, le régresseur CatBoost, le régresseur LightGBM, le régresseur MLP (réseau neuronal artificiel) et FLAML AutoML. Les variables catégorielles ont été transformées à l’aide de OneHotEncoder, et les variables numériques ont été traitées en conséquence afin d’assurer la compatibilité des modèles. L’ensemble de données a été divisé de manière aléatoire en sous-ensembles d’apprentissage (80 %) et de test (20 %) afin d’évaluer la généralisation des modèles. Les performances des modèles ont été évaluées à l’aide de l’erreur absolue moyenne (MAE), de l’erreur quadratique moyenne (RMSE) et du coefficient de détermination (R²), qui, ensemble, fournissent une évaluation complète de la précision des prédictions et du pouvoir explicatif.

Les résultats révèlent une tendance constante pour tous les modèles appliqués. Bien que plusieurs algorithmes — en particulier les méthodes basées sur les ensembles et le boosting — aient atteint des valeurs d’erreur relativement plus faibles, tous les modèles ont produit des scores R² négatifs. Cela indique que les modèles n’ont pas réussi à expliquer la variance des dépenses d’achat plus efficacement qu’une prédiction de référence naïve basée sur la moyenne. Parmi les algorithmes testés, FLAML AutoML a affiché les valeurs de MAE et de RMSE les plus faibles, ce qui suggère une performance supérieure en matière de minimisation des erreurs de prédiction. Néanmoins, sa valeur R² est restée légèrement négative, ce qui indique une capacité explicative limitée malgré la sélection automatisée des modèles et l’optimisation des hyperparamètres.

Ces résultats suggèrent que la durée d’ensoleillement, lorsqu’elle est prise en compte parallèlement à des variables démographiques et comportementales de base, ne constitue pas un prédicteur solide des dépenses d’achat individuelles. Ce résultat contraste avec des études antérieures mettant l’accent sur les effets émotionnels et psychologiques de l’exposition au soleil sur le comportement des consommateurs. Une explication possible de cette divergence réside dans la distinction entre le désir de consommation et la demande effective. Dans ce contexte, le désir de consommation exprime simplement une envie, indépendante de la capacité. La demande effective, en revanche, correspond à la situation où, outre cette envie, des conditions telles que le pouvoir d’achat et le temps disponible sont également réunies pour que l’acte d’achat ait lieu. Si la lumière du jour et l’ensoleillement peuvent influencer l’humeur, la motivation et les intentions de consommation, ces effets psychologiques ne se traduisent pas nécessairement par une augmentation des dépenses réelles, en particulier dans des contextes où les contraintes financières, les pratiques budgétaires et les mécanismes de contrôle rationnel jouent un rôle significatif.

D’un point de vue théorique, ces résultats soulignent la complexité du comportement postmoderne des consommateurs et remettent en question l’hypothèse selon laquelle les facteurs environnementaux exerceraient des effets directs et uniformes sur les résultats en matière de dépenses. Sur le plan méthodologique, l’étude démontre l’intérêt des approches d’apprentissage automatique non seulement pour identifier des prédicteurs significatifs, mais aussi pour tester rigoureusement et éventuellement réfuter des hypothèses théoriques largement admises. En ce sens, l’absence de relation statistiquement significative entre la durée de la lumière du jour et les dépenses d’achat ne doit pas être interprétée comme une limite, mais comme un résultat nul riche en enseignements théoriques.

Malgré ses apports, cette étude présente certaines limites. L’analyse repose sur des mesures indirectes des états psychologiques et n’intègre pas d’indicateurs neurobiologiques ou affectifs directs. De futures recherches pourraient tirer profit de l’intégration de données biométriques, d’évaluations de l’humeur ou de mesures hormonales afin de cerner plus précisément les mécanismes par lesquels les conditions environnementales influencent le comportement de consommation. De plus, l’extension de l’analyse à différents contextes culturels, catégories de produits ou plans d’étude longitudinaux pourrait apporter des éclairages supplémentaires.

En conclusion, cette étude apporte des preuves empiriques que la durée d’ensoleillement n’a pas d’impact statistiquement significatif sur les dépenses d’achat individuelles lorsqu’elle est modélisée à l’aide de techniques avancées d’apprentissage automatique. En proposant un examen rigoureux d’un facteur environnemental souvent supposé influencer le comportement des consommateurs, cette recherche contribue à une compréhension plus nuancée des dynamiques de consommation postmodernes et souligne l’importance des résultats nuls fondés sur la théorie dans la recherche sur la consommation.

Resumen Estructurado:

En la era posmoderna, el consumo ha trascendido cada vez más su función económica convencional de satisfacer necesidades básicas y ha evolucionado hasta convertirse en un proceso social, psicológico y simbólico complejo. Los consumidores contemporáneos no se limitan a adquirir bienes y servicios por su valor utilitario; más bien, el consumo se ha convertido en un medio a través del cual las personas construyen sus identidades, transmiten su estatus social y experimentan gratificación emocional. El comportamiento de los consumidores en las sociedades posmodernas está influenciado por muchos factores diferentes que van más allá de simplemente elegir lo que es más racional. Estos factores incluyen las emociones, las normas sociales, la cultura y el entorno. Dentro de este marco más amplio, variables ambientales como los cambios estacionales, las variaciones de temperatura y la duración de la luz diurna han suscitado el interés de los investigadores. Esto se debe a su posible influencia en la regulación del estado de ánimo, el funcionamiento cognitivo y los procesos de toma de decisiones.

Este estudio se basa en teorías posmodernas sobre el consumo y en lo que se ha aprendido del neuromárketing. Examina si la cantidad de horas de luz solar, es decir, la duración de la luz del día, afecta de manera medible cuánto gasta una persona al comprar. Los estudios actuales a menudo indican que la luz solar puede mejorar el estado de ánimo mediante procesos químicos en el cerebro, especialmente al aumentar los niveles de serotonina, lo que puede llevar a comportamientos más impulsivos y relacionados con el placer. Sin embargo, los resultados empíricos sobre si dichos efectos psicológicos se traducen en un comportamiento de gasto real siguen siendo contradictorios. Además, mucha de la literatura actual se enfoca en tipos específicos de productos o en patrones generales de demanda estacional. Esto crea una falta de comprensión sobre cómo la duración de la luz del día afecta el gasto de las personas. Este estudio aborda esta laguna adoptando una perspectiva centrada en el consumidor y comprobando empíricamente si la duración de la luz diurna puede funcionar como un predictor significativo de los gastos en compras.

El objetivo principal del estudio es modelar la relación entre las horas reales de luz solar y los gastos en compras utilizando un marco analítico basado en el aprendizaje automático. El estudio busca superar los métodos econométricos tradicionales utilizando algoritmos de regresión avanzados que pueden entender relaciones complicadas y no lineales. Además, busca evaluar rigurosamente el poder explicativo de la duración de la luz diurna cuando se combina con variables demográficas y de comportamiento. La investigación ayuda en dos áreas: teórica y metodológica. En el aspecto teórico, revisa las ideas sobre los factores ambientales que afectan el consumo. En el aspecto metodológico, muestra cómo las técnicas de aprendizaje automático se pueden usar para estudiar el comportamiento de los consumidores.

El análisis empírico se basa en un conjunto de datos compuesto por 3.900 consumidores residentes en Estados Unidos. El conjunto de datos incluye características demográficas, como la edad y el género; indicadores de comportamiento, como la frecuencia de compra y la forma de pago; y variables contextuales, entre las que se encuentran la estación del año y la ubicación geográfica. Los gastos en compras se miden en dólares estadounidenses y se centran en el sector de la confección, que suele ser objeto de estudio en los análisis de consumo debido a sus dimensiones simbólicas y relacionadas con la identidad. Además de las variables originales del conjunto de datos, se calcularon las horas reales de luz diurna para cada observación utilizando coordenadas geográficas e información estacional. Este enfoque permite una medición más precisa de la exposición ambiental en comparación con las variables sustitutivas que se utilizan habitualmente, como el mes o la estación del año por sí solas.

Para examinar la relación entre la duración de la luz diurna y el gasto en compras, se emplearon ocho algoritmos diferentes de aprendizaje automático basados en regresión. Estos incluyen regresión lineal, regresor de árbol de decisión, regresor de bosque aleatorio, regresor XGBoost, regresor CatBoost, regresor LightGBM, regresor MLP (red neuronal artificial) y FLAML AutoML. Las variables categóricas se transformaron utilizando OneHotEncoder, y las variables numéricas se procesaron en consecuencia para garantizar la compatibilidad de los modelos. El conjunto de datos se dividió aleatoriamente en subconjuntos de entrenamiento (80 %) y de prueba (20 %) para evaluar la generalizabilidad de los modelos. Para evaluar el desempeño de los modelos, se usaron el error absoluto medio (MAE), el error cuadrático medio (RMSE) y el coeficiente de determinación (R²). Estos tres indicadores juntos dan una evaluación completa de la precisión de las predicciones y su capacidad explicativa.

Los resultados revelan un patrón consistente en todos los modelos aplicados. Aunque varios algoritmos —en particular los métodos basados en ensamblajes y en boosting— alcanzaron valores de error relativamente más bajos, todos los modelos arrojaron valores de R² negativos. Esto indica que los modelos no lograron explicar la varianza en los gastos de compra de forma más eficaz que una predicción de referencia «naïve» basada en la media. De los algoritmos evaluados, FLAML AutoML tuvo los menores valores de MAE y RMSE, lo que indica que es mejor para reducir los errores de predicción. Sin embargo, su valor R² siguió siendo un poco negativo, lo que indica que tiene una capacidad explicativa limitada, a pesar de que se realizó una selección automática del modelo y se optimizaron los hiperparámetros.

Estos hallazgos sugieren que la duración de la luz diurna, cuando se considera junto con variables demográficas y de comportamiento básicas, no constituye un predictor sólido de los gastos individuales en compras. Este resultado contrasta con estudios previos que hacen hincapié en los efectos emocionales y psicológicos de la exposición a la luz solar sobre el comportamiento de los consumidores. Una posible explicación de esta discrepancia radica en la distinción entre el deseo de consumo y la demanda efectiva. En este contexto, el deseo de consumo expresa simplemente una aspiración, independiente de la capacidad. La demanda efectiva, por otra parte, es la situación en la que, además de la aspiración, también concurren requisitos como el poder adquisitivo y el tiempo para llevar a cabo el acto de compra. Si bien la luz diurna y la luz solar pueden influir en el estado de ánimo, la motivación y las intenciones de consumo, es posible que estos efectos psicológicos no se traduzcan directamente en un aumento del gasto real. Especialmente en contextos en los que las restricciones financieras, las prácticas presupuestarias y los mecanismos de control racional desempeñan un papel significativo.

Desde un punto de vista teórico, los resultados destacan la complejidad del comportamiento del consumidor en la posmodernidad y ponen en duda la idea de que los factores del entorno tienen efectos directos y constantes sobre el gasto. Desde el punto de vista del método, el estudio muestra que los métodos de aprendizaje automático son útiles no solo para identificar factores importantes, sino también para probar de manera rigurosa y, posiblemente, cuestionar teorías ampliamente aceptadas. En este caso, la falta de una relación estadísticamente significativa entre la duración de la luz diurna y el gasto en compras no debe verse como una limitación, sino como un resultado que ofrece información teórica.

A pesar de sus aportaciones, el estudio presenta ciertas limitaciones. El análisis se basa en medidas indirectas de los estados psicológicos y no incorpora indicadores neurobiológicos o afectivos directos. Las investigaciones futuras podrían beneficiarse de la integración de datos biométricos, evaluaciones del estado de ánimo o mediciones hormonales para captar con mayor precisión los mecanismos a través de los cuales las condiciones ambientales influyen en el comportamiento de consumo. Además, ampliar el análisis a diferentes contextos culturales, categorías de productos o diseños longitudinales podría aportar nuevos conocimientos.

En resumen, este estudio muestra que la duración de la luz del día no afecta de manera significativa el gasto de las personas en compras, cuando se analizan los datos con técnicas avanzadas de aprendizaje automático. Al ofrecer un examen riguroso de un factor ambiental que con frecuencia se supone que influye en el comportamiento del consumidor, la investigación contribuye a una comprensión más matizada de las dinámicas de la compra posmoderna y destaca la importancia de los resultados nulos con base teórica en la investigación sobre el consumo.

结构化摘要：

在后现代时代，消费已日益超越其满足基本需求的传统经济功能，演变为一个复杂的社会、心理和象征性过程。当代消费者购买商品和服务并非仅仅出于其实用价值；相反，消费已成为个人构建身份认同、彰显社会地位并获得情感满足的一种手段。因此，后现代社会中的消费者行为受到多种因素的影响，这些因素超出了理性选择模型的范畴，包括情绪状态、社会规范、文化背景和环境条件。在这个更广泛的框架下，季节变化、温度波动和日照时长等环境变量因其对情绪调节、认知功能和决策过程的潜在影响而受到学界的关注。

本研究借鉴后现代消费理论及神经营销研究的见解，探讨日照时长（定义为实际日照小时数）是否对个人购物支出产生可测量的影响。现有研究常指出，日照可能通过神经化学机制（特别是提高血清素水平）对情绪产生积极影响，从而促进更多享乐主义和冲动型消费倾向。然而，关于此类心理效应是否转化为实际消费行为，实证研究结果仍存在分歧。此外，现有文献大多聚焦于特定产品类别或总体季节性需求模式，导致对日照时长与个体消费行为之间直接关系的理解存在空白。本研究通过采用以消费者为中心的视角，并实证检验日照时长能否作为购物支出的有效预测变量，从而填补了这一空白。

本研究的主要目标是利用基于机器学习的分析框架，建立实际日照时长与购物支出之间的关系模型。通过运用能够捕捉复杂非线性关系的先进回归算法，本研究旨在突破传统计量经济学方法的局限，并结合人口统计和行为变量，严格评估日照时长作为解释变量的解释力。由此，本研究既在理论层面通过重新审视关于消费环境决定因素的假设做出了贡献，又在方法论层面通过证明机器学习技术在消费者行为研究中的适用性，提供了新的研究视角。

实证分析基于一个包含3,900名美国消费者的数据集。该数据集涵盖了年龄和性别等人口统计特征、购买频率和支付方式等行为指标，以及季节和地理位置等情境变量。购物支出以美元为单位进行计量，研究重点放在服装行业——由于其具有象征意义和与身份认同相关的维度，该行业在消费研究中常被探讨。除原始数据集变量外，还利用地理坐标和季节信息为每个观测值计算了实际日照时长。与仅使用月份或季节等常用替代变量相比，这种方法能够更精确地测量环境暴露情况。

为探究日照时长与购物支出之间的关系，本研究采用了八种基于回归的机器学习算法：线性回归、决策树回归器、随机森林回归器、XGBoost回归器、CatBoost回归器、LightGBM回归器、MLP回归器（人工神经网络）以及FLAML AutoML。分类变量通过OneHotEncoder进行转换，数值变量也进行了相应处理，以确保模型兼容性。数据集被随机划分为训练集（80%）和测试集（20%），以评估模型的泛化能力。通过均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）来评估模型性能，这些指标共同提供了对预测准确性和解释能力的全面评估。

结果显示，所有应用模型均呈现一致的模式。尽管部分算法（尤其是基于集成和提升的方法）实现了相对较低的误差值，但所有模型的R²值均为负值。这表明，与基于均值的简单基线预测相比，这些模型未能更有效地解释购物支出的变异性。在测试的算法中，FLAML AutoML展现出最低的MAE和RMSE值，表明其在最小化预测误差方面表现优异。然而，其 R² 值仍略微为负，表明尽管采用了自动模型选择和超参数优化，其解释能力依然有限。

这些发现表明，当将日照时长与基本的人口统计和行为变量结合考虑时，它并非个人购物支出的强预测因子。这一结果与先前强调日照暴露对消费者行为产生情感和心理影响的研究形成对比。造成这种差异的一个可能解释在于“消费意愿”与“有效需求”之间的区别。 在此背景下，消费意愿仅表达一种愿望，与能力无关。而有效需求则是指在愿望之外，购买行为还需满足购买力和时间等条件的情况。虽然日照和阳光可能影响情绪、动机和消费意图，但这些心理效应未必会直接转化为更高的实际支出，特别是在财务约束、预算管理及理性控制机制发挥重要作用的情境下。

从理论角度来看，研究结果凸显了后现代消费者行为的复杂性，并挑战了“环境因素对消费结果产生直接且统一影响”这一假设。在方法论上，本研究证明了机器学习方法的价值：它不仅能识别显著的预测变量，还能对广为接受的理论预期进行严格检验，甚至可能推翻这些预期。从这个意义上说，日照时长与购物支出之间缺乏统计学上的显著关联，不应被视为研究局限，而应被视为具有理论启示意义的零结果。

尽管本研究做出了贡献，但仍存在某些局限性。分析依赖于对心理状态的间接测量，未纳入直接的神经生物学或情绪指标。未来研究若能整合生物识别数据、情绪评估或激素测量数据，将有助于更准确地揭示环境条件影响消费行为的机制。此外，将分析扩展至不同的文化背景、产品类别或采用纵向研究设计，可能带来更深入的见解。

综上所述，本研究通过采用先进的机器学习技术建模，提供了实证证据，表明日照时长对个人购物支出没有统计学上的显著影响。通过对这一常被认为会影响消费者行为的环境因素进行严谨考察，本研究有助于更细致地理解后现代消费动态，并突显了在消费者研究中基于理论的“零结果”的重要性。

Структурированное Резюме:

В эпоху постмодерна потребление всё в большей степени выходит за рамки своей традиционной экономической функции — удовлетворения базовых потребностей — и превращается в сложный социальный, психологический и символический процесс. Современные потребители не просто приобретают товары и услуги ради их утилитарной ценности; напротив, потребление стало средством, с помощью которого люди формируют свою идентичность, демонстрируют социальный статус и получают эмоциональное удовлетворение. В результате поведение потребителей в постмодернистских обществах определяется широким спектром факторов, выходящих за рамки моделей рационального выбора, включая эмоциональные состояния, социальные нормы, культурный контекст и условия окружающей среды. В этих более широких рамках такие переменные окружающей среды, как смены сезонов, колебания температуры и продолжительность светового дня, привлекли внимание ученых в связи с их потенциальным влиянием на регулирование настроения, когнитивные функции и процессы принятия решений.

Опираясь на постмодернистские теории потребления и выводы исследований в области нейромаркетинга, в данном исследовании анализируется, оказывает ли продолжительность светового дня, определяемая как количество часов реального солнечного света, измеримое влияние на индивидуальные расходы на покупки. Существующие исследования часто указывают на то, что воздействие солнечного света может положительно влиять на настроение через нейрохимические механизмы, в частности путем повышения уровня серотонина, что способствует более гедонистическим и импульсивным тенденциям потребления. Однако эмпирические данные о том, приводят ли такие психологические эффекты к фактическому поведению в сфере расходов, остаются неоднозначными. Кроме того, большая часть существующей литературы сосредоточена на конкретных категориях товаров или совокупных сезонных моделях спроса, что оставляет пробел в понимании прямой связи между продолжительностью дневного света и поведением потребителей на индивидуальном уровне. Данное исследование устраняет этот пробел, применяя потребительскую перспективу и эмпирически проверяя, может ли продолжительность дневного света служить значимым предиктором расходов на покупки.

Основная цель исследования — смоделировать взаимосвязь между реальными часами солнечного света и расходами на покупки с использованием аналитической модели, основанной на машинном обучении. Используя передовые алгоритмы регрессионного анализа, способные отражать сложные и нелинейные взаимосвязи, исследование стремится выйти за рамки традиционных эконометрических подходов и тщательно оценить объясняющую силу продолжительности светового дня в сочетании с демографическими и поведенческими переменными. Таким образом, исследование вносит вклад как в теоретическом плане, переоценивая допущения относительно экологических детерминант потребления, так и в методологическом плане, демонстрируя применимость методов машинного обучения в исследованиях потребительского поведения.

Эмпирический анализ основан на наборе данных, включающем 3 900 потребителей, проживающих в Соединенных Штатах. Набор данных содержит демографические характеристики, такие как возраст и пол, поведенческие показатели, такие как частота покупок и способ оплаты, а также контекстуальные переменные, включая сезон и географическое положение. Расходы на покупки измеряются в долларах США и сосредоточены на секторе одежды, который часто становится объектом изучения в исследованиях потребления ввиду его символического значения и связи с идентичностью. В дополнение к исходным переменным набора данных для каждого наблюдения были рассчитаны фактические часы дневного света с использованием географических координат и информации о сезоне. Такой подход позволяет более точно измерить воздействие окружающей среды по сравнению с широко используемыми прокси-переменными, такими как только месяц или сезон.

Для изучения взаимосвязи между продолжительностью дневного света и расходами на покупки было использовано восемь различных алгоритмов машинного обучения на основе регрессии: линейная регрессия, регрессор на основе дерева решений, регрессор «случайного леса», регрессор XGBoost, регрессор CatBoost, регрессор LightGBM, регрессор MLP (искусственная нейронная сеть) и FLAML AutoML. Категориальные переменные были преобразованы с помощью OneHotEncoder, а числовые переменные были обработаны соответствующим образом для обеспечения совместимости с моделью. Набор данных был случайным образом разделён на обучающую (80 %) и тестовую (20 %) подвыборки для оценки обобщаемости моделей. Эффективность моделей оценивалась с помощью средней абсолютной ошибки (MAE), среднеквадратичной ошибки (RMSE) и коэффициента детерминации (R²), которые в совокупности обеспечивают всестороннюю оценку точности прогнозирования и объясняющей способности.

Результаты показывают одинаковую картину для всех примененных моделей. Хотя некоторые алгоритмы — в частности, ансамблевые методы и методы на основе бустинга — достигли относительно более низких значений ошибок, все модели дали отрицательные значения R². Это указывает на то, что модели не смогли объяснить дисперсию расходов на покупки более эффективно, чем простой базовый прогноз, основанный на среднем значении. Среди протестированных алгоритмов FLAML AutoML продемонстрировал самые низкие значения MAE и RMSE, что свидетельствует о превосходной эффективности в минимизации ошибок прогнозирования. Тем не менее, его значение R² осталось слегка отрицательным, что указывает на ограниченную объясняющую способность, несмотря на автоматический выбор модели и оптимизацию гиперпараметров.

Эти результаты свидетельствуют о том, что продолжительность светового дня, если рассматривать её наряду с базовыми демографическими и поведенческими переменными, не является сильным предиктором индивидуальных расходов на покупки. Этот вывод контрастирует с предыдущими исследованиями, в которых подчеркивались эмоциональные и психологические эффекты воздействия солнечного света на поведение потребителей. Одно из возможных объяснений этого несоответствия заключается в различии между потребительским желанием и эффективным спросом. В этом контексте стремление к потреблению просто выражает желание, не зависящее от возможностей. Эффективный спрос, с другой стороны, представляет собой ситуацию, когда, помимо желания, для совершения покупки также присутствуют такие условия, как покупательная способность и время. Хотя дневной свет и солнечное излучение могут влиять на настроение, мотивацию и намерения в отношении потребления, эти психологические эффекты не всегда напрямую приводят к увеличению фактических расходов, особенно в условиях, когда финансовые ограничения, практика составления бюджета и механизмы рационального контроля играют значительную роль.

С теоретической точки зрения полученные результаты подчеркивают сложность постмодернистского потребительского поведения и ставят под сомнение предположения о том, что факторы окружающей среды оказывают прямое и однородное влияние на результаты расходов. С методологической точки зрения исследование демонстрирует ценность подходов машинного обучения не только для выявления значимых предикторов, но и для тщательной проверки и потенциального опровержения широко распространенных теоретических ожиданий. В этом смысле отсутствие статистически значимой связи между продолжительностью дневного света и расходами на покупки следует интерпретировать не как ограничение, а как теоретически информативный нулевой результат.

Несмотря на свой вклад, исследование имеет определенные ограничения. Анализ опирается на косвенные показатели психологических состояний и не учитывает прямые нейробиологические или аффективные индикаторы. Будущие исследования могут выиграть от интеграции биометрических данных, оценок настроения или гормональных показателей, что позволит более точно выявить механизмы, посредством которых условия окружающей среды влияют на потребительское поведение. Кроме того, расширение анализа на различные культурные контексты, категории товаров или продольные исследования может дать дополнительные сведения.

В заключение, данное исследование предоставляет эмпирические доказательства того, что продолжительность дневного света не оказывает статистически значимого влияния на индивидуальные расходы на покупки при моделировании с использованием передовых методов машинного обучения. Предлагая тщательный анализ фактора окружающей среды, который часто считается влияющим на потребительское поведение, исследование способствует более тонкому пониманию динамики постмодернистского потребления и подчеркивает важность теоретически обоснованных нулевых результатов в исследованиях потребительского поведения.

संरचित सारांश:

उत्तर-आधुनिक युग में, उपभोग ने अपनी पारंपरिक आर्थिक कार्य, यानी बुनियादी जरूरतों को पूरा करने, से परे जाकर भावनात्मक अवस्थाओं, सामाजिक मानदंडों, सांस्कृतिक संदर्भों और पर्यावरणीय परिस्थितियों सहित कई कारकों से प्रभावित होकर एक जटिल सामाजिक, मनोवैज्ञानिक और प्रतीकात्मक प्रक्रिया का रूप ले लिया है। समकालीन उपभोक्ता केवल वस्तुओं और सेवाओं को उनके उपयोगितावादी मूल्य के लिए नहीं खरीदते हैं; बल्कि, उपभोग एक ऐसा माध्यम बन गया है जिसके द्वारा व्यक्ति अपनी पहचान बनाते हैं, सामाजिक स्थिति का प्रदर्शन करते हैं, और भावनात्मक संतुष्टि का अनुभव करते हैं।

परिणामस्वरूप, उत्तर-आधुनिक समाजों में उपभोक्ता व्यवहार तर्कसंगत पसंद के मॉडलों से परे कई कारकों द्वारा आकार दिया जाता है, जिसमें भावनात्मक अवस्थाएं, सामाजिक मानदंड, सांस्कृतिक संदर्भ और पर्यावरणीय परिस्थितियां शामिल हैं। इस व्यापक ढांचे के भीतर, मौसमी परिवर्तन, तापमान में उतार-चढ़ाव और दिन के उजाले की अवधि जैसे पर्यावरणीय चरों ने मूड विनियमन, संज्ञानात्मक कार्यप्रणाली और निर्णय लेने की प्रक्रियाओं पर अपने संभावित प्रभाव के कारण विद्वानों का ध्यान आकर्षित किया है।

उत्तर-आधुनिक उपभोग सिद्धांतों और न्यूरोमार्केटिंग अनुसंधान से प्राप्त अंतर्दृष्टि के आधार पर, यह अध्ययन यह जांचता है कि क्या दिन के उजाले की अवधि, जिसे वास्तविक सूर्य के प्रकाश के घंटों के रूप में परिभाषित किया गया है, व्यक्तिगत खरीदारी व्यय पर एक मापनीय प्रभाव डालती है। मौजूदा अध्ययन अक्सर यह सुझाव देते हैं कि सूर्य के प्रकाश के संपर्क में आने से न्यूरोकेमिकल तंत्रों के माध्यम से मूड पर सकारात्मक प्रभाव पड़ सकता है, विशेष रूप से सेरोटोनिन के स्तर को बढ़ाकर, जिससे अधिक सुखद और आवेगपूर्ण उपभोग की प्रवृत्तियों को बढ़ावा मिलता है। हालांकि, इस बात पर अनुभवजन्य निष्कर्ष कि क्या ऐसे मनोवैज्ञानिक प्रभाव वास्तविक खर्च के व्यवहार में बदलते हैं, मिश्रित हैं।

इसके अलावा, मौजूदा अधिकांश साहित्य विशिष्ट उत्पाद श्रेणियों या समग्र मौसमी मांग पैटर्न पर केंद्रित है, जिससे दिन के उजाले की अवधि और व्यक्तिगत स्तर पर खर्च के व्यवहार के बीच सीधे संबंध को समझने में एक अंतर रह जाता है। यह अध्ययन उपभोक्ता-केंद्रित दृष्टिकोण अपनाकर और इस बात का अनुभवजन्य परीक्षण करके इस अंतर को संबोधित करता है कि क्या दिन के उजाले की अवधि खरीदारी पर होने वाले खर्च का एक सार्थक पूर्वानुमानकर्ता के रूप में काम कर सकती है।

अध्ययन का प्राथमिक उद्देश्य एक मशीन लर्निंग-आधारित विश्लेषणात्मक ढांचे का उपयोग करके वास्तविक धूप के घंटों और खरीदारी पर होने वाले खर्च के बीच संबंध का मॉडल तैयार करना है।

जटिल और गैर-रेखीय संबंधों को पकड़ने में सक्षम उन्नत प्रतिगमन एल्गोरिदम का उपयोग करके, यह अध्ययन पारंपरिक अर्थमिति दृष्टिकोणों से आगे बढ़ने और जनसांख्यिकीय और व्यवहार संबंधी चर के साथ मिलकर दिन के उजाले की अवधि की व्याख्यात्मक शक्ति का कठोर मूल्यांकन करने का लक्ष्य रखता है। ऐसा करने में, यह शोध सैद्धांतिक रूप से, उपभोग के पर्यावरणीय निर्धारकों के संबंध में धारणाओं का पुनर्मूल्यांकन करके, और पद्धतिगत रूप से, उपभोक्ता व्यवहार अनुसंधान में मशीन लर्निंग तकनीकों की प्रयोज्यता को प्रदर्शित करके योगदान देता है।

यह अनुभवजन्य विश्लेषण संयुक्त राज्य अमेरिका में स्थित 3,900 उपभोक्ताओं वाले एक डेटासेट पर आधारित है। डेटासेट में आयु और लिंग जैसी जनसांख्यिकीय विशेषताएं, खरीद की आवृत्ति और भुगतान विधि जैसे व्यवहार संबंधी संकेतक, और मौसम तथा भौगोलिक स्थिति सहित प्रसंगिक चर शामिल हैं। खरीदारी पर होने वाले खर्च को अमेरिकी डॉलर में मापा गया है और इसका ध्यान कपड़ों के क्षेत्र पर केंद्रित है, जिसकी प्रतीकात्मक और पहचान-संबंधी आयामों के कारण उपभोग अध्ययनों में अक्सर जांच की जाती है। मूल डेटासेट चरों के अलावा, प्रत्येक अवलोकन के लिए भौगोलिक निर्देशांक और मौसमी जानकारी का उपयोग करके वास्तविक दिन के उजाले के घंटों की गणना की गई। यह दृष्टिकोण, अकेले महीने या मौसम जैसे सामान्य रूप से उपयोग किए जाने वाले प्रतिनिधि चरों की तुलना में पर्यावरणीय संपर्क के अधिक सटीक मापन की अनुमति देता है।

दिन के उजाले की अवधि और खरीदारी व्यय के बीच संबंध की जांच करने के लिए, आठ अलग-अलग रिग्रेशन-आधारित मशीन लर्निंग एल्गोरिदम का उपयोग किया गया: लीनियर रिग्रेशन, डिसिजन ट्री रिग्रेशर, रैंडम फॉरेस्ट रिग्रेशर, XGBoost रिग्रेशर, CatBoost रिग्रेशर, LightGBM रिग्रेशर, MLP रिग्रेशर (आर्टिफिशियल न्यूरल नेटवर्क), और FLAML AutoML। श्रेणीबद्ध चरों को OneHotEncoder का उपयोग करके रूपांतरित किया गया, और संख्यात्मक चरों को मॉडल संगतता सुनिश्चित करने के लिए तदनुसार संसाधित किया गया। मॉडल की सामान्यीकरण क्षमता का मूल्यांकन करने के लिए डेटासेट को यादृच्छिक रूप से प्रशिक्षण (80%) और परीक्षण (20%) उपसमूहों में विभाजित किया गया। मॉडल के प्रदर्शन का मूल्यांकन औसत निरपेक्ष त्रुटि (MAE), मूल औसत वर्ग त्रुटि (RMSE), और निर्धारण गुणांक (R²) का उपयोग करके किया गया, जो मिलकर भविष्यवाणी सटीकता और व्याख्यात्मक शक्ति का एक व्यापक मूल्यांकन प्रदान करते हैं।

परिणामों से सभी लागू मॉडलों में एक सुसंगत पैटर्न का पता चलता है। यद्यपि कई एल्गोरिदम—विशेष रूप से एन्सेम्बल और बूस्टिंग-आधारित विधियों—ने अपेक्षाकृत कम त्रुटि मान प्राप्त किए, सभी मॉडलों ने नकारात्मक R² स्कोर दिए। यह दर्शाता है कि मॉडल औसत पर आधारित एक सरल आधारभूत पूर्वानुमान की तुलना में खरीदारी व्यय में परिवर्तनशीलता को अधिक प्रभावी ढंग से समझाने में विफल रहे। परीक्षण किए गए एल्गोरिदम में, FLAML AutoML ने सबसे कम MAE और RMSE मान प्रदर्शित किए, जो पूर्वानुमान त्रुटियों को कम करने में बेहतर प्रदर्शन का सुझाव देता है।

फिर भी, इसका R² मान थोड़ा नकारात्मक रहा, जो स्वचालित मॉडल चयन और हाइपरपैरामीटर अनुकूलन के बावजूद सीमित व्याख्यात्मक क्षमता को इंगित करता है।

ये निष्कर्ष बताते हैं कि दिन के उजाले की अवधि, जब बुनियादी जनसांख्यिकीय और व्यवहारिक चरों के साथ विचार किया जाता है, तो यह व्यक्तिगत खरीदारी व्यय का एक मजबूत पूर्वानुमानक नहीं है। यह परिणाम उन पिछले अध्ययनों के विपरीत है जो उपभोक्ता व्यवहार पर सूर्य के प्रकाश के संपर्क के भावनात्मक और मनोवैज्ञानिक प्रभावों पर जोर देते हैं। इस असंगति के लिए एक संभावित स्पष्टीकरण खपत की इच्छा और प्रभावी मांग के बीच के अंतर में निहित है।

इस संदर्भ में, उपभोग की इच्छा केवल क्षमता से स्वतंत्र एक इच्छा को व्यक्त करती है। दूसरी ओर, प्रभावी मांग वह स्थिति है जहाँ इच्छा के अलावा, खरीदने के कार्य के लिए क्रय शक्ति और समय जैसी आवश्यकताएं भी मौजूद हैं। हालांकि दिन का उजाला और धूप मनोदशा, प्रेरणा और उपभोग के इरादों को प्रभावित कर सकते हैं, लेकिन ये मनोवैज्ञानिक प्रभाव सीधे तौर पर उच्च वास्तविक खर्चों में नहीं बदल सकते हैं, विशेष रूप से उन संदर्भों में जहाँ वित्तीय बाधाएं, बजट बनाने की प्रथाएं और तर्कसंगत नियंत्रण तंत्र एक महत्वपूर्ण भूमिका निभाते हैं।

सैद्धांतिक दृष्टिकोण से, निष्कर्ष उत्तर-आधुनिक उपभोक्ता व्यवहार की जटिलता को रेखांकित करते हैं और इस धारणा को चुनौती देते हैं कि पर्यावरणीय कारक खर्च के परिणामों पर सीधा और समान प्रभाव डालते हैं। पद्धतिगत रूप से, यह अध्ययन न केवल महत्वपूर्ण पूर्वानुमानकों की पहचान करने में बल्कि व्यापक रूप से प्रचलित सैद्धांतिक अपेक्षाओं का कठोरता से परीक्षण करने और संभावित रूप से उन्हें गलत साबित करने में मशीन लर्निंग दृष्टिकोणों के मूल्य को प्रदर्शित करता है। इस अर्थ में, दिन के उजाले की अवधि और खरीदारी पर होने वाले खर्च के बीच सांख्यिकीय रूप से सार्थक संबंध की अनुपस्थिति को एक सीमा के रूप में नहीं, बल्कि एक सैद्धांतिक रूप से सूचनात्मक शून्य परिणाम के रूप में व्याख्यायित किया जाना चाहिए।

इसके योगदानों के बावजूद, इस अध्ययन की कुछ सीमाएँ हैं। विश्लेषण मनोवैज्ञानिक अवस्थाओं के अप्रत्यक्ष उपायों पर निर्भर करता है और इसमें प्रत्यक्ष न्यूरोबायोलॉजिकल या भावनात्मक संकेतकों को शामिल नहीं किया गया है। भविष्य के शोध को बायोमेट्रिक डेटा, मूड मूल्यांकन, या हार्मोनल उपायों को एकीकृत करने से लाभ हो सकता है ताकि उन तंत्रों को अधिक सटीक रूप से कैप्चर किया जा सके जिनके माध्यम से पर्यावरणीय परिस्थितियाँ उपभोग व्यवहार को प्रभावित करती हैं। इसके अतिरिक्त, विभिन्न सांस्कृतिक संदर्भों, उत्पाद श्रेणियों, या दीर्घकालिक डिज़ाइनों तक विश्लेषण का विस्तार करने से और अधिक अंतर्दृष्टि मिल सकती है।

निष्कर्षतः, यह अध्ययन अनुभवजन्य साक्ष्य प्रदान करता है कि जब उन्नत मशीन लर्निंग तकनीकों का उपयोग करके मॉडल किया जाता है, तो दिन के उजाले की अवधि का व्यक्तिगत खरीदारी व्यय पर सांख्यिकीय रूप से कोई सार्थक प्रभाव नहीं पड़ता है। उपभोक्ता व्यवहार को प्रभावित करने वाला माना जाने वाला एक पर्यावरणीय कारक की गहन जांच प्रदान करके, यह शोध उत्तर-आधुनिक उपभोग गतिशीलता की अधिक सूक्ष्म समझ में योगदान देता है और उपभोक्ता अनुसंधान में सैद्धांतिक रूप से आधारित शून्य निष्कर्षों के महत्व पर प्रकाश डालता है।