Investigating the Nonlinear Relationship between Takeout Order Demand and Built Environment under Different Periods of COVID-19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The COVID-19 pandemic has hit the global restaurant business hard, especially dine-in. However, it has also provided opportunities for online dining, with takeout becoming a fulcrum for the economic resilience of the urban restaurant industry. Currently, research on the factors affecting takeout order demand under the pandemic has been inadequate. Therefore, this study uses multisource data from Nanjing to explore the changes in takeout order demand as the pandemic develops. And based on the Light gradient boosting machine (Light GBM) model, the nonlinear relationship between the built environment and order demand under different periods of pandemic is investigated, and the important factors affecting the demand are obtained. The results show that daily orders on average during COVID-19 decline by 25.6% than before COVID-19, while during the stabilization phase of the pandemic, they are 20.0% higher than before COVID-19. According to the relative importance ranking of factors in the model, land use diversity and road design influence takeout the most and the crucial influencing factors vary across pandemic periods. In the postpandemic era, special attention needs to be paid to the impact of the number of restaurants, colleges, offices, and main roads on takeout services. In addition, the thresholds of key built environment factors through partial dependency plots can enhance operators’ understanding of takeout services and provide suggestions for the spatial layout of takeout resources. While satisfying people’s dietary needs, the role of takeout in restoring the restaurant economy can be better utilized.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle