Human behavior is notoriously difficult to change, but a disruption of the magnitude of the COVID-19 pandemic has the potential to bring about long-term behavioral changes. During the pandemic, people have been forced to experience new ways of interacting, working, learning, shopping, traveling, and eating meals. A critical question going forward is how these experiences have actually changed preferences and habits in ways that might persist after the pandemic ends. Many observers have suggested theories about what the future will bring, but concrete evidence has been lacking. We present evidence on how much U.S. adults expect their own post-pandemic choices to differ from their pre-pandemic lifestyles in the areas of telecommuting, restaurant patronage, air travel, online shopping, transit use, car commuting, uptake of walking and biking, and home location. The analysis is based on a nationally-representative survey dataset collected between July and October 2020. Key findings include that the new normal will feature a doubling of telecommuting, reduced air travel, and improved quality of life for some.


翻译:众所周知,人类行为很难改变,但破坏COVID-19大流行的规模有可能带来长期行为变化。在这一大流行期间,人们被迫体验新的互动、工作、学习、购物、旅行和饮食方式。一个关键问题是这些经验如何以在大流行结束后可能持续的方式实际改变了偏好和习惯。许多观察家提出了关于未来将带来什么的理论,但缺乏具体的证据。我们提供了证据,说明美国成年人在远程通勤、餐馆赞助、航空旅行、在线购物、过境使用、汽车通勤、步行和骑车以及家居地点等领域中,对自身大面积后生活方式的多少期望与自己在远程通勤、餐饮、航空旅行、在线购物、过境使用、汽车通勤、步行和骑车、以及家庭所在地等方面的广泛生活方式不同。分析基于在2020年7月至10月期间收集的具有国家代表性的调查数据集。主要调查结果包括,新的正常将带来电子通勤、减少航空旅行和改善某些人生活质量的翻番。

0
下载
关闭预览

相关内容

【干货书】真实机器学习,264页pdf,Real-World Machine Learning
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
计算机 | USENIX Security 2020等国际会议信息5条
Call4Papers
7+阅读 · 2019年4月25日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年6月17日
Arxiv
0+阅读 · 2021年6月17日
On the Tail Behaviour of Aggregated Random Variables
Arxiv
0+阅读 · 2021年6月16日
Arxiv
6+阅读 · 2016年1月15日
VIP会员
相关VIP内容
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
计算机 | USENIX Security 2020等国际会议信息5条
Call4Papers
7+阅读 · 2019年4月25日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员