Understanding counterfeit consumption
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to create a framework for broadly understanding categories and motivations behind purchasing different counterfeit products. Design/methodology/approach – Focus groups provided qualitative data from 509 counterfeit purchases incidents by 95 informants. Findings – The most frequently mentioned motivation was the utility (35 percent) received from the good over the genuine article. The second, but negative, motivation was the perceived risk involved in the purchase (22 percent), whether it is physical or social risk. Social norms, confusion, and ethical concerns each represented about 10 percent of the motivations toward the purchase of counterfeit items. The least mentioned motivations to purchase, at less than 4 percent each, were culture, habit, and desire to explore. These factors were evident across a variety of 15 product categories, headed by electronics, such as DVDs and computer software. Practical implications – Through targeting negative motivations, such as perceived physical and social risks, businesses can devise strategies from a demand side perspective to overcome the problem of counterfeit consumption. Originality/value – Qualitative responses, over many product categories, provide a unique overview to the perception of counterfeit consumption. The finding that consumer ethics may depend on whether the activity benefits the society as a whole is worthy of additional discussion. The authors learn that when consumers thought their counterfeit consumption caused little or no harm, they do not see much ethical concern in their actions.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».