MétaCan
Menu
Retour à la cohorte
Enregistrement W2136739838 · doi:10.3141/2168-05

Shipper Willingness to Pay to Increase Environmental Performance in Freight Transportation

2010· article· en· W2136739838 sur OpenAlexaff
Nikolaus Fries, G C De Jong, Zachary Patterson, Ulrich Weidmann

Notice bibliographique

RevueTransportation Research Record Journal of the Transportation Research Board · 2010
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensMinistère des Transports
Organismes subventionnairesnon disponible
Mots-clésWillingness to payBusinessEnvironmental impact assessmentTransport engineeringEnvironmental economicsQuality (philosophy)EconomicsEngineeringMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Reduction of the environmental impact of freight transport becomes more crucial as the worldwide volume of freight transport increases. Not only technological improvements are needed but also organizational and operational changes designed to optimize logistic chains, including the allocation of goods to transport modes. Such changes often imply an increase in transport prices and are therefore realistic only if an explicit demand of shippers for environmental improvements can be observed. A shipper survey was administered in Switzerland to evaluate relevant factors in shipper demand for land transport services (including the role of freight transport's environmental performance). The survey included stated-choice experiments based on real-world transport chains. A set of logit models was estimated to quantify shippers' willingness to pay for reducing the environmental impact of their shipments. Special focus was given to differences between types of commodities shipped and to the impact on choice behavior of conventional quality aspects (on-time reliability, transit time, etc.). Results support the hypothesis that the closer a shipper is linked to the end consumer, the higher the sensitivity to environmental concerns.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,110
Tête enseignante GPT0,303
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransportation Research Record Journal of the Transportation Research BoardMême sujetEconomic and Environmental ValuationTravaux en français237 207