How to Grow the Sharing Economy? Create Prosumers!
Notice bibliographique
Résumé
The sharing economy has changed many rules of business. One of those rules is the role of the firm and – importantly – the role of consumers, who can perform two roles and become both providers and consumers, i.e. “prosumers”. Therefore, the key network effect to leveraging the power of the sharing economy is for one-sided users, those who are consumers (e.g., Airbnb guests) or providers (e.g., Airbnb hosts), to add the second role and perform as providers and consumers and become prosumers (e.g., those who are Airbnb guests and hosts). Surprisingly, no studies have investigated this important phenomenon and measured how one-sided users may become prosumers. An online survey of 305 Airbnb users showed that trust and gratitude had a significant positive influence on service providers’ and consumers’ intentions to adopt the respective other role and become prosumers, and that those with high gratitude and trust had the highest intentions to become prosumers. However, consumers and providers differed markedly in how trust and gratitude influenced their intention to become prosumers. This study expands our understanding of trust and gratitude and highlights the potential for sharing platforms to create prosumers from both pools of one-sided users. Furthermore, it also makes a valuable contribution to the prosumer and sharing economy literatures by being the first to empirically measure users’ intentions to become prosumers in the sharing economy. We discuss the implications of the findings for practitioners, and suggest how future research could help leverage the sharing economy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,015 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».