Do young consumers care about ethical consumption? Modelling Gen Z's purchase intention towards fair trade coffee
Notice bibliographique
Résumé
Purpose A global shift in ethical/sustainable purchase drivers highlights Generation Z (persons aged 15–24) as an important market for producers and marketers. Although much research has touched on fair trade consumption, very little has focused on Gen Z's consumption patterns. This study provides insights into and implications of younger consumers' motivations in ethical/sustainable consumption. Design/methodology/approach This research examines Gen Z's purchase intention towards fair trade coffee with the theory of reasoned action framework. Data were collected with a convenience sample, and analyses were conducted using structural equation modelling. Findings The research found a significant influence of knowledge of fair trade towards product interest. Furthermore, general attitudes towards fair trade had a significant influence on product interest, product likeability and convenience. Lastly, product interest and subjective norms significantly influenced Gen Z's purchase intentions towards fair trade coffee. Originality/value Findings suggest that Gen Z's shift in ethical/sustainable consumption revolves around their subjective norms or peer influence circles and contributes to the notions of self-branding, identify claims and social currency. Younger generations are digital natives, and social media has created a looking glass into their actions. This digital expansion has created more opportunities for individuals to monitor the actions of others and release information in real-time. Therefore, ethical/sustainable consumption by Gen Z can be used as a communication tool among their peers to project personal values and ideological shifts and to influence others close to them.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».