Determinants of customers’ intention to use online food delivery platforms in Thailand
Notice bibliographique
Résumé
This paper aims to examine what factor relevancy influences consumers’ preference to use online food delivery platforms in Thailand. Further, it investigates consumers' behavior during the covid-19 pandemic. A questionnaire was used to examine a sample of 400 Thai consumers who were using online food delivery platforms. Collected data were analyzed using a statistical package program in 3 steps: Confirmatory factor analysis, path analysis, structural equation model analysis (SEM). Thai consumers increasingly used food delivery on online platforms during the covid-19 epidemic. The study also found that the platform's ease of use, the food delivery service fees, offers or privileges, and payment security on online food delivery platforms influenced consumers’ future use of online food delivery platforms. The food delivery service fees are the most influential factor in using online food delivery platforms. Future research can explore the role of using online food delivery platforms and their impact on the online food delivery platforms. Online food delivery platform providers should lower their service fees, always be implementing new promotions, provide various coupon codes, and create games so that consumers can win prizes. The online food delivery platform providers need to develop consumer trust, ensure that payments are secure, and enhance the ease of use of their platforms. This study contributes to the emerging literature related to online food delivery platforms by studying the relevancy factor that influences consumers’ preference to use online food delivery platforms, which are critical for the success of any online food delivery platform provider.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».