Freight Broker Business Models in the Digital Age: A Comparative Analysis and Recommendations for Start-ups
Notice bibliographique
Résumé
The trucking industry is crucial to both the supply chain and the national economy, yet it also significantly contributes to pollution through greenhouse gas (GHG) emissions. Recently, the emergence of Digital Freight Matching (DFM) models has been a response to a notable deficiency in freight forwarding. These models aim to combat emissions and enhance efficiency within the trucking industry. DFM models utilize information technology tools and advanced data analytics techniques to address the problems of the traditional approach. Recently, various DFM business models have been proposed, each with different characteristics. A review of the existing literature reveals that there are no studies that analyze and compare these business models. In this regard, the present study not only critically reviews the evolution of freight forwarding but also comprehensively analyzes various DFM business models in terms of operational process, revenue, customer relationship, and digitalization. Moreover, it addresses critical questions about the advantages and disadvantages of traditional Freight Brokers and DFM models and their impact on the industry. Finally, the study results offer insightful suggestions, serving as a guide for startup companies looking to choose an appropriate business model. In addition, the result indicates that there is not a universal business model that fits all companies aiming to venture into DFM.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,011 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».