The Impact of Food Delivery Riders’ Perception of Fairness on Organizational Identification in the Digital Economy: Based on the Intermediary Perspective of Organizational Trust in the Context of Digital Technology
Notice bibliographique
Résumé
With the rapid rise in the gig economy driven by advancements in digital technology and financial technology, this study focuses on the work experiences and psychological perceptions of food delivery riders in platform-based employment. This study used a sample of food delivery riders from 19 cities in China (such as Shanghai, Beijing, Guangzhou, etc.) and multiple delivery platforms (such as Meituan, Ele.me) to collect data through a combination of online and offline questionnaires. The impact relationship between perceived fairness, organizational trust, and organizational identity of food delivery riders was examined through factor analysis, structural equation modeling, and mediation effect modeling. The results of the survey and statistical analysis indicate that fairness perception and its dimensions (distributive fairness, procedural fairness, and interactional fairness) significantly influence riders’ organizational identification, with organizational trust serving as a critical mediating factor. The integration of digital technology has substantially enhanced the operational efficiency of platform-based employment by enabling real-time tracking, transparent communication, and data-driven decision-making. Innovations in financial technology, such as digital payment systems and financial management tools, offer riders safer and more convenient compensation methods, thereby contributing to their financial stability and fostering trust in the platform. The establishment of trust alleviates the riders’ concerns regarding compensation stability and bolsters their optimistic attitudes toward accessing platform resources and meeting their needs. This study provides significant insights and recommendations for leveraging digital technology and financial technology to improve the relationship and operational efficiency between riders and platform enterprises.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».