Profiling shopping mobility in pre- and post-purchase phases: Latent class analysis of apparel trial and return trips
Notice bibliographique
Résumé
This study explores the unobserved heterogeneity in shopping mobility by examining consumers’ apparel trial and return behaviors across the pre- and post-purchase phases. In the context of the rapid growth of e-commerce and rising return rates, understanding how trial and return behaviors interact within individual shopping journeys becomes critical. While prior research has explored online shopping’s impact on travel, limited attention has been paid to the diversity of these behaviors and their mobility implications. To address this gap, two latent class choice models are estimated using revealed preference data from 507 U.S. shoppers. Latent class membership is explained through attitudinal profiles derived from factor analysis (Bartlett scores), capturing environmental concerns, consumption habits, and convenience preferences. Three distinct segments are identified for both trial and return behaviors, each characterized by unique trip frequencies, trial and return method preferences, and socio-demographic traits. The interplay between pre- and post-purchase mobility is further examined through a segment probability matrix. Results show that most shoppers specialize in either trial or return behaviors, with limited overlap. For instance, “Active Trial Enthusiasts” comprise 51.2% of the sample, marked by frequent store visits and hybrid trial preferences. In contrast, 23.6% belong to the “Frequent & Opportunistic Returners,” who regularly return goods using both self-managed and carrier-based methods. These findings reveal diverse and complementary mobility patterns shaped by apparel shopping habits. The study provides valuable insights for transport planners and e-retailers seeking to address the environmental and operational impacts of evolving consumer behavior.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 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 ».