The digital transition of collaborative consumption: toward sharing Economy 4.0
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The literature has scrutinized the impact of various Industry 4.0 (I4.0) on the sharing economy (SE) and collaborative consumption. These results remain fragmented, sparse and specific to a single technology, context industry or subset of the SE. To fill this gap in the literature, this paper aims to examine the potential impacts of various I4.0 technologies – such as the blockchain, artificial intelligence, big data, the Internet of Things and additive manufacturing – on SE, thereby advancing knowledge of these impacts on SE-focused firms. Design/methodology/approach A multi-stage Cochrane systematic literature review involving two independent coders and the research team, which conducted the content analysis of 37 topical publications. Findings The findings reveal that I4.0 technologies have six significant impacts on the SE, including (1) safety (enabled by safeguarded information transmission and secure identity management but hindered by unresolved transaction privacy issues), (2) trust (enabled by traceability, transparency, confidence machines, but limited by the persistency of trust), (3) decentralization (through lateral authority, while reintermediation constitutes a point of tension), (4) efficiency (through disintermediation, superior match-making capacity and predictive maintenance), (5) cost reduction (lowering transactions and operating costs and lowering prices for users) and (6) smart contracting (enabled by automation, and immutability). Originality/value These findings extend the research on the connection between SE and I4.0 from a non-technical perspective, particularly in the tertiary sector, and are relevant to management theory and practice.
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.
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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découle