Platform Economy and the Food Service Sector: Economic Analysis of Food Delivery Apps in Kollam District, Kerala
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
Food delivery applications such as Swiggy and Zomato have significantly altered food consumption patterns in urban and semi-urban areas like Kollam, Kerala. This study explores the economic implications of these platforms on three major stakeholder groups: consumers, delivery partners, and food establishments including restaurants, hotels, and eateries. The objectives include examining shifts in consumer spending and youth consumption behaviour, increased adoption of digital payments, economic benefits and constraints faced by delivery workers, effects on the revenue and operations of food businesses, and environmental concerns due to packaging-related plastic waste. Primary data was collected from 130 respondents using structured questionnaires and interviews. The study found a rise in impulse spending, especially among younger consumers, driven by ease of access, app-based discounts, and digital transactions. Digital payment systems like UPI and mobile wallets have become the dominant modes of payment, contributing to a cashless local economy. Delivery partners enjoy income flexibility but face long working hours, job insecurity, and limited social protection. Restaurants benefit from higher visibility and order volumes but are negatively affected by high commission fees and stiff competition, impacting profitability. Additionally, increased use of single-use plastic packaging has raised environmental concerns. The study concludes that food delivery platforms are reshaping Kollam’s food economy, offering new opportunities while presenting economic and environmental challenges that warrant regulatory attention.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 découle