Equity and Accessibility in Last-Mile Crowdshipping Delivery
Notice bibliographique
Résumé
This thesis explores sociotechnical innovations to improve equity, efficiency, and resilience in food rescue logistics last mile. Through qualitative inquiry and design science research, Chapter 2 introduces and pilots CrowdFeeding, a digital platform that enables direct donation to food delivery to clients. It presents a two-phase study conducted with 45 stakeholders throughout Canada. In the first phase, semi-structured interviews were used to identify key barriers. The second phase reports on a pilot study in Hamilton, Ontario, where a digital platform, CrowdFeeding, comprising a website and a mobile application was designed, developed and implemented to allow direct donor-to-client food delivery and address operational inefficiencies within food banks. Building on these insights, Chapter 3 introduces a three-sided market equilibrium model. It is developed to integrate volunteer deliveries into ridesharing platforms, demonstrating gains in driver earnings, platform profits, and environmental impact. The model incorporates regulatory constraints and behavioural tipping dynamics. Simulations using Manhattan-based data demonstrate reductions in food waste and CO_2 emissions, a 33% increase in driver earnings and a 10% increase in platform profits. Chapter 4 presents a unified optimization framework to strategize food bank operations that addresses donation procurement, purchasing produce, and equitable distribution of food. Numerical simulation showcase that the proposed policies improve efficiency, reduce costs, and reduce nutritional deprivation, outperforming heuristic approaches in most scenarios. The proposed model reduces procurement expenses by up to 40%, while an equity model cuts average deprivation by more than 50%. Finally, Chapter 5 offers future directions for scalable, data-driven and health-aligned food assistance systems. Collectively, this thesis offers a comprehensive, interdisciplinary foundation for reimagining non-profit food rescue system through digital innovation, participatory design, and operational rigour.
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 | 0,002 | 0,008 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».