Modèles d'affaires durables et innovants pour les plateformes de fret intelligentes : une approche multi-outils stratégiques et un guide pour les start-ups
Bibliographic record
Abstract
RÉSUMÉ: L'industrie du camionnage fait face à un problème d'inefficacité, qui entraîne des coûts élevés et un impact environnemental négatif. Ce problème est causé par le fait que de nombreux camions circulent à vide ou sous-chargés, en particulier dans le transport longue distance. Cette recherche met en évidence l'émergence de start-ups avec des idées innovantes et des algorithmes dans la correspondance de fret numérique (Digital Freight Matching - DFM). Elle révèle un manque dans la littérature existante concernant l'efficacité stratégique et les modèles d'affaires de ces start-ups, en particulier dans le contexte des systèmes de courtage de fret numérique. Par conséquent, elle vise à combler cette lacune en fournissant un guide complet avec des outils pratiques pour les start-ups dans le secteur du camionnage de fret, les aidant à construire des bases d'affaires solides et à réussir sur le marché. Ce mémoire est structurée en deux articles principaux. Le premier article se concentre sur l'application d'outils stratégiques tels que l'analyse SWOT, le modèle EFQM-2020, et une Toile de Modèle d'Affaires à Triple Couche. Cet article examine une plateforme de fret d'une start-up canadienne, soulignant la nécessité de minimiser les trajets à vide, de maximiser les charges utiles et d'améliorer la durabilité globale dans l'industrie du camionnage. Cette approche globale aide les nouvelles entreprises à établir des structures fondamentales solides. Le deuxième article se concentre sur l'évolution de l'industrie du camionnage et l’escalade des plateformes de correspondance de fret numérique. Il présente une analyse comparative de divers modèles d'affaires DFM, se concentrant sur leurs avantages, inconvénients, processus opérationnels, stratégies de génération de revenus et niveaux de numérisation. Les résultats de cette recherche incluent (1) l'intégration de la durabilité avec la technologie dans les modèles d'affaires de plateformes de fret intelligentes, soulignant l'importance des pratiques durables dans l'industrie du fret en évolution. (2) Une analyse comparative des modèles d'affaires DFM pour les startups, mettant en évidence le changement de l'industrie vers la numérisation et l'évolution des modèles de courtiers de fret. En conclusion, la recherche souligne le besoin urgent de solutions innovantes dans l'industrie du camionnage. Elle offre un aperçu du paysage diversifié et dynamique des modèles d'affaires de correspondance de fret numérique dans le secteur du transport routier. ABSTRACT: The trucking industry is facing an inefficiency problem, which results in high costs and negative environmental impact. This problem is caused by the fact that many trucks run empty or underloaded, especially in long-distance transport. Addressing this inefficiency, this research highlights the emergence of start-ups with innovative ideas and algorithms in the Digital Freight Matching (DFM). It reveals a gap in the existing literature regarding the strategic efficacy and business models of these start-ups, particularly in the context of digital freight brokerage systems. Therefore, it aims to fill this gap by providing a comprehensive guide with practical tools for start-ups in the freight trucking sector, assisting them in building solid business foundations and succeeding in the market. This thesis is structured into two main articles. The first article focuses on the application of strategic tools such as SWOT analysis, EFQM-2020 model, and a Triple Layer Business Model Canvas. This article examines a Canadian start-up's freight platform, emphasizing the need to minimize empty trips, maximize payloads, and improve overall sustainability in the trucking industry. This comprehensive approach assists new businesses in establishing strong foundational structures. The second article focuses on the evolution of the trucking industry and the rise of digital freight matching platforms. It presents a comparative analysis of various DFM business models, shedding light on their advantages, disadvantages, operational processes, revenue generation strategies, and levels of digitalization. The outcomes of this research include (1) the integration of sustainability with technology in smart freight platform business models, emphasizing the importance of sustainable practices in the evolving freight industry. (2) comparative analysis of DFM business models for startups, highlighting the industry's shift towards digitalization and the evolution of freight broker models. In conclusion, the research underlines the urgent need for innovative solutions in the trucking industry. It provides insights into the diverse and dynamic landscape of digital freight matching business models in the road transport sector.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".