Breaking the Time Preference : A study of home delivery
Bibliographic record
Abstract
Bakgrund. E-handel ökar ständigt, och med det även frakt av ehandelsvaror. Frakten som skrivs om i den här studien syftar till den frakt som sker mellan en återförsäljare och en slutkonsument. Denna är i texten kallad last-mile delivery. Denna är identifierad som mycket kostnadsbärande för återförsäljare och därför har ansträngningar gjorts för att ta reda på vad som driver konsumentpreferenser vid frakt av ehandelsvaror. För att bredda det här fältet och den nuvarande kunskapen inom område har den här studien introducerat tidspreferensteori som underlag och adderat betalningsfördröjning som attribut vid last-mile delivery för att se vilken effekt detta har på preferenser vid fraktval. Syfte. Syftet med den här studien är att ta reda på hur en fördröjd betalning kan påverka preferenserna för olika last-mile delivery-alternativ. Överlag syftar också studien till att bredda kunskapen inom området. Detta görs alltså med introduktionen av tidspreferensteori till området. Metod. Studien är en experimentstudie med en ansluten enkät. Enkäten gjordes i tre utföranden och skickades ut i tre distinkta experimentgrupper. Därefter testades datan med ett icke-parametriskt proportionstest för att se om det fanns någon signifikant mängd svar som stödjer att en fördröjd betalning påverkar konsumentens val av last-mile delivery-alternativ. Resultat. Resultaten av studien visar att det inte finns någon koppling mellan en fördröjd betalning och ändrade konsumentbeteenden i fraktpreferenser. Överlag så valdes fraktalternativet med lägst frakt. Detta är något som går igen i flera tidigare studier där man kommit fram till att fraktkostnad och leveranshastighet är de två mest betydelsefulla aspekterna av frakten. Det enda scenariot som visade någon förändring i preferens var då produkten vid köpet var en dyr sådan. Huruvida preferensskiftet går att tillskriva den fördröjda betalningen förblir oklart, men inte osannolikt. Slutsatser. Slutsatsen till studien blir att trots tidspreferens och fördröjd betalning användes i studien så gav de inget mervärde. Resultatet blev i linje med tidigare resultat. Att tidspreferensteorin inte höll för fraktpreferenserna kan haft att göra med studiedesignen. En framtida studie hade kunnat göra ett mer ingående arbete och fokusera ännu mer på tidspreferensen för att hitta nya resultat
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 | 0.005 | 0.024 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".