MétaCan
Menu
Retour à la cohorte
Enregistrement W1499607171 · doi:10.5539/jms.v5n2p48

Logistics Sustainability?: Long Term Technology Investments and Integration

2015· article· en· W1499607171 sur OpenAlexvenueno aff
Jack E. Tucci, Seungjae Shin, Mike Benefield

Notice bibliographique

RevueJournal of Management and Sustainability · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueUrban and Freight Transport Logistics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProductivityBusinessSustainabilityFlexibility (engineering)Supply chainInvestment (military)Industrial organizationService (business)MarketingEnvironmental economicsFinanceOperations managementEconomicsEconomic growth

Résumé

récupéré en direct d'OpenAlex

This study examines the investment in technology over time in an effort to achieve sustainability and secondarily to support green initiatives by minimizing environmental impacts. The literature suggests integrated supply chain contractors emphasize efficiency and flexibility which leads to organizational performance improvements. This study compares productivity changes in the logistics industry measures after significant RFID investments over time. Productivity ratios collected for the fiscal years of 2000-2013 from financial statements are used to investigate technology investments effects.Since 2003, many end users (Wal-Mart specifically) mandated the implementation of RFID technology as one part of a larger system in reaching long term sustainability objectives. Historically, B2B customers and retailers have either built in-house logistic systems or have relied on either shippers services, i.e., third party logistic suppliers (3PL) or independent fourth party logistic suppliers (4PL). Logistic companies that have invested in logistical technologies aimed at sustainability strategies have improved financial ratios during the period studied. Interestingly, companies who have not fully implemented technology enhancements because of logistic service type have not seen improvements in productivity at the same level as others in the supply chain during this same period.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,379
Score d'incertitude au seuil0,506

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,233
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Management and SustainabilityMême sujetUrban and Freight Transport LogisticsTravaux en français237 207