MétaCan
Menu
Retour à la cohorte
Enregistrement W2077193893 · doi:10.1016/s0272-6963(00)00051-6

The production performance benefits from JIT implementation

2000· article· en· W2077193893 sur OpenAlexaff
Rosemary Fullerton, Cheryl S. McWatters

Notice bibliographique

RevueJournal of Operations Management · 2000
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueQuality and Supply Management
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésCompetitor analysisBusinessCompetition (biology)Production (economics)Quality (philosophy)Industrial organizationQuality managementMarketingCompetitive advantageKaizenOperations managementEconomicsLean manufacturingMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Abstract The intense competition in the current marketplace has forced firms to reexamine their methods of doing business. The US manufacturers have struggled with growing trade deficits and outsourced operations, while strong market competitors have emerged, using superior manufacturing practices in the form of just‐in‐time (JIT) and continuous process improvement. Although proponents cite the many benefits of JIT adoption, its implementation rate in the US has been relatively conservative. This study uses survey responses from executives at 95 JIT‐practicing firms to better understand the benefits that firms have experienced through JIT adoption, and whether a more comprehensive implementation is worthwhile. The research results demonstrate that implementing the quality, continuous improvement, and waste reduction practices embodied in the JIT philosophy can enhance firm competitiveness. JIT implementation improves performance through lower inventory levels, reduced quality costs, and greater customer responsiveness. This study indicates that JIT is a vital manufacturing strategy to build and sustain competitive advantage.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,004
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,019
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,020
Tête enseignante GPT0,255
Écart entre enseignants0,235 · 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 source (Gemma direct ou Codex distillé), 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

Citations407
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Operations ManagementMême sujetQuality and Supply ManagementTravaux en français237 207