MétaCan
Menu
Retour à la cohorte
Enregistrement W2109811302 · doi:10.1002/j.2158-1592.2010.tb00145.x

TO CHANGE OR NOT TO CHANGE: HOW MOTOR CARRIERS RESPONDED FOLLOWING 9/11

2010· article· en· W2109811302 sur OpenAlexaff
Craig Atwater, Ram Gopalan, Richard A. Lancioni, James Hunt

Notice bibliographique

RevueJournal of Business Logistics · 2010
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain Resilience and Risk Management
Établissements canadiensMinistry of Transportation of Ontario
Organismes subventionnairesnon disponible
Mots-clésSurpriseBusinessMarketingEvent (particle physics)TerrorismSample (material)Exploratory researchOperations managementIndustrial organizationEconomicsPsychologyPolitical scienceSocial psychologySociology

Résumé

récupéré en direct d'OpenAlex

What happens when firms are confronted by a strategic surprise—defined as “sudden, urgent, unfamiliar change” (Ansoff 1975, p. 22)—such as the terrorist attacks that occurred on September 11, 2001? Numerous studies have examined how strategic change, in the aftermath of a significant environmental event, contributes to organizational survival and success. But, is strategic change the appropriate response to unexpected and disruptive environmental change? And is there a preferred trajectory for change, such that certain strategies are better suited than others to the post‐surprise environment? This exploratory research examines whether or not strategic change is an appropriate response to strategic surprise affecting the firms in the trucking industry by considering the actions of motor carriers in the aftermath of 9/11. The data evidences significant disruption to the trucking industry following the event: among the sample, mean operating ratios declined by more than 50%. While nearly 40% of the carriers studied changed strategies in the post‐9/11 environment, this did not guarantee better performance. All carriers fared worse following the attacks, but those carriers that changed strategies actually performed significantly worse than those that persisted with pre‐9/11 strategies.

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)0,002
score de la tête « metaresearch » (Gemma)0,009
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 enseignants0,033
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
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 savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,071
Tête enseignante GPT0,298
Écart entre enseignants0,227 · 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

Citations12
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Business LogisticsMême sujetSupply Chain Resilience and Risk ManagementTravaux en français237 207