TOPSIS approach to prioritize critical success factors of TQM
Notice bibliographique
Résumé
Purpose – The pharmaceutical industry has a critical impact on health promotion. It is essential to identify and prioritize the critical success factors (CSFs) within this industry to ensure successful implementation of total quality management (TQM). Therefore, the purpose of this paper is to identify and prioritize CSFs that affect TQM successful implementation in the pharmaceutical industry. Design/methodology/approach – Based on a thorough review of the literature and building on the earlier studies, a valid questionnaire was developed and sent to 320 managers in pharmaceutical sector. In total, 210 completed questionnaires were returned. The technique for order of preference by similarity to ideal solution (TOPSIS) was used to rank and prioritize CSFs. Findings – Results of the data analyses showed that information and analysis, management commitment, relationship with suppliers, and customer focus are the top four CSFs for the successful implementation of TQM in the pharmaceutical sector. Originality/value – Using TOPSIS approach, this is the first study that determines CSFs that have impact on successful implementation of TQM in the pharmaceutical sector. There have been limited studies investigating the CSFs in developing countries. The findings will be useful in helping manager to successfully implement TQM in emerging markets. The approach will help future studies to examine the impact of successful implementation of TQM on firm performance in other industries and in emerging markets.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,019 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».