Country-of-origin image effects on satisfaction and purchase intention in the industrial market for seafood products : a study of Norwegian, Chilean and Canadian salmon buyers
Notice bibliographique
Résumé
Despite the growing importance of country-of-origin (COO) effects in industrial markets, \nmost prior research has been concentrated on these effects only in consumer environments. \nIn addition, existing studies on country-of-origin image (COI) have mainly targeted the \nrelationship between COI and perceived product quality for durable goods. This study \nexamines the influence of country-of-origin image effects of three different countries on \nperceived quality, buyer satisfaction and purchase intention among industrial buyers of \nseafood products in the USA. Perceived supplier reliability, a new construct in COO \nresearch, is presented and linked with COI and buyer satisfaction in the conceptual model \ndeveloped by the researcher. This research uses a mixed methods approach, utilizing both \nsurveys and in-depth interviews, to gather relevant B2B data for identifying the main \ninfluencing factors of COI. Structural Equations Modeling (SEM) and multiple regression \nanalyses are employed in order to test the relationships proposed in the model. The \nanalyses show that COI impacts overall buyer satisfaction and purchase intentions \nindirectly and that its influence is mediated by perceived product quality and perceived \nsupplier reliability. Consistent with previous studies, perceived product quality is strongly \ninfluenced by the favorability of COI. COI is also found to strongly influence perceived \nsupplier reliability, although certain differences are visible between the various countries. \nFollowing the interviews, several new relationships, such as the one between COO, \nsustainability and CSR are also found.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».