MétaCan
Menu
Retour à la cohorte
Enregistrement W2516133753 · doi:10.1108/ijopm-04-2015-0212

Survival strategy of OEM companies: a case study of the Chinese toy industry

2016· article· en· W2516133753 sur OpenAlexaff
Dezhi Chen, William Wei, HU Dai-ping, Etayankara Muralidharan

Notice bibliographique

RevueInternational Journal of Operations & Production Management · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInternational Business and FDI
Établissements canadiensMacEwan University
Organismes subventionnairesnon disponible
Mots-clésOriginal equipment manufacturerUpgradeBusinessIndustrial organizationMarketingValue (mathematics)Operations managementEconomicsComputer science

Résumé

récupéré en direct d'OpenAlex

Purpose Although there have been many discussions on the status and development of original equipment manufacturers (OEMs), theory on how they survive is minimal. Little is known about how OEMs survive and upgrade to other business models, such as original design manufacturers (ODMs) and original brand manufacturers (OBMs), in emerging economies. The purpose of this paper is to extend the theory on the survival path of OEMs from the perspective of emerging countries by examining how OEMs survive cost pressures and upgrade to ODMs or OBMs. Design/methodology/approach Using a multi-case study method, this study analyzes the survival path employed by OEMs by examining eight firms in the Chinese toy industry. Findings This study shows that OEMs remain weak in the global toy industry chain due to labor costs. While some OEMs move to low-cost regions, others turn to OBM management, after transitioning through an ODM model, by investing in research and development and marketing. Originality/value This study explores the survival paths of OEM enterprises, showing that OEMs can first upgrade to ODMs and then to OBMs, or they can directly upgrade to OBMs. Shifting from OEM to ODM is an important step in the transition process, although the contract that OEMs have with their foreign partners does not change significantly.

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 enseignants0,481
Score d'incertitude au seuil0,323

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 savante0,0000,001
Science ouverte0,0010,000
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 Opus0,029
Tête enseignante GPT0,295
Écart entre enseignants0,266 · 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

Citations28
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Operations & Production ManagementMême sujetInternational Business and FDITravaux en français237 207