Investigating the Relationship between Marketing Knowledge Sharing and Developing Competitive Advantage (Case Study: Arak Shazand Petrochemical)
Notice bibliographique
Résumé
The aim of this study is to investigate the relationship between marketing knowledge sharing and developing competitive advantage. This research is an applied objective research and data collection method of description-correlation nature the subjects under study by this research are employees of Arak Shazand petrochemical industry. The sample size was estimated 90 people. The method is stratified random sampling. A standard questionnaire was used to collect data. Marketing knowledge sharing questionnaire of Moghimi and Ramazani (2011) contains 17 items and developing competitive advantage questionnaire of Hill and Jones (2010) contains 16 items. Logical validity (face and content) of questionnaires was reviewed and approved through several university professors and several experts of this industry. Also, construct validity was reviewed and approved by confirmatory factor analysis using AMOS software. Cronbach's alpha coefficient of 0.7 was obtained for variables that indicate internal consistency of items and acceptable reliability of the questionnaire. The research hypothesis test using univariate linear regression was performed with application of SPSS software. The results showed that, given that the t-statistic value is greater than 1.96 (t = 6.48), the relationship between two variables, competitive advantage and marketing knowledge sharing was significant at the 5% error level Standard regression coefficient (0.57) also specified the share of independent variable in explaining the changes of dependent variable so that for every one unit increase in variable of marketing knowledge sharing, competitive advantage increases 0.57.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».