MétaCan
Menu
Retour à la cohorte
Enregistrement W3095677095 · doi:10.5267/j.msl.2020.9.046

The role of strategic agility towards the firm performance of logistics service providers in Indonesia

2020· article· en· W3095677095 sur OpenAlexvenueno aff
Risris Nurjaman, Agus Rahayu, Lili Adi Wibowo, Widjajani Widjajani

Notice bibliographique

RevueManagement Science Letters · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCollaboration in agile enterprises
Établissements canadiensnon disponible
Organismes subventionnairesLembaga Pengelola Dana Pendidikan
Mots-clésDynamic capabilitiesBusinessAgile software developmentCompetition (biology)ModerationCompetitive advantageProcess managementService (business)Industrial organizationService providerAdaptation (eye)MarketingExcellenceComputer scienceManagementEconomics

Résumé

récupéré en direct d'OpenAlex

Competition in various companies encourages practitioners, entrepreneurs, and academics to examine the dynamization of business models. The dynamic study of this business model was driven by its dynamic environment. Dynamic moving environments require companies to be adaptive as quickly as possible. This adaptation encourages different firms to perform a certain strategy of excellence in the face of competition. Strategy Agility becomes a study of practitioners and academics due to its ability to predict and capture opportunities. One of the service industries faced with the dynamic environment within the company is the Logistic Service Provider. Fierce competition, the dynamic type of service, and rapidly changing technol-ogy encourage enterprises to always be agile in determining the direction to the business. The purpose of this research is to get a model of the relationship between strategic agility and competitive strategy as a moderator for the improvement of the firm performance. Methods used are quantitative methods. The research results describe the direct relationship between strategic agility and competitive strategy to the firm performance. However, when the competitive strategy is made as a moderator, strategic agility shows a negative effect.

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)0,003
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 enseignants0,014
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
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 savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,031
Tête enseignante GPT0,228
Écart entre enseignants0,197 · 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

Citations17
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetCollaboration in agile enterprisesTravaux en français237 207