Intellectual capital and supply chain resilience
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The main objective of this study is to test whether firms with a higher level of intellectual capital (IC) perform better in terms of their supply chain resilience compared to those with lower levels of IC. Likewise, the study also examines the impact of IC (characterized by human capital, relational capital and structural capital) on supply chain resilience directly and through supply chain learning. Design/methodology/approach Data were collected from the 159 processed-food sector firms using a close-ended questionnaire during the corona virus 2019 (COVID-19) pandemic. Partial least squares structural equation modelling (PLS-SEM), partial least squares multigroup analysis (PLS-MGA) and one-way analysis of variance (ANOVA) were used to test a set of hypotheses emanating from a conceptual model of IC and supply chain resilience. Findings Empirical results revealed a significant influence of all dimension of IC on a firm's supply chain learning and supply chain resilience. Likewise, findings also exhibit a momentous role of supply chain learning in reinforcing the impact of IC on supply chain resilience. Cross-firm size comparison reveals that supply chain resilience of firms with a higher level of IC performed significantly better than those with lower levels of IC. Firms with a higher level of structural capital had a highly resilient supply chain. Practical implications Findings of the study imply that IC and supply chain learning should be considered as a strategic tool and should be strategically developed for uplifting a supply chain performance of a firm. The development of IC and supply chain learning (SCL) not only improves the supply chain resilience of a firm but also can help to integrate the internal and external knowledge for harnessing supply chain resilience. Originality/value This research study was conducted during the COVID-19 pandemic which provides a unique setting to examine resiliency and learning.
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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 découle