Productivity Measurement and the Relationship between Plant Performance and JIT Intensity
Notice bibliographique
Résumé
The management accounting and operations management literatures argue that the adoption of advanced manufacturing practices, such as JIT, necessitates complementary changes in the firm's Management Accounting and Control Systems. This study uses a sample of JIT and non-JIT plants operating in the Canadian automotive parts manufacturing industry to study the interaction between performance outcomes, intensity of JIT practices and productivity measurement. This study provides evidence that productivity measurement mediates the relationship between performance outcomes and intensity of JIT practices. Specifically, both JIT and non-JIT plants that use a broader range of productivity measures are more efficient and profitable. Also, plants that employ industry driven productivity measures are more profitable and efficient relative to plants that employ idiosyncratic productivity measures, especially if the former are more JIT intensive. Furthermore, plants that employ quality productivity measures are less efficient and less profitable, especially if they use more intensive JIT practices. The latter result is consistent with JIT intensive plants over-investing in quality. This study also finds that plants that invest more in buffer stock are less efficient and less profitable, especially if they use more intensive JIT practices. Despite the fact that plant profitability and efficiency are highly correlated, JIT intensive plants are more profitable but less efficient relative to plants that are not JIT intensive, after controlling for productivity measures, plant size and buffer stock. This result suggests that despite wasting resources, JIT intensive plants are still able to generate superior profits relative to plants that are not JIT intensive.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».