Moderation effect of client special treatment benefits on the relationship between logistics inte-gration and logistics performance in the logistics services providers’ context
Notice bibliographique
Résumé
In the face of global competition and the coronavirus disease-19 (COVID-19) pandemic, the logistics service providers (LSPs) are facing severe challenges to attain their logistics performance indicators. To continue in such a market place, LSPs need to maintain a dedicated integration relationship with their clients by enhancing client special treatment benefits. The aim of this study is to apply the relational view (RV) theory and the relationship marketing (RM) perspective to examine the moderation effect of special treatment benefits on the link between logistics integration and LSPs’ logistics performance (i.e., cost leadership and customer services innovation). Data was collected from 214 Malaysian LSPs, and analysed using partial least squares-structural equation modelling (PLS-SEM). Although the results show that logistics integration has a strong impact on both performances, further analysis shows that a high level of logistics integration has an association with high levels of special treatment benefits (moderating effect), in turn, maintaining performance at a high level. The exploring of the moderation effect of special treatment benefits contributes to the RV theory by incorporating the RM to reflect the moderation effect. Additionally, the study contributes empirically to the field of strategy and RM within the LSPs’ industry. Finally, the findings enable LSPs to better allocate resources to ensure more effective value-based strategies that emphasise on client special treatment benefits to develop financial confidence and maintain long-term dedicated relationships, so as to achieve the target outcomes.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 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) | 0,000 | 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 ».