The effect of lean on the operational performance of medium-sized Thai manufacturing companies
Notice bibliographique
Résumé
Lean practices appear to have aided organisations in improving their operations, especially manufacturing companies. This paper reports on an in-depth study comparing Thai medium-size manufacturing companies who use Lean with those which have not yet adopted Lean. In this paper the word “Lean” is used to refer to “lean practices” as well as “lean strategies”. Lean methods include just-in-time (JIT), total productive maintenance (TPM), automation, value-stream mapping (VSM), Kaizen, material requirement planning (MRP), Kanban, 5S and waste elimination. Primary data were obtained through questionnaires which were analysed using a number of statistical processes including factor analysis (CFA) and structural equation modelling (SEM). Some 230 medium-sized manufacturing companies were the focal target of this study. Three latent variables, Lean (exogenous variable), product customisation (endogenous) and operational performance (endogenous) are formed in this study. There were 24 parameters and the findings provide further evidence regarding the effects which Lean practices have on product customisation and operational performance of the companies, for example. The methods for analyzing the data favour the proposed structural equation model. The results show that Lean strategies are linked to improved operational performance in the firms which practice them. Management teams in Thai medium-size manufacturing companies which have resisted Lean are encouraged to adopt Lean in order to improve operational performance, particularly in the present economic climate.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».