Crafting Design Strategy on Seaweed Industry in Indonesia
Notice bibliographique
Résumé
The global demand for seaweed is expected to increase in the coming years due to new product development using seaweed. There are many benefits of seaweed such as pharmaceuticals, cosmetics, food industries, textiles, paper, and bioenergy production. On the other hand, Indonesia, as the archipelago country with the second-longest coastline after Canada, is expected to achieve competitiveness so Indonesia benefit more from the seaweed industry. This study aims to get the landscape of the seaweed industry and to select strategies. The strategies are designed using the Structural Equation Modelling Method – Partial Least Square (SEM – PLS). The findings of this study are the competitive advantage of Indonesia's carrageenan-producing seaweed industry using descriptive statistical methods through the perception model show considered weak. The three main parameters of concern are assessed as low-cost leadership, ability to increase export value and self-sufficiency in meeting the needs of domestic seaweed. The analysis also shows that the influence of innovation and stakeholder support on increasing the competitive advantage of Indonesia's carrageenan-producing seaweed industry is considered significant. Innovation is represented by the latent variable attributes of innovation, communication channels and the role of change agents, which are concluded to have a significant effect both directly and indirectly on the industry's competitive advantage. Keywords: seaweed industry, competitiveness, carrageenan, innovation, SEM-PLS, stakeholder support
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».