The Impact of Instrumental Stakeholder Management on Blockchain Technology Adoption Behavior in Agri-Food Supply Chains
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
Coffee is the second most important commodity in terms of global trade value, with its global market value exceeding $460 billion in 2020. Its supply networks, which encompass multiple stakeholders, are complex and nontransparent. Blockchain is a trust technology, and some coffee firms have embraced this technology to provide trust attributes to consumers while making their supply chain more transparent. For businesses to gain the expected productivity advantages, a technology must be adopted and used. As theoretical and empirical research on blockchain technology adoption is scarce, this article attempts to identify behavioral intentions of stakeholders in the supply network toward its adoption. Based on exploratory interviews, this article develops a blockchain technology adoption model based on factors relevant to individuals’ use behavior. The results provide evidence that a normative stakeholder management approach positively impacts use behavior. Managers can use the model to benchmark and improve their corporate social responsibility strategy to obtain better returns on blockchain investments. This study closes a research gap as, to the best of the authors’ knowledge, no research has been conducted so far on the impact of an instrumental stakeholder management approach on blockchain technology adoption behavior. Understanding how stakeholder management can compensate for the lack of consensus mechanisms in private and consortium blockchains, as well as understanding the factors influencing behavioral intentions toward the use of a technology, can provide for managerial guidance toward the development of an effective stakeholder management strategy, which eventually can result in a competitive advantage.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle