MétaCan
Menu
Retour à la cohorte
Enregistrement W4210304343 · doi:10.5267/j.uscm.2021.12.013

Supply chain resilience and operational performance amid COVID-19 supply chain interruptions: Evidence from South Korean manufacturers

2022· article· en· W4210304343 sur OpenAlexvenueno aff
Minhyo Kang, Aaron Rae Stephens

Notice bibliographique

RevueUncertain Supply Chain Management · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain Resilience and Risk Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSupply chainBusinessDynamismSupply chain managementResilience (materials science)Industrial organizationSupply chain risk managementMediationBusiness continuityMarketingService managementOperations managementEconomicsComputer scienceComputer security

Résumé

récupéré en direct d'OpenAlex

South Korean manufacturers have dealt with supply chain interruptions from the COVID-19 pandemic as many other manufacturers have around the world; however, it seems that some Korean manufacturers are remarkably resilient. Many Korean manufacturers have withstood perilous supply chain dynamism and maintained operational performance without interruption. This study examines the antecedents of supply chain resilience and operational performance to suggest how other manufacturers can develop and maintain continuous uninterrupted operations even amid dynamic supply chains and global disruption. This is an empirical study of South Korean manufacturers utilizing PLS-SEM analysis with mediation effects. This study examines the interrelationships of six variables including, supply chain disruption orientation, management’s intention, digital infrastructure capability, innovation adoption, supply chain resilience, and operational performance. The implications are meaningful for both scholars and practitioners alike. This paper contributes to literature pertaining to both supply chain management and technology assimilation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,368
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0030,001
Communication savante0,0010,002
Science ouverte0,0020,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,259
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUncertain Supply Chain ManagementMême sujetSupply Chain Resilience and Risk ManagementTravaux en français237 207