Manufacturer's Contexts, Supply Chain Risk Management, and Agility Performance
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
The dynamism of the current business environment emanates significant challenges and disruption risks for supply chains. These vulnerabilities in contemporary supply chains have motivated a substantial academic focus on supply chain risk management (SCRM). In the empirical literature on SCRM, a firm's external environment is conceptualized as a source of risk, and various organizational and technological factors are discussed as influencers of SCRM. However, the factors studied in the literature are generally narrow and analyzed in isolation, which has resulted in a fragmented and inconsistent understanding of the role of organizational and technological setups in SCRM. This study offers a systematic understanding of the antecedents and consequences of effective SCRM by investigating the associations between a manufacturer's environmental, organizational, and technological contexts, SCRM, and agility. The study employs the information processing view as the primary theoretical lens and relies on large-scale multi-industry and multicountry survey data for empirical analysis. In contrast to the threat-rigidity thesis, the findings of this study suggest that manufacturers seek collaborative and flexible work settings to respond to environmental challenges. Besides increasing efficiency, such organizational settings and enhanced technological setups can increase information processing capability to enable SCRM and agility. These findings challenge the suggestions that initiatives taken for efficiency can increase the risk factor and deteriorate performance. The study provides novel insights into the underlying information processing mechanisms for effective SCRM and highlights the importance of organizational and technological setups in enhancing these core mechanisms.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 | 0,001 |
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