MétaCan
Menu
Retour à la cohorte
Enregistrement W4377028610 · doi:10.1287/msom.2023.1213

Product Recalls and Supply Base Innovation

2023· article· en· W4377028610 sur OpenAlexaff
Fan Zou, Yan Dong, Sining Song, Manus Rungtusanatham

Notice bibliographique

RevueManufacturing & Service Operations Management · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSustainable Supply Chain Management
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésQuality (philosophy)BusinessProduct (mathematics)Industrial organizationSupply chainMarketingProduct innovationSupplier relationship managementNew product developmentSupply chain management

Résumé

récupéré en direct d'OpenAlex

Problem definition: Suppliers are increasingly involved in innovation activities that contribute to a firm’s product quality and introduce risks to firms’ quality control, leading to quality failures and recalls. This quality trade-off suggests the possibility of a nonlinear relationship between supplier innovation and product recalls, which is the focus of this research. Recall literature focuses on firms’ internal drivers of recalls, whereas anecdotal evidence increasingly points to the role of external drivers, such as suppliers. We contribute to the literature by examining supplier innovation as an external driver leading to recalls via quality and risk spillovers. Methodology/results: We collect and assemble a unique panel data set of consumer product recalls from firms and their supply bases (i.e., first tier suppliers). We estimate econometric models to examine the nonlinear relationship between supply base innovation, measured by research and development (R&D) intensity of the supply bases, and the likelihood of product recalls. We find a quadratic (i.e., U-shaped) relationship between the probability of recalls and supply base R&D intensity. We also find that this nonlinear relationship is critically related to three specific sources of risk: radicalness of supplier innovation, technological distance between firms and their suppliers, and complexity of supply base. Managerial implications: Our findings suggest that firms should be mindful of the quality trade-offs in encouraging supplier innovation to reduce product recalls. Further, to minimize recall risks, firms should better evaluate and manage the risks associated with external supplier knowledge that is novel and different and closely work with global suppliers to reduce coordination challenges in knowledge transfer and integration. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2023.1213 .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,057
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,057
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0010,002
Communication savante0,0030,003
Science ouverte0,0020,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,223
Écart entre enseignants0,206 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations23
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManufacturing & Service Operations ManagementMême sujetSustainable Supply Chain ManagementTravaux en français237 207