MétaCan
Menu
Retour à la cohorte
Enregistrement W4379365385 · doi:10.5267/j.uscm.2023.5.007

The technological enhancement and its impact on corporate financial performance in the context of the industrial revolution 4.0: The case of Vietnam

2023· article· en· W4379365385 sur OpenAlexvenueno aff
Luong Thu Thuy

Notice bibliographique

RevueUncertain Supply Chain Management · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueImpulse Buying and Technology Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessProductivityLeverage (statistics)Real estateAsset (computer security)Context (archaeology)FinanceIndustrial organizationCapital (architecture)EconomicsEconomic growth

Résumé

récupéré en direct d'OpenAlex

Businesses play an important role in the economy in most countries. Businesses contribute to increased productivity, output and jobs for the economy. Therefore, governments of countries always create favorable business environments to help businesses operate more efficiently, and thereby contribute to the economy. Transforming the industrial revolution 4.0 has brought businesses certain benefits to operations, improving productivity and efficiency. Using data in real estate businesses, through regression analysis, the research results confirm the technology factor has not yet affected the financial performance of enterprises, which can show that businesses need enough time to absorb technology in production activities to have a change in its output. In addition, there exists the negative relationship of leverage in the business and financial performance. Or it can also be confirmed that enterprises that choose their own capital are often more effective than enterprises that choose capital from loans and external financing. The study also confirms that enterprises with the ability to manage total asset turnover have higher financial efficiency. However, the research shows that interest rates have a negative effect on business operations, businesses with high interest rates have a negative effect on business operations, and vice versa.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,071
Score d'incertitude au seuil0,142

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,048
Tête enseignante GPT0,249
Écart entre enseignants0,201 · 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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUncertain Supply Chain ManagementMême sujetImpulse Buying and Technology ImpactsTravaux en français237 207