Supply chain resilience after the Covid-19 pandemic in Thai industry
Notice bibliographique
Résumé
The epidemic of the COVID-19 has spread rapidly worldwide. This phenomenon has changed people's lifestyles as well as business activities. Many businesses are unable to operate normally, which is caused /or affected by supply chain disruption. Therefore, supply chain resilience after the COVID-19 pandemic is essential to maintaining the liquidity of businesses and increasing supply chain efficiency. This research aimed to examine factors influencing supply chain resilience and construct a structural equation model for supply chain resilience after the COVID-19 pandemic in Thailand's industries. A research framework was developed according to previous literature in the context of supply chain resilience. Five constructs, namely Technology, Flexibility, Collaboration, Agility, and Supply chain resilience, with seven hypotheses were established. A questionnaire survey was developed from the research framework and previous literature. Then, the validity and reliability test of the questionnaire were performed with the Index of Item Objective Congruence (IOC) technique and Cronbach’s alpha, respectively. The data was obtained from 426 business organizations in both the industrial and service industry in Thailand. The structural equation model (SEM) technique was conducted to examine the relationship between constructs. The results revealed that agility was only a factor that directly influenced supply chain resilience, while technology had an indirect effect on it via agility. However, technology has had direct effects on flexibility, agility, and collaboration.
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 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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».