Lesson learned from covid-19 pandemic and its impact on business continuity management BCM in the tourism sector in Jordan
Notice bibliographique
Résumé
The preservation of business operations during and post the COVID-19 pandemic has emerged as a significant challenge for many enterprises. This research focuses on identifying the critical factors that influence the effective management of business continuity, based on lessons learned from the post-pandemic era. The primary objective of the investigation was to understand the impact of performance adaptability, innovation, talent preservation, and the implementation of a proactive, forward-thinking strategy on business continuity management. Furthermore, the study delves into the mediating role of strategic agility in these relationships. The study gathered data from personnel within the tourism sector of Jordan's prestigious Golden Triangle, which includes Petra, Wadi Rum, and Aqaba. The research utilized Partial Least Squares Structural Equation Modelling (PLS-SEM) to analyze the structural model and to investigate the propositions outlined. The findings indicated that performance adaptability, innovation, talent preservation, strategic agility, and a proactive strategy positively impact business continuity management. Moreover, strategic agility was found to moderate the relationship between performance adaptability, innovation, talent preservation, and a proactive strategy, thereby enhancing business continuity management. These research outcomes offer insightful implications for managerial personnel within hotels and tourism companies, acting as a comprehensive guide for improving their business continuity management in the post-pandemic world.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».