Supply chain partnership and innovation performance of manufacturing firms: Mediating effect of knowledge sharing and moderating effect of knowledge distance
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
Affected by complicated issues, such as regional conflicts, trade wars, and the COVID-19 pandemic, manufacturing firms face enormous challenges in reconstructing the global supply chain landscape to form new cooperative innovation mechanisms. This study investigates the relationship between supply chain partnerships (SCP) and innovation performance (IP) from a knowledge-management perspective. A multi-factor conceptual model of this relationship was proposed, considering the mediating effect of knowledge sharing (KS) and the moderating effect of knowledge distance (KD). SCP is measured in three dimensions: trust relationship (TR), commitment relationship (CMR), and contractual relationship (CTR). IP is measured in two aspects: technological innovation performance and management innovation performance. An empirical study was conducted to test the hypotheses using data from 417 valid questionnaires. Confirmatory factor analysis and structural equation modeling were applied to test the hypotheses. The results demonstrate that (1) KS plays a significant mediating role in how SCP impacts IP and that the indirect effect of TR through KS on IP is greater than that of CTR or CMR. (2) KD between supply chain partners plays a significant negative moderating role between KS and IP; that is, the smaller the KD, the higher the IP achievable through sufficient KS. These findings shed new light on building collaborative innovation mechanisms for supply chain management.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| 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 | 0,000 |
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.
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