ERP Systems in Humanitarian and Private Sectors’ Supply Chains: Challenges and Success Factors
Notice bibliographique
Résumé
Purpose: This paper investigates and compares challenges and success factors within different supply chain ERPs used globally across humanitarian and private organizations in Africa, Asia, Canada, Australia, Europe, and the Americas. Eighteen challenges and 27 success factors were selected from literature published between 2015 and 2020 to determine whether they are equally relevant globally in the private and humanitarian sectors. Design/methodology/approach: The research utilized an anonymous online questionnaire advertised on different social media websites and completed by 50 humanitarian supply chain professionals and 53 private sector professionals worldwide. The collected data was analyzed using a descriptive statistic–crosstabulation analysis to show the differences or similarities in supply chain professionals’ opinions from humanitarian and private organizations. Additionally, the hypotheses were tested by using the Mann–Whitney Test. Findings: Findings revealed that all the examined success factors were supported except one, which was similar in both sectors. However, the challenges during the implementation of ERPs differ in these two sectors — with four success factors not supported in the humanitarian sector and nine not supported challenges in the private sector. Originality: This study’s significance is that, as per the researchers’ knowledge, such a comparative study was never done before, and it will allow both sectors’ professionals to understand all the elements mentioned above better and integrate them while implementing supply chain ERPs.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».