Enterprise risk management and supply chain management: The mediating role of competitive advantage and decision making in improving firms performance
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
The complexity of risk management and supply chain optimization in the business context, especially in financial institutions such as banking, highlights several factors that require special attention. In the banking sector, where risk and operational smoothness are crucial, risk management and supply chain optimization play pivotal roles in maintaining stability and competitiveness. The objective of this research is to explore the extent to which the implementation of ERM (Enterprise Risk Management) and SCM (Supply Chain Management) can create a competitive advantage, influence decision-making, and ultimately impact company performance. The research methodology employed is quantitative. Data collection was conducted through the distribution of Likert-scale questionnaires with a score range from 1 to 5. The sample selection process utilized random sampling techniques, involving managers and staff working in State-Owned Enterprises (SOE/BUMN) in Indonesia. The study analyzed 263 samples, with data collected from February 2023 to June 2023. Structural Equation Modeling (SEM) with SmartPLS software facilitated data analysis. The results indicate that ERM significantly influences competitive advantage and decision-making, but it does not directly impact company performance. Similarly, SCM has a significant positive impact on competitive advantage and decision-making but does not directly affect company performance. Competitive advantage, in this study, did not prove to enhance firm performance or act as a mediator connecting ERM and SCM to company performance. However, decision-making significantly influences company performance and serves as a significant mediator in the relationship between ERM and SCM concerning company performance.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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