Strategic Intelligence of Small and Medium Enterprises Embedded in Global Supply Chains: A Framework for Resilience in the Face of Systemic Risks
Notice bibliographique
Résumé
This study highlights the challenges and resilience of SMEs embedded in global supply chains that are vulnerable to systemic risks. SMEs, constituting a significant portion of the global economy, have been largely overlooked in supply chain resilience literature. Faced with crises like the COVID-19 pandemic or geopolitical tensions, SMEs often adopt a wait-and-see approach, seeking to reduce uncertainty before making tangible commitments. Our proposed conceptual framework highlights strategic intelligence as a key dynamic capability to diminish uncertainty, reduce the waiting time for SMEs, and prompt them to commit tangible resources to restore balance in a new context. Three sub-capabilities of strategic intelligence are identified: supply network visibility, environmental sensing, and timely responsiveness. External moderating determinants, such as external social capital and government support, can also help overcome the limitations of SMEs' internal resources. This study calls for future empirical research to explore these relationships and address current gaps in the understanding of SMEs' supply chain resilience. It particularly encourages testing this model using the Partial Least Squares Structural Equation Modeling (PLS-SEM) approach. By focusing on strategic intelligence, inter-organizational resource sharing, and government support, it provides practical insights for managers and policymakers, emphasizing the importance of enhancing SME resilience in the face of systemic disruptions. This, in turn, contributes to the resilience of our economies in an increasingly complex and uncertain 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».