Exploring the key enabling role of digital technology for enhancing supply chain performance through supply chain collaboration, inventory management and supply chain resilience
Notice bibliographique
Résumé
The company always tries to improve competitiveness by improving company performance. Using upgraded digital technology makes it easier for internal and external companies to determine business strategies quickly and precisely. This study surveyed expedition companies in East Java, as many as 104 companies with the criteria of having a transportation fleet. Data collection using questionnaires and dissemination in collaboration with the Association of Express Delivery Service Companies, Post and Logistics Indonesia (ASPERINDO). Research respondents consist of employees or unit leaders who are competent in the substance of the survey. Data analysis uses the partial least square (PLS) method. The results showed that digital technology positively and significantly impacts supply chain collaboration, inventory management, and supply chain resilience. The company's ability to build supply chain collaboration impacts improving inventory management optimization, supply chain resilience, and supply chain performance. Furthermore, inventory management with the ability to control inventory well and on-time delivery does not impact supply chain resilience. However, good inventory management has a positive impact on supply chain performance. Likewise, shipping companies, by increasing supply chain resilience, have an impact on supply chain performance. The results of this study contribute to the theory of supply chain management and resource-based view. The practical contribution enlightens the middle and top management on the importance of digital technology with the suitability of investment and benefits obtained in improving supply chain 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.
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 | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».