Firms Intellectual Capital and Digital Supply Chain Management
Notice bibliographique
Résumé
Abstract The advent of the digital technologies (DTs), coincided with the pandemic and global conflicts, has proven to be an unprecedented and transformative era for supply chain management (SCM). DTs are reshaping the way organizations plan, execute, and optimize their SC operations. Throughout this book, we posit that the adoption of digital supply chain management (DSCM) has become essential for staying competitive and responsive in a rapidly evolving business environment. However, amid technological advancements and digital solutions, there exists a critical factor that often goes overlooked – the significance of intangible assets, specifically intellectual capital (IC). This chapter comprehensively explores the role of an organization's IC in the adoption and performance of DSCM. We employ a comprehensive analytical approach, drawing upon existing literature from various sources to elucidate the relationship between IC and DSCM. Synthesizing insights from the literature, the chapter shows how each constituent of IC contributes to the adoption, operation, and performance improvement of DSCM. The discussion in the chapter shows that human capital (HC) forms foundations, as the knowledge, skills, and abilities (KSAs) of the employees are prerequisites essential for understanding, adopting, and capitalizing on DTs in SCM. The analysis also reveals that SC, which represents organizational processes, digital tools, and knowledge repositories, supports the seamless integration of DTs within SCs. Similarly, RC, by nurturing trust, open communication, and collaborative networks, plays an instrumental role in establishing ecosystems that help the adoption and effective functioning of DSCM. This chapter makes a convincing case to consider IC as the strategic component while DSCM adoption and 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,022 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».