Blockchain-Driven Supply Chain Analytics and Sustainable Performance: Analysis Using PLS-SEM and ANFIS
Notice bibliographique
Résumé
This study investigated the impact of blockchain-driven supply chain analytics on the dimensions of lean, agile, resilient, green, and sustainable (LARGS) supply chain management, as well as supply chain innovation (SCI) and sustainable supply chain performance (SSCP). The research involved 262 managers and vice presidents of supply chains from large- and medium-sized manufacturing companies listed in the Tehran Stock Exchange. A hybrid approach utilizing structural equations modelling with partial least squares-structural equation modeling (PLS-SEM) and the adaptive neuro-fuzzy inference systems (ANFIS) technique was employed for data analysis. The findings demonstrated a significantly positive effect of blockchain-driven supply chain analytics on SCI, the LARGS supply chain, and SSCP. Additionally, SCI exhibited a significantly positive impact on the LARGS supply chain and SSCP. Moreover, the LARGS supply chain was shown to have a significantly positive influence on SSCP. Both SCI and the LARGS supply chain played positive and significant mediating roles in the impact of blockchain-driven supply chain analytics on SSCP. Furthermore, the LARGS supply chain also acted as a significant mediator in the effect of SCI on SSCP. Lastly, SCI had a positive and significant mediating role in the impact of blockchain-driven supply chain analytics on the LARGS supply chain. In conclusion, it can be inferred that blockchain-driven supply chain analytics contributes to the enhancement of SSCP through the facilitation of SCI and the promotion of LARGS supply chain principles.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,000 | 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 ».