Determinants that influence cargo performance in the airport industry with knowledge sharing and knowledge management as mediating variables
Notice bibliographique
Résumé
As one of the busiest airports in the world, organizational performance is the main focus. Problems that occur in organizations are many employees who complain about their work, employees who cannot fully comply with applicable regulations and policies, many employees who often come late to the office and do not comply with working hours according to the work times determined by the company. This research aims to analyze and test the influence of Quality of Work Life (QWL) and Knowledge Management on Organizational Citizenship Behavior which is mediated by Job Satisfaction, moderated by Knowledge Sharing and Self Efficacy at Angkasa Pura. The population in this research was Angkasa Pura Indonesia employees, totaling 151 people. The sample used was 110 employees which was calculated based on the Slovin formula. The sampling method uses convenience sampling. The data collection method uses a survey method, with the research instrument being a questionnaire. This research method uses the Partial Least Square (PLS) data analysis method using SmartPLS 3.0 software. The research results show that the quality of work life has no effect on organizational citizenship behavior. Knowledge management has a positive and significant effect on organizational citizenship behavior. Quality of work life and Knowledge management has a positive and significant effect on job satisfaction. Job satisfaction has a positive and significant effect on organizational citizenship behavior. Job satisfaction is unable to mediate the influence of quality of work life on organizational citizenship behavior. Job satisfaction is able to partially mediate the influence of knowledge management on organizational citizenship behavior.
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 | 0,002 | 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 ».