Integrating Sustainable Performance into the Digital Maturity Models for SMEs in Manufacturing
Notice bibliographique
Résumé
This research paper investigates the integration of sustainable performance metrics into digital maturity models specifically tailored for small and medium-sized manufacturing enterprises (SMMEs), which represent a significant pillar of the Canadian economy. Despite their economic importance, SMMEs face increasing challenges in adopting digital technologies while ensuring sustainable performance. However, traditional digital maturity models often fail to capture the economic, social, and environmental impacts of digital transformation, creating a gap in assessing sustainability within this transition. This study aims to bridge this gap by proposing a framework that integrates sustainable performance indicators into existing digital maturity models. Through a systematic literature review, this study categorises indicators into three main dimensions—economic, social, and environmental—addressing aspects such as resource efficiency, employee well-being, and ecological impact. The proposed framework enables SMMEs to evaluate both their digital maturity and its impact on sustainable performance dimensions. By aligning these metrics with digital maturity assessment, this framework enhances decision-making for SMEs aiming to balance technological adoption with sustainability goals. Furthermore, the study consolidates key performance indicators relevant to SMMEs, providing a structured approach to assess the intersection of digital maturity and sustainability. The results emphasise the importance of incorporating sustainability dimensions into digital transformation strategies, offering SMMEs a structured framework to better access the relationship between digital maturity and sustainable performance while maintaining competitiveness in the digital economy.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».