Decarbonization through supply chain innovation: Role of supply chain collaboration and mapping
Notice bibliographique
Résumé
The urgency of reducing carbon emissions has intensified amid escalating climate change concerns. Supply chain innovation practices are increasingly recognized as critical enablers of decarbonization by fostering efficiency, sustainability , and carbon reduction strategies. Against this backdrop, this study examines the role of SCIP in supply chain decarbonization. We also explore how supply chain collaboration and supply chain mapping can play a role in mediating the impact of SCIP, if any, on decarbonization. The study is contextualized in Electrical and Electronics sector of Malaysia. Data were collected through close-ended questionnaire from 156 firms. We employed Partial Least Squares Structural Equation Modeling to analyze these relationships. The results confirm a significant direct impact of SCIP on SCD, underscoring the pivotal role of innovation in sustainability efforts. However, contrary to conventional wisdom, SCC does not significantly mediate this relationship, suggesting that collaboration alone may not directly enhance decarbonization outcomes. In contrast, SC mapping plays a crucial mediating role, highlighting its importance in translating SCIP into effective carbon reduction strategies. These findings provide theoretical contributions to supply chain sustainability literature by distinguishing between collaboration and mapping as enablers of decarbonization. Practically, the study underscores the need for firms to invest in digital supply chain mapping tools to enhance visibility and strategic decision-making for decarbonization. Future research should explore industry-specific variations and the role of emerging digital technologies in strengthening supply chain sustainability.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».