MétaCan
Menu
Retour à la cohorte
Enregistrement W6967411310 · doi:10.5267/j.ac.2025.2.001

The effect of raw material supply and production costs on the profit of manufacturing companies listed on the Indonesia Stock Exchange

2025· article· en· W6967411310 sur OpenAlexvenueno aff

Notice bibliographique

RevueAccounting · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWorking Capital and Financial Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRaw materialNonprobability samplingProfit (economics)Stock exchangeManufacturingPopulationFactory (object-oriented programming)Production (economics)Variables

Résumé

récupéré en direct d'OpenAlex

This study aimed to examine the effect of raw material inventory and production costs on company net profit. The dependent variable is the net profit of manufacturing companies, while the independent variables are raw material inventory and production costs consisting of raw material costs, direct labor costs, and factory overhead costs. The population of this study was manufacturing companies in the consumer industry sub-sector that were listed on the Indonesia Stock Exchange (IDX) during the period 2018–2020. Sampling was based on purposive sampling using the criteria of consumer industry companies listed on IDX during 2018–2020, which used the rupiah as the currency in their financial reports, and had complete financial report data. Multiple linear regression was employed as the data analysis technique. The results show that raw material inventory had no effect on company profits, raw material costs had a significant positive effect on company profits, direct labor costs had a significant positive effect on company profits, and factory overhead costs had no significant effect on company profits. The coefficient of determination (R2) shows that 14.4% of company profits in the consumer industry sub-sector for the period 2018–2020 can be explained by raw material inventories, raw material costs, direct labor costs, and factory overhead costs.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,202
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccountingMême sujetWorking Capital and Financial PerformanceTravaux en français237 207