AI adoption as a mediator in early trade defense behavior: Evidence from customs managers in an emerging economy
Notice bibliographique
Résumé
Type of the article: Research ArticleAbstractThis study aims to examine the factors influencing early warning behavior in trade defense through the mediating role of the decision to adopt artificial intelligence (AI). Data were collected in the first quarter of 2025 from a survey of 328 managers working in the customs sector in Vietnam. Using partial least squares structural equation modeling (PLS-SEM), the findings reveal that the decision to adopt AI is directly influenced by six factors: perceived usefulness, perceived ease of use, perceived risk, organizational commitment to innovation, technological readiness, and external pressure. These six factors also exert indirect effects on early warning behavior through the mediating role of AI adoption decisions. In contrast, organizational support does not generate a statistically significant moderating effect on the relationship between AI adoption and early warning behavior. The results provide further evidence of the critical role of AI adoption in enhancing effectiveness and efficiency within customs authorities, particularly in strengthening behaviors that safeguard the interests of exporting firms and protect national interests. These findings offer practical implications for emerging economies with conditions similar to Vietnam, where leveraging AI can serve as a strategic tool to improve trade defense mechanisms.AcknowledgmentThe authors would like to thank the Editor-in-Chief and a reviewer for their helpful comments that in our view have helped to improve the quality of the manuscript significantly. Besides, this study is the result of collaboration between researchers from the University of Law, Hue University, and School of Business and Economics, Duy Tan University. The authors would like to thank both institutions for their support and facilitation in the publication of this research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».