Vision och praktik : en fallstudie av ett nyetablerat produktionskontor i Kina
Bibliographic record
Abstract
: Idag trängs ett stort antal aktörer inom prisvärt mode på en arena där kunden blivit allt mer medveten kring pris och kvalitet. Affärsidéer, som bygger på att erbjuda mode till fördelaktiga priser, sätter stor press på företagens kostnader där varken kvalitet eller design får påverkas negativt. En naturlig strategi för företag till minskade kostnader blir förläggning av produktion där stora kostnadsfördelar kan erhållas. Således har det under lång tid varit vanligt förekommande med företag som etablerar produktion i Asien, där bland annat låga löner agerar bidragande faktor till avsevärt lägre produktionskostnader. Begreppet backsourcing har på senare år kommit att diskuteras allt mer och en trend har kunnat ses där företag väljer att flytta hem verksamhet från dessa typer av lågkostnadsländer. Det svenska företaget Gina Tricot med produktion i både Europa och Asien väljer däremot att utveckla sin verksamhet i Kina, med ett produktionskontor, och går således mot den påtalade trenden. I denna uppsats undersöks företagets huvudsakliga skäl för etablering samt vad som förväntas av det nyetablerade produktionskontoret. Genom en deltagande observation påtalar författaren vidare fördelar samt nackdelar för verksamheten i fråga.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.023 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".