XiaoMi-AI文件搜索系统
World File Search SystemLongoni
全球环境中的可持续供应链管理
为了从新兴经济供应商的角度发展对SSCM的理解，我们使用了一种系统的文献审查方法来提供对迄今已发布的内容的全面理解，并确定了未来研究的途径。本评论对SSCM文献做出了原始贡献，因为先前的评论要么集中在买方的观点上[例如Koberg＆Longoni（2019），他们分析了针对治理机制和供应链配置的GSC中的可持续性]和/或不区分所分析的观点[例如Jia，Zuluaga-Cardona，Bailey和Rueda（2018），分析了新兴经济体SSCM]。相反，我们完全关注新兴经济供应商的观点，并提出以下研究问题：
信息框架和所有权对信任的影响......
信任是人类与人工智能 (AI；Hengstler、Enkel 和 Duelli，2016) 互动中的关键。许多人接受新技术主要是因为信任 (Gefen、Karahanna 和 Straub，2003；Rheu 等人，2021)。在对技术接受模型 (TAM) 研究的荟萃分析中，信任被证明可以让用户认为该技术有用且易于使用，并鼓励对该技术持积极态度并愿意使用它 (Wu 等人，2011)。如果用户对系统缺乏信任，他们可能会抵制人工智能助手的建议（Longoni、Bonezzi 和 Morewedge，2019 年；Lui 和 Lamb，2018 年），即使系统有益，他们也会避免使用该系统（Gefen 等，2003 年；Lee 和 See，2004 年；Li、Hess 和 Valacich，2008 年；Siau、Sheng、Nah 和 Davis，2004 年）。当人工智能作为信息来源或决策辅助工具时，信任尤其重要（Fogg 和 Tseng，1999 年）。
普通人对人工智能的看法对算法建议采纳的影响
先前对算法建议的研究得出了相互矛盾的结果。多项研究表明，消费者反对算法建议，这种现象被称为算法厌恶。例如，Dietvorst 等人（2015）发现，在看到算法错误后，人们不太可能选择算法建议来预测学生表现，而不是较差的人类建议。在医学领域，学者们表明患者不信任算法建议（Promberger & Baron，2006），他们认为患者担心算法建议忽视了人类的独特性（Longoni 等人，2019）。类似地，Castelo 等人（2019）发现，直观、主观任务的算法厌恶程度高于可量化的客观任务。然而，Logg 等人（2019）的一项研究对算法厌恶提出了质疑。通过关注商业预测或浪漫吸引力预测等不同领域，他们发现人们通常更喜欢算法的建议，而不是人类的建议。Hildebrand 和 Bergner ( 2021 ) 表明，如果算法财务建议使用类似人类的对话风格，人们会更加欣赏它。总之，这些相互矛盾的结果表明存在其他可能影响算法建议采用的因素。其中一个因素可能是消费者对人工智能的非专业信念。尽管随着人们越来越频繁地使用人工智能服务，对人工智能的非专业信念在市场上似乎非常突出（ Huang & Rust ， 2018 ），但关于这种信念的研究却很少。也就是说，先前的研究为参与者提供了有关算法建议质量的具体信息，例如有关其错误的信息（例如， Dietvorst 等人， 2015 ； Longoni 等人， 2019 ）。然而，在现实生活中，人们通常不会收到这种信息，也缺乏评估算法建议准确性的领域专业知识。因此，在决定是否使用算法建议时，他们可能会依赖更普遍的线索，例如他们对人工智能的非专业信念。在我们的研究中，我们希望解决这一差距，并指出消费者对人工智能与人类智能的智能程度有不同的看法。具体而言，我们认为对人工智能的非专业信念会影响算法建议的采用，因为它们可以作为推断建议准确性的线索，尤其是当感知到的任务复杂性很高时。在三项研究中，我们为这一预测提供了趋同的证据。通过这样做，我们为算法建议的研究做出了贡献，并指出在自动化建议服务时考虑消费者对人工智能的非专业信念的重要性。
与人类提供者相比，患者更喜欢人工智能，......
Longoni、Bonezzi 和 Morewedge (2019) 最近报告了一系列十项巧妙的实验，表明人们更喜欢从人类提供者那里接受医疗服务（即诊断、筛查和治疗），而不是从同样有能力的人工智能计算机（AI 提供者）那里接受医疗服务。特别有趣的是，他们发现 AI 提供者感知到的“独特性忽视”可以解释这种偏好。然而，我们认为有一个重要的信息在其他有趣的发现中被忽视了：只要 AI 提供者的表现优于人类提供者，人们实际上会更喜欢它。在他们的十项研究中，有七项无法测试准确性的影响，要么是因为参与者收到的准确性信息不完整，无法直接比较人与计算机（研究 1 和 4），要么是因为参与者被明确告知人和计算机的准确率相同（研究 2、5、6、7 和 8）。然而，我们认为，研究 3A 至 3C 的结果有力地证明了人们有时确实会接受人工智能。研究 3A 至 3C 在设计上是相同的，只是在提供的服务类型上有所不同（皮肤癌筛查、潜在紧急情况的分类、起搏器手术植入）。参与者在 7 分制上对提供者 X（人类）和 Y（人类或计算机）进行评分，其中高于量表中点的分数表示偏好 Y，即
与人类提供者相比，患者更喜欢人工智能，......
Longoni、Bonezzi 和 Morewedge (2019) 最近报告了一系列十项巧妙的实验，表明人们更喜欢从人类提供者那里接受医疗服务（即诊断、筛查和治疗），而不是从同样有能力的人工智能计算机（AI 提供者）那里接受医疗服务。特别有趣的是，他们发现 AI 提供者感知到的“独特性忽视”可以解释这种偏好。然而，我们认为有一个重要的信息在其他有趣的发现中被忽视了：只要 AI 提供者的表现优于人类提供者，人们实际上会更喜欢它。在他们的十项研究中，有七项无法测试准确性的影响，要么是因为参与者收到的准确性信息不完整，无法直接比较人与计算机（研究 1 和 4），要么是因为参与者被明确告知人和计算机的准确率相同（研究 2、5、6、7 和 8）。然而，我们认为，研究 3A 至 3C 的结果有力地证明了人们有时确实会接受人工智能。研究 3A 至 3C 在设计上是相同的，只是在提供的服务类型上有所不同（皮肤癌筛查、潜在紧急情况的分类、起搏器手术植入）。参与者在 7 分制上对提供者 X（人类）和 Y（人类或计算机）进行评分，其中高于量表中点的分数表示偏好 Y，即
在多层供应链中的直接和间接交易的理论理论
供应商。在这种情况下，买方对下层供应商的选择和管理的采购决策保持了一定程度的控制（Choi＆Linton，2011; Kay大，2013年）。在这种方法中，考虑到对低层供应商的控制，买方将需要在材料清单中分别分析每个外包产品的组件，并确定其需要保留哪种组件的采购来保留控制。有关多层供应链管理的文献强调了管理较低层供应链的重要性，产品质量，供应风险，创新和可持续性（Choi＆Linton，2011; Mena等，2013; Wilhelm et al。，2016）。这种不断增长的文献还提出了在多个供应链中发挥影响的不同机制（Choi，2023; Koberg＆Longoni，2019; Tachizawa＆Wong＆Wong，2014; Villena，2019）。尽管如此，就存在开发一个更简单，更具凝聚力的框架的机会。我们通过建立交易成本经济学（TCE）及其扩展，这是通过功能观点所构成的（例如Argyres＆Zenger，2012; Jain＆Thietart，2014; Ketokivi＆Mahoney，2020年）。但是，现有的TCE工作并未明确考虑交易的多层性质以及直接交易和间接交易之间的固有相互依赖性（Chae等，2019）。Williamson（1985）对交易的认同 - 作为“基本分析的基本单位”，交易 - 商品，服务或资产之间的交换激发了关于公司层面外包决策的大型和有见地的文献。尽管如此，由于任何给定的转移仅在长长的交易链中仅是一个链接（Yan等，2015），因此我们通过垂直分解沿供应链的传输来沿另一个方向发展该理论。通过断言TCE核心的交易包括一系列交织在一起的直接和间接交易，每个交易都需要一个单独但不是独立的治理决策，本研究旨在将有关供应链级交易的治理决策理论化。这项研究的理论框架在直接和间接交易的结论中区分了资产特异性和绩效歧义。因此，在这篇概念上的文章中，我们将TCE和多层供应链管理文献中的见解整合在一起，以回答以下研究问题：如何将TCE的关键前提扩展和修改为多层供应链的背景？将TCE扩展到多层供应链的上下文可以通过使他们能够应用结构化的决策过程来剖析和浏览多层供应链，从而为买家提供独特的实际利益。