Tədqiqatçılar İtaliya, İspaniya, Portuqaliya, Mərakeş və Tunisdəki istehsal müəssisələrindən əldə olunan məlumatlardan istifadə edərək yalın istehsal, süni intellekt və davamlılıq arasındakı əlaqəni sınaqdan keçiriblər. Yekun nümunə 528 şirkətdən ibarətdir. Müəssisələr avtomobil, elektronika, maşın və avadanlıq, kimya və əczaçılıq istehsalı alt-sektorlarını əhatə edir. Məlumatlar 2024-cü ilin yanvar–iyun aylarında toplanmış və təhlildə Partial Least Squares Structural Equation Modeling (PLS-SEM) istifadə edilmişdir.

Yalın istehsalın iqtisadi davamlılıqla əlaqəsi üçün standartlaşdırılmış yol əmsalı β=0,72, ekoloji davamlılıq üçün β=0,65 və sosial davamlılıq üçün β=0,59 olaraq bildirilmişdir. Hər üç əlaqədə \(p<0,001\)-dir. Tədqiqatçılar həmçinin süni intellektin yalın istehsal–davamlılıq əlaqəsini gücləndirən moderasiya təsirini β=0,48, p<0,001 olaraq bildirmişlər.

Model iqtisadi davamlılıq dəyişənindəki variasiyanın %62-sini, ekoloji davamlılıqda %54-nü və sosial davamlılıqda %48-ni izah edir. Müəlliflərin şərhinə görə real vaxt monitorinqi, proqnozlaşdırıcı analitika, IoT əsaslı məlumat toplama və avtomatlaşdırma kimi süni intellekt imkanları yalın istehsalın israfı azaltmaq, resurs istifadəsini yaxşılaşdırmaq və davamlı təkmilləşdirmə məqsədlərini daha dinamik edə bilər.

Bununla belə, tədqiqat kəsiyə əsaslanan dizayna malikdir və istifadə olunan əsas dəyişənlər şirkət nümayəndələrinin sorğu cavablarından əldə edilmişdir. Bu dizayn güclü statistik əlaqələri göstərə bilər, lakin təkbaşına süni intellektin yalın istehsal vasitəsilə davamlılığı səbəbli şəkildə artırdığını sübut etmir. Bundan əlavə, nümunə götürmə və hesabat bölməsində sorğu sayı, cavab nisbəti və H1 etibar intervalı baxımından mənbədaxili uyğunsuzluqlar mövcuddur.

Türkiyə baxımından: Tədqiqatda Türkiyədən şirkət yoxdur. Nəticələr Cənubi Avropa ilə Mərakeş və Tunisdəki müəyyən istehsal müəssisələrindən əldə edilmişdir. Model Türkiyədəki avtomobil, maşın, elektronika, kimya və ya əczaçılıq istehsalçıları üçün maraqlı olsa da, müəssisə ölçüsü, rəqəmsal yetkinlik, enerji xərcləri, təchizat quruluşu, AI investisiyası, işçi bacarıqları və tənzimləmə mühiti fərqli ola bildiyi üçün əmsalları birbaşa Türkiyəyə köçürmək düzgün deyil. Türkiyədə etibarlılıq yerli nümunə və eyni ölçmə modeli ilə ayrıca sınaqdan keçirilməlidir.

Yalın istehsal və davamlılıq niyə birlikdə araşdırıldı?

Yalın istehsal yanaşmasının əsas məqsədi müştəri üçün dəyər yaratmayan fəaliyyətləri və resurs itkilərini azaltmaqdır. Tədqiqatda xüsusilə tam vaxtında istehsal (Just-in-Time, JIT), çəkmə sistemi, Kaizen və israfın azaldılması tətbiqləri önə çəkilir.

Davamlılıq isə yalnız müəssisənin maliyyə göstəriciləri ilə məhdudlaşdırılmayıb; iqtisadi, ekoloji və sosial olmaqla üçlü nəticə quruluşu ilə nəzərdən keçirilib. İqtisadi ölçü xərc və əməliyyat səmərəliliyini, ekoloji ölçü resurs və ətraf mühit təsirini, sosial ölçü isə işçi rifahını, iş mühitini və ictimai məsuliyyəti əhatə edir.

Tədqiqatçıların əsas arqumenti iki yanaşmanın ortaq məntiqə malik olmasıdır: yalın istehsal lazımsız ehtiyatı, gözləməni, xətanı, artıq emalı və resurs itkisini azaltmağa çalışarkən, davamlı istehsal da resurs səmərəliliyini və ətraf mühit yükünün azaldılmasını hədəfləyir.

Süni intellekt burada nəyin yerini tutur?

Tədqiqatın konseptual modelində süni intellekt yalın istehsalı əvəz edən texnologiya deyil. Süni intellekt moderator kimi modelləşdirilib.

Moderasiya bir dəyişənin digər iki dəyişən arasındakı əlaqənin böyüklüyünü dəyişməsi deməkdir. Tədqiqatın təklif etdiyi struktur sadələşdirilmiş formada belədir:

Yalın istehsal → davamlılıq

və süni intellekt istifadəsi artdıqda bu əlaqənin daha güclü olduğu irəli sürülür.

Tədqiqatçılar bu mexanizmi iki nəzəri çərçivə ilə əsaslandırırlar. Dinamik Qabiliyyətlər Nəzəriyyəsi müəssisələrin dəyişən şərtləri hiss etmə, imkanlara cavab vermə və əməliyyatlarını yenidən qurma qabiliyyətinə diqqət yetirir. Sosio-Texniki Sistemlər Nəzəriyyəsi isə texniki alətlərin işçilər, iş prosesləri və təşkilati mədəniyyətlə birlikdə qiymətləndirilməli olduğunu vurğulayır.

AI yalın istehsalı necə gücləndirə bilər?

Məqalədə dörd əsas mexanizm önə çıxır.

• Proqnozlaşdırıcı texniki xidmət: Sensor və maşın məlumatlarının təhlili ilə mümkün nasazlıqlar baş verməzdən əvvəl proqnozlaşdırılır; plansız dayanma azalır.
• Real vaxt monitorinqi: Enerji, maşın performansı, emissiya və istehsal göstəriciləri fasiləsiz izlənilir.
• İstehsal planlaşdırılması: Tələb dəyişikliklərinə və ya təchizat kəsintilərinə görə proqramlar daha dinamik şəkildə tənzimlənir.
• Təchizat zəncirinin optimallaşdırılması: Böyük məlumat və analitikadan istifadə etməklə ehtiyat, logistika və resurs istifadəsi qərarları dəstəklənir.

Bu mexanizmlər tədqiqatın sorğu modelində ayrı-ayrı səbəbli eksperimentlər kimi sınaqdan keçirilməyib. Onlar süni intellekt moderatorunun nəzəri və tətbiqi izahı kimi istifadə edilir.

Tədqiqatın nümunəsi necə paylanır?

Şirkət ölçüsünə görə 176 müəssisədə 50–249 işçi, 234 müəssisədə 250–999 işçi, 118 müəssisədə isə ən azı 1000 işçi var. Beləliklə, nümunə əsasən orta ölçülü istehsal müəssisələrindən ibarətdir.

İştirakçıların %40,5-i əməliyyat və ya müəssisə meneceri, %18,6-sı davamlılıq meneceri, %16,5-i istehsal məsulu, %14,4-ü keyfiyyət meneceri və %10-u yüksək səviyyəli rəhbərdir.

Hansı sektorlar araşdırıldı?

Tədqiqatın metod bölməsində müəssisələrin beş istehsal alt-sektorundan gəldiyi bildirilir:

• avtomobil: %32,
• elektronika: %24,
• maşın və avadanlıq: %19,
• kimya: %15,
• əczaçılıq: %10.

Şirkətlərin tədqiqata daxil edilməsi üçün ən azı 50 işçiyə malik olmaq, müəyyən müddət yalın tətbiqlərlə işləmək və istehsalda ən azı bir süni intellekt texnologiyasından istifadə etdiyini bildirmək kimi ilkin şərtlər tətbiq edilmişdir.

Dörd tədqiqat hipotezi

Tədqiqat modelində dörd hipotez sınaqdan keçirilib:

• H1: Yalın istehsal iqtisadi davamlılıqla müsbət əlaqəlidir.
• H2: Yalın istehsal ekoloji davamlılıqla müsbət əlaqəlidir.
• H3: Yalın istehsal sosial davamlılıqla müsbət əlaqəlidir.
• H4: Süni intellekt yalın istehsal ilə davamlılıq arasındakı əlaqəni gücləndirən moderator rolunu oynayır.

Birbaşa təsirlər nə qədər güclü idi?

İqtisadi davamlılıq üçün β=0,72 ilə ən yüksək birbaşa yol əmsalı bildirilmişdir. Ekoloji davamlılıq üçün əmsal β=0,65, sosial davamlılıq üçün isə β=0,59-dur. Hər üç nəticə statistik baxımdan əhəmiyyətlidir.

Bu əmsalların “%72 iqtisadi yaxşılaşma” demək olmadığı vacibdir. Standartlaşdırılmış yol əmsalı struktur modeldə dəyişənlər arasındakı əlaqənin istiqamətini və nisbi böyüklüyünü göstərir; faizlə performans artımı deyil.

AI moderasiya təsiri

Süni intellekt moderasiya təsiri üçün mənbə β=0,48, bootstrap %95 etibar intervalı [0,40; 0,55], t=6,45 və \(p<0,001\) bildirir.

Tədqiqatçılar bunu AI istifadəsinin yüksək olduğu müəssisələrdə yalın tətbiqlərlə davamlılıq nəticələri arasındakı müsbət əlaqənin güclənməsi kimi şərh edirlər.

Bu əmsal H1–H3-dəki birbaşa yol əmsallarından fərqli statistik rol oynadığı üçün Verianla Live qrafikində eyni sütun qrupuna əlavə edilməyib.

Model davamlılıq nəticələrinin nə qədərini izah edir?

R² dəyərləri modelin iqtisadi davamlılıqda müşahidə edilən variasiyanın %62-sini, ekoloji davamlılıqda %54-nü və sosial davamlılıqda %48-ni izah etdiyini göstərir. Bütün Q² dəyərlərinin müsbət olması tədqiqatın istifadə etdiyi PLS-SEM qiymətləndirmə yanaşmasında modelin proqnozlaşdırıcı aktuallığına dəstək kimi şərh edilmişdir.

Təsir ölçüləri nə göstərdi?

Bu nəticələr tədqiqatçıların yalnız statistik əhəmiyyətə deyil, əlaqələrin praktik böyüklüyünə də baxmağa çalışdığını göstərir.

Ölçmə modeli etibarlı idimi?

Tədqiqatda istifadə edilən əsas konstruktların Cronbach alfa dəyərləri 0,82 ilə 0,90 arasında, kompozit etibarlılıq dəyərləri 0,83 ilə 0,92 arasında və AVE dəyərləri 0,56 ilə 0,68 arasında bildirilmişdir.

Ölçmə maddələrinin faktor yüklərinin 0,71–0,88 aralığında olduğu və hamısının statistik əhəmiyyət daşıdığı bildirilmişdir.

Ortaq metod qərəzi yoxlanıldımı?

Sorğu məlumatları eyni iştirakçılardan gəldiyi üçün tədqiqatçılar ortaq metod qərəzini qiymətləndirmək məqsədilə Harman tək faktor testindən istifadə etmişlər. Rotasiyasız həll variantında ilk faktor ümumi variasiyanın %32,4-nü izah etmiş və tədqiqatçılar bu dəyərin %50 həddindən aşağı olduğuna görə ciddi ortaq metod qərəzi əlaməti olmadığını qiymətləndirmişlər.

Bundan əlavə anonimlik və sualların ardıcıllığının balanslaşdırılması kimi prosedur tədbirlərdən istifadə edildiyi bildirilib.

Model uyğunluğu və multikollinearlıq

Mənbədə SRMR dəyəri 0,058 və NFI dəyəri 0,91 olaraq bildirilmişdir. Proqnozlaşdırıcı dəyişənlərin VIF dəyərləri 1,08–2,34 arasında qalmışdır. Tədqiqatçılar bu nəticələrə əsasən ciddi multikollinearlıq probleminin olmadığını bildirirlər.

Lean dəyişəni üçün VIF 2,34, AI üçün 2,18 və lean-AI qarşılıqlı təsir termini üçün 1,56 bildirilmişdir.

Nəzarət dəyişənləri nəticələri dəyişdirdimi?

Şirkət ölçüsü, sektor və ölkə struktur modelinə nəzarət dəyişənləri kimi daxil edilmişdir. Mənbədə şirkət ölçüsünün iqtisadi davamlılığa kiçik müsbət təsir göstərdiyi (təxminən 0,09; p<0,05), lakin ekoloji və sosial nəticələrdə əhəmiyyətli olmadığı bildirilir.

Kimya alt-sektorunda ekoloji davamlılıq üçün kiçik təsir bildirilmiş; ölkə müqayisələrində Mərakeş və Tunisdəki şirkətlərin AI istifadə səviyyələrinin nisbətən aşağı olduğu ifadə edilmişdir. Bununla belə, H1–H4 əlaqələrinin nəzarət dəyişənləri əlavə edildikdə əhəmiyyətini və təxminən eyni böyüklüyü qoruduğu qeyd olunur.

Tədqiqatın praktik təklifləri

Tədqiqatçılar üç tətbiq sahəsini xüsusilə vurğulayırlar:

1. Plansız dayanmanı və resurs itkisini azaltmaq üçün AI dəstəkli proqnozlaşdırıcı texniki xidmətə üstünlük verilməsi.
2. Enerji və material axınlarını real vaxtda izləmək üçün IoT sensorları və analitik panellərdən istifadə edilməsi.
3. İşçilərin məlumat savadlılığının və AI sistemlərindən istifadə bacarıqlarının inkişaf etdirilməsi.

Tədqiqat həmçinin AI investisiyalarının yüksək ilkin xərci, ixtisaslı işçi çatışmazlığı və kibertəhlükəsizlik risklərini mühüm tətbiq maneələri kimi müəyyənləşdirir.

Mənbədəki nümunə uyğunsuzluğu

Tədqiqatın məlumat toplama izahında eyni proses üçün tam uyğun gəlməyən rəqəmlər mövcuddur. Əvvəlcə təxminən 1200 potensial şirkətdən 680-nin meyarlara uyğun gəldiyi və bütün 680 şirkətin dəvət edildiyi bildirilir. Daha sonra 700 sorğunun paylandığı və 540 sorğunun geri qayıtdığı yazılır.

Mənbə bu 540 geri dönüş üçün %90 cavab nisbəti verir; lakin 540/700 nisbəti təxminən %77,1-dir. Əgər məxrəc 680 dəvət olunmuş şirkət qəbul edilsə, nisbət təxminən %79,4 olur. Buna görə %90 ifadəsi verilmiş digər rəqəmlərlə riyazi uyğun gəlmir.

Yekun təhlil nümunəsi 528 olduğuna görə 540 geri dönüşdən 12 qeydin necə çıxarıldığı və ya istifadəyə yararsız hesab edildiyi də ətraflı iştirakçı axını cədvəli ilə açıqlanmır. Bu Verianla mətnində rəqəmlərin heç biri səssiz şəkildə dəyişdirilməyib.

H1 etibar intervalındakı problem

Cədvəl 5-də H1 üçün standartlaşdırılmış əmsal β=0,72 verildiyi halda %95 bootstrap etibar intervalı [0,57; 0,71] formasındadır. Eyni parametr üçün nöqtə qiymətinin bildirilən etibar intervalının xaricində qalması gözlənilmir.

Buna görə β=0,72 dəyəri ilə etibar intervalından hansının səhv olduğu mənbə əsasında müəyyən edilə bilmir. Məqalənin əsas nəticəsi izah edilərkən bildirilən β və p dəyəri qorunmuş, ehtimalən səhv olan etibar intervalı qəti şəkildə yenidən yazılmamışdır.

“Robust regression” ilə PLS-SEM arasındakı fərq

Xülasədə tədqiqat “robust regression model” istifadə etdiyini deyir, metod bölməsi isə SmartPLS vasitəsilə PLS-SEM, reflektiv ölçmə modelləri, bootstrap və struktur yol təhlilini təsvir edir. Nəticələr də β yol əmsalları, R², Q², SRMR, NFI və f² ilə bildirilmişdir.

Beləliklə, tədqiqatın ətraflı metod və nəticə bölmələrinə görə əsas statistik çərçivə PLS-SEM-dir. “Robust regression” ifadəsi mənbədaxili terminologiya uyğunsuzluğu kimi qiymətləndirilməlidir.

Tədqiqatın dəstəklədiyi nəticələr

• Araşdırılan 528 istehsal şirkətində yalın istehsal göstəriciləri iqtisadi, ekoloji və sosial davamlılıq göstəriciləri ilə müsbət əlaqəlidir.
• İqtisadi davamlılığa gedən standartlaşdırılmış yol əmsalı üç birbaşa əlaqə arasında ən yüksəkdir.
• AI qarşılıqlı təsir termini müsbət və statistik baxımdan əhəmiyyətlidir; mənbə bunu AI-nin yalın–davamlılıq əlaqəsini gücləndirməsi kimi şərh edir.
• Modelin izah etdiyi variasiya iqtisadi davamlılıq üçün %62, ekoloji üçün %54 və sosial üçün %48 olaraq bildirilmişdir.
• Ölçmə konstruktlarının bildirilən Cronbach alfa, CR və AVE dəyərləri tədqiqatın istifadə etdiyi qəbul hədlərinə uyğundur.

Tədqiqatın sübut etmədiyi nəticələr

• AI investisiyası edən hər istehsal müəssisəsinin davamlılıq göstəricilərinin avtomatik olaraq artacağı sübut edilməyib.
• β=0,72 dəyəri iqtisadi performansın %72 artdığı demək deyil.
• Kəsiyə əsaslanan sorğu dizaynı AI-nin davamlılıq performansındakı yaxşılaşmanın qəti səbəbi olduğunu təkbaşına göstərmir.
• Nəticələrin istehsaldan kənar xidmət və ya dövlət sektorlarına eyni əmsallarla ümumiləşdirilə biləcəyi göstərilməyib.
• Türkiyədəki müəssisələr üçün eyni nəticələrin əldə ediləcəyi sınaqdan keçirilməyib.
• Müəyyən bir AI alqoritminin, sensor sisteminin və ya robotik platformanın digərlərindən üstün olduğu sınaqdan keçirilməyib.

Tədqiqatın Metodu və Nəticələri

Tədqiqat dizaynı

Tədqiqat kəmiyyət və kəsiyə əsaslanan sorğu tədqiqatıdır. Məlumatlar 2024-cü ilin yanvar–iyun aylarında İtaliya, İspaniya, Portuqaliya, Mərakeş və Tunisdəki istehsal müəssisələrindən toplanmışdır.

Nümunə götürmə üsulu məqsədli nümunə götürmədir. Şirkətlər sektor assosiasiyalarının üzv siyahıları, Orbis Europe kommersiya şirkət məlumat bazası və əvvəlki Industry 4.0 layihələrindəki iştirakçılar əsasında müəyyən edilib.

Daxiletmə meyarları

• İstehsal sektorunda fəaliyyət göstərmək.
• Avtomobil, elektronika, maşın/avadanlıq, kimya və ya əczaçılıq alt-sektorlarından birində olmaq.
• Ən azı 50 işçiyə malik olmaq.
• Yalın istehsal tətbiqlərində müəyyən təcrübəyə malik olmaq.
• İstehsal proseslərində ən azı bir AI texnologiyasından istifadə etdiyini bildirmək.
• Müəyyən edilmiş beş ölkədən birində fəaliyyət göstərmək.

Sorğu şkalası

İştirakçılar ifadələri 1="Tamamilə razı deyiləm" ilə 5="Tamamilə razıyam" arasında dəyişən beş ballı Likert şkalası ilə qiymətləndiriblər.

Əsas konstruktlar:

• Yalın istehsal prinsipləri: israfın azaldılması, JIT, çəkmə sistemi və Kaizen kimi tətbiqlər.
• Davamlılıq məqsədləri: iqtisadi, ekoloji və sosial nəticələr.
• AI texnologiyaları: proqnozlaşdırıcı analitika, monitorinq, proqnoz, təhlil, optimallaşdırma, avtomatlaşdırma və qarşılıqlı əlaqə.

Şkalalar ədəbiyyatdakı mövcud tədqiqatlardan uyğunlaşdırılmış; ingilis dili olmayan tətbiqlər üçün tərcümə və geri tərcümə aparılmış, şkala 15 sektor mütəxəssisi/akademiklə ilkin sınaqdan keçirilmişdir.

PLS-SEM təhlili

Tədqiqatda PLS-SEM istifadəsinin səbəbi kəşfedici tədqiqat quruluşu, moderasiya təsiri olan modelin mürəkkəbliyi və paylanma fərziyyələri baxımından nisbi çeviklik kimi izah olunur.

Modeldə bütün konstruktlar reflektiv olaraq müəyyənləşdirilmişdir.

Ölçmə modeli meyarları

Struktur model və hipotez nəticələri

H1 üçün mənbədə verilən %95 etibar intervalı [0,57; 0,71] olub β=0,72 ilə uyğunsuzdur. H2 üçün [0,57; 0,71], H3 üçün [0,51; 0,66] və H4 üçün [0,40; 0,55] bildirilmişdir.

Bootstrap və proqnoz qiymətləndirilməsi

Əmsalların qiymətləndirilməsində 5000 yenidən nümunələmə ehtiva edən bootstrap tətbiq edilmişdir. Mənbədə Q² dəyərlərinin iqtisadi, ekoloji və sosial davamlılıq üçün müvafiq olaraq 0,58, 0,50 və 0,44 olduğu göstərilir.

Model uyğunluğu göstəriciləri

Mənbə RMS theta=0,12 dəyərini “0,12 problem həddindən aşağı” kimi xarakterizə edir. Rəqəmsal olaraq dəyər bərabər olduğuna görə bu ifadə mənbədə bildirildiyi formada qiymətləndirilməlidir.

Nəzarət dəyişənləri

Modeldə şirkət ölçüsü, sənaye alt-sektoru və ölkə nəzarət dəyişənləri kimi istifadə edilmişdir. Şirkət ölçüsü işçi sayının loqarifmi ilə, sektor və ölkə isə dummy dəyişənlərlə modelləşdirilmişdir. Avtomobil sektoru sektor üçün, İtaliya isə ölkə üçün istinad kateqoriyasıdır.

İstifadə edilən proqram təminatları

• Struktur model: SmartPLS
• Təsviri statistika: SPSS
• Qrafik təqdimat: Python və Tableau

Tədqiqatın əsas metodoloji məhdudiyyətləri

Birinci məhdudiyyət kəsiyə əsaslanan dizayndır. Dəyişənlər eyni zaman dövründə ölçüldüyündən uzunmüddətli dəyişiklik və səbəb istiqaməti tam göstərilə bilməz.

İkinci məhdudiyyət məqsədli nümunə götürmədir. Tədqiqata artıq yalın istehsal və AI istifadəsində müəyyən təcrübəsi olan şirkətlərin daxil edilməsi nəticələrin heç AI istifadə etməyən və ya yalın yetkinliyi aşağı olan bütün istehsal müəssisələrinə ümumiləşdirilməsini məhdudlaşdırır.

Üçüncü məhdudiyyət tədqiqatın yalnız istehsal sektorunu əhatə etməsidir. Xidmət sektoru və dövlət qurumları üçün nəticələr ayrıca sınaqdan keçirilməlidir.

Dördüncü məhdudiyyət şirkət tətbiqlərinin rəhbər sorğuları ilə ölçülməsidir. Tədqiqatda istehsal xəttindən birbaşa enerji istehlakı, qırıntı, karbon emissiyası, dayanma vaxtı və ya xərc kimi obyektiv əməliyyat məlumat seriyalarından istifadə etməklə eyni model təsdiqlənməyib.

Beşinci olaraq, mənbədaxili nümunə və etibar intervalı uyğunsuzluqları bildirilən metodoloji nəticələrin diqqətlə şərh edilməsini tələb edir.

Mənbə və Metod Qeydi

Tam özgün tədqiqat adı: Artificial Intelligence: Accelerating Innovation in Sustainable Lean Production Systems

Müəlliflər: Mustapha Jebor; Hanaa Hachimi; Ikhlef Jebbor; Hayet Benhamida; Zoubida Benmamoun.

Müəllif sırası: Mənbədəki sıra olduğu kimi qorunub.

Bərabər töhfə/bərabər birinci müəlliflik: Mənbədə bərabər töhfə və ya bərabər birinci müəlliflik bildirişi yoxdur.

Məsul müəllif: Mustapha Jebor.

Qurum əlaqələri: Laboratory of Advanced Systems Engineering, National School of Applied Sciences ENSA, Ibn Tofail University Campus, Kenitra, Morocco; College of Engineering and Computing, Liwa University, Abu Dhabi, United Arab Emirates; College of Business, Liwa University, Abu Dhabi, United Arab Emirates.

Mənbə növü və rəy prosesi: Administrative Sciences jurnalında dərc olunmuş, rəyli özgün empirik tədqiqat məqaləsidir.

Jurnal: Administrative Sciences

Cild / say / məqalə nömrəsi: 16 / 4 / 178

Nəşr ili: 2026

Alınma tarixi: 29 dekabr 2025

Reviziya tarixi: 8 mart 2026

Qəbul tarixi: 31 mart 2026

Nəşr tarixi: 7 aprel 2026

DOI: 10.3390/admsci16040178

Nəşriyyat: MDPI, Basel, Switzerland.

Rəsmi mənbə keçidi:Administrative Sciences / MDPI rəsmi məqalə səhifəsi

Lisenziya: Creative Commons Attribution 4.0 International (CC BY 4.0).

Maliyyələşdirmə: Müəlliflər tədqiqatın xarici maliyyələşdirmə almadığını bildiriblər.

Etik komitə: Müəlliflər tədqiqatın həssas və ya şəxsiyyəti müəyyən edən şəxsi məlumat, tibbi müdaxilə, bioloji nümunə, xüsusi sağlamlıq məlumatı, həssas qrup və ya aldatma ehtiva etməyən anonim təşkilati sorğu məlumatlarından ibarət olduğuna görə Mərakeşdə milli tədqiqat prinsipləri və müvafiq akademik təcrübələr çərçivəsində formal etik komitə təsdiqinin tələb olunmadığını bildiriblər.

Məlumatlandırılmış razılıq: Tədqiqat bütün iştirakçılardan məlumatlandırılmış razılıq alındığını bildirir.

Məlumatların əlçatanlığı: Tədqiqatın özgün töhfələrinin məqalə daxilində yer aldığı, əlavə sualların məsul müəllifə yönəldilə biləcəyi bildirilir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməyiblər.

Müəllif töhfələri: Konseptuallaşdırma Mustapha Jebor; metodologiya Mustapha Jebor, Hanaa Hachimi, Ikhlef Jebbor və Zoubida Benmamoun; formal təhlil Mustapha Jebor və Zoubida Benmamoun; araşdırma Mustapha Jebor, Hanaa Hachimi, Ikhlef Jebbor və Zoubida Benmamoun; məlumat kurasiyası Mustapha Jebor; ilkin layihə Mustapha Jebor tərəfindən həyata keçirilmişdir. Digər töhfələr mənbədə verilən müəllif töhfəsi bəyanatına uyğun bölüşdürülüb.

Əsas metod: Beş ölkədəki istehsal şirkətlərinin beş ballı Likert sorğu məlumatları üzərində reflektiv ölçmə modelindən istifadə edən PLS-SEM təhlili; moderasiya testi; 5000 nümunəli bootstrap; şirkət ölçüsü, sektor və ölkə nəzarət dəyişənləri.

Mühüm mənbədaxili hesabat qeydləri: Xülasə “robust regression” ifadəsini işlətsə də metod və nəticə bölmələri PLS-SEM təsvir edir. 700 sorğudan 540 cavab üçün verilən %90 cavab nisbəti riyazi olaraq uyğun gəlmir. Əvvəlcə 680 uyğun şirkətin dəvət edildiyinin bildirilməsi də 700 sorğu ifadəsi ilə tam açıqlanmır. Yekun N=528-ə keçidin xaricetmə axını ətraflı verilməyib. Bundan əlavə, H1 üçün β=0,72 dəyəri eyni sətirdə bildirilən [0,57; 0,71] etibar intervalından kənardadır. Bu dəyərlər Verianla tərəfindən dəyişdirilməyib, mənbədaxili uyğunsuzluqlar açıq şəkildə qorunub.

Bu Verianla məzmununun tədqiqat metodu, nümunə məlumatları, əmsalları, model nəticələri və şərh sərhədləri yalnız araşdırılan tədqiqata əsaslanır. Xarici mənbə yalnız biblioqrafik qeyd və jurnalın rəy statusunun doğrulanması məqsədilə istifadə edilmişdir.

Tədqiqat güclü və statistik baxımdan əhəmiyyətli əlaqələr bildirsə də kəsiyə əsaslanan sorğu dizaynı, məqsədli nümunə götürmə və öz-bildirişə əsaslanan struktur səbəbilə nəticələr səbəbli eksperiment sübutu kimi şərh edilməməlidir. Tədqiqatın təklif etdiyi AI dəstəkli yalın istehsal yanaşmasının obyektiv enerji, emissiya, qırıntı, xərc və ya məhsuldarlıq göstəricilərində zamanla yaratdığı təsirlərin ayrıca uzunmüddətli və ya eksperimental tədqiqatlarla doğrulanması lazımdır.