Watafiti walitumia data kutoka kwa biashara za utengenezaji nchini Italia, Hispania, Ureno, Moroko na Tunisia ili kupima uhusiano kati ya uzalishaji konda, akili bandia na uendelevu. Sampuli ya mwisho ilikuwa na kampuni 528. Biashara hizo zinawakilisha sekta ndogo za magari, elektroniki, mashine na vifaa, kemikali na utengenezaji wa dawa. Data zilikusanywa kati ya Januari na Juni 2024 na Partial Least Squares Structural Equation Modeling (PLS-SEM) ilitumika katika uchambuzi.

Kwa uhusiano kati ya uzalishaji konda na uendelevu wa kiuchumi, mgawo sanifu wa njia uliripotiwa kuwa β=0,72, kwa uendelevu wa kiikolojia β=0,65 na kwa uendelevu wa kijamii β=0,59. Katika mahusiano yote matatu, \(p<0,001\). Watafiti pia waliripoti athari ya moderesheni ya akili bandia inayoongeza nguvu ya uhusiano kati ya uzalishaji konda na uendelevu kama β=0,48, p<0,001.

Modeli inaeleza %62 ya tofauti katika uendelevu wa kiuchumi, %54 katika uendelevu wa kiikolojia na %48 katika uendelevu wa kijamii. Kwa tafsiri ya waandishi, uwezo wa akili bandia kama ufuatiliaji wa wakati halisi, uchanganuzi wa kutabiri, ukusanyaji wa data unaotegemea IoT na automatisering unaweza kufanya malengo ya uzalishaji konda ya kupunguza upotevu, kuboresha matumizi ya rasilimali na kuendeleza uboreshaji endelevu kuwa yenye nguvu zaidi.

Hata hivyo, utafiti ni wa mkato wa wakati mmoja na vigezo vikuu vilivyotumiwa vilitokana na majibu ya dodoso ya wawakilishi wa kampuni. Muundo huu unaweza kuonyesha mahusiano makubwa ya kitakwimu, lakini hauwezi peke yake kuthibitisha kwamba akili bandia huongeza uendelevu kwa njia ya kisababishi kupitia uzalishaji konda. Aidha, kuna kutokulingana ndani ya chanzo kuhusu idadi ya dodoso, kiwango cha majibu na kipindi cha kujiamini cha H1 katika sehemu za sampuli na uripoti.

Kwa mtazamo wa Uturuki: Hakuna kampuni kutoka Uturuki katika utafiti. Matokeo yametokana na biashara maalum za utengenezaji Kusini mwa Ulaya, Moroko na Tunisia. Ingawa modeli ni ya kuvutia kwa wazalishaji wa magari, mashine, elektroniki, kemikali au dawa nchini Uturuki, si sahihi kuhamisha moja kwa moja migawo kwa Uturuki kwa sababu ukubwa wa biashara, ukomavu wa kidijitali, gharama za nishati, muundo wa ugavi, uwekezaji wa AI, ujuzi wa wafanyakazi na mazingira ya udhibiti vinaweza kutofautiana. Uhalali nchini Uturuki unapaswa kupimwa kando kwa sampuli ya ndani na modeli ileile ya upimaji.

Kwa nini uzalishaji konda na uendelevu vilichunguzwa pamoja?

Lengo kuu la mbinu ya uzalishaji konda ni kupunguza shughuli zisizoongeza thamani kwa mteja na upotevu wa rasilimali. Utafiti unasisitiza hasa uzalishaji kwa wakati unaofaa (Just-in-Time, JIT), mfumo wa pull, Kaizen na mazoea ya kupunguza upotevu.

Uendelevu haukuzuiliwa kwa utendaji wa kifedha wa biashara pekee; ulizingatiwa kupitia muundo wa matokeo matatu wa kiuchumi, kiikolojia na kijamii. Kipimo cha kiuchumi kinahusu gharama na ufanisi wa uendeshaji, kipimo cha kiikolojia kinahusu rasilimali na athari kwa mazingira, na kipimo cha kijamii kinahusu ustawi wa wafanyakazi, mazingira ya kazi na wajibu wa kijamii.

Hoja kuu ya watafiti ni kwamba mbinu hizi mbili zina mantiki inayofanana: wakati uzalishaji konda unajaribu kupunguza akiba isiyohitajika, kusubiri, makosa, uchakataji wa ziada na upotevu wa rasilimali, uzalishaji endelevu pia unalenga ufanisi wa rasilimali na kupunguza mzigo wa mazingira.

Akili bandia hapa inachukua nafasi ya nini?

Katika modeli ya dhana ya utafiti, akili bandia si teknolojia inayochukua nafasi ya uzalishaji konda. Akili bandia imewekwa kama moderator.

Moderesheni humaanisha kwamba kigezo kimoja hubadilisha ukubwa wa uhusiano kati ya vigezo vingine viwili. Muundo unaopendekezwa na utafiti kwa namna rahisi ni:

Uzalishaji konda → uendelevu

na inapendekezwa kwamba uhusiano huu huwa na nguvu zaidi kadiri matumizi ya akili bandia yanavyoongezeka.

Watafiti wanaweka msingi wa mekanizimu hii katika mifumo miwili ya kinadharia. Nadharia ya Uwezo Unaobadilika inazingatia uwezo wa biashara kutambua hali zinazobadilika, kuitikia fursa na kupanga upya shughuli zake. Nadharia ya Mifumo ya Kijamii-Kiteknolojia inasisitiza kwamba zana za kiteknolojia zinapaswa kutathminiwa pamoja na wafanyakazi, michakato ya kazi na utamaduni wa shirika.

AI inaweza kuimarishaje uzalishaji konda?

Makala inaangazia mekanizimu nne kuu.

• Matengenezo ya kutabiri: Kuchanganua data za sensa na mashine ili kutabiri hitilafu zinazoweza kutokea kabla hazijatokea; kupunguza kusimama kusikopangwa.
• Ufuatiliaji wa wakati halisi: Kufuatilia kwa kuendelea nishati, utendaji wa mashine, uzalishaji wa hewa chafu na viashiria vya uzalishaji.
• Upangaji wa uzalishaji: Kurekebisha ratiba kwa njia yenye nguvu zaidi kulingana na mabadiliko ya mahitaji au kukatika kwa ugavi.
• Uboreshaji wa mnyororo wa ugavi: Kusaidia maamuzi ya akiba, usafirishaji na matumizi ya rasilimali kwa kutumia data kubwa na uchanganuzi.

Mekanizimu hizi hazikujaribiwa moja moja kama majaribio ya kisababishi katika modeli ya dodoso ya utafiti. Zimetumiwa kama maelezo ya kinadharia na ya matumizi ya moderator wa akili bandia.

Sampuli ya utafiti imegawanyika vipi?

Kwa ukubwa wa kampuni, biashara 176 zina wafanyakazi 50–249, biashara 234 zina wafanyakazi 250–999 na biashara 118 zina angalau wafanyakazi 1000. Hivyo sampuli inaongozwa na biashara za utengenezaji za ukubwa wa kati.

%40,5 ya washiriki ni mameneja wa uendeshaji au kiwanda, %18,6 ni mameneja wa uendelevu, %16,5 ni wasimamizi wa uzalishaji, %14,4 ni mameneja wa ubora na %10 ni viongozi wa ngazi ya juu.

Ni sekta zipi zilichunguzwa?

Sehemu ya mbinu inaeleza kwamba biashara zilitoka katika sekta ndogo tano za utengenezaji:

• magari: %32,
• elektroniki: %24,
• mashine na vifaa: %19,
• kemikali: %15,
• dawa: %10.

Masharti ya awali ya kuingizwa katika utafiti yalijumuisha kuwa na angalau wafanyakazi 50, kuwa na uzoefu fulani wa mazoea ya uzalishaji konda na kuripoti matumizi ya angalau teknolojia moja ya akili bandia katika uzalishaji.

Dhana nne za utafiti

Dhana nne zilijaribiwa katika modeli ya utafiti:

• H1: Uzalishaji konda una uhusiano chanya na uendelevu wa kiuchumi.
• H2: Uzalishaji konda una uhusiano chanya na uendelevu wa kiikolojia.
• H3: Uzalishaji konda una uhusiano chanya na uendelevu wa kijamii.
• H4: Akili bandia ni moderator inayoongeza nguvu ya uhusiano kati ya uzalishaji konda na uendelevu.

Athari za moja kwa moja zilikuwa na nguvu kiasi gani?

Kwa uendelevu wa kiuchumi, mgawo wa juu zaidi wa njia ya moja kwa moja uliripotiwa kuwa β=0,72. Kwa uendelevu wa kiikolojia mgawo ni β=0,65 na kwa uendelevu wa kijamii β=0,59. Matokeo yote matatu yana umuhimu wa kitakwimu.

Ni muhimu kwamba migawo hii haimaanishi “uboreshaji wa kiuchumi wa %72”. Mgawo sanifu wa njia huonyesha mwelekeo na ukubwa wa jamaa wa uhusiano kati ya vigezo katika modeli ya kimuundo; si ongezeko la utendaji kwa asilimia.

Athari ya moderesheni ya AI

Kwa athari ya moderesheni ya akili bandia, chanzo kinaripoti β=0,48, kipindi cha kujiamini cha bootstrap %95 [0,40; 0,55], t=6,45 na \(p<0,001\).

Watafiti wanatafsiri hili kama uhusiano chanya kati ya mazoea ya uzalishaji konda na matokeo ya uendelevu kuwa na nguvu zaidi katika biashara zenye kiwango cha juu cha matumizi ya AI.

Kwa sababu mgawo huu una jukumu tofauti la kitakwimu na migawo ya moja kwa moja ya H1–H3, haukuongezwa katika kundi lilelile la pau kwenye grafu ya Verianla Live.

Modeli inaeleza kiasi gani cha matokeo ya uendelevu?

Thamani za R² zinaonyesha kwamba modeli inaeleza %62 ya tofauti inayoonekana katika uendelevu wa kiuchumi, %54 katika uendelevu wa kiikolojia na %48 katika uendelevu wa kijamii. Thamani zote za Q² kuwa chanya zilitafsiriwa kama msaada wa umuhimu wa kutabiri wa modeli katika mbinu ya tathmini ya PLS-SEM iliyotumiwa na utafiti.

Ukubwa wa athari ulionyesha nini?

Matokeo haya yanaonyesha kwamba watafiti walijaribu kuangalia si umuhimu wa kitakwimu pekee, bali pia ukubwa wa vitendo wa mahusiano.

Je, modeli ya upimaji ilikuwa ya kuaminika?

Thamani za Cronbach alpha kwa miundo mikuu iliyotumiwa katika utafiti ziliripotiwa kuwa kati ya 0,82 na 0,90, thamani za composite reliability kati ya 0,83 na 0,92 na thamani za AVE kati ya 0,56 na 0,68.

Ilielezwa kwamba factor loadings za vipengele vya upimaji zilikuwa katika anuwai ya 0,71–0,88 na zote zilikuwa na umuhimu wa kitakwimu.

Je, common method bias ilidhibitiwa?

Kwa sababu data za dodoso zilitoka kwa washiriki wale wale, watafiti walitumia jaribio la Harman la sababu moja kutathmini common method bias. Katika suluhisho lisilo na mzunguko, sababu ya kwanza ilieleza %32,4 ya tofauti yote na watafiti walitathmini kwamba hakukuwa na ishara kubwa ya common method bias kwa sababu thamani hii ilikuwa chini ya kizingiti cha %50.

Pia ilielezwa kwamba hatua za kiutaratibu kama kutokutambulisha majina na kusawazisha mpangilio wa maswali zilitumika.

Ulinganifu wa modeli na multicollinearity

Chanzo kiliripoti thamani ya SRMR ya 0,058 na NFI ya 0,91. Thamani za VIF za vigezo vya utabiri zilibaki kati ya 1,08–2,34. Watafiti wanasema kulingana na matokeo haya hakukuwa na tatizo kubwa la multicollinearity.

VIF ya kigezo cha Lean iliripotiwa kuwa 2,34, AI 2,18 na neno la mwingiliano lean-AI 1,56.

Je, vigezo vya udhibiti vilibadilisha matokeo?

Ukubwa wa kampuni, sekta na nchi ziliingizwa katika modeli ya kimuundo kama vigezo vya udhibiti. Chanzo kinasema ukubwa wa kampuni ulikuwa na athari ndogo chanya kwa uendelevu wa kiuchumi (takriban 0,09; p<0,05), lakini haukuwa muhimu katika matokeo ya kiikolojia na kijamii.

Athari ndogo iliripotiwa kwa uendelevu wa kiikolojia katika sekta ndogo ya kemikali; katika ulinganisho wa nchi, kampuni za Moroko na Tunisia zilisemekana kuwa na viwango vya chini kiasi vya matumizi ya AI. Hata hivyo, ilielezwa kwamba mahusiano ya H1–H4 yalidumisha umuhimu na ukubwa wa takriban uleule baada ya kuongeza vigezo vya udhibiti.

Mapendekezo ya vitendo ya utafiti

Watafiti wanasisitiza hasa maeneo matatu ya matumizi:

1. Kuweka kipaumbele kwa matengenezo ya kutabiri yanayosaidiwa na AI ili kupunguza kusimama kusikopangwa na upotevu wa rasilimali.
2. Kutumia sensa za IoT na dashibodi za uchanganuzi kufuatilia mtiririko wa nishati na nyenzo kwa wakati halisi.
3. Kuendeleza uelewa wa data wa wafanyakazi na uwezo wao wa kutumia mifumo ya AI.

Utafiti pia unatambua gharama kubwa ya awali ya uwekezaji wa AI, uhaba wa wafanyakazi wenye ujuzi na hatari za usalama wa mtandao kama vikwazo muhimu vya utekelezaji.

Kutokulingana kwa sampuli ndani ya chanzo

Katika maelezo ya ukusanyaji wa data ya utafiti kuna idadi ambazo hazipatani kikamilifu kwa mchakato uleule. Kwanza inaelezwa kwamba kati ya takriban kampuni 1200 zinazowezekana, 680 zilikidhi vigezo na kampuni zote 680 zilialikwa. Baadaye imeandikwa kwamba dodoso 700 zilisambazwa na dodoso 540 zilirudishwa.

Chanzo kinatoa kiwango cha majibu cha %90 kwa marejesho haya 540; hata hivyo, uwiano wa 540/700 ni takriban %77,1. Ikiwa denominator inachukuliwa kuwa kampuni 680 zilizoalikwa, uwiano ni takriban %79,4. Kwa hiyo, kauli ya %90 haipatani kihisabati na idadi nyingine zilizotolewa.

Kwa kuwa sampuli ya mwisho ya uchambuzi ni 528, pia haijaelezwa kupitia jedwali la kina la mtiririko wa washiriki jinsi rekodi 12 kati ya marejesho 540 zilivyotolewa au kuchukuliwa kuwa hazitumiki. Hakuna idadi yoyote iliyobadilishwa kimya kimya katika maandishi haya ya Verianla.

Tatizo katika kipindi cha kujiamini cha H1

Katika Jedwali 5, mgawo sanifu wa H1 umetolewa kama β=0,72, lakini kipindi cha kujiamini cha bootstrap %95 ni [0,57; 0,71]. Kwa parameter ileile, point estimate kwa kawaida haitarajiwi kuwa nje ya kipindi cha kujiamini kilichoripotiwa.

Kwa hiyo, haiwezekani kuamua kutoka chanzo ni ipi kati ya β=0,72 na kipindi cha kujiamini iliyo na kosa. Katika kueleza matokeo kuu ya makala, β na thamani ya p zilizoripotiwa zimehifadhiwa na kipindi cha kujiamini kinachoonekana kuwa na uwezekano wa kosa hakijaandikwa upya kwa uhakika.

Tofauti kati ya “robust regression” na PLS-SEM

Muhtasari unasema utafiti ulitumia “robust regression model”, ilhali sehemu ya mbinu inaelezea PLS-SEM kupitia SmartPLS, modeli za upimaji za reflective, bootstrap na uchambuzi wa njia za kimuundo. Matokeo pia yameripotiwa kupitia migawo ya njia β, R², Q², SRMR, NFI na f².

Kwa hiyo, kulingana na sehemu za kina za mbinu na matokeo, mfumo mkuu wa kitakwimu wa utafiti ni PLS-SEM. Kauli ya “robust regression” inapaswa kutathminiwa kama kutokulingana kwa istilahi ndani ya chanzo.

Matokeo yanayoungwa mkono na utafiti

• Katika kampuni 528 za utengenezaji zilizochunguzwa, viashiria vya uzalishaji konda vina uhusiano chanya na viashiria vya uendelevu wa kiuchumi, kiikolojia na kijamii.
• Mgawo sanifu wa njia kwenda kwenye uendelevu wa kiuchumi ndio mkubwa zaidi kati ya mahusiano matatu ya moja kwa moja.
• Neno la mwingiliano wa AI ni chanya na muhimu kitakwimu; chanzo kinatafsiri hili kama AI kuimarisha uhusiano wa lean–uendelevu.
• Tofauti iliyoelezwa na modeli imeripotiwa kuwa %62 kwa uendelevu wa kiuchumi, %54 kwa kiikolojia na %48 kwa kijamii.
• Thamani zilizoripotiwa za Cronbach alpha, CR na AVE za miundo ya upimaji zinakidhi vizingiti vya kukubalika vilivyotumiwa na utafiti.

Matokeo ambayo utafiti hauthibitishi

• Haijathibitishwa kwamba kila kiwanda kinachowekeza katika AI kitaongeza moja kwa moja utendaji wake wa uendelevu.
• Thamani ya β=0,72 haimaanishi kwamba utendaji wa kiuchumi umeongezeka kwa %72.
• Muundo wa dodoso wa mkato wa wakati mmoja hauonyeshi peke yake kwamba AI ndiyo sababu ya uhakika ya kuboreka kwa utendaji wa uendelevu.
• Haijaonyeshwa kwamba matokeo yanaweza kujumlishwa kwa sekta za huduma au umma nje ya uzalishaji kwa migawo ileile.
• Haijajaribiwa kwamba matokeo yale yale yatapatikana kwa biashara nchini Uturuki.
• Haijajaribiwa kwamba algorithm fulani ya AI, mfumo wa sensa au jukwaa la roboti ni bora kuliko nyingine.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti ni wa kiasi na wa dodoso wa mkato wa wakati mmoja. Data zilikusanywa kati ya Januari na Juni 2024 kutoka kwa biashara za utengenezaji nchini Italia, Hispania, Ureno, Moroko na Tunisia.

Mbinu ya sampuli ni purposive sampling. Kampuni zilitambuliwa kupitia orodha za wanachama wa vyama vya sekta, hifadhidata ya kibiashara ya kampuni ya Orbis Europe na washiriki katika miradi ya awali ya Industry 4.0.

Vigezo vya kuingizwa

• Kufanya kazi katika sekta ya uzalishaji.
• Kuwa katika mojawapo ya sekta ndogo za magari, elektroniki, mashine/vifaa, kemikali au dawa.
• Kuwa na angalau wafanyakazi 50.
• Kuwa na uzoefu fulani katika mazoea ya uzalishaji konda.
• Kuripoti matumizi ya angalau teknolojia moja ya AI katika michakato ya uzalishaji.
• Kufanya kazi katika mojawapo ya nchi tano zilizoainishwa.

Kipimo cha dodoso

Washiriki walitathmini kauli kwa kipimo cha Likert cha pointi tano kutoka 1="Sikubaliani kabisa" hadi 5="Nakubaliana kabisa".

Miundo mikuu:

• Kanuni za uzalishaji konda: mazoea kama kupunguza upotevu, JIT, mfumo wa pull na Kaizen.
• Malengo ya uendelevu: matokeo ya kiuchumi, kiikolojia na kijamii.
• Teknolojia za AI: uchanganuzi wa kutabiri, ufuatiliaji, utabiri, uchambuzi, uboreshaji, automatisering na mwingiliano.

Vipimo vilibadilishwa kutoka tafiti zilizopo katika fasihi; kwa matumizi yasiyo ya Kiingereza, tafsiri na tafsiri ya kurudi vilifanywa na kipimo kilijaribiwa awali na wataalamu/wanataaluma 15 wa sekta.

Uchambuzi wa PLS-SEM

Sababu ya kutumia PLS-SEM katika utafiti imeelezwa kuwa muundo wa utafiti wa kuchunguza, ugumu wa modeli yenye athari ya moderesheni na unyumbufu wa kiasi kuhusu dhana za usambazaji.

Miundo yote katika modeli ilifafanuliwa kuwa reflective.

Vigezo vya modeli ya upimaji

Modeli ya kimuundo na matokeo ya dhana

Kipindi cha kujiamini cha %95 kilichotolewa katika chanzo kwa H1 ni [0,57; 0,71] na hakipatani na β=0,72. Kwa H2 [0,57; 0,71], H3 [0,51; 0,66] na H4 [0,40; 0,55] ziliripotiwa.

Bootstrap na tathmini ya utabiri

Bootstrap yenye 5000 resampling ilitumika kutathmini migawo. Chanzo kinaeleza kwamba thamani za Q² kwa uendelevu wa kiuchumi, kiikolojia na kijamii ni 0,58, 0,50 na 0,44 mtawalia.

Viashiria vya ulinganifu wa modeli

Chanzo kinaeleza thamani ya RMS theta=0,12 kama “chini ya kizingiti cha tatizo cha 0,12”. Kwa kuwa thamani ni sawa kihesabu, kauli hii inapaswa kutathminiwa kama ilivyoripotiwa katika chanzo.

Vigezo vya udhibiti

Ukubwa wa kampuni, sekta ndogo ya viwanda na nchi zilitumika kama vigezo vya udhibiti katika modeli. Ukubwa wa kampuni ulimodeliwa kwa logarithm ya idadi ya wafanyakazi; sekta na nchi kwa dummy variables. Magari ni kategoria rejea kwa sekta na Italia ni kategoria rejea kwa nchi.

Programu zilizotumiwa

• Modeli ya kimuundo: SmartPLS
• Takwimu za maelezo: SPSS
• Uonyeshaji wa grafu: Python na Tableau

Mapungufu makuu ya kimbinu ya utafiti

Kikomo cha kwanza ni muundo wa mkato wa wakati mmoja. Kwa kuwa vigezo vilipimwa katika kipindi kilekile, mabadiliko ya muda mrefu na mwelekeo wa kisababishi hayawezi kuonyeshwa kikamilifu.

Kikomo cha pili ni purposive sampling. Kuwaingiza katika utafiti kampuni ambazo tayari zina uzoefu fulani wa uzalishaji konda na matumizi ya AI kunapunguza uwezo wa kujumlisha matokeo kwa biashara zote za utengenezaji ambazo hazitumii AI kabisa au zina ukomavu mdogo wa lean.

Kikomo cha tatu ni kwamba utafiti unahusu sekta ya uzalishaji pekee. Matokeo kwa sekta ya huduma na mashirika ya umma yanapaswa kujaribiwa kando.

Kikomo cha nne ni kwamba mazoea ya kampuni yalipimwa kupitia dodoso za mameneja. Modeli ileile haikuthibitishwa kwa kutumia mfululizo wa data za uendeshaji za moja kwa moja kutoka mstari wa uzalishaji kama matumizi ya nishati, chakavu, uzalishaji wa kaboni, muda wa kusimama au gharama.

Tano, kutokulingana kwa sampuli na vipindi vya kujiamini ndani ya chanzo kunahitaji matokeo ya kimbinu yaliyoripotiwa kutafsiriwa kwa tahadhari.

Maelezo ya Chanzo na Mbinu

Jina kamili la utafiti wa awali: Artificial Intelligence: Accelerating Innovation in Sustainable Lean Production Systems

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

Mpangilio wa waandishi: Mpangilio uliotolewa katika chanzo umehifadhiwa kama ulivyo.

Mchango sawa/uandishi wa kwanza wa pamoja: Hakuna taarifa ya mchango sawa au uandishi wa kwanza wa pamoja katika chanzo.

Mwandishi anayewajibika: Mustapha Jebor.

Taasisi: 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.

Aina ya chanzo na mapitio: Makala asilia ya utafiti wa kimaabara/kiempiria iliyopitiwa na wenzao na kuchapishwa katika Administrative Sciences.

Jarida: Administrative Sciences

Juzuu / toleo / nambari ya makala: 16 / 4 / 178

Mwaka wa uchapishaji: 2026

Tarehe ya kupokelewa: 29 Desemba 2025

Tarehe ya marekebisho: 8 Machi 2026

Tarehe ya kukubaliwa: 31 Machi 2026

Tarehe ya kuchapishwa: 7 Aprili 2026

DOI: 10.3390/admsci16040178

Mchapishaji: MDPI, Basel, Switzerland.

Kiungo rasmi cha chanzo:Ukurasa rasmi wa makala wa Administrative Sciences / MDPI

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

Ufadhili: Waandishi waliripoti kwamba utafiti haukupokea ufadhili wa nje.

Kamati ya maadili: Waandishi walisema kwamba kwa kuwa utafiti ulihusisha data za dodoso za shirika zisizotambulisha watu na haukujumuisha data nyeti au zinazotambulisha mtu, uingiliaji wa kitabibu, sampuli za kibaolojia, taarifa maalum za afya, kundi lililo hatarini au udanganyifu, idhini rasmi ya kamati ya maadili haikuhitajika chini ya kanuni za kitaifa za utafiti na desturi zinazohusika za kitaaluma nchini Moroko.

Ridhaa iliyoarifiwa: Utafiti unaripoti kwamba ridhaa iliyoarifiwa ilipatikana kutoka kwa washiriki wote.

Upatikanaji wa data: Imeelezwa kwamba michango asilia ya utafiti ipo ndani ya makala na maswali ya ziada yanaweza kuelekezwa kwa mwandishi anayewajibika.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana Mustapha Jebor; mbinu Mustapha Jebor, Hanaa Hachimi, Ikhlef Jebbor na Zoubida Benmamoun; uchambuzi rasmi Mustapha Jebor na Zoubida Benmamoun; utafiti Mustapha Jebor, Hanaa Hachimi, Ikhlef Jebbor na Zoubida Benmamoun; uratibu wa data Mustapha Jebor; rasimu ya awali ilitekelezwa na Mustapha Jebor. Michango mingine iligawanywa kulingana na taarifa ya michango ya waandishi katika chanzo.

Mbinu kuu: Uchambuzi wa PLS-SEM unaotumia modeli ya upimaji ya reflective kwenye data za dodoso za Likert za pointi tano kutoka kwa kampuni za utengenezaji katika nchi tano; jaribio la moderesheni; bootstrap ya sampuli 5000; ukubwa wa kampuni, sekta na nchi kama vigezo vya udhibiti.

Maelezo muhimu ya uripoti ndani ya chanzo: Ingawa muhtasari unatumia kauli “robust regression”, sehemu za mbinu na matokeo zinaelezea PLS-SEM. Kiwango cha majibu cha %90 kilichotolewa kwa majibu 540 kati ya dodoso 700 hakipatani kihisabati. Kauli ya awali kwamba kampuni 680 zinazofaa zilialikwa pia haijaelezwa kikamilifu na kauli ya dodoso 700. Mtiririko wa kuondoa hadi N=528 haujatolewa kwa undani. Aidha, thamani ya β=0,72 kwa H1 iko nje ya kipindi cha kujiamini [0,57; 0,71] kilichoripotiwa katika mstari huo huo. Thamani hizi hazijabadilishwa na Verianla, na kutokulingana ndani ya chanzo kumehifadhiwa wazi.

Mbinu ya utafiti, taarifa za sampuli, migawo, matokeo ya modeli na mipaka ya tafsiri katika maudhui haya ya Verianla zinategemea utafiti uliokaguliwa pekee. Chanzo cha nje kilitumika tu kuthibitisha rekodi ya kibibliografia na hali ya mapitio ya jarida.

Ingawa utafiti unaripoti mahusiano makubwa na yenye umuhimu wa kitakwimu, matokeo hayapaswi kutafsiriwa kama ushahidi wa majaribio wa kisababishi kwa sababu ya muundo wa dodoso wa mkato wa wakati mmoja, purposive sampling na muundo wa kujiripoti. Athari za mbinu ya uzalishaji konda inayosaidiwa na AI iliyopendekezwa na utafiti kwenye viashiria vya objektivu vya nishati, uzalishaji wa hewa chafu, chakavu, gharama au tija kwa muda zinahitaji kuthibitishwa kwa tafiti tofauti za muda mrefu au za majaribio.