A 3-R principle for characterizing failure in relief supply chains’ response to natural disasters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to introduce a 3R (right time, right place, and right material) principle for characterizing failure in humanitarian/relief supply chains’ response to natural disasters, and describes a Bayesian methodology of the failure odds with regard to external factors that may affect the disaster-relief outcome, and distinctive supply chain proneness to failure. Design/methodology/approach – The suggested 3Rs combine simplicity and completeness, enclosing all aspects of the 7R principle popular within business logistics. A fixed effects logistic regression model is designed, with a Bayesian approach, to relate the supply chains’ odds for success in disaster-relief to potential environmental predictors, while accounting for distinctive supply chains’ proneness to failure. Findings – Analysis of simulated data demonstrate the model’s ability to distinguish relief supply chains with regards to their disaster-relief failure odds, taking into account pertinent external factors and supply chain idiosyncrasies. Research limitations/implications – Due to the complex nature of natural disasters and the scarcity of subsequent data, the paper employs computer-simulated data to illustrate the implementation of the proposed methodology. Originality/value – The 3R principle offers a simple and familiar basis for evaluating failure in relief supply chains’ response to natural disasters. Also, it brings the issues of customer orientation within humanitarian relief and supply operations to the fore, which had only been implicit within the humanitarian and relief supply chain literature.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle