Analysis of the global production location dynamics in the industrial wood pellet market: an MCDA approach
Notice bibliographique
Résumé
Abstract Industrial wood pellet demand and international trade have been growing rapidly, requiring producers to build new production facilities. The purpose of this paper is to illustrate the trade‐offs of different wood pellet production locations across the world within the next ten years and to improve the quality and viability of future wood pellet production location and supply chain decisions. To this end, a multi‐criteria decision analysis (MCDA) was performed. This approach enabled assimilation and synthesis of both qualitative and qualitative data of a comprehensive set of regions in which lies its originality. The following characteristics were indicated and assessed: feedstock (availability, competition, and pricing), investment climate, electricity prices, market potential, and logistics. Analysis of various scenarios resulted in a preference for Northern American, Austrian, Belgian, and German regions based either on superior feedstock pricing or logistic position, complemented by a stable investment climate. However, a scenario of high demand of ocean freight quickly diminished the performance of Western Canada and the USA, Brazil, and Chile. Austria, Belgium, and Germany remained most volatile for feedstock shortages. Overall, Austria, Estonia, Czech Republic, and Sweden seem more robust to perform well in different scenarios, which may prove crucial to limit risk exposure in an emerging market. Some more remote regions with huge feedstock potential (e.g. Russia) depend on the investment climate and logistical feasibility of these regions. © 2011 Society of Chemical Industry and John Wiley & Sons, Ltd
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».