Supply Chain Structure as a Critical Driver of Sustainable Supplier Practices
Notice bibliographique
Résumé
As technology improves the transfer of information, a broader range of customers and stakeholders gain access to more information about what happens within supply chains. As a result, issues like poor worker conditions in suppliers’ facilities are increasingly pushed into the limelight. What used to be hidden behind long distances and language differences is more visible (Lee, 2002; Van Der Zee & Van Der Vorst, 2005). As a result, consumers, governments, and nongovernmental organizations (NGOs) are demanding that companies be held more accountable for what happens. Concerns include the use of sweatshop labor, the provision of safe working conditions, and the payment of a living wage to their employees. In response, a growing number of firms are exploring how to identify, assess, and monitor supplier-related social issues and practices. They can monitor their suppliers to ensure adherence to social expectations, conduct audits, or use a certification provided by an independent third-party. Fairtrade (Fairtrade, 2007) is one such thirdparty certification for agricultural commodities such as coffee and cocoa beans. Following an audit, certification is granted to cooperative farms in developing countries that adhere to a number of sustainability-related principles, including safe working conditions for employees, payment of fair wages, and environmentally friendly cultivation techniques. In contrast, other firms choose to develop their own standards internally, for example Starbucks’ system for assessing and working with farmers, termed Coffee and Farmer Equity (CAFE).
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».