Notice bibliographique
Résumé
In recent years several multinational organizations were affected by poor management practices upstream in the supply chain. For example, brands like Joe Fresh, Primark and Bonmarché were all in the hot seat after the collapse of Rana Plaza in Bangladesh in 2013 (Lu 2013; Wieland and Handfield 2013). Increasingly, the general population (the ultimate consumers of products and services) as well as different non-governmental organizations (NGOs) and activist groups are calling for a greater contribution from large corporations to address sustainability issues upstream in their supply chains. When large corporations fail to adequately address (i) environmental damages caused by their first- or second-tier suppliers, (ii) poor working conditions in their contract manufacturers, or (iii) child labour in the extraction or harvest of raw material, they are pitched as bad corporate citizens generating a reputational loss. Such a reputational loss translates into a reduction of goodwill from both market and non-market stakeholders. This chapter focuses on the reputational loss emerging from questionable practices—from a sustainability perspective—in the supply network (‘poor management practices’ hereafter). In fact, a study suggests that the potential negative impact from a supplier with poor management practices is on average a loss of 12% in market capitalization (Lefevre et al. 2010). Therefore, it is important for large organizations with reputational capital to establish proper management systems to minimize their exposure to poor management practices in the supply network.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».