Evaluation of sourcing contracts in wood supply procurement using simulation
Notice bibliographique
Résumé
Abstract Procurement operations in forest companies are exposed to various risks, which may increase procurement costs. Examples of risks are the contract's unreliability and contract breach. Deterministic planning models cannot perfectly reflect the complexities of real‐world applications in the presence of sourcing risks when the future is uncertain. In practice, forest industries use contracts to guarantee the wood supply. Monthly forecasts are prepared for the delivery volume and are primarily based on the experience of procurement staff and the total volume of contracts. Missed deliveries in the contracts lead to a mismatch between the supply and demand for wood fiber and increase the costs of procurement as a result of high inventory costs or expensive purchases from the open market. Previous studies on simulating the impact of sourcing risks on procurement operations have been conducted; however, none have addressed the selection of procurement contracts in the presence of sourcing risks. In forest industry, numerous suppliers are available with sourcing contracts. Each contract possesses its own characteristics such as flexibility, volume, schedule, and price of delivery. A Monte Carlo simulation approach is implemented to analyze the behavior of a deterministic planning approach. Random events are generated by formulating different types of sourcing risks, having either short‐ or long‐term impact. The simulation is embedded with a deterministic planning model in each period. Results showed that management of sourcing risks is easier with flexible contracts than with fixed contracts, despite their higher purchasing cost.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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) | 0,003 | 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 ».