The internet of things in the food supply chain: adoption challenges
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 food supply chain (FSC) challenges coupled with global disruptions, such as the recent coronavirus disease 2019 (COVID-19) pandemic outbreak, exacerbate its vulnerability. The Internet of things (IoT) is one of the disruptive technologies being adopted in food supply chain management (FSCM). This study aims to address the challenges of IoT adoption in the FSC by systematically analyzing the prior pertinent literature. Design/methodology/approach A structured literature review was used to collate a list of peer-reviewed and relevant publications. A total of 72 out of 210 articles were selected for the final evaluation. Findings The literature review findings suggest five themes: technical, financial, social, operational, educational and governmental related challenges. A total of 15 challenges were devised from the review related literature of IoT adoption. The study concludes with future research recommendations for scholars and practical implications for practitioners. Research limitations/implications While this study focuses on the overall FSC, further research should address other domains in the FSC such as cold supply chain, agriculture and perishable food to gain a better contextual understanding of the specific case. Originality/value The topic of IoT adoption in the FSCM is still considered emerging. Therefore, the present work contributes to the limited studies and documentation on the level of IoT implementation in the FSCM. This study should help organizations to assimilate how to adopt and manage the IoT application by addressing the factors and challenges presented in this research.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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