MétaCan
Menu
Retour à la cohorte
Enregistrement W4312894359 · doi:10.1115/msec2022-85306

Global Disruption of Semiconductor Supply Chains During COVID-19: An Evaluation of Leading Causal Factors

2022· article· en· W4312894359 sur OpenAlexaff
Aamirah Mohammed, Sardar Asif Khan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain Resilience and Risk Management
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésSupply chainBusinessAnalytic hierarchy processPandemicRevenueIndustrial organizationSupply and demandResilience (materials science)Supply chain managementSemiconductor industryRanking (information retrieval)Risk analysis (engineering)Coronavirus disease 2019 (COVID-19)Computer scienceMarketingOperations researchEngineeringEconomicsManufacturing engineering

Résumé

récupéré en direct d'OpenAlex

Abstract The coronavirus pandemic has caused unprecedented supply chain disruptions globally, resulting in a heightened need for supply chain resilience. Particularly in the case of semiconductor chips, a commodity already in high demand, the existing challenges in supply chains have been aggravated by the pandemic. This global shortage is resulting in manufacturing disruptions across multiple sectors from automobiles to electronics. The global automobile industry alone is said to suffer a $210 billion loss in revenue from chip shortages. This highlights the cruciality of scientifically analyzing and building solutions that addresses the issue of resiliency of global semiconductor supply chains. While several news articles and white papers have reported this issue, there has been a lack of scientific literature on this topic. The objective of this paper is to identify the factors causing semiconductor shortage, analyze, and quantify their impact on the supply chain. This paper identifies 20 factors under 4 major categories from pre- and post-pandemic era, in the period ranging from 2018 to 2021, that have contributed to this disruption. The categories are: geopolitical tensions, natural disasters, logistics challenges and COVID-19 pandemic. The factors are ranked using the Analytical Hierarchy Process (AHP) methodology. The scientific value of this study lies in its contribution of quantifying and ranking the impact of the individual factors leading to the recent disruption in semiconductor supply chains. The results of this study will provide supply chain managers with the analytical information necessary for enabling resilient semiconductor supply chains as they navigate through these current challenges.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0060,008
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,323
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSupply Chain Resilience and Risk ManagementTravaux en français237 207