Global Disruption of Semiconductor Supply Chains During COVID-19: An Evaluation of Leading Causal Factors
Notice bibliographique
Résumé
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 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 | 0,001 |
| 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) | 0,005 | 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 ».