Modelling the impact of disease outbreaks on the international crude oil supply chain using Random Forest regression
Notice bibliographique
Résumé
Purpose The crude oil supply chain (COSC) is one of the most complex and largest supply chains in the world. It is easily vulnerable to extreme events. Recently, the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) (often known as COVID-19) pandemic created a massive imbalance between supply and demand which caused significant price fluctuations. The purpose of this study is to explore the influential factors affecting the international COSC in terms of consumption, production and price. Furthermore, it develops a model to predict the international crude oil price during disease outbreaks using Random Forest (RF) regression. Design/methodology/approach This study uses both qualitative and quantitative approaches. A qualitative study is conducted using a literature review to explore the influential factors on COSC. All the data are extracted from Web sources. In addition to COVID-19, four other diseases are considered to optimize the accuracy of predictive results. A principal component analysis is deployed to reduce the number of variables. A forecasting model is developed using RF regression. Findings The findings of the qualitative analysis characterize the factors that influence international COSC. The findings of quantitative analysis emphasize that production and consumption have a higher contribution to the variance of the data set. Also, this study found that the impact caused to crude oil price varies with the region. Most importantly, the model introduced using the RF technique provides a high predictive ability in short horizons such as infectious diseases. This study delivers future directions and insights to researchers and practitioners to expand the study further. Originality/value This is one of the few available pieces of research which uses the RF method in the context of crude oil price forecasting. Additionally, this study examines international COSC in the events of emergencies, specifically disease outbreaks using machine learning techniques.
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 | 0,000 |
| 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) | 0,001 | 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 ».