Is There Any Pattern Regarding the Vulnerability of Smart Contracts in the Food Supply Chain to a Stressed Event? A Quantile Connectedness Investigation
Notice bibliographique
Résumé
Blockchain can support the food supply chain in several aspects. Particularly, food traceability and trading across pre-existing contracts can make the supply chain fast, error-free, and support in detecting potential fraud. A proper algorithm, keeping in mind specific geographic, demographic, and additional essential parameters, would let the automated market maker (AMM) supply ample liquidity to pre-determined orders. AMMs are usually run by a set of sequential algorithms called a ‘smart contract’ (SM). Appropriate use of SM reduces food waste, contamination, extra or no delivery in due course, and, possibly most significantly, increases traceability. However, SM has definite vulnerabilities, making it less adaptable at times. We are investigating whether they are genuinely vulnerable during stressful periods or not. We considered seven SM platforms, namely, Fabric, Ethereum (ETH), Waves, NEM (XEM), Tezos (XTZ), Algorand (ALGO), and Stellar (XLM), as the proxies for food supply-chain-based smart contracts from 29 August 2021 to 5 October 2022. This period coincides with three stressed events: Delta (Covid II), Omicron (Covid III), and the Russian invasion of Ukraine. We found strong traces of risk transmission, comovement, and interdependence of SM return among the diversified SMs; however, the SMs focused on the food supply chain ended up as net receivers of shocks at both of the extreme tails. All these SMs share a stronger connection in both positive shocks (bullish) and negative shocks (bearish).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».