Evaluation of agriculture-food 4.0 supply chain approaches using Fermatean probabilistic hesitant-fuzzy sets based decision making model
Notice bibliographique
Résumé
The benchmarking of agri-food 4.0 supply chain (Agri4SC) falls under the multiple criteria problem in supply chain visibility (SCV) and supply chain resource integration (SCRI) for improving data analytics capabilities and achieving sustainable performance (SP). It is considered a multiple criteria decision-making (MCDM) problem due to three main concerns, namely, multiple Agri4SC evaluation criteria including the SCV, SCRI and SP criteria. These criteria have relative importance and trade-offs. Despite the tremendous efforts over the last years, none of the developed Agri4SCs have met all of the essential Agri4SC evaluation criteria. Another concern raised in the evaluation and benchmarking of the Agri4SC is the uncertainty of experts. Thus, the main contribution of this research is to propose an Agri4SC benchmarking framework in SCV and SCRI for improving data analytics capabilities and achieving SP based on an extension of the proposed Fermatean probabilistic hesitant fuzzy sets (FPHFSs) and MCDM methods. The methodology process is divided into six main parts. Firstly, an Agri4SC decision matrix is formulated based on the intersection of the Agri4SC alternatives and criteria to cover multiple Agri4SC evaluation criteria issues. Secondly, novel FPHFSs are proposed along with their operational laws, score function, accuracy function, Fermatean probabilistic hesitant fuzzy average mean operator and Fermatean probabilistic hesitant fuzzy weighted average operator. The FPHFS can encompass more sophisticated and uncertain evaluation information. Thirdly, Fermatean probabilistic hesitant fuzzy weighted zero inconsistency is formulated to assign weights to the evaluation criteria. Fourthly, the Fermatean probabilistic hesitant fuzzy decision by opinion score method (FPH-FDOSM) is formulated and used to score the alternatives that were evaluated subjectively based on SCV criteria. Fifthly, the FPH-FDOSM-based multi attributive ideal-real comparative analysis (MAIRCA) scoring method with equal probabilities is proposed to score Agri4SC alternatives that were evaluated subjectively based on weighted economic, environmental and social factors. Lastly, the MAIRCA ranking method with unequal probabilities is introduced to benchmark Agri4SC alternatives that were evaluated objectively based on the weighted subcriteria of SP and the trade-offs amongst the identified criteria. The robustness and reliability of the results are tested via sensitivity analysis and Spearman’s correlation coefficient.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».