Weather rebate contracts for different risk attitudes of supply chain members
Notice bibliographique
Résumé
Firms that deal with weather-sensitive products are often exposed to weather risk. How a weather rebate contract can be implemented to improve the performance of a supplier-retailer supply chain is investigated. The supplier offers a weather rebate to the retailer to compensate for the loss of sales due to weather risk. Depending on certain weather conditions, the retailer receives the rebate if it orders beyond a predefined ordering quantity. Depending on its risk attitude, the supplier uses weather derivatives to minimize the downside risk. The performance of weather rebate contracts is analyzed for three cases: risk-neutral supplier and risk-averse retailer, risk-averse supplier and risk-neutral retailer, and risk-averse supplier and risk-averse retailer. Conditional Value at Risk (CVaR) is used as the risk measure. The supply chain coordination under weather risk is investigated, and the specific conditions of a weather rebate contract leading to a Pareto-improving solution for both parties are obtained. To the best of the authors’ knowledge, this is the first study that investigates the weather rebate contract incorporating the risk attitude of the firms using a cooling degree days (CDD)/heating degree days (HDD)-based rebate structure. A comparative analysis between the weather rebate and wholesale price contracts is carried out based on the actual temperature and demand data. The results show that the weather rebate contract outperforms the regular wholesale price contract in all three cases. The study also demonstrates how to use weather derivatives to improve the performance of a supply chain dealing with weather-sensitive products.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».