Social Sustainability of Raw Rubber Production: A Supply Chain Analysis under Sri Lankan Scenario
Notice bibliographique
Résumé
Raw rubber production is the sole foundation for the rubber product industry, rendering raw rubber to manufacture essential commodities to mankind, such as tires, condoms, surgical gloves, and so forth. Raw rubber production involves various stakeholders; however, literature focusing on the social impacts of the supply chains of raw rubber production has hereto been absent. Social life cycle assessment, a popular tool to assess the social impacts of a product or process and was deployed herein to assess the social profiles of three Sri Lankan raw rubber supply chains (crepe rubber, concentrated latex, and ribbed smoked sheets) in a cradle-to-gate manner. The Social Hotspots Database v4 on Sima Pro v9.3 was used for the analysis. Results indicated that Governance, Labour rights & decent work had been affected due to Corruption and Freedom of association & collective bargaining issues, mainly in Belarus and China. Proposed improvement options to address these touchpoints were found to be effective. If the importation of K-fertilizer shifted into countries with lower risks, such as Canada, Israel, and Lithuania, overall social risks associated with Corruption and Freedom of association & collective bargaining could be reduced by ca. 36% and 25%, respectively. As a result, social risks in the impact described above categories, i.e., Governance and Labor rights & decent work, were reduced by ca. 35–41% and ca. 17–20%, respectively. Managers may pay thorough attention to the hotspots identified herein in the first place and try to avoid them as much as possible. They may consider importation from the aforesaid low-risk countries while weighing the trade-offs with economic and environmental aspects.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».