Reducing forced labour in supply chains: what could traditional companies learn from social enterprises?
Notice bibliographique
Résumé
Purpose Forced labour is one of the most exploitative practices in supply chains, generating serious human right abuses. The authors seek to understand how relationships for reducing forced labour are influenced by institutional logics. The emerging supply chain efforts of social enterprises offer particularly intriguing approaches, as their social mission can spur creative new approaches and reshape widely adopted management practices. Design/methodology/approach The authors study supplier relationships in the smartphone industry and compare the evolving practices of two cases: the first, a growing novel social enterprise; and the second, a high-profile commercial firm that has adopted a progressive role in combating forced labour. Findings The underlying institutional logic influenced each firm's willingness to act beyond its direct suppliers and to collaborate in flexible ways that create systematic change. Moreover, while both focal firms had clear, well-documented procedures related to forced labour, the integration, rather than decoupling, of forced labour and general supply chain policies provided a more effective way to reduce the risks of forced labour in social enterprises. Research limitations/implications As authors’ comparative case study approach may lack generalizability, future research is needed to broadly test their propositions. Practical implications The paper identifies preconditions in terms of institutional logics to successfully reduce the risk of forced labour in supply chains. Originality/value This paper discusses how social enterprises can provide a learning laboratory that enables commercial firms to identify options for supplier relationship improvement.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».