Sustainable Supply Chain Risk Management in a Climate-Changed World: Review of Extant Literature, Trend Analysis, and Guiding Framework for Future Research
Notice bibliographique
Résumé
In the face of climate change (CC), “business as usual” is futile. The increased frequency and intensity of extreme weather events (e.g., hurricanes, floods, droughts, and heatwaves) have hurt lives, displaced communities, destroyed logistics networks, disrupted the flow of goods and services, and caused delays, capacity failures, and immense costs. This study presents a strategic approach we term “Climate-Change Resilient, Sustainable Supply Chain Risk Management” (CCR-SSCRM) to address CC risks in supply chain management (SCM) pervading today’s business world. This approach ensures supply chain sustainability by balancing the quadruple bottom line pillars of economy, environment, society, and culture. A sustainable supply chain analytics perspective was employed to support these goals, along with a systematic literature network analysis of 699 publications (2003–2022) from the SCOPUS database. The analysis revealed a growing interest in CC and supply chain risk management, emphasizing the need for CCR-SSCRM as a theoretical guiding framework. The findings and recommendations may help to guide researchers, policymakers, and businesses. We provide insights on constructing and managing sustainable SCs that account for the accelerating impacts of CC, emphasizing the importance of a proactive and comprehensive approach to supply chain risk management in the face of CC. We then offer directions for future research on CCR-SSCRM and conclude by underlining the urgency of interdisciplinary collaboration and integration of climate considerations into SCM for enhanced resilience and sustainability.
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 | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».