A two-phase model for resilient hub and mobile distribution centers location
Notice bibliographique
Résumé
Hub location is crucial for resilient and uninterrupted supply chain operations, particularly during disruptions or unforeseen events. In this paper, we propose a resilience hub location framework for Third Party Logistics (3PL) companies with two key objectives: optimizing demand flows and establishing a resilient network capable of with-standing sudden disruptions. The study aims to identify the key criteria that contribute to the successful implementation of the resilient center. The proposed structure utilizes a two-phase decision-making methodology. The first phase presents a new Multi-Criteria Decision-Making (MCDM) approach called SWARA-EDAS method that evaluates and ranks potential locations based on resiliency criteria. The second phase proposes an optimization model to determine the optimal hub location. To illustrate the approach, a real-world case study of a 3PL company in Tehran is included. Due to the absence of precise demand data in the case study, a novel clustering approach is proposed to estimate the demand flow. Each individual cluster can be considered as a distinct demand point, and a clustering analysis involving 122 regions within Tehran is conducted, taking into account various factors such as population, economic index, accessibility to the Internet, and number of business units. To enhance the resiliency of the network, mobile distribution centers are also deployed. These mobile centers not only provide flexibility but also serve as backup capabilities in the event of a disruption or failure at the fixed hub. The proposed structure offers practical in-sights for 3PL companies seeking to implement a resilient network structure.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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 ».