A two-phase model for resilient hub and mobile distribution centers location
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle