Analyzing the barriers to resilience supply chain adoption in the food industry using hybrid interval-valued fermatean fuzzy PROMETHEE-II model
Notice bibliographique
Résumé
The resilient food supply chain (RFSC) has been identified as an effective model for mitigating food supply chain (FSC) risks. However, there exist many barriers impacting the implementation of the RFSC. Further, previous studies seldom utilize integrated decision models for identifying and ranking the barriers to implementing RFSC within uncertain environments. Thus, the study establishes an interval-valued Fermatean fuzzy (IVFF) decision framework to identify and rank these barriers. The framework is classified into four stages. First, to model the interaction between preference information, we introduce the IVFF-prioritized weighted average (PWA) operator to collect this information. Then, an integrated IVFF-CRITIC method is proposed to calculate the barrier weights considering their inter-correlation relationships. Next, the IVFF-PWA operator and IVFF-CRITIC method are incorporated into the PROMETHEE-II model to rank the barrier levels of alternative participation in the FSC. Further, a case study about analyzing implementation barriers to RFSC is employed to test the effectiveness and practicality of the presented framework. The result shows that the participation food processing company (priority: 0.161) has the highest barrier level. The findings of this article may offer decision support to stakeholders for mitigating the barriers to implementing a resilient supply chain in the food industry.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».