Sustainable and resilient cold chains: Enhancing adaptability, consistency, and digital transformation for success in a turbulent market
Notice bibliographique
Résumé
Abstract Sustainable and resilient cold chains (CC) are the backbone of several industries, ensuring the seamless transport and storage of temperature‐sensitive products ranging from fresh produce and pharmaceuticals to life‐saving vaccines. Particularly in times of disruptions, such as natural disasters or global health crises, the sustainability and resilience of CCs become even more crucial, highlighting the urgent need for research, innovation, and strategic planning in this domain. This study conducted a systematic review of the sustainable and resilient CC research literature. A total of 143 high‐quality articles were shortlisted from the Web‐of‐Science (WoS) database for in‐depth content analysis. This review clarifies the existing results and highlights the trending themes and persistent gaps in research pertaining to CC in a business context and at a strategic level. It covers notably disruptions and related impacts, the relationship between sustainability and resilience in CC, decision tools for sustainable and resilient CC, CC sustainability and resilience performance areas and measurement metrics, data‐driven digital transformation for sustainable and resilient CC, and strategies for developing sustainable and resilient CC strategies. The results reveal that research on sustainable and resilient CC is growing; however, the field remains dominated by research methods that need to establish causality formally. Furthermore, the research area is fragmented into several subareas, and more conceptual and theoretical work is needed to advance the theoretical foundation of the domain. Finally, a proposed research agenda suggests 17 future avenues for improving the contribution to sustainable and resilient CC research.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».