Comment implanter les mesures de résilience d’une chaîne logistique ? Une étude de cas du secteur québécois de la santé
Notice bibliographique
Résumé
La pandémie de la Covid-19 a propulsé le concept de résilience de la chaîne logistique alors que plusieurs d’entre elles subissaient les contrecoups de cet événement planétaire. Pour le secteur de la santé, des études ont justement formulé de nombreuses recommandations afin d’assurer la résilience de cette chaîne logistique. Cependant, ces mêmes études demeurent peu explicites sur la façon dont un acteur ou des acteurs s’imposeront à l’intérieur de la chaîne et dans le cas de la résilience, qui pourra articuler et assurer la mise en œuvre des recommandations. Cette observation renvoie à des constats soulevés dans la littérature sur les défis de l’opérationnalisation de la résilience de la chaîne logistique. Ainsi, cet article pose la question suivante : comment une organisation-pivot de la chaîne logistique de la santé peut-elle émerger afin de mettre en œuvre ces mesures de résilience ? Pour y répondre, cette recherche mobilise la méthode des cas et revient sur les événements du secteur public de la santé de la province de Québec. Les résultats questionnent l’intérêt d’une organisation-pivot comme orchestre des décisions en faveur de la résilience de la chaîne logistique.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 ».