A three-phase framework for mapping barriers to blockchain adoption in sustainable supply chain
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
Purpose Blockchain technology is one of the major contributors to supply chain sustainability because of its inherent features. However, its adoption rate is relatively low due to reasons such as the diverse barriers impeding blockchain adoption. The purpose of this study is to identify blockchain adoption barriers in sustainable supply chain and uncovers their interrelationships. Design/methodology/approach A three-phase framework that combines machine learning (ML) classifiers, BORUTA feature selection algorithm, and Grey-DEMATEL method. From the literature review, 26 potential barriers were identified and evaluated through the performance of ML models with accuracy and f-score. Findings The findings reveal that feature selection algorithm detected 15 prominent barriers, and random forest (RF) classifier performed with the highest accuracy and f-score. Moreover, the performance of the RF increased by 2.38% accuracy and 2.19% f-score after removing irrelevant barriers, confirming the validity of feature selection algorithm. An RF classifier ranked the prominent barriers and according to ranking, financial constraints, immaturity, security, knowledge and expertise, and cultural differences resided at the top of the list. Furthermore, a Grey-DEMATEL method is employed to expose interrelationships between prominent barriers and to provide an overview of the cause-and-effect group. Practical implications The outcome of this study can help industry practitioners develop new strategies and plans for blockchain adoption in sustainable supply chains. Originality/value The research on the adoption of blockchain technology in sustainable supply chains is still evolving. This study contributes to the ongoing debate by exploring how practitioners and decision-makers adopt blockchain technology, developing strategies and plans in the process.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| 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