Optimal green technology investment and lot-sizing decision under carbon tax and cap-and-trade regulations considering planned shortages, outsourced repair and batch shipments
Notice bibliographique
Résumé
In recent years, various issues such as industrial waste and emissions of greenhouse gases have led to serious environmental pollution. Industrial managers nowadays need to regard cutting carbon emissions as one of their principal responsibilities in relation to the environment, as industry is a major source of carbon emissions. Two prominent regulatory approaches to reducing carbon emissions from operations are the carbon tax and the cap-and-trade system. The existing literature on inventory studies has often considered the market-expanding effects of greening efforts. Nevertheless, a number of additional factors exert influence on greening efforts, with the cost reduction effect representing a critical one. This paper develops an inventory system in which each time a lot of items is received, a proportion of items are found to be of imperfect quality; to identify these, the retailer carries out a 100% inspection of goods received. Following this inspection, the saleable items are added to the inventory in the warehouse in batches of equal size, rather than one by one, and the retailer allows backordering to meet demand. Carbon emissions are incurred at every stage, including ordering, purchasing, repairing, transporting, and holding, so advanced green technology is employed to reduce them. Imperfect products can be sold to a second-hand market or sent to a repair shop. The model discussed in this paper calculates, for both options, the most cost-effective lot size for orders, shortage quantity, scale of green investment and number of batches.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».