Role of System Resilience in Dealing with Threats Using an Entropy-Based TOPSIS Approach: A Case Study in an Oil Products Distribution Company
Notice bibliographique
Résumé
Objectives: The current study aimed at assessing the ability of system resilience against threats using an integrated method based on entropy and technique for order of preference by similarity to ideal solution (TOPSIS) in an oil company. Methods: The threats were identified through field observation, literature review, and expert opinion in the industry. Afterward, the required data were gathered, and the resilience status was examined using three structured questionnaires for each category of the threats. The weights of resilience criteria computed for each group of the threats using entropy, and were then ranked through the TOPSIS method. Results: Learning (0.34) and anticipating (0.15) had the highest and lowest impacts on the category of regular threats, respectively. In the case of irregular threats, anticipating (0.31) and monitoring (0.21) had the highest and lowest impacts, respectively. As for unexampled threats, learning and anticipating (0.26) had the highest impact, and responding (0.23) had the lowest impact. The results of TOPSIS analysis indicated that regular threats, irregular threats, and unexampled threats were ranked in the first, second, and third positions with scores of 0.52, 0.48, and 0.46, respectively. Conclusions: To ameliorate resilience in complicated systems, managers should strengthen RE-related indicators along with working on the indicators which are in poor condition. The findings of this study can be used by managers and decision-makers to identify system weaknesses and improve comprehensive technical and applied plans.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».