A multi-disruption risk analysis system for sustainable supply chain resilience
Notice bibliographique
Résumé
As global Supply Chains (SCs) face increasing complexities and risks, organizations must balance operational efficiency with preparedness for unforeseen disruptions. Recent events, including the devastating floods or wildfires and the impacts of the volatility of international relations , have underscored the vulnerability of SCs. The study explores the critical need for combining supply chain management , risk management, and sustainability for the systematic analysis of disruption risks from the unpredictability of natural disasters, man-made events, and rapid technological advancements. We develop a decision support system integrating the fuzzy C-means clustering and integrated multi-criteria decision-making approach for risk categorization and prioritization, respectively. The developed framework considers the significance of multiple risk factors (e.g., urgency and vulnerability) in the risk disruption analysis process through the hybrid Bayesian best-worst method-combined compromise solution approach. This enables managers to identify critical disruption risks (e.g., communication network disruptions, production facility-related risk, and increased demand for certain goods) while observing their adverse effects on the resiliency of sustainable SCs. Compared to the traditional risk priority number , the proposed system includes the importance of risk factors and provides a more stable and separable ranking, empowering managers to deal with potential resource limitations. This study also suggests risk mitigation strategies to alleviate the negative consequences of disruptions within organizational constraints and improve sustainable SC responsiveness to future disasters.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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 ».