MétaCan
Menu
Retour à la cohorte
Enregistrement W4411044220 · doi:10.18280/jesa.580418

Hybrid AHP-DEMATEL Model for Prioritizing Key Resilience and Sustainability Drivers and Controllers in Agri-Food Supply Chains

2025· article· en· W4411044220 sur OpenAlexvenueno aff
Juan Carlos Muyulema Allaica, Christina Michelle Menéndez-Zaruma, Jaqueline Elizabeth Balseca-Castro, Francisco Xavier Aguirre-Flores

Notice bibliographique

RevueJournal Européen des Systèmes Automatisés · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain Resilience and Risk Management
Établissements canadiensnon disponible
Organismes subventionnairesEscuela Superior Politécnica de Chimborazo
Mots-clésKey (lock)Resilience (materials science)Supply chainSustainabilityAnalytic hierarchy processBusinessProcess managementRisk analysis (engineering)Computer scienceEnvironmental economicsOperations researchEngineeringEconomicsComputer securityMarketing

Résumé

récupéré en direct d'OpenAlex

Agri-food systems are fundamental at the intersection of agriculture and industrialization, playing a crucial role in global food production and distribution.However, each agri-food supply chain (AFSC) has unique characteristics, posing the challenge of identifying tools and strategies that can be adapted to diverse contexts.Sustainability has now become a priority, driven by increasing consumer awareness of the environmental impact of agricultural and industrial practices.This shift has transformed sustainability from a trend into a necessity to ensure efficient and resilient operations.Achieving this requires effective cooperation across all supply chain links, promoting the integration of economic, social, political, and environmental aspects.This study aims to identify and prioritize the key drivers and enablers of resilience and sustainability in AFSCs.Through a systematic literature review (SLR), drivers were grouped with their respective enablers, creating a framework to assess their impact on the performance of each supply chain component.The Analytical Hierarchy Process (AHP) was used to assign weights to the drivers, while the Decision-Making Trial and Evaluation Laboratory (DEMATEL) method was applied to evaluate interactions between variables and establish a ranking of their relative influence.The results revealed that the driver "Evolution of Agricultural Systems" had the highest weighting, followed by "Water Footprint."Regarding enablers, the highest-scoring factors were "Redesign and Coordination of Operations" and "Collaboration Across Supply Chain Links."These findings provide a solid foundation for strategic decision-making to enhance the sustainability and resilience of AFSCs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,008
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0050,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,243
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal Européen des Systèmes AutomatisésMême sujetSupply Chain Resilience and Risk ManagementTravaux en français237 207