Logistic Postponement as a Risk Management Tool: A Real Options Valuation (ROV) Approach to Evaluate the Effectiveness of a Logistic Postponement Strategy in Mitigating the Demand Variability Risk in Global Supply Chains
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
Recent world events such as the coronavirus pandemic and the war in Ukraine have caused increases in supply chain disruptions along global supply chains. The resulting supply chain challenges necessitate an increased effort in improving supply chain risk management for companies around the world. One source of uncertainty that is increasingly difficult to deal with is demand variability. With both supply and demand becoming increasingly difficult to predict, companies need tools to manage demand variability. Our work evaluates a logistic postponement solution to demand variability where safety stock is shipped from an overseas supplier to a distribution center instead of being shipped directly to retailers. By taking advantage of risk pooling, the proposed strategy aims at reducing stockouts at retailers well also reducing the present value of total costs incurring along the supply chain. A real options valuation (ROV) approach is used in this thesis to present both a theoretical model and a computational model. The theoretical model aims to provide an approach for supply chain practitioners to compare the logistic postponement strategy to their current strategy using historical data. On the other hand, the computational model incorporates some simplifications in the theoretical model to avail it for simulation. Sensitivity analyses conducted aim to provide an analysis on the potential cost savings and stockout reductions a logistic postponement strategy can provide.
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 | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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