The Role and Potential of Freight Transportation Sourcing in Achieving Transport Sustainability
Notice bibliographique
Résumé
Climate change is a serious global environmental threat that is a direct consequence of elevated greenhouse gas (GHG) concentrations in the atmosphere. Transportation, and road transportation in particular, relies heavily on the consumption of fossil fuels, and contributes to rising levels of GHG emissions. Freight shippers have a great influence on the GHG emissions through their transportation sourcing and supplier management practices. When shippers utilize sustainability in their truck carrier selection decisions, and reward and educate in their supplier relationships, carriers have an incentive to be greener. Insights on transportation sourcing and supplier management practices affecting sustainability were developed from an online survey of Canadian shippers completed in early 2014. The survey identified the popularity of weak versus strong sustainable carrier sourcing practices. The authors find that carrier sourcing and carrier supplier management are some of the least utilized “best practice” of shippers but this strategy has high potential to reduce GHG emissions. An analysis of the motivations and barriers for adopting more sustainable carrier sourcing practices indicates that the motivation of firms to include sustainability in their sourcing decision is increasing. The major barriers to incorporating sustainability in carrier sourcing are profit impact and effective GHG footprint measurement but third party carbon measurement programs such as SmartWay and those offered by third party logistics suppliers are reducing these barriers. These findings are useful to shippers seeking to incorporate sustainability in their sourcing decisions, to carriers who seek to differentiate their product in the “green” dimension and the public sector, which can influence the motivations and barriers.
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 | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».