La contribution des fournisseurs privilégiés à l’intégration de la chaîne logistique : mythe ou réalité ?
Bibliographic record
Abstract
Depuis un peu plus de deux décennies, l’évolution croissante du phénomène d’impartition a contribué à la remise en question des modèles traditionnels de désintégration et de quasi-intégration verticale. Les entreprises manufacturières, confrontées à la nécessité d’amoindrir les effets pervers résultant de leur redéploiement spatial, ont mis en place diverses stratégies d’approvisionnement basées sur une caractérisation des fournisseurs. Les fournisseurs privilégiés (FP) vise ainsi à procurer aux grands donneurs d’ordres (GDO) une sécurité accrue d’approvisionnement pour des produits de très haute qualité au meilleur coût d’achat possible. Si cette stratégie semble rencontrer ces objectifs particuliers, nos résultats démontrent que ces FP ne sont pas en mesure d’offrir une prestation logistique intégrée de gestion des cycles supportant l’intégration de la chaîne logistique du GDO. Cela s’expliquerait par la centralisation des actes de commandement chez le GDO et l’absence d’une vision globale des enjeux logistiques chez les FP.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.015 |
| Scholarly communication | 0.013 | 0.017 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".