Concevoir des organisations logistiques collectives et intelligentes pour les circuits courts alimentaires. Méthodes et mise en pratique
Bibliographic record
Abstract
Les exploitations qui vendent leurs produits en circuits courts sont confrontées à la nécessité de réaliser, gérer et planifier un nombre plus ou moins grand de tâches logistiques et de transport et cela, en plus des activités de production qui sont le coeur de leur métier. Cela concerne, par exemple, les activités de conditionnement des produits, de préparation de commande, de chargement ou encore de livraison. L'ensemble des opérations réalisées, et la façon dont elles sont coordonnées et planifiées sur la ferme forment l'organisation logistique. Chaque exploitation a sa propre organisation logistique et c'est elle qui garantit la bonne circulation des marchandises, mais aussi des flux d'informations et des flux financiers de la ferme jusqu'à l'assiette. L'organisation logistique est dépendante des stratégies propres de l'exploitant mais impacte directement la quantité de travail à mener, le temps à consacrer, les moyens nécessaires à la commercialisation et donc la rentabilité de l'exploitation. Le précédent projet de recherche ALLOCIRCO mené dans le Nord et le Pas-de-Calais entre 2012 et 2015 a révélé un besoin d'optimisation de ces tâches à l'échelle de l'exploitation : les tâche logistiques et de transport sont chronophages, peuvent être coûteuses et ce coût n'est pas toujours calculé et/ou intégré au prix de vente. Les chaînes courtes d'approvisionnement sont ainsi confrontées à une situation inédite : les producteurs portent à la fois les tâches logistiques et leurs coûts sans redistribution tout au long de la chaîne d'approvisionnement. Outre la part des coûts de transport pouvant être importante, c'est la rentabilité même de certaines livraisons qui se pose. Le bilan environnemental est aussi parfois critiquable au regard de leurs émissions de GES et de polluants atmosphériques.
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 | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.027 | 0.008 |
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".