Comment implanter les mesures de résilience d’une chaîne logistique ? Une étude de cas du secteur québécois de la santé
Bibliographic record
Abstract
La pandémie de la Covid-19 a propulsé le concept de résilience de la chaîne logistique alors que plusieurs d’entre elles subissaient les contrecoups de cet événement planétaire. Pour le secteur de la santé, des études ont justement formulé de nombreuses recommandations afin d’assurer la résilience de cette chaîne logistique. Cependant, ces mêmes études demeurent peu explicites sur la façon dont un acteur ou des acteurs s’imposeront à l’intérieur de la chaîne et dans le cas de la résilience, qui pourra articuler et assurer la mise en œuvre des recommandations. Cette observation renvoie à des constats soulevés dans la littérature sur les défis de l’opérationnalisation de la résilience de la chaîne logistique. Ainsi, cet article pose la question suivante : comment une organisation-pivot de la chaîne logistique de la santé peut-elle émerger afin de mettre en œuvre ces mesures de résilience ? Pour y répondre, cette recherche mobilise la méthode des cas et revient sur les événements du secteur public de la santé de la province de Québec. Les résultats questionnent l’intérêt d’une organisation-pivot comme orchestre des décisions en faveur de la résilience de la chaîne logistique.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".