L'amélioration de la prévisibilité des approvisionnements forestiers
Bibliographic record
Abstract
Au cours des dernières années, le manque de prévisibilité des approvisionnements en bois a été identifié comme un facteur qui entrave la compétitivité du secteur forestier. Alors que plusieurs entités croient que le changement de régime forestier québécois de 2013 est l’un des facteurs ayant mené à cette affirmation, il semble que la présence de plus en plus marquée d’une relation client fournisseur dans les approvisionnements forestiers soit aussi partiellement responsable. La problématique du manque de prévisibilité des approvisionnements est composée de deux éléments. D’abord, aucune définition reconnue de la prévisibilité de l'approvisionnement en bois n'a été proposée par la communauté scientifique. De plus, dans la pratique, les intervenants ne semblent pas partager une compréhension commune des origines du manque de prévisibilité. En l’absence de connaissance sur les causes réelles, il s’avère difficile de proposer des recommandations. À ce jour, aucune étude ne s’est penchée sur la problématique du manque de prévisibilité des approvisionnements forestiers. Ce travail vise à combler cette lacune. Une série de 20 entrevues impliquant des intervenants de la chaîne d'approvisionnement forestier a été réalisée. En complément, un cas d’étude auprès d’une usine de pâtes et papiers du Québec a permis d'étudier la prévisibilité de l'approvisionnement en bois dans le cadre des pratiques d’achats au niveau opérationnel. Une méthode d'évaluation basée sur le processus de collecte de données en place, la politique d'allocation des contrats et les méthodes de prévision des acheteurs a été appliquée. Sur la base de nos résultats, nous définissons la prévisibilité des approvisionnements forestiers comme étant la capacité à anticiper l’offre de bois dans le temps, avec un certain degré de précision. Par la suite, les entrevues et l’étude de cas ont permis d’identifier 37 causes et 17 sources du manque de prévisibilité. Ces éléments ont été regroupés en cinq catégories. Enfin, cinq causes spécifiques à la gestion des fournisseurs et au suivi des ententes contractuelles sont à la base des recommandations visant à améliorer la prévisibilité dans un contexte d’achats de matière ligneuse. Quatre des recommandations proposées suggèrent une allocation de contrats basée sur les performances antérieures des fournisseurs. Une recommandation au niveau du suivi de la qualité des prévisions est aussi proposée.
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 | 0.009 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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".