AN ASSESSMENT OF THE IMPACT OF UNDESIRABLE OUTPUTS ON THE PRODUCTIVITY OF UNITED STATES MOTOR CARRIERS
Notice bibliographique
Résumé
The U.S. economy depends heavily on the trucking industry as it moves 70% of the entire nation's freight. With the inclusion of $295 billion in truck trade with Canada and $195.6 billion in truck trade with Mexico in 2007, it is apparent that any disruption in truck traffic will lead to rapid economic instability (ATA Releases: American Trucking Trends 2008 - 2009, 2008). Yet, the critical nature of the trucking industry comes at a societal price. Indeed, undesirable outputs, e.g., truck crashes and associated injuries and fatalities, have very significant economic and human consequences. This dissertation uses Data Envelopment Analysis (DEA) to investigate the impact of undesirable outputs on the productivity of the motor carrier industry during the years 1999-2003. Previous DEA studies at the firm level have focused on the relationship between inputs and desirable outputs. The proposed approach in this dissertation simultaneously considers both the positive and negative outputs. This dissertation addresses two key problems with the DEA analysis technique previously identified by Yang and Pollit (2009): i.e., failure to take into consideration undesirable outputs and the failure to assess the impact of exogenous variables on the DEA scores of individual firms. As a result, this study will provide a new perspective into the productivity of U.S. motor carriers by incorporating both of these considerations into a more comprehensive DEA analysis. It will also provide opportunities to evaluate how individual firms might change their mix of inputs in order to simultaneously maximize desirable outputs and minimize undesirable ones.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».