Comparative performance analysis of European airports by means of extended data envelopment analysis
Notice bibliographique
Résumé
SUMMARY Data envelopment analysis (DEA) has become an established approach for analyzing and comparing efficiency results of corporate organizations or economic agents. It has also found wide application in comparative studies on airport efficiency. The standard DEA approach to comparative airport efficiency analysis has two feeble elements, viz. a methodological weakness and a substantive weakness. The methodological weakness originates from the choice of uniform efficiency improvement assessment, whereas the substantive weakness in airport efficiency analysis concerns the insufficient attention for short‐term and long‐term adjustment possibilities in the production inputs determining airport efficiency. The present paper aims to address both flaws by doing the following: (i) designing a data‐instigated distance friction minimization (DFM) model as a generalization of the standard Banker–Charnes–Cooper model with a view to the development of a more appropriate efficiency improvement projection model in the Banker–Charnes–Cooper version of DEA and (ii) including as factor inputs also lumpy or rigid factors that are characterized by short‐term indivisibility or inertia (and hence not suitable for short‐run flexible adjustment in new efficiency stages), as is the case for runways of airports. This so‐called fixed factor case will be included in the DFM submodel of the DEA. This extended DEA—with a DFM and a fixed factor component—will be applied to a comparative performance analysis of several major airports in Europe. Finally, our comparative study on airport efficiency analysis will be extended by incorporating also the added value of the presence of shopping facilities at airports for their relative economic performance. Copyright © 2012 John Wiley & Sons, Ltd.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».