MétaCan
Menu
Retour à la cohorte
Enregistrement W1691834761 · doi:10.1111/pbaf.12057

Impact of Consumption and Cost Forecasting on United States Defense Fuel Budgeting

2015· article· en· W1691834761 sur OpenAlex
Shannon M. Lloyd, Ketra Schmitt, Nicholas M. Rotteveel, Timothy B. Schwartz, Cameron Stanley

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevuePublic Budgeting &amp Finance · 2015
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueDefense, Military, and Policy Studies
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésVariance (accounting)Fuel efficiencyConsumption (sociology)Motor fuelEconomicsBusinessFuel oilOperations managementEngineeringWaste managementAccountingGasoline

Résumé

récupéré en direct d'OpenAlex

Between 2000 and 2011, Department of Defense (DOD) annual fuel expenditures were between $1 and $9 billion higher than budget estimates (excluding 2009, when DOD underestimated fuel expenditures). Fuel budget variance is generally attributed to increasing fuel prices. However, DOD fuel expenditures are driven by two parameters—the unit cost of fuel and the amount of fuel consumed. Cost variance was responsible for 80 percent of the fuel budget variance on average. Crude oil price increase drove most of this cost variance. Consumption variance was responsible for the remainder of the fuel budget variance, and was particularly important during initial wartime operations in Afghanistan and Iraq. Consumption variance was driven by DOD's planned use of emergency rather than base appropriations to pay for overseas contingency operations. Both increasing fuel prices and reliance on emergency appropriations puts defense operations at risk and increases costs to taxpayers. Improvements to current planning, budgeting, and financing practices are needed to manage this risk.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,349
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,181
Tête enseignante GPT0,298
Écart entre enseignants0,117 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle