Multicriteria Project Portfolio Selection: Case Study for Intelligent Transportation Systems
Notice bibliographique
Résumé
Transportation strategies encompass a portfolio of projects in which choices must be made between competing alternatives. An appropriate portfolio of projects is essential for the success and growth of transportation agencies. The introduction and implementation of emerging technologies such as intelligent transportation systems (ITS) increase the need for more effective decision-making approaches and project selection in the coming years. Transportation projects, particularly, have a broad impact on the public and are multicriteria in nature. The projects also involve several elements of risk, such as project success, public acceptance, or public image. Traditional methods of project evaluation such as benefit–cost analysis focus mainly on the financial rewards of projects and do not sufficiently consider multicriteria and risk evaluations in an integrated framework. Development of an objective and systematic methodology that could address the multicriteria nature of the projects and also deal with their risks and rewards is necessary for both private and public agencies. This need is important particularly when new technologies are implemented, information on project impacts is insufficient, and resources are constrained. An integrated project portfolio selection model is introduced based on the well-established methodologies used for multicriteria evaluation and proven concepts used for portfolio selection in the finance discipline. The new methodology significantly facilitates decision making by integrating both the risk and the value of projects. A case study for selecting ITS projects in a public agency is demonstrated. Guidance is provided in nontechnical language for interpreting the outputs of the methodology.
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 | 0,036 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».