MEASURING SENSITIVITY OF PROCUREMENT DECISIONS USING SUPERIORITY AND INFERIORITY RANKING
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.
Notice bibliographique
Résumé
Wrong decisions or inappropriate selection of equipment may lead to increase in cost and reduction in efficiency and effectiveness. Selecting right equipment has always been a key factor in the success of the process it is used for. In this study, superiority and inferiority ranking (SIR) methodis utilized for evaluation of most suitable offer for procurement of equipment installed inside a facility, whereas, analytical hierarchy process (AHP) is used to calculate the weights of factors that influence procurement decision. To achieve this target, a methodological framework of a series of interviews are conducted, then two questionnaire surveys are developed for identifying the important factors affecting the selection process of equipment and determining their relative importance. A solution of the problem is then designed in a model using AHP and SIR methods in addition to using the simple additive weighting (SAW) and technique for order preference by similarity to the ideal solution (TOPSIS) procedures to generate the superiority and inferiority flows. The model is generic and flexible and is used for the application of the multiple criteria decision making (MCDM) methods in the procurement process. The model also offers an efficient and convenient tool that aids its users to act in an orderly and methodical thinking, and guides them in making logical and robust decisions. A case study is presented to demonstrate the use of the developed model and sensitivity analysis is carried out to measure the robustness of the model in different scenarios.
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 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 | 0,009 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle