The Analysis for the Scale and Efficiency of China’s Major Automotive Enterprises Based on DEA Model
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
This paper uses Data Envelopment Analysis (DEA) to measure the scale and efficiency of 28 major automotive enterprises in Chinese, and the results show that at this stage, large automobile manufacturers of China are under-produced and the production is too scattered, and the overall efficiency of automobile manufacturers is low. One of the main reasons is that because of the low technical efficiency value, the technological innovation capability of enterprises needs to be strengthened. The other reason is that the low efficiency of a large number of enterprises lowers the overall efficiency level. There is a positive correlation between the scale and efficiency of automobile manufacturers. Whether it is the horizontal comparison between different enterprises (nature) or the vertical comparison between the same enterprises, all show that compared with small-scale enterprises, large-scale manufacturing enterprises not only have higher scale efficiency but also have higher technical efficiency. With the expansion of production scale, the scale of enterprises and technical efficiency have improved, which shows that for the automotive industry, compared with other factors, economies of scale is the main factor that affects the automotive industry, and not only is it reflected in the scale but also in technological innovation. Therefore, when formulating policies, the relevant departments should support the development of large-scale enterprises, encourage mergers and acquisitions among enterprises, increase R&D investment, support technological innovation, and set up a scientific market exit mechanism to reduce exit costs, such as guiding the transformation of enterprises and establish a competition mechanism for the survival of the fittest.
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 | 0,037 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 découle