Technical Efficiency of Public Service Hospitals in Indonesia: A Data Envelopment Analysis (DEA)
Notice bibliographique
Résumé
In order to promote efficiency and the development of hospitals’ services, the Government of Indonesia has issued specific policy which require all of the government-owned hospitals to be managed based on the principals applied in public services agency (Badan Layanan Umum/Badan Layanan Umum Daerah (BLU/BLUD)). The policy of BLU/BLUD is to grant each hospital authorization in managing their funds and resources under the principles of public accounting. Unfortunately, not all government-owned hospitals were granted BLU/BLUD authorization, especially hospitals outside of Jakarta, because local government did not wish to lose one of their main income. The main focus of this research is to calculate the efficiency of the hospitals of which have been granted BLU/BLUD, since one of the main purposes of BLU/BLUD is to provide high quality and efficient health care to the public. The measurement of hospitals’ efficiency is not an easy thing to do, since there are so many inputs and outputs that were related to each other. Which is why, this research is measuring the efficiency level using the DEA (Data Envelopment Analysis) which is able to provide efficiency calculation with multiple inputs and outputs. With the total samples of 82 BLU/BLUD hospitals, this research concluded that the average of hospital’s efficiency score is still on the level of 78.9 % out of 100%.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».