MétaCan
Menu
Retour à la cohorte
Enregistrement W2953536941 · doi:10.1080/00207543.2019.1634846

On two-tier healthcare system under capacity constraint

2019· article· en· W2953536941 sur OpenAlexaff
Wuhua Chen, Zhe George Zhang

Notice bibliographique

RevueInternational Journal of Production Research · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare Operations and Scheduling Optimization
Établissements canadiensSimon Fraser University
Organismes subventionnairesChina Postdoctoral Science FoundationNational Natural Science Foundation of China
Mots-clésTollConstraint (computer-aided design)BusinessGovernment (linguistics)Health careCapacity utilizationSocial WelfareWelfareOperations managementEconomicsMicroeconomicsEngineeringMedicine

Résumé

récupéré en direct d'OpenAlex

In the healthcare industry, to reduce the waiting time for patients, policy makers may allow private hospitals (or called the toll system) to enter the market. However, when the total healthcare capacity in the market is limited (e.g. the number of medical staff or equipment is limited), the entrance of the toll system may offer higher salaries to attract medical staff from public hospitals (or called the free system) and reduce its capacity. Then whether or not introducing toll system in the system can reduce the waiting time becomes an issue. In this paper, we investigate the impact of capacity constraint on a two-tier healthcare system. The results show that when the total capacity is tight enough, the two-tier healthcare system often yields less social welfare than the one-tier free system; and when the total capacity is sufficient (the demand does not exceed the total capacity), the two-tier healthcare system improves the social welfare. Specially, we find under certain conditions the capacity constraint can improve social welfare. In addition, if the capacity constraint has a negative effect on the two-tier system’s performance, the government can set an appropriate upper limit for the toll system’s capacity to remove the negative effect.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0030,003
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0190,001

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 Opus0,273
Tête enseignante GPT0,547
Écart entre enseignants0,274 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Production ResearchMême sujetHealthcare Operations and Scheduling OptimizationTravaux en français237 207