MétaCan
Menu
Retour à la cohorte
Enregistrement W3047070917 · doi:10.5539/ijef.v12n9p35

Technical Inefficiency of District Hospitals in Côte d'Ivoire: Measurement, Causes and Consequences

2020· article· en· W3047070917 sur OpenAlexvenueno aff
Tito Nestor Tiehi

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2020
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEfficiency Analysis Using DEA
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInefficiencyData envelopment analysisHealth carePer capitaBusinessEconomic growthEconomicsPublic economicsEnvironmental healthMedicinePopulationStatistics

Résumé

récupéré en direct d'OpenAlex

The aim of this study is to estimate the level of inefficiency and to identify the causes and consequences of Cote d’Ivoire public hospitals inefficiency. To that effect, we are using the non-parametric Data Envelopment Analysis (DEA) and the double Bootstrap procedures to analyze the data. The analysis of data from the Ministry of Health in Cote d’Ivoire reveals that districts’ hospitals are not technically efficient. This situation has a negative impact on hospital output in the country. Thus, the health system is impacted by the inefficiency of districts’ hospitals in accommodating the demand of health care. That technical inefficiency remains dependent on environmental factors that constitute an impediment for some of the levers ((ratio of doctors per capita, malnutrition, average length of stay, geographical access, and correlation Tuberculosis / HIV) and others (number of doctors in medical staff) able to increase hospitals technical efficiency. The outcomes of this study reveal two main stakes: firstly, the need for improvement of hospitals productive efficiency and secondly, the need for a better planning and utilization of the resources allocated to the health sector. Providing adequate responses to these concerns is extremely important for the country’s ambition to establish a universal health insurance system and improve the quality of health care services.

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)0,004
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,137

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,006
Études des sciences et des technologies0,0010,002
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,100
Tête enseignante GPT0,338
Écart entre enseignants0,238 · 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'étudeObservationnel
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

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetEfficiency Analysis Using DEATravaux en français237 207