Improving Transportation Procurement in the Humanitarian Sector: A Data‐driven Approach for Abnormally Low Bid Detection
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
Aid organizations choose their service providers through reverse auctions to decrease their operational costs, and many of them award the contracts to the lowest bidders, which often leads to aggressive bidding practices and compromised service quality. This is known as the abnormally low bids (ALBs) problem in public procurement. An ALB is defined as an unrealistically low bid submitted to win an auction, an amount at which the auctioned service cannot be provided reliably. The current literature on ALBs in the humanitarian sector is rather sparse. This study presents a data‐driven contract awarding framework that aims at eliminating ALBs so that service levels can be improved significantly. We conducted our analyses in the context of a developing country, where the transportation market data are almost non‐existent. We derived our research questions through an exploratory research performed in African headquarters of an International Humanitarian Organization located in Kenya, and we constructed our quantitative models based on interviews with humanitarian practitioners and representatives of the carriers. We collected historical transport rate data from numerous carriers that serve multiple shippers, and we developed a methodology that can objectively identify ALBs, based on lane and contract specifications that are derived from the market. Furthermore, we estimated the effect of ALBs on service levels and we compared different contract settings under simulated market conditions. The results of the simulation analyses demonstrate that mitigating ALBs would improve the service levels significantly more than the commonly used fuel surcharge clauses in contracts.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 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