MétaCan
Menu
Retour à la cohorte
Enregistrement W3093862715 · doi:10.1111/poms.13293

Improving Transportation Procurement in the Humanitarian Sector: A Data‐driven Approach for Abnormally Low Bid Detection

2020· article· en· W3093862715 sur OpenAlexaff
Feyza G. Sahinyazan, Marie‐Ève Rancourt, Vedat Verter

Notice bibliographique

RevueProduction and Operations Management · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiquePublic Procurement and Policy
Établissements canadiensHEC MontréalSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésBiddingProcurementContext (archaeology)BusinessExploratory researchService providerService (business)Exploratory analysisHumanitarian aidCommon value auctionMarketingIndustrial organizationEconomicsComputer scienceMicroeconomics

Résumé

récupéré en direct d'OpenAlex

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.

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)0,016
score de la tête « metaresearch » (Gemma)0,044
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,087

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,044
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,002
Communication savante0,0030,003
Science ouverte0,0030,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,048
Tête enseignante GPT0,236
Écart entre enseignants0,189 · 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

Citations12
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProduction and Operations ManagementMême sujetPublic Procurement and PolicyTravaux en français237 207