Aggregating the results of benevolent and aggressive models by the CRITIC method for ranking of decision-making units: A case study on seven biomass fuel briquettes generated from agricultural waste
Notice bibliographique
Résumé
The ranking of decision-making units (DMUs) is one of the main issues in data envelopment analysis (DEA). Hence, many different ranking models have been proposed. However, each of these ranking models may produce different ranking results for similar problems. Therefore, it is wise to try different ranking models and aggregate the results of each ranking model that provides more reliable results in solving the ranking problems. In this paper, a novel ranking method (Aggregating the results of aggressive and benevolent models) based on the CRITIC method is proposed. To prove the applicability of the proposed ranking method, it is examined in three numerical examples, six nursing homes, fourteen international passenger airlines and seven biomass materials for processing into fuel briquettes. First, benevolent and aggressive models were used to calculate the efficiency rating for each DMU. As a result, the decision matrix was generated. In the decision matrix, the results of benevolent and aggressive models were viewed as criteria and DMUs were viewed as alternatives. Then, the weights of each criterion were generated by the CRITIC method. Finally, each DMU was ranked. In a comparative analysis, the proposed method can lead to achieving a more reliable decision than the method which is based on a stand-alone method.
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 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 | 0,013 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».