Comparative analysis of airline financial and operational performances: A fuzzy AHP and TOPSIS integrated approach
Notice bibliographique
Résumé
Already faced with tight competition and low profit margins, the airline industry is going through major changes in the wake of the current pandemic resulting in travel restrictions and slump demands, prompting airlines to curtail services and investments in every aspect of business. To that end, developing a comprehensive method of improving airline performance measures is crucial. However, this type of problem is complex to solve due to a large number of factors, requiring a systematic approach. It entails taking into account a multitude of conflicting, or sometimes interrelated criteria, hence becoming an inherently multiple criteria decision making problem. This study is aimed to assess the competitiveness of airlines and evaluate their financial and operational performances in relation to such criteria. We test FAHP, TOPSIS, and a hybrid method of combining FAHP and TOPSIS methods. In particular, regarding the hybrid method, FAHP is employed to determine the influential weights of criteria that are utilized in TOPSIS for preference values among alternatives. We demonstrate the applicability of the proposed methods to solving a MCDM problem of airline performance assessments using real data sets. Further, this study focuses on examining the relationship between financial and operational performance criteria, as well as gleaning insights for airlines to build an evaluation system that would aid in understanding their strength and weakness in the performance metrics. The computational experiment results of our hybrid FAHP-TOPSIS model support the efficacy of incorporating fuzzy values concerning influential weight criteria. By judiciously distributing criteria weights that are specific to the airline industry, our proposed model captures preference scores reflective of industry-related and concurrent measures. This modeling framework can help airlines better evaluate the systematic influential relation structure among criteria in critical financial and operational dimensions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».