Development of efficient strategies to optimize production efficiency: Evidence from Pine chemical industry
Notice bibliographique
Résumé
A pine tree, namely Pinus merkusii is an indigenous species from Indonesia which grows extensively in the Island of Java, Sumatera, and Sulawesi. This plant produces both timber and non-timber forest products (TFP and NTFP). Resin or oleum pine resin, as the main NTFP of Pinus merkusii, becomes the raw material for the gum rosin and turpentine oil industry. Globally, Indonesia is ranked 3rd as a producer of pine products after China and Brazil, in which Perhutani as a State Owned Forestry Enterprise plays a major role in this industry. On average, Perhutani manufactures 65,000 tons of gum rosin and 14,000 turpentine oil per year. Entire volume of both pine products is produced by nine factories with various maximum capacities. Therefore, this research aims to measure efficiency and/or inefficiency score of each factory using data envelopment analysis (DEA) method, which is then complemented by a single bootstrap technique with 2.000 iterations to eliminate bias scores. Cost of raw material, labour, energy, and general affairs are employed as input variables, while the output variables are total revenue and production volume. As result, 27.3% inefficiency (efficiency score = 72.7%) is generally found in all Perhutani’s pine chemical factories. To resolve this inefficiency issue, analytical hierarchy process (AHP) pairwise comparison questionnaire is distributed to 13 expert respondents to determine prioritized operational capability to focus on in optimizing efficiency of production performance. Dimensions of Cost, Quality, Flexibility, Innovation, and Sustainability are selected to construct the AHP questionnaires.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».