A hierarchical assessment of resilience engineering indicators in petrochemical industries using AHP and TOPSIS
Notice bibliographique
Résumé
Abstract Resilience engineering (RE) is a proactive approach that enables complex systems to deal with adverse events and improve safety management by enhancing structural and organizational capabilities. A methodological examination of RE‐related studies showed that they had only focused on some major indicators so that subindicators have been mostly neglected. This study aims to present a hierarchical analysis to identify the importance degree of indicators and subindicators of RE using analytic hierarchy process (AHP) in a petrochemical plant. To accomplish this, a pairwise comparison matrix of the indicators and subindicators was used to collect the data required for AHP approach. To demonstrate the applicability of the AHP results, this study ranks the units of the petrochemical plant using the technique for the order of preference by similarity to an ideal solution (TOPSIS) approach based on the importance degree of RE indicators. A questionnaire was used to gather data related to RE indicators so we could use the TOPSIS method. The results of the AHP showed that management commitment, buffering capacity, and reporting culture were the most influential RE indicators. In addition, anticipation had the lowest impact on RE. The most important subindicators of the RE indicators were also identified using a hierarchical analysis through AHP. The results of TOPSIS provided a best–worst analysis of the units of the petrochemical plant. The findings of this study could help safety managers formulate better‐targeted safety policies by investing in influential indicators and subindicators of RE.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».