MétaCan
Menu
Retour à la cohorte
Enregistrement W4312933706 · doi:10.33399/biibfad.1073252

Financial Efficiency Analysis the Malmquist TFP Method: An Application on Star Alliance Member Airlines

2022· article· en· W4312933706 sur OpenAlexaboutno aff
Veysi Asker, Temel Caner USTAÖMER

Notice bibliographique

RevueBingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueAviation Industry Analysis and Trends
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTotal factor productivityProductivityTechnological changeTechnical changeMalmquist indexTechnical progressAllianceEconomicsBusinessGeographyEconomic growthMacroeconomics

Résumé

récupéré en direct d'OpenAlex

The purpose of this study is to analyze the financial efficiency of 15 airlines that are members of the Star Alliance which is considered the largest international strategic airline network for the period 2016-2019 using the Malmquist Total Factor Efficiency method. In addition, other purposes include the comparison of the change in technical efficiency (TE), technological change (TD) and total factor productivity (TFP) values of airlines that are members of the Star Alliance As a result of the analysis, it was found that the average technological change and total factor productivity values of the airlines in question increased in the period 2016-2017, and the average technical efficiency values decreased. On the other hand, in the period 2017-2018, the opposite situation was observed. In the period 2018-2019, technical efficiency, technological change and total factor productivity values decreased. It was found that the technical efficiency values of the Air Canada and Turkish Airlines increased during the entire period, while the average technical efficiency, technological change and total factor productivity values of the Air New Zealand, Asiana Airlines, Avianca, Lufthansa and Thai Airways decreased.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,488
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,004
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,036
Tête enseignante GPT0,260
Écart entre enseignants0,224 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi DergisiMême sujetAviation Industry Analysis and TrendsTravaux en français237 207