Advances in inverse data envelopment analysis: empowering performance assessment
Notice bibliographique
Résumé
Data envelopment analysis (DEA) is a non-parametric optimization approach that was first introduced by Charnes et al. (1978) and is widely used for assessing the performance and comparative efficiency of decision-making units (DMUs) in both public and private sectors. It has emerged as a success story of management science and has found applications in various domains, including environmental, banking, healthcare, transportation, education, manufacturing, agriculture, energy, sport and tourism. DEA’s popularity has grown rapidly since its inception, and it continues to be a valuable tool for decision-makers in various fields (Emrouznejad & Yang, 2018). Standard DEA models evaluate the relative efficiency of DMUs based on their input and output data, but they do not provide information on estimating the amount of inputs and/or outputs needed to achieve efficiency targets. To determine these data, an inverse DEA model must be solved. This requires the development of appropriate mathematical models that are capable of solving the associate inverse problems. Wei et al. (2000) and Amin et al. (2017) highlighted the importance of solving inverse DEA problems and contributed to the development of related mathematical models. However, the challenge of solving inverse DEA problems is still an ongoing research area, and there is a need for further contributions to expand the knowledge base and improve the effectiveness of these models.
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 | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».