Measuring the performance of retailers during the COVID-19 pandemic: Embedding optimal control theory principles in a dynamic data envelopment analysis approach
Notice bibliographique
Résumé
Traditional retailers (bricks-and-mortar) have been continuously increasing online sales. However, not all retail companies were able to respond to the increasing sales with the same efficiency level as their competitors. This paper aims to propose a dynamic model – incorporating principles of Optimal Control Theory (OCT) into a Data Envelopment Analysis (DEA) model - for measuring the performance of retailing companies’ cost efficiency. It also aims to contribute through the application by investigating the impact of the pandemic on companies from the most prominent developing market in Latin America, Brazil. Twenty-one companies publicly traded in the São Paulo Stock Exchanges (B3) between the third quarter of 2018 (3Q2018) and the third quarter of 2020 (3Q2020) were investigated. Also, six measures - initial inventory cost (IIC), final inventory cost (FIC), net operating income (NOI), cost of goods sold (COGS), cost of the purchased product (CPP), and plant, property, and equipment (PPE) – were considered. In this way, the findings have implications for researchers and practitioners. Practitioners can discover which competitor(s) is (are) adopting the best practices at each operational aspect (e.g., inventory cost). Additionally, the proposed method can be replicated in other markets (developing or not) and for other categories of retailing companies (e.g., small- and middle-sized). Further research directions are presented, and their implications are discussed.
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 | 0,052 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».