Uncovering the Most Vulnerable in Times of Crisis: Analyzing Procurement Capacity Index with Multi-Criteria Decision-Analysis
Notice bibliographique
Résumé
This paper presents a multi-criterion decision analysis approach to developing a procurement capacity index for local government units (LGUs) in the Philippines. The index serves to assess the resilience of LGUs in times of crisis, particularly in the context of the COVID-19 pandemic. This study utilized two open datasets published by the Philippine government from January to June 2020, and identified five criteria for the procurement capacity index: total approved budget of the contract, internal revenue allotment, number of awarded tenders, number of tenders posted, and fund utilization rate. This study then employed the criterion impact loss (CILOS) method to determine the weight vectors of the identified set of criteria, and calculate the index as a weighted sum based on these vectors. This study found that the fund utilization rate and internal revenue allotment are the two most important criteria for determining the capacity of an LGU to secure goods or services during a crisis such as the pandemic. This insight is consistent with observations drawn from use cases in the US, UK, and Canada as revealed in reviewed literature. Results also revealed that LGUs can be categorized into three clusters based on their procurement capacities: low, medium, and high. Moreover, the developed index facilitated the ranking of LGUs according to their procurement capacity, revealing that LGUs located in Regions II, III, VI, VII, VIII, and X have insufficient budget allocation, thus strongly suggesting urgent intervention from the national government. Overall, the developed index can serve as a valuable decision aid tool to assist the government in identifying LGUs that need additional support to procure resources or services required to mitigate the consequences of a crisis.
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 | 0,011 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».