An efficient multi-attribute multi-item auction mechanism with ex-ante and ex-post satisfaction for 4PL transportation service procurement
Notice bibliographique
Résumé
Reverse auction is an effective tool for a 4PL to purchase transportation services. This paper investigated a new transportation services procurement problem for 4PL, which involves three features: the 4PL’s loss-averse behavior, price and non-price attributes, and multiple transportation requests. An efficient multi-attribute multi-item reverse auction mechanism considering the 4PL ex-ante and ex-post satisfaction (EES-MMRA) is proposed to purchase transportation services for the 4PL. In the EES-MMRA, integrating the allocation rule with the 4PL ex-ante satisfaction, a 0-1 programming model is constructed to determine winning 3PLs and obtain efficient allocations. Then, a payment rule considering the 4PL ex-post satisfaction is established to ensure truthful bidding of 3PLs. And we discuss some desirable properties (e.g., incentive compatibility, individual rationality, efficiency, and budget balance properties) to justify the EES-MMRA mechanism, subsequently. Next, several numerical experiments are conducted to demonstrate the effectiveness and applicability of the EES-MMRA mechanism. Furthermore, sensitivity analysis presents the influences of the weights of the non-price attributes, risk attitude coefficients, and loss aversion coefficients. Finally, we conduct comparison analysis to show the advantages of the EES-MMRA mechanism over the known Vickrey–Clark–Groves (P-VCG) mechanism.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».