Integration of stochastic and robust optimization techniques into DEA model for more accurate and reliable efficiency estimation
Notice bibliographique
Résumé
Efficiency assessment is vital to assessing decision-making units (DMUs) in numerous sectors. DEA is a prominent non-parametric efficiency assessment tool. Traditional DEA models assume deterministic inputs and outputs, ignoring real-world uncertainties and variability. To improve efficiency estimation, stochastic and robust optimization approaches can be integrated into DEA models. To improve efficiency estimation, we present a stochastic and robust optimization framework incorporating DEA. Probabilistic inputs and outputs allow stochastic optimization to account for uncertainty. The model can capture data variability and create stochastic DMU efficiency scores by adding probability distributions. For data uncertainties and outliers, the DEA model uses robust optimization. Robust optimization considers worst-case scenarios and minimizes extreme observations on efficiency estimation. This makes efficiency scores more resilient to data outliers and noise. DEA models benefit from stochastic and resilient optimization. First, considering data uncertainties and fluctuations improves DMU efficiency representation. Second, eliminating outliers and extreme observations improves efficiency estimation. Third, efficiency scores help decision-makers make better, more informed choices. A case study in a specific industry shows the framework's efficacy. We compare classic and integrated stochastic-robust DEA model outcomes. The integrated model provides more accurate and dependable efficiency estimates, helping decision-makers understand DMU performance. DEA models with stochastic and resilient optimization increase efficiency estimation. By considering uncertainties and outliers, this paradigm helps decision-makers evaluate DMUs in many sectors more accurately and reliably.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».