ANALYSIS OF THE FINANCIAL PERFORMANCE OF AIRLINE COMPANIES IN STAR ALLIANCE IN THE PERIOD 2018-2022 USING LOPCOW-TOPSIS METHODS
Notice bibliographique
Résumé
This study aims to comparatively evaluate the financial performance of the airlines included in Star Alliance for the period 2018-2022 for pre-COVID-19, COVID-19 and post-COVID-19 periods. For the performance evaluation, 5 criteria and a total of 9 financial performance ratios were used. LOPCOW method was used to determine the criteria (importance) weights of the calculated financial performance ratios and TOPSIS method was used to determine the performance rankings. According to the results of LOPCOW analysis, the most important criterion was determined as net profit/total assets (PR3) for 2018, net profit/total equity (PR2) for 2019 and 2021, short-term debt/total assets (FSR3) for 2020 and net profit/net sales (PR1) for 2022. The criterion with the lowest importance weight is net balance sheet position/equity (CA) for 2018, 2019 and 2021, net sales/ current assets (AT) for 2020, and short-term debt/total assets (FSR3) for 2022. According to TOPSIS performance evaluation results, the best performing airline was Shenzhen Airlines in 2018, 2019 and 2020, Thai Airways International in 2021 and Aegean in 2022. The airline that ranked last in the performance ranking was Croatia Airlines in 2018, Asian Airlines in 2019, Thai Airways International in 2020, Air Canada in 2021 and Air China in 2022.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».