Enhancing efficiency in railway freight logistics using a two-stage decision support technique with Q-rung orthopair fuzzy sets
Notice bibliographique
Résumé
Enhancing railway freight logistics efficiency is crucial for strengthening global supply chain performance, yet persistent challenges such as infrastructure limitations, operational inefficiencies, and fragmented intermodal integration hinder optimal performance. Despite its critical role in economic and environmental sustainability, limited research offers comprehensive, universally applicable solutions for addressing these issues. This study bridges this gap by introducing a novel multi-criteria decision-making framework that integrates inter-criteria correlation (CRiteria Importance Through Intercriteria Correlation (CRITIC)) and multi-objective optimization based on ratio analysis (Multi-attribute Multi-Objective Optimization based on Ratio Analysis (MULTIMOORA)) with Q-rung orthopair fuzzy sets (q-ROFSs) to handle complex and conflicting decision-making scenarios. These methods were selected for their complementary strengths. CRITIC effectively quantifies the importance of criteria by considering their interdependencies, MULTIMOORA offers robust multi-objective optimization capabilities, and q-ROFSs manage the inherent uncertainty and ambiguity of real-world logistics problems. Their integration provides a comprehensive framework capable of addressing both the complexity and uncertainty in railway freight logistics decision-making. A two-phase sensitivity analysis validates the framework’s reliability and consistency. Results indicate that “infrastructure investment” ranks as the most impactful strategy, followed by “intermodal transportation”. These findings offer practical guidance for policymakers and industry leaders, providing actionable solutions to enhance operational performance and sustainability while advancing the theoretical discourse in transportation logistics.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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; 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 ».