Distance functions and the analysis of inefficiency
Notice bibliographique
Résumé
Abstract Efficiency is a crucial factor in productivity growth and the optimal allocation of resources in the economy; therefore, measuring inefficiency is particularly important. This paper provides a comprehensive review of the latest developments in distance functions and the measurement of inefficiency within the stochastic frontier framework. Recent advances in several related areas are reviewed and evaluated, including various approaches to measuring inefficiency using distance functions, advancements in modeling inefficiency within the stochastic frontier framework, and the most common estimation techniques. A practical guide is provided on when these methods can be applied and how to implement them. The radial, hyperbolic, and directional measures of inefficiency are discussed and assessed. The development of modeling inefficiency concerning its temporal behavior, classification, and determinants is also examined. To ensure the use of appropriate estimation techniques, recent advancements in the most common estimation techniques are reviewed. This paper also addresses the importance of maintaining the theoretical regularity applied by neoclassical microeconomic theory when it is violated, as well as the econometric regularity when variables are non-stationary. Without regularity, inefficiency results can be extremely misleading. The paper discusses significant challenges related to estimation issues that must be managed in future applications. These challenges include the inaccurate choice of functional form, ignoring the possibility of heterogeneity and heteroskedasticity, and suffering from the endogeneity problem. The paper also examines various approaches to addressing these issues, as well as potentially productive areas for future research.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».