A route selection process using a multicriteria decision-making (MCDM) approach based on the simple additive weighting (SAW) method: Evidence from Thai fresh fruit exported to China by road transportation
Notice bibliographique
Résumé
This study identifies the optimal route for transporting agricultural fruits using the Simple Additive Weighting (SAW) method within a Multicriteria Decision-Making (MCDM) framework. Data was gathered through a literature review on transportation principles, route selection criteria, and truck routes, identifying eight critical factors for route selection. Transportation route data were also systematically collected, forming the basis of the proposed conceptual framework. The SAW analysis identified the highest-scoring routes for each segment: Route A1 (6.35406), Route B1 (6.38532), Route C1 (6.26248), and Route D3 (5.29061). Historical data from the past five years confirmed consistency in route selection. Comparatively, Dijkstra's Algorithm, based on single factors like distance, time, or cost, proved less effective for agricultural transportation. In contrast, the SAW method, integrating multiple factors, ensured more accurate route selection. Key influencing factors included road conditions, infrastructure or road width, and facility availability. The optimal route from Thailand to China was Route A1-B1, passing through Chanthaburi, Rayong, Chonburi, Chachoengsao, Samut Prakan, Bangkok, Pathum Thani, Ayutthaya, Ang Thong, Sing Buri, Chai Nat, Nakhon Sawan, Phichit, Phitsanulok, Uttaradit, Phrae, Lampang, Phayao, and Chiang Rai, terminating at Chiang Khong Customs Checkpoint. These findings offer practical guidance for planning and decision-making in agricultural transportation routes.
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 | 0,018 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,005 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».