On Designing a Fire Emergency Vehicle Fleet
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Problem definition: The configuration of an emergency vehicle fleet (EVF) is critical to ensure that responders have the resources necessary to serve emergencies quickly and help prevent loss of life and property. Determining the fleet’s optimal design involves decisions regarding its size, the spatial distribution of the stations, and the extent of collaboration among them. We study the optimal design of a fire service fleet that is characterized by low utilization of the vehicles. The primary tradeoff is between the cost of having too many vehicles in the fleet and the cost incurred by not serving a fire in a timely manner. Methodology/results: EVFs are highly expensive systems for the public sector. We introduce a novel queueing-model approach tailored to the EVF as a light-traffic demand system. Our model incorporates the necessary performance measures, that is, the response times and the fleet capacity, for determining the optimal fleet configuration. We validate the model and demonstrate its adaptability via an application to the Toronto Fire Services. Managerial implications: Adopting our proposed model can assist managers in making informed strategic decisions regarding the effective design of the EVF. The methodology can be used to determine the most efficient strategy for investment in fire services in a large metropolitan region. Funding: This work was supported by three Discovery Grants from Natural Sciences and Engineering Research Council (NSERC) to the last three authors. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2023.0357 .
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.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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 découle