Bibliographic record
Abstract
landbouw -Economische kengetallen en benchmark multifunctionele landbouw is in 2015 door Wageningen UR een uniform rekenformat opgesteld om rendementscijfers in beeld te krijgen van ondernemingen in de zorglandbouw.Het project is gefinancierd door het ministerie van Economische Zaken en het bedrijfsleven middels de topsector Agro & Food.Aanleiding Leden van de Federatie Landbouw en Zorg (FLZ) hebben sterk de behoefte aan een eenvoudig hulpmiddel, waarmee zij zelf inzicht krijgen in hun eigen bedrijfsvoering en dat hen de optie biedt tot vergelijking met anderen.Dit met het idee dat meer inzicht helpt om de bedrijfsvoering te verbeteren.Daarnaast is het voor ondernemers in de zorglandbouw een handig instrument bij de onderbouwing van een financieringsaanvraag en/of gesprek met hun accountant/adviseur.Rekenformat ontwikkeld door interactief proces met de praktijk Vanuit het project is allereerst een uniform rekenformat (Excel-formulier met onderdeel Structuur en Economie) opgesteld om rendementscijfers voor ondernemingen in de zorglandbouw in beeld te brengen.Dit is uitgevoerd in samenspraak met de FLZ, aangesloten regionale zorgpartijen (ZLTO, coöperatie Limburgse Zorgboeren, BEZINN en coöperatie Boer en Zorg) en bij de VLB aangesloten accountantskantoren (ABAB accountants, AccoN AVM, Alfa accountants, Countus en Flynth).Vervolgens is dit rekenformat getoetst in vijf ondernemersgroepen tijdens twee bijeenkomsten per groep.In de eerste bijeenkomst heeft iedere deelnemer afzonderlijk het format ingevuld met eigen bedrijfskenmerken en financiële gegevens op basis van zijn boekhouding.In de tweede bijeenkomst zijn de uitkomsten besproken met de andere ondernemers in de groep aan de hand van bedrijfsvergelijkende overzichten.In totaal hebben dertig ondernemers en vijf adviseurs van VLB-kantoren aan dit traject deelgenomen.Daarnaast is een prototype benchmarktool ontwikkeld die het mogelijk maakt het eigen bedrijf te vergelijken met andere ondernemingen (ook buiten de eigen studiegroep) met vergelijkbare bedrijfskenmerken als dezelfde cliëntgroep en/of zorgdienst.Dit geeft een extra mogelijkheid tot bedrijfsvergelijking, maar dan wel zonder mogelijkheid tot inhoudelijke discussie met de betreffende ondernemers. Bedrijfsvergelijkend overzicht levert de nodige gespreksstof opIn de tabel op de volgende bladzijde is op basis van de database met bedrijfsgegevens van 2014 een fictief voorbeeld samengesteld van een bedrijfsvergelijkend overzicht.Hierbij is bedrijf A met twaalf zorgplaatsen voor ouderen in dagbesteding als uitgangspunt gekozen en met behulp van de benchmarktool zijn daar de vier goed gelijkende bedrijven B tot en met E bij gekozen.Dit voorbeeld laat zien dat ondanks een vergelijkbare zorgdienst en capaciteit de verschillen in arbeidsinzet, opbrengsten en kosten groot zijn.Deze verschillen leveren de nodige gespreksstof op om oorzaken te achterhalen en geven de ondernemers meer inzicht en handvatten om hun bedrijfsvoering te verbeteren.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.039 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".