論文の概要: Redesigning Service Level Agreements: Equity and Efficiency in City Government Operations

• arxiv url: http://arxiv.org/abs/2410.14825v1
• Date: Fri, 18 Oct 2024 18:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:19:44.385728
• Title: Redesigning Service Level Agreements: Equity and Efficiency in City Government Operations
• Title（参考訳）: サービス水準協定の改正:市政運営の質と効率性
• Authors: Zhi Liu, Nikhil Garg,
• Abstract要約: 市役所運営におけるSLA(Service Level Agreements)の設計について検討する。 SLAは、ポットホールや倒木などのインシデントに一定時間以内に応答することを約束します。 我々は,政策を最適化するシミュレーション最適化フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 5.8505727866151584
• License:
• Abstract: We consider government service allocation -- how the government allocates resources (e.g., maintenance of public infrastructure) over time. It is important to make these decisions efficiently and equitably -- though these desiderata may conflict. In particular, we consider the design of Service Level Agreements (SLA) in city government operations: promises that incidents such as potholes and fallen trees will be responded to within a certain time. We model the problem of designing a set of SLAs as an optimization problem with equity and efficiency objectives under a queuing network framework; the city has two decision levers: how to allocate response budgets to different neighborhoods, and how to schedule responses to individual incidents. We: (1) Theoretically analyze a stylized model and find that the "price of equity" is small in realistic settings; (2) Develop a simulation-optimization framework to optimize policies in practice; (3) Apply our framework empirically using data from NYC, finding that: (a) status quo inspections are highly inefficient and inequitable compared to optimal ones, and (b) in practice, the equity-efficiency trade-off is not substantial: generally, inefficient policies are inequitable, and vice versa.
• Abstract（参考訳）: 我々は、政府が資源(例えば公共インフラの維持)を時間とともに割り当てる方法について、政府のサービス割当について検討する。これらの決定を効率的かつ公平に行うことが重要であるが、これらのデシラタは矛盾する可能性がある。 特に,都会の業務におけるサービスレベルアグリーメント(SLA:Service Level Agreements)の設計について考察する。 我々は、キューイングネットワークの枠組みの下で、エクイティと効率の目標を最適化する問題としてSLAを設計することの問題をモデル化する。この決定は、異なる地区にレスポンス予算を割り当てる方法と、個々のインシデントに対するレスポンスのスケジュール方法の2つである。 我々は,(1)形式化されたモデルを理論的に分析し,「株式の価格」が現実的な設定で小さいこと,(2)政策を最適化するシミュレーション最適化フレームワークを開発すること,(3)ニューヨーク市のデータを用いて実証的にフレームワークを適用すること, (a)状態クオ検査は、最適検査と比較して非常に非効率で不平等であり、 (b)実際には、株式効率のトレードオフは実質的ではなく、一般的に非効率な政策は不平等であり、その逆である。

関連論文リスト

• On The Planning Abilities of OpenAI's o1 Models: Feasibility, Optimality, and Generalizability [59.72892401927283]
  さまざまなベンチマークタスクでOpenAIのo1モデルの計画能力を評価する。 その結果,o1-preview は GPT-4 よりもタスク制約に順応していることがわかった。
  論文  参考訳（メタデータ） (2024-09-30T03:58:43Z)
• City-LEO: Toward Transparent City Management Using LLM with End-to-End Optimization [11.723967356904303]
  本稿では,都市管理の効率化と透明性を高めるため,大規模言語モデル(LLM)に基づくエージェント(City-LEO)を提案する。 ヒューマンライクな意思決定プロセスでは、City-LEOは予測と最適化を相乗化するためにエンド・ツー・エンド(E2E)モデルも組み込んでいる。 計算結果から,City-LEOは実規模最適化問題に対するベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-16T14:25:08Z)
• Structural Interventions and the Dynamics of Inequality [0.0]
  技術的ソリューションは、社会的変化を起こすために、外部のコンテキスト対応の介入と組み合わせなければならないことを示す。 この研究は、構造的不等式が、一見バイアスのない決定機構によって永続することができる方法を強調している。
  論文  参考訳（メタデータ） (2024-06-03T13:44:38Z)
• Nash Welfare and Facility Location [82.81742334337336]
  沿線にエージェントを配置する施設を配置することの問題点を考察する。 エージェントのユーティリティの産物として定義されたナッシュの福祉目的機能は、公正性と効率性の妥協をもたらすことが知られている。
  論文  参考訳（メタデータ） (2023-10-06T09:06:44Z)
• Delegated Classification [21.384062337682185]
  機械学習タスクのインセンティブ対応デリゲーションに関する理論的枠組みを提案する。 予算最適契約を定義し、合理的な仮定の下で単純なしきい値を取ることを証明します。 実証的に、我々は予算最適契約を小規模データを用いて構築できることを実証した。
  論文  参考訳（メタデータ） (2023-06-20T11:59:03Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Achievement and Fragility of Long-term Equitability [3.04585143845864]
  公平性の概念を最大化するために,地域交流コミュニティに限られた資源を割り当てる方法について検討する。 データ駆動型フィードバックのオンライン最適化に起因した最近の数学的ツールを用いている。 我々は,長期的均衡性を最大化するアロケーションに収束する動的ポリシーを設計する。
  論文  参考訳（メタデータ） (2022-06-24T15:04:49Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• The AI Economist: Optimal Economic Policy Design via Two-level Deep Reinforcement Learning [126.37520136341094]
  機械学習に基づく経済シミュレーションは強力な政策・メカニズム設計の枠組みであることを示す。 AIエコノミスト(AI Economist)は、エージェントと共同適応するソーシャルプランナーの両方を訓練する2段階のディープRLフレームワークである。 単純な一段階の経済では、AIエコノミストは経済理論の最適税制を回復する。
  論文  参考訳（メタデータ） (2021-08-05T17:42:35Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。