Forecasting Payments Made Under Construction Contracts: Payout Curves and Cash Management in the North Carolina Department of Transportation
Notice bibliographique
Résumé
Staff at the North Carolina Department of Transportation (NCDOT) have close control over each highway construction project until the construction contract is let; thereafter, the contractor manages the pace of work, which dictates the flow of payments. These payments make up about one-third of all NCDOT expenditures, so reliable forecasts are important in programming and in cash management. With no other means to predict the pace of construction through the duration of the contract, NCDOT must rely on statistical analyses of past payments to forecast future payments to contractors. Dye Management Group, Inc., which was retained by NCDOT to implement cash management strategies at the department, designed two statistical models of payments to contractors: the first to estimate payments on individual contracts, or the “payout curve,” and the second to estimate total payments made under all contracts in a month. The parameters in both models were initially estimated with data from 4,128 payments made under 336 highway construction contracts completed between August 2000 and June 2002. The first model achieved an adjusted R2 of .93. Although it was useful to engineers in managing individual projects, the model required awkward specifications of seasonal effects to forecast aggregate cash flows. Seasonality was simply accommodated in the second model, which achieved an adjusted R2 of .92. Dye Management Group and NCDOT have operated the second model for more than 2 years and, with a database that has grown to more than 11,000 monthly payments, have consistently achieved mean absolute percentages of error under 10%.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».