Why Projects Fail (and What We Can Do About It)
Notice bibliographique
Résumé
Over two-thirds of all mega projects result in failure, meaning they significantly exceed budget, miss schedule targets, or fail to achieve production close to design capacity. The reasons for project failure have been well documented over the past fifty years. Despite this large body of empirical evidence, many executive and project leadership teams continue to repeat the mistakes made on past projects. This can be partially attributed to project teams believing that their projects are somehow different from past projects and that others’ project mistakes are not relevant to their project. This paper is a literature review that considers the seven common root causes of project failure and how these root causes relate to the pipeline industry. No new primary data will be presented. The seven common root causes for project failure and their approximate impact on budget variance are: 1. Failure to complete front end loading = 60–85% 2. escalation = Up to 12% 3. Regulatory regimes = Up to 12% 4. Plant complexity = Up to 20% 5. New technology = Up to 20% 6. Solid feedstock = Up to 10% 7. Complex ownership = Up to 24% This paper will also review and discuss seven common project traits closely associated with project failure, although not direct root causes. These traits are: 1. Concurrent detailed design and construction = up to four times greater risk profile 2. Non-integrated project team = up to three times greater risk 3. Contractual risk misallocation = up to two and a half times greater risk 4. Fast-tracking projects = up to two times greater risk 5. Lack of internal capacity = up to two times greater risk 6. Oil and Gas industry = up to two times greater risk 7. Brownfield vs. greenfield site = no direct impact With these root causes and traits identified, several methods of risk and contingency analysis will be examined. An evaluation of each method’s ability to increase the success rate of capital projects will be discussed; ultimately, resulting in a recommendation on the optimal risk and contingency framework for improving project success rates. The paper will conclude with a summary of how Stantec’s risk and contingency framework is being implemented on pipeline projects.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,020 | 0,020 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».