MétaCan
Menu
Retour à la cohorte
Enregistrement W2111910212 · doi:10.17722/ijrbt.v6i1.378

Analysis of Subcontracting in the Construction Industry in Indonesia

2015· article· en· W2111910212 sur OpenAlexvenueno aff
Adi Papa Pandarangga, Hery Wibowo, Jati Utomo Dwi Hatmoko

Notice bibliographique

RevueInternational Journal of Research in Business and Technology · 2015
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWorking Capital and Financial Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessConstruction industryIndustrial organizationConstruction engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

This paper presents an empirical analysis and justification on collaboration between small and large enterprises through strengthening partnership (subcontracting) in order to strengthen the contribution of the construction sector in the national economy. Some conclusions that can be taken that: (i) the construction of market share inequality can be balanced with application the partnership (subcontracting); (ii) Siding with non-small enterprises/large (mostly foreign entities) will push the capital outflows and reduce the competitiveness of the nation; (iii) Strengthening the supply chain through partnership scenario (subcontracting) on the entire flow of the chain will support the role of small business concerns in seizing the national construction market; (iv) weakness of collaboration patterns can be reduced by setting policies that favor (affirmative) the existence of a small body as part of the construction industry; (v) The construction market continues to increase is not offset by an increase in the construction market of small business entities resulting gap portion of the acquisition capitalization construction. (vi) Policy subcontracting by small business entities will potentially increase the absorption of the construction workforce (value added) and construction GDP in national GDP and consequently increase economic growth as an indicator of the competitiveness of nations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,436

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0050,005
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,336
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Research in Business and TechnologyMême sujetWorking Capital and Financial PerformanceTravaux en français237 207