Overtime and Productivity in Electrical Construction
Notice bibliographique
Résumé
Electrical contractors are at high risk, mainly because of the high percentage of labor in electrical construction activities and the fact that a significant part of their work is last in line in a project, which leads to facing schedule compression. The main schedule compression techniques are overtime, overmanning, and second shift. This paper quantifies the impact of overtime on labor productivity for electrical contractors. Several studies have addressed overtime, but they tend to be old and the source of data is questionable. This paper contains both quantitative and qualitative analyses. The qualitative analysis is based on a survey sent to companies around the United States and Canada and analyzes contractors' responses regarding use of overtime on their projects. The quantitative analysis consists of collecting productivity data from different contractors and studying the effect of using overtime on labor productivity. Statistical models are developed and show the behavior of productivity when using overtime. The quantitative analysis further contains macro and micro approaches. The macro approach model projects where productivity for the whole project is tracked, and no specific overtime schedule is used. As for the micro approach, it shows the effect of using a fixed overtime schedule using the Measured Mile Method (MMM) which compares the productivity in unimpeded time to that in impacted time in order to determine how significantly the project's productivity was impacted. The models developed show that as the number of hours per week increases, the productivity decreases. This study will decrease disputes among owners and contractors regarding the price of additional work. Furthermore, the paper presents a scientific method for forward pricing overtime work and aiding in understanding the risks and rewards of implementing different types of overtime schedules. It also offers valuable insight with regards to safety, supervision, worker fatigue, absenteeism, and other factors related to overtime use.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».