Calculating cumulative inefficiency using earned value management in construction projects
Notice bibliographique
Résumé
Delay is one of the major factors in the cost overruns that affect construction projects. Furthermore, delay may cause a cumulative impact or ripple effect on productivity. Even though there are various methods proposed in previous researches that are considered applicable for analyzing the damages resulting from delay, there are some limitations to previous approaches. Notably, they do not consider the realistic production rates of activities over time. Moreover, they do not reflect the ripple effects on the performance of the work remaining, after the completion of delay events. This paper, therefore, proposes a method, which is referred to as the COME method (combination of measured mile analysis and earned value management (EVM) incorporating probable production rates) that can reasonably calculate the cumulative damages due to delay, considering the feasible rates of production over time, and the ripple effects on productivity. The COME method includes the ‘learning curve’, and the ‘earned value analysis’ as research methodologies. Earned value management was utilized, to demonstrate and calculate the effects of the cumulative loss of productivity on the remaining work, as well as on the impacted work due to delay. An example analysis showed that the COME method is a feasible choice for damages calculation, considering probable production rates over activity progress, and indirect impacts on performance changes, after the completion of delay events. It is noted, however, that the COME method relies on the use of a subjective or availability of an estimated production rate for the estimate to complete calculations.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».