Productivity management in the South African civil construction industry - factors affecting construction productivity
Notice bibliographique
Résumé
Labour productivity in South Africa is at one of its lowest levels. During 2014 the civil construction industry contributed only 3.5% to the GDP of South Africa. It is faced with challenges such as an industry environment that is increasingly competitive, and organisations in the civil industry that experience financial difficulties, such as low profit margins. An industry-specific survey, using a questionnaire, was conducted to ascertain the perceptions of industry professionals regarding factors which have an impact on productivity. A literature study was done to identify the factors that have an impact on construction productivity, based on a global perspective. From the literature study, 12 studies were identified, and a benchmark was set with which to compare the findings of the research questionnaire. To obtain the relevant information through the questionnaire, a selective sampling process was used, as the focus of the research required a specific group of individuals who were involved in the management of projects in the civil construction industry. Two civil engineering organisations, the South African Forum of Civil Engineering Contractors and the South African Institution of Civil Engineering, were contacted to assist with the distribution of the questionnaire. The questionnaire consisted of 51 factors which the industry professionals had to rate, based on their experience. These factors had to be rated with the use of a 0-4 Likert scale, based on two specific questions: (1) What impact does the factor have on construction productivity? (2) What is the frequency of occurrence of the factor? A total of 40 questionnaires were completed by the industry professionals. Thereafter the ranking of the factors was calculated with the use of the relative importance index.
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 | 0,005 | 0,002 |
| 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 | 0,000 | 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 ».