MétaCan
Menu
Retour à la cohorte
Enregistrement W2586486509

Effektiva kontraktsmodeller för vägunderhåll

2016· article· sv· W2586486509 sur OpenAlexaboutno aff
Johannes Österström, Jan-Eric Nilsson

Notice bibliographique

RevueVTI Rapport · 2016
Typearticle
Languesv
DomaineDecision Sciences
ThématiqueConstruction Project Management and Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIncentiveQuality (philosophy)Competition (biology)BusinessReimbursementActuarial scienceBalance (ability)Operations managementEconomicsMicroeconomicsEconomic growth
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The study in this report reviews international experiences of contracting of routine road maintenance. The study describes the contracting models used in Norway, Scotland and Ontario (Canada), as well as the results from the relevant research literature. Focus has been to map differences in efficiency between traditional and performance-based contracting, as well as the effects of incentives, risk sharing, competition and quality dimensions in contracting. The results show that Ontario and Norway have largely performance-based contracting models. Recently, some aspects of these contracts have been reconsidered because of problems mainly with respect to winter maintenance. In Ontario, quality is now considered as one component for identifying the winning bidder; Norway has a new reimbursement model that aim to balance the contractors' incentives. Also, Norway is testing new contracting models in five areas. Scotland uses traditional contracts and is testing a new performance indicator to improve winter maintenance by using measurements of friction. In the literature, the view on performance-based contracting is often positive. But no study has been found that measures the efficiency of different contracting models that accounts for possible simultaneous changes in quality or long-term effects.

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)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,701
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0270,013

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 Opus0,109
Tête enseignante GPT0,330
Écart entre enseignants0,221 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVTI RapportMême sujetConstruction Project Management and PerformanceTravaux en français237 207