Factors causing mismanagement in public/private contracts: An Indonesian perspective
Notice bibliographique
Résumé
The objective of this study is to examine the impact of client, consultant and contractor related factors on mismanagement in public and private contracts in the region of Indonesia. A structural questionnaire is developed for the selected items after detailed investigation of present literature. A final sample of 137 respondents associated with various contracts in the region of Indonesia is collected with demographic details and regression analysis. It is observed that factors like lack of strategy, failure to compile the documentary requirements, poor planning, delay in decision making, financial issues, late payments, difficulty in getting work permits and lack of management expertise are core issues, creating mismanagement in public and private contracts. In consultant related factors, role of inexperienced consultant, poor planning, late of instructions from architects, poor contract management, and poor-quality assurance are the key determinants of mismanagement in contracts. While contractor related factors like poor planning and scheduling, late or improper submission of contract, inadequate site supervision and inspection, poor construction methods, weak leadership, and lack of communication between the parties are the key indicators of mismanagement in contracts. As per significance, this study is found to be a reasonable addition in the present literature from the context of contract management. Originality of the study covers the significant findings for the policy makers in the field of public and private contracts. Study can be reworked in future through better sampling, and addition of more factors related to materials, equipment and labor causing for the poor delivery of the contracts.
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 | 0,000 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».