A Decision Support Contract for Cost-Quality Trade-Off in Projects under Information Asymmetry
Notice bibliographique
Résumé
The three key drivers of a project success include cost, completion time, and scope, the interplay of which have a significant impact on the decision making in project management. In this study, we propose a theoretical framework to be used as a Project Management Decision Support System for understanding and balancing the interplay between the project cost and quality, which is a key component of the project scope. To this end, we develop a Decision Support Contract (DSC) for a project manager when outsourcing to a contractor whose delivery outcome is subject to quality risk. On the one hand, to reduce the risk of project failure, the contractor can invest in a quality improvement effort, the cost of which is the contractor’s private information. On the other hand, the contractor’s decision on quality improvement is unobservable to the project manager. In designing the DSC, we consider both problems resulting in information asymmetry between the project manager and the contractor. We first obtain the first-best solution assuming that the cost efficiency of the contractor is publicly known, and then solve for the second-best optimal cost plus incentive fee (CPIF) contract under information asymmetry. Our comparative study between the first- and second-best contracts reveals that the project manager may prefer to incur efficiency loss due to underinvestment decision by the high-cost contractor to reduce the information rent demanded by the low-cost contractor. Finally, we compare the effectiveness of CPIF contract to that of fixed-price contract, which enables us to characterize the value of incentive fee term for the project manager. This latter analysis reveals that incentive-fee term is more valuable when the improvement effort is more likely to reduce the quality failure risk.
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 | 0,013 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».