Value creation from internalizing non-technical risks in projects : mining sector case
Notice bibliographique
Résumé
The mining sector faces both technical and non-technical risks (NTRs). Technical risks are defined as engineering-related risks whereas NTRs emerge primarily due to inadequate management of social and environmental issues. Research shows that mining projects are mostly designed with a focus on technical risks. This is surprising because there is evidence that the main causes of project capital overruns and delays arise from the less tangible non-technical risks, either real or perceived,. Furthermore, industry surveys in both 2019 and 2020 have identified social license to operate as the number one business risk facing the mining sector. Through direct engagement with industry practitioners, this thesis investigates differences in perceptions about the definition of NTRs, considers the extent to which NTRs are currently integrated into project assessments and identifies reasons for the neglect or undervaluation of NTRs in global mining projects. The research is informed by primary data collection in accordance with the grounded theory approach, which was employed for the study design. An exploratory and qualitative approach is adopted, comprising of semi-structured interviews with 20 professionals working for mining companies who are recognized as leading players in sustainable development performance. The research focus is fine-tuned from “infrastructure projects” to “large capital projects” to “mining” to “ESG leaders” to “project stage” (pre-feasibility stage). NTRs are currently undervalued in the decision-making processes of major mining companies. This is concerning. It suggests that projects assessments are not undergoing a complete risk analysis because projects are designed with a focus on mitigating “risks to the project” instead of “risks to people”. Project professionals demonstrate high motivation to integrate NTR into projects appraisals, but they face disincentives from corporate short-termism perspectives, decision bias, lack of expertise and miscommunications across departments. Structurally, Chapter one provides an introduction, Chapter Two discusses the main findings of the literature review, Chapter Three explains the research design and methodology, and Chapter Four presents the research results, Chapter Five discusses and analyzes key data outcomes, and Chapter Six identifies recommendations for decision-makers, and notes both academic contributions and opportunities for future research.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».