A procurement policy-making pathway to future-proof large-scale transport infrastructure assets
Notice bibliographique
Résumé
Governments worldwide have made a significant financial commitment to combat increasing traffic congestion and ageing transport networks over the next decade. However, large-scale transport projects are often late, over-budget, and below quality, making it difficult to future-proof assets and accommodate unanticipated changes. Evidence indicates that the traditional procurement model for large-scale projects used by Australian State Governments, for example, fails to deliver expected benefits. Markedly, a focused policy-making pathway is absent, especially for future-proofing these complex projects. Hence, the need to move away from a prevailing ‘understand, reduce, respond’ to a more adequate ‘understand, embrace, adapt’ attitude towards complexity and uncertainty in project procurement. The enabling functions of asset management, digitization, delivery, and finance might help. However, little is known about how they can coalesce to form a policy-making pathway to provide governments value for money outcomes and ensure assets are future-proofed. In this paper, we fill this void by reviewing the normative literature and proposing a conceptual approach. The issues we examine are of the utmost interest to governments worldwide as they grapple with designing, constructing, operating and maintaining transport assets that are both resilient to unexpected events and adaptable to changing needs, uses or capacities including climate change.
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 | 0,054 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,023 |
| Communication savante | 0,023 | 0,027 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,010 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».