Subcontractor Oversight on Construction Cost Overruns in Real Estate Projects in Nairobi and Kisumu Counties, Kenya
Notice bibliographique
Résumé
Cost overruns have provided a significant challenge in the construction industries of both developed and developing countries. The purpose of this study was to investigate the influence Subcontractor Oversight on Construction Cost Overruns of real estate projects in Nairobi and Kisumu Counties. The study was guided by objective, to establish the extent to which subcontractor oversight influence real estate construction projects cost overruns. The research adopted descriptive survey and correlational research designs. The study targeted a population of 4000 project professionals that constituted 7 professionals from active real estates in Nairobi and Kisumu Counties and 10 key informants from the real estate industry. Using the Krejcie and Morgan table of sample size determination, the sample size for this study was 351. The study then adopted stratified, simple random and purposive sampling methods to select appropriate sample sizes from the study population strata. Structured questionnaire was the main instrument for data collection, supported by interview guide. Hypothesis was tested at α=0.05 level of significance and the results were: H0: There is no significant relationship between subcontractor oversight and real estate construction projects cost overruns was rejected since P=0.000<0.05. Considering the study findings and conclusions, the following recommendations were made: Project professionals and other relevant real estate project stakeholders should encourage comprehensive subcontractor oversight as critical concerns in assembling pertinent information and creating avenues that could be utilized to reduce real estate construction projects cost overruns.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».