A Systematic and Objective Framework for Evaluating Subcontractor Performance Using Monte Carlo Simulation Coupled with the Analytic Hierarchy Process and a Linear Additive Utility Model
Notice bibliographique
Résumé
The general contractor (GC)–subcontractor (SC) relationship is a crucial aspect of construction supply chain management, heavily influencing project outcomes. This study investigates a method for assessing SC performance and underscores its essential role in construction projects. Traditionally, SC assessments are based on subjective evaluations, which can lead to biased decision-making. To counter this, this study introduces a comprehensive framework that employs objective indices and a systematic evaluation method. The study begins with a comprehensive literature review and expert consultations to identify key indices for SC evaluation: time, cost, quality, safety, resources, satisfaction, and leadership. A hybrid method combining Monte Carlo simulation and the Analytic Hierarchy Process (AHP) is employed to assign weights to these indices through the development of probability distributions, thereby reducing judgment uncertainty. The developed evaluation model incorporates normalization and a linear additive utility model (LAUM) to calculate a performance index (PI) that quantifies SC performance across various levels, from outstanding to poor. The normalization process is applied with three tolerance levels (high, medium, and low). A real case study with a three-scenario sensitivity analysis demonstrates the model’s effectiveness. This approach provides general contractors with a more objective and transparent assessment process, minimizing bias in evaluations.
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 | 0,000 |
| 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 ».