Data-Driven Assessment of Complexity-Induced Risks in Infrastructure Projects
Notice bibliographique
Résumé
Infrastructure projects are characterized by inherent complexities that often lead to their poor performance. Notwithstanding challenges posed by various risks and their interactions, the additional non-linear and dynamic interdependence-induced complexities make infrastructure projects susceptible to systemic risks—probable component disruption that can lead to cascade (system-level) disruptions. The study of teams/resource interdependence-induced systemic risks in an environment of interacting risks is scarce in the literature. In addition, several previous studies demonstrated that current risk interactions and systemic risk analysis models are impractical due to their complexity and limited theoretical application domains. In this respect, the current study fills this knowledge gap by developing a data-driven risk interactions and systemic risk management approach. This approach is formulated in three stages: (1) quantifying risk interactions and teams/resources interdependence; (2) building machine learning model (ML) models to predict project performance based on the quantified characteristics; and (3) devising relevant mitigation strategies. The study also includes a practical demonstration application of the approach to present a step-by-step demonstration for each stage—thus guiding practitioners to proactively safeguard against risk interactions and systemic risks. The current work contributes to the body of knowledge by laying out the foundations of investigating the compound phenomenon of risk interactions and systemic risks as well as by presenting an effective approach to achieve that endeavor. Overall, the current study introduces a reliable and practical approach to enhance the performance of infrastructure projects through interacting risks- and systemic risk-informed management strategies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».