Developing KPIs and Measurement Processes to Assess the Impact of Innovation in the Construction Industry: Current Practices and Challenges
Notice bibliographique
Résumé
The construction industry's role as a key economic driver underscores the need for robust mechanisms to measure and manage innovation.While conventional metrics often emphasize cost, schedule, and immediate outputs, emerging trends highlight broader, long-term impacts-particularly those related to sustainability, social well-being, and organizational growth.This study examines current practices and challenges in performance measurement among five major public project owners in Quebec, selected due to their involvement in a digital transformation roadmap, drawing on semi-structured interviews with senior managers and technical teams.Our findings reveal a strong reliance on traditional Key Performance Indicators (KPIs), such as cost and schedule, complemented in some cases by environmental, safety, or innovation-oriented indicators.However, limited standardization, disparate data-collection methods, and fragmented systems impede consistent, real-time reporting.Moreover, long-term outcomes and intangible benefits frequently remain under-assessed, reflecting a gap between immediate project control and strategic, impact-focused goals.Despite these challenges, a gradual shift is evident: several public owners express intentions to adopt more holistic KPI sets that address sustainability, resource productivity, and innovation.Efforts to streamline data gathering-through integrated software platforms and stakeholder collaboration-indicate a growing recognition of the need for accurate, forward-looking measurements.By pinpointing the limitations and emerging directions in current practices, this research contributes new insights into how performance management can evolve to capture both immediate project results and broader societal impacts in the construction industry.
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 | 0,010 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».