Efficient road maintenance contracting
Bibliographic record
Abstract
I denna rapport redovisas internationella erfarenheter av upphandling av avhjälpande vägunderhåll. Studien beskriver upphandlingsförfarandet i Norge, Skottland och Ontario (Kanada) samt resultat från relevant litteratur. Genomgångarna har fokuserats på skillnaden i effektivitet mellan utförarkontrakt och funktionskontrakt samt hur incitament, riskfördelning, konkurrenssituation och kvalitetsdimensioner påverkar utfallet av kontrakten. Resultaten pekar på att Ontario och Norge utgår från funktionskontrakt. Under senare tid har vissa aspekter av dessa kontrakt omprövats då problem har uppstått främst i vinterunderhållet. I Ontario vägs nu kvalitet in i anbudsprocessen och i Norge används en ny ersättningsmodell som avser att balansera negativa incitament. I Norge testas även nya kontraktsmodeller på fem platser i landet. Skottland använder utförarkontrakt och har under senare tid utprovat indikatorer för att fånga kvaliteten på vinterunderhåll genom att använda friktionsmätning. I litteraturen finns ofta en positiv grundsyn på funktionskontrakt. Ingen studie har dock påträffats som mäter effektiviseringar till följd av en viss kontraktsmodell där hänsyn tas till eventuella samtidiga effekter i kvalitet eller kontraktsmodellens långsiktiga påverkan.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.046 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".