A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
It is widely accepted in construction management literature that superlative contractor selection criteria are: contractor ability to complete a project on time, within budgeted cost and to expected quality standards. Hence, contractor evaluation and selection models with the ability to highlight these attributes (i.e. help the selection decision) should be fully exploited. To date, such models have evolved based predominantly on reasoning, and discriminant analysis, but there is scope for investigation of alternative strategies including: fuzzy set theory; neural networks; regression techniques; and cluster analysis. This paper concentrates on the latter by applying cluster analysis to real-life contractor selection data. Results indicate that the technique will simultaneously classify large numbers of contractors while identifying the most significant multi-attribute analysis, case-based discriminating criteria among them. These characteristics offer potential for rationalization of contractor evaluation, classification and selection. La documentation relative a la gestion des chantiers de construction admet un certain nombre de criteres de pointe permettant de selectionner les entreprises de batiment, qui sont la capacite de l'entrepreneur a achever un chantier dans les delais, la maitrise des couts prevus au budget et la conformite avec les normes de qualite exigees. En consequence, les modeles d'evaluation et de selection des entreprises du batiment repondant le mieux a l'ensemble de ces criteres (c'est-a-dire, les outils d'aide a la decision) doivent etre pleinement exploites. Ces modeles ont aujourd'hui evolue; ils reposent essentiellement sur des analyses multi-criteres, le raisonnement est fonde sur les cas pratiques et l'analyse distinctive, cependant, ils laissent une large place a la recherche de strategies alternatives, telles que la theorie des ensembles flous, les reseaux neuronaux, les techniques de regression et l'analyse par groupes. Ce document traite plus particulierement de cette derniere strategie, en appliquant l'analyse par groupes aux donnees effectives de selection des entreprises du batiment. Les resultats font apparaitre que cette technique va classer simultanement un grand nombre d'entreprises du batiment, tout en identifiant parmi elles les criteres de jugement les plus significatifs. Ces caracteristiques offrent la possibilite de rationaliser l'evaluation, la classification et la selection des entreprises.
It is widely accepted in construction management literature that superlative contractor selection criteria are: contractor ability to complete a project on time, within budgeted cost and to expected quality standards. Hence, contractor evaluation and selection models with the ability to highlight these attributes (i.e. help the selection decision) should be fully exploited. To date, such models have evolved based predominantly on reasoning, and discriminant analysis, but there is scope for investigation of alternative strategies including: fuzzy set theory; neural networks; regression techniques; and cluster analysis. This paper concentrates on the latter by applying cluster analysis to real-life contractor selection data. Results indicate that the technique will simultaneously classify large numbers of contractors while identifying the most significant multi-attribute analysis, case-based discriminating criteria among them. These characteristics offer potential for rationalization of contractor evaluation, classification and selection. La documentation relative a la gestion des chantiers de construction admet un certain nombre de criteres de pointe permettant de selectionner les entreprises de batiment, qui sont la capacite de l'entrepreneur a achever un chantier dans les delais, la maitrise des couts prevus au budget et la conformite avec les normes de qualite exigees. En consequence, les modeles d'evaluation et de selection des entreprises du batiment repondant le mieux a l'ensemble de ces criteres (c'est-a-dire, les outils d'aide a la decision) doivent etre pleinement exploites. Ces modeles ont aujourd'hui evolue; ils reposent essentiellement sur des analyses multi-criteres, le raisonnement est fonde sur les cas pratiques et l'analyse distinctive, cependant, ils laissent une large place a la recherche de strategies alternatives, telles que la theorie des ensembles flous, les reseaux neuronaux, les techniques de regression et l'analyse par groupes. Ce document traite plus particulierement de cette derniere strategie, en appliquant l'analyse par groupes aux donnees effectives de selection des entreprises du batiment. Les resultats font apparaitre que cette technique va classer simultanement un grand nombre d'entreprises du batiment, tout en identifiant parmi elles les criteres de jugement les plus significatifs. Ces caracteristiques offrent la possibilite de rationaliser l'evaluation, la classification et la selection des entreprises.
Classifying construction contractors
Holt, Gary D. (author)
Building Research & Information ; 25 ; 374-382
1997-11-01
9 pages
Article (Journal)
Electronic Resource
English
Classifying construction contractors
| Online Contents | 1997
Classifying construction contractors
| British Library Online Contents | 1997
Classifying Construction Contractors Using Unsupervised-Learning Neural Networks
| Online Contents | 2006
Classifying Construction Contractors Using Unsupervised-Learning Neural Networks
| British Library Online Contents | 2006