Probabilistyczne harmonogramowanie przedsięwzięć budowlanych w aspekcie ryzyka absencji pracowniczej
DOI:
https://doi.org/10.24425/ace.2022.143024Abstrakt
W artykule przeprowadzono kwantyfikację ryzyka absencji pracowników budowlanych celem wprowadzenia tej wartości do harmonogramów w ujęciu probabilistycznym oraz określenie wpływu na czas realizacji procesów budowlanych przy założeniach różnych rozkładów funkcji gęstości prawdopodobieństwa. Pominiecie wpływu absencji pracowniczej jako ryzyka czasu realizacji przedsięwzięcia budowlanego generuje błąd MAPE o wartości 32,82% do 69,23% w zależności od zadanej funkcji gęstości prawdopodobieństwa w odniesieniu do przedziału prawdopodobieństw ukończenia zadania od 75-95%. Jest to bardzo duży błąd - niedopuszczalny. Bardzo wysokie błędy MAPE zanotowano w odniesieniu do funkcji Gamma i Cauchy w każdym przedziale prawdopodobieństw ukończenia zadania. Nieuwzględnienie ryzyka absencji pracowniczej w obliczeniach służących do sporządzenia harmonogramu generują w tych przypadkach niedopuszczalny błąd. W odniesieniu do prawdopodobieństwa ukończenia zadania w przedziale od 5 do 70% dla funkcji Normal, Exponential, Reyleigh, Triangle błąd MAPE jest mały i wynosi około 3%, ale dla wartości od 75-95% jest już niedopuszczalny (32,8 o 34%). Wartość średnia dla prawdopodobieństwa od 5 do 95% błędu MAPE wynosi 11% - zatem jest to błąd dopuszczalny. Ze względu na wymagania normowe ISO 15686-5 Buildings and constructed assets- Service life planning, istnieje zalecenie kwantyfikcji czasu z prawdopodobieństwami wystąpienia zdarzenia polegającego na przekroczeniu czasu realizacji przedsięwzięcia budowlanego o wartościach co najmniej 10, 50 i 90%. W związku z powyższym autorzy postulują o uwzględnianie ryzyka absencji pracowniczej w każdym procesie budowlanym podczas wykonywania harmonogramów probabilistycznych, czyli w metodologii Building Information Modeling BIM.Bibliografia
[1] A.D. Aczel, Statystyka w zarządzaniu. Warszawa: PWN, 2000.
[2] J.S. Amstrong, Principles of Forecasting: A Handbook of Researchers and Practitioners. Springer, 2001.
[3] A.B. Bakker, E. Demerouti, “The job demands-resources model: state of the art”, Journal of Managerial Psychology, 2007, vol.22, no. 3, pp. 309-328; DOI: 10.1108/02683940710733115.
[4] A.B. Bakker, E. Demerouti, E. Boer, W.B. Schaufeli, ”Job demands and job resources as predictors of absence duration and frequency”, Journal of Vocational Behavior, 2003, vol. 62, no. 3, pp. 341-356; DOI: 10.1016/S0001-8791(02)00030-1.
[5] Ch.W. Chase, Demand-Driven Forecasting: A Structured Approach to Forecasting. Wiley, 2013.
[6] P.M. Dekkers-Sanchez, J.L. Hoving, J.K. Sluiter, M.H.W. Frings-Dresen, “Factors associated with long-term sick leave in sick-listed employees: A systematic review”, Occupational and Environmental Medicine, 2008, vol. 65, no. 3, pp. 153-157; DOI: 10.1136/oem.2007.034983.
[7] M. Gilliland, The Business Forecasting Deal: Exposing Myths, Eliminating Bad Practices, Providing Practical Solutions. Wiley, 2010.
[8] T. Gneiting, ”Making and Evaluating Point Forecasts”, Journal of American Statistical Association, 2011, vol. 106, no. 494, pp. 746-762; DOI: 10.1198/jasa.2011.r10138.
[9] T. Gneiting, “Quantiles as optimal point forecasts”, International Journal of Forecasting, 2011, vol. 27, no. 2, pp. 197-207; DOI: 10.1016/j.ijforecast.2009.12.015.
[10] R.J. Hyndman, Another look at measures of forecast accuracy. FORESIGHT, 2006.
[11] R.J. Hyndman, G. Athanasopoulos, Forecasting: principles and practice. OTexts, 2013.
[12] R.J. Hyndman, A.B. Koeler, ”Another look at measures of forecast accuracy”, International Journal of Forecasting, 2006, vol. 22, no. 4, pp. 679-688; DOI: 10.1016/j.ijforecast.2006.03.001.
[13] M. Rogalska, Wieloczynnikowe modele w prognozowaniu czasu procesów budowlanych. Politechnika Lubelska, 2016.
[14] M. Rogalska, J. Żelazna-Pawlicka, “Analysis of the distribution influence of the density of cost-forming factors on results of the LCCA calculations”, Archives of Civil Engineering, 2019, vol. 65, no. 3, pp. 101-112; DOI: 10.2478/ace-2019-0037.
[15] W.B. Schaufeli, A.B. Bakker, W. Van Rhenen, “How changes in job demands and resources predict burnout, work engagement, and sickness absenteeism”, Journal of Organizational Behavior, 2009, vol. 30, no. 7, pp. 893-917; DOI: 10.1002/job.595.
[16] A. Stanisz, Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny, vol. 1. Kraków: StatSoft Polska Sp. z o.o., 2006.
[17] R.P. Steel, “Methodological and operational issues in the construction of absence variables”, Human Resources Management Review, 2003, vol. 13, pp. 243-251; DOI: 10.1016/S1053-4822(03)00015-9.
[18] R.P. Steel, J.R. Rentsch, “Influence of cumulation strategies on the long-range prediction of absenteeism”, Academy of Management Journal, 1995, vol. 38, no. 6, pp. 1616-1634; DOI: 10.5465/256846.
[19] J. Tan, P.M. Hart, “Voluntary and Involuntary Absence: The Influence of Leadership, Work Environment, Affect and Group Size”, 2011. [Online]. Available: http://www.insightsrc.com.au/portal/resources/4ee825f01f779.pdf.
[20] https://branzadeweloperska.pl/absencja-pracownikow-problemem-branzy-budowlanej/.
[22] Podręcznik internetowy STATISTICA.
[23] ISO 15686-5 Buildings and constructed assets- Service life planning- Part 5: Life-cycle costing.
[24] ZUS (2015-2019), Informacja o absencji chorobowej osób ubezpieczonych w ZUS w 2014-2019 roku.
English
Język Polski