The possible impact of employee absenteeism risk on a construction project

• Autorzy: Rogalska Magdalena , Hejducki Zdzisław

Identyfikatory

DOI

10.24425/ace.2022.143024

Warianty tytułu

PL

Probabilistyczne harmonogramowanie przedsięwzięć budowlanych w aspekcie ryzyka absencji pracowniczej

• Języki publikacji: EN

Abstrakty

EN

Worker absenteeism is identified as the greatest threat to not meeting the completion date of a construction project. The purpose of this paper is to quantify the impact of employee absenteeism risk on the probabilistic lead time of a construction project. Calculations of employee absenteeism risk values were performed using data from the Central Statistical Office (Big Data). Probabilistic schedules with probability density functions (Normal, Exponential, Reyleigh, Triangle, Gamma, Cauchy) with and without calculated employee absenteeism risk were prepared. Student's t-test and MAPE analysis of mean absolute percentage errors were performed to determine differences between groups. It was found that with respect to the probability of completing the task in the range of 75 to 95% for all functions, an unacceptable MAPE error of 32.82% to 69.23% arises. Therefore, the authors postulate that the risk of worker absenteeism should be considered in every construction process when performing probabilistic scheduling, i.e., in the Building Information Modeling BIM methodology.

PL

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.

Słowa kluczowe

EN

absenteeism; building information modelling; BIM; construction process; risk; time

PL

nieobecność w pracy; ryzyko; czas; modelowanie informacji o budynku; BIM; proces budowlany

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2022
• Tom: Vol. 68, nr 4
• Strony: 31--44
• Opis fizyczny: Bibliogr. 24 poz., il., tab.

Twórcy

autor

Rogalska Magdalena

• Lublin University of Technology, Faculty of Civil Engineering and Architecture, Lublin, Poland

• https://orcid.org/0000-0001-8408-3242

autor

Hejducki Zdzisław

• Wrocław University of Science and Technology, Faculty of Civil Engineering, Wrocław, Poland

• https://orcid.org/0000-0003-2958-0128

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/.
• [21] https://www.pulshr.pl/zarzadzanie/rosnie-w-firmach-absencja-chorobowa-jak-radza-sobie-pracodawcy,77467.html.
• [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.