Badanie i prognozowanie wydajności pracowników budowlanych

W studium podjęto próbę zbadania i zaprognozowania wydajności pracy robotników budowlanych podczas realizacji wybranej pracy budowlanej. Określono czynniki i zależności mające wpływ na wydajność robotników oraz przeprowadzono prognozę czasu wykonania w nowych warunkach realizacyjnych. Przeprowadzono badania na placach budów i pozyskano 33 pomiary wydajności pracowników podczas układania kostki brukowej w różnych warunkach realizacyjnych, będących podstawą dalszych obliczeń. Podczas obliczeń wykorzystywano Multivariate Method of Statistical Models – MMSM. Dla zmiennej zależnej (wydajności pracownika) określono 6 zmiennych niezależnych (liczebność brygady roboczej, średnie doświadczenie pracowników, liczbę godzin pracy, średnią temperaturę, średnią wilgotność, liczbę ułożonych m2 w trakcie trwania pomiaru). W wyniku przeprowadzonych obliczeń i analiz uzyskano prognozę opartą na sieci zależności Sztucznych Sieci Neronowych (SNN), z bardzo niskim błędem MAPE. Prowadząc badania, oparte na większej ilości przyjętych zmiennych niezależnych, można uzyskać prognozę mającą zastosowanie do bardziej złożonych i różnorodnych przypadków.

---

The study attempts to investigate and forecast the productivity of construction workers, during the execution of a selected construction work. Factors and relationships affecting the productivity of the workers were identified and a prediction of the execution time under the new execution conditions was carried out. Surveys were carried out on construction sites and 33 measurements of worker productivity during the laying of paving blocks under different realisation conditions were obtained as the basis for further calculations. The Multivariate Method of Statistical Models – MMSM – was used for the calculations. For the dependent variable (worker productivity), 6 independent variables were determined (size of the working brigade, average experience of the workers, number of working hours, average temperature, average humidity, number of m2 laid during the measurement). As a result of the calculations and analyses carried out, a prediction based on an Artificial Neron Networks (SNN) dependency network was obtained, with a very low MAPE error. By carrying out research based on a larger number of adopted independent variables, a forecast applicable to more complex and diverse cases can be obtained.