基于因子分析模型的BIM关键评价指标研究
0 引言
建筑工程涵盖多学科、多专业, 其项目管理具有复杂性、模糊性、不确定性与重复性等特征, 多学科、多专业协同的纵深发展, 将打破传统建筑行业简单业务流程阻碍。无疑, BIM 将成为未来建筑业发展的主流技术
1 文献综述
通过关键词模糊检索, 获得约300篇在线文献, 整理选择了2002—2017年与研究主题相关且引用次数 (times cited) 较高的学术性文献。在研究内容相关性与引用次数双重因素影响下, 尽量保证使用的参考文献公开发表时间呈正态分布 (见图1) , 本文以研究目的为主要思路进行文献归纳, 分类成29个信息源。
依照文献研究法, 将29个信息源文献归纳成7个类别进行论述:第1类是案例研究和指标量化的研究方法, 这类文献较有代表性, 涉及和涵盖建筑工程项目管理BIM应用价值指标的测量
综上所述, 没有发现以上文献信息源能直接确立应用价值评价框架模型, 并将其应用于具体项目案例和提出量化资料指标的研究, 对案例项目数据研究的方式通常采用项目比较或对比性研究。本文以第1类参考文献为指导, 进一步讨论评价指标定义与适用性问题。Kagioglou 等提出的关键绩效指标 (key performance indicators, KPI) 虽然较为笼统, 但其需要在评价前确定针对BIM的执行计划内容, 只有在BIM项目执行计划得到明确评估时, 才能做出有针对性的应用价值评价。Luu 等认可将绩效指标评价作为衡量效率的基本要素。M.R.Hosseini等
2 研究方法
由于BIM应用价值影响具有不能从原始环境中提取变量和因素的特征, 应用价值评价通常采用调查和访谈等质性研究法, 从具有主观性和感知性调查对象的一般估计中获得。主要研究方法如下。
1) 变异系数法 (coefficient of variation method)
利用BIM应用价值各维度的问卷调查数据, 统计分析观测变量 (manifest variable) , 通过论文定义的相对重要指数 (index of relative importance, RII) 公式 (见式 (1) ) 分配影响力权重, 以此对BIM应用价值的各维度影响力进行重要性排序。根据权重值评价BIM在全生命周期各阶段或特定业务流程的影响力, 讨论BIM的应用现状与价值。
式中:W是调查对象分配给各选项的权重;A是最高权重值;N是调查对象总人数。
2) 因子分析法 (factor analysis method)
Charles Spearman提出的因子分析模型为:
式中:X为观测变量, 表示为X1, X2, …, Xp;p为观测变数数量;F为n个公共因子变数, n<p;α为公共因子变数的相关系数, α越大说明公共因子F和观测变量X的相关性越强;ε为特殊因子, 表示观测变量不能被公共因子所解释的部分, 相当于多元回归分析中的残差部分。
判别适合因子分析的维度, 利用SPSS因子分析 (factor analysis) 模块, 分维度进行因子荷载矩阵求解、提取公共因子等探索性因子分析 (exploratory factor analysis) 操作, 建立分维度公共因子结构模型, 使用因子得分 (factor score) 系数矩阵数值, 计算因子得分函数 (各观测量因子变量的线性表达式) :
式中:βip为因子得分系数。
使用因子得分 (Fi) 与因子方差贡献率 (di) , 计算各分维度的综合得分:
式中:di=λi/∑λi (i=1, 2, 3, …, m) 。
3 调查样本与调查对象
3.1 样本有效性界定
表1 独立样本t检定
Table 1 Independent sample t-test
方差方程Levene 检验 |
均值方程t检验 | |||||||||
F | Sig. | T | df | Sig. (双侧) |
均值 差值 |
标准 误差值 |
差分95%置信区间 |
|||
下限 |
上限 | |||||||||
X |
假设方差相等 |
1.432 | 0.237 |
-18.510 |
54.000 | 0.000 | -18.357 | 0.992 | -20.345 | -16.369 |
假设方差不相等 |
-18.510 |
51.441 | 0.000 | -18.357 | 0.992 | -20.348 | -16.367 |
由于横断式调查数据, 调查对象接受一次调查, 所以样本数据不测量调查对象的变化情形, 为总样本个体间的差异, 可以代表被界定的较大主体变化。将752名专家视为计算必要样本量时的总人数, 采用α=0.05, t=1.65, 置信区间 (confidence interval) Z=8.52, 样本量为113。113是基于0.65的回答率得出的, 研究需要74份回答, 实际收到104份, 样本数适当。
3.2 调查对象
在中国建筑业协会BIM专家库中, 包括国内勘察单位、设计单位、施工单位、监理单位和业主方的五大责任主体及造价咨询、招标代理、工程项目管理与建筑运营单位等项目管理参与方的752名专家, 作为调查对象展开问卷调查, 进行非概率性随机抽样。调查问卷采用半结构化、封闭式选项, 调查时间为2017年1—4月, 从752名专家中非概率性随机抽样223名 (29.65%) 、104名 (46.64%) 的完整答复, 样本数适当。根据统计显示, 调查对象的行业工作时长、单位组织规模和职业构成情况符合样本调查对象的属性特征。调查对BIM行业进展情况有了广泛了解, 通过经验丰富的项目管理参与方主导, 能真实反映与评价建筑工程行业BIM的现状和应用价值, 具有代表性。
4 研究统计与分析
4.1 问卷质量分析
1) 题目鉴别度分析
采用独立样本t检验方法计算鉴别度, 用排在前后27%的样本分别定义高分组和低分组, 设定高低分组 (N=104, 故高、低分组样本数均为28) , 利用转换 (transform) 中的计算变量 (compute variable) 操作各变量的总分, 以此建立高、低分组样本群, 独立样本t检验 (independent-sample t test) 结果如表1所示。由表1可知, 方差齐性检验结果p=0.237, 由于显著性水平设定为a=0.05, p>0.05, 故不能拒绝零假设, 即两个总体方差具有齐性。t=-18.510, df=54, p=0.000, 由于显著性水平设定为a=0.01, p<0.01, 所以应拒绝零假设, 样本有极其显著的差异, 代表问卷中的题目具有很强的鉴别力。
2) 问卷信度分析
计算可得, 各题目的Cronach’s α介于0.79~0.91, 总量表Cronach’s α=0.859<0.6, 说明调查问卷的内部一致性与稳定性在可接受范围。基于标准化项Cronach’s α与原系数差别不大, 仅为0.026, 说明题目间的相关性较好。
4.2 样本统计分析
1) 观测变量的变异系数评价
本文认为BIM的应用价值需在项目全生命周期内进行评价, 以确保实现持续改进。依据关键评价指标作为BIM应用价值的评价指标分配权重, 其RII值如表2所示。
2) 因子分析
由BIM关键评价指标X样本的KMO与Bartlett’s球状检验可知KMO统计值为0.521, 满足因子分析条件;在Bartlett 检验中, 近似卡方值为38.476, 对应的显著性概率P=0.006<0.01, 小于显著性水平, 拒绝检验的零假设。KMO与Bartlett检验均表明BIM关键评价指标X研究适合因子分析。
表2 BIM关键评价指标的RII值
Table 2 RII for key evaluation indicators of BIM
选项 |
R1 | W3 | R2 | W2 | R3 | W1 | εW | RII |
总成本 |
56 | 168 | 36 | 72 | 12 | 12 | 252 | 0.808 |
盈利能力 |
47 | 141 | 45 | 90 | 12 | 12 | 243 | 0.779 |
生产力 |
43 | 129 | 40 | 80 | 21 | 21 | 230 | 0.737 |
安全性 |
33 | 99 | 59 | 118 | 12 | 12 | 229 | 0.734 |
施工周期 |
42 | 126 | 40 | 80 | 22 | 22 | 228 | 0.731 |
成本预算力 |
41 | 123 | 34 | 68 | 29 | 29 | 220 | 0.705 |
错误率 |
34 | 102 | 33 | 66 | 37 | 37 | 205 | 0.657 |
服务客户满意度 |
17 | 51 | 45 | 90 | 42 | 42 | 183 | 0.587 |
时间的预测能力 |
9 | 27 | 54 | 108 | 41 | 41 | 176 | 0.564 |
产品客户满意度 |
12 | 36 | 38 | 76 | 54 | 54 | 166 | 0.532 |
表3所示为公共因子方差表示因子分析的初始解, 给出所有观测变量的共同度数值, 由于观测变量标准化的方差都为1, 故X0~X9共10个观测变量的共同度都为1, 说明观测变量的所有方差均可以被解释。然而, 按照特征值>1提取公共因子时, 测量变量的方差可以被解释的程度都会到损失, 其程度在29%~46%。对比最大方差旋转的最终因子解, 旋转前观测变量信息损失程度等于旋转后, X0~X9共10个观测变量的数据差异性不大, 因子意义较为含糊, 本文将进行因子解释观测变量总方差计算和分析。
表3 公共因子方差
Table 3 Common factor variance
观测变数 |
标签 | 初始值 | 提取 | |
X0 |
产品客户满意度 | 1.000 | 0.567 | |
X1 |
服务客户满意度 | 1.000 | 0.687 | |
X2 |
错误率 | 1.000 | 0.546 | |
X3 |
成本预算力 | 1.000 | 0.570 | |
X4 |
总成本 | 1.000 | 0.536 | |
X5 |
安全性 | 1.000 | 0.605 | |
X6 |
盈利能力 | 1.000 | 0.706 | |
X7 |
生产力 | 1.000 | 0.665 | |
X8 |
时间的预测能力 | 1.000 | 0.714 | |
X9 |
施工周期 | 1.000 | 0.642 |
注:提取方法为主成分分析
表4显示了10个因子解释观测变量总方差的情况, 主成分编号按特征值大小排序。分析可知, 如果要求累计贡献值>62%, 则需提取5个公共因子, 且这5个公共因子的特征值均>1.0, 测量变量方差可以被解释的程度达到要求, 但提取公共因子效果不合范畴。
从表4中可以看出, 第1个公共因子特征值为1.556, 方差贡献率为15.563%。分析过程提取了5个因子, 5个因子解释方差共占总方差主成分累计贡献率62%以上, 被认为勉强可以解释观测变量, 被舍弃的其他5个因子解释方差占不到40%, 说明前5个因子的数值变化基本可以代表前述10个观测变量的变化。从图2可以看出, 前4个因子的特征值比较大, 连成了陡峭的折线, 第4个因子对应点是折线转折点。第5个因子对应点为另一个转折点, 同时第5个因子之后的特征值比较小, 折线平缓, 可认为提取前5个因子较为合适。
表4 因子解释观测变量总方差的情况
Table 4 Factor explanation for the total variance of observation variables
成分 |
解释初始特征值 |
提取平方和载入 | ||||
合计 |
方差贡献 年/% |
累计 贡献率/ % |
合计 |
方差 贡献率/ % |
累计 贡献率/ % |
|
1 |
1.556 | 15.563 | 15.563 | 1.556 | 15.563 | 15.563 |
2 |
1.277 | 12.773 | 28.336 | 1.277 | 12.773 | 28.336 |
3 |
1.179 | 11.793 | 40.129 | 1.179 | 11.793 | 40.129 |
4 |
1.160 | 11.597 | 51.726 | 1.160 | 11.597 | 51.726 |
5 |
1.065 | 10.646 | 62.372 | 1.065 | 10.646 | 62.372 |
6 |
0.893 | 8.933 | 71.305 | |||
7 |
0.784 | 7.843 | 79.148 | |||
8 |
0.744 | 7.442 | 86.590 | |||
9 |
0.695 | 6.951 | 93.541 | |||
10 |
0.646 | 6.459 | 100.000 |
注:提取方法为主成分分析
3) 建立因子模型
构建BIM关键评价指标X的因子模型, 根据样本数据矩阵估计因子荷载矩阵 (见表5) , 可以看出每个公共因子对应于各观测变量的荷载表现不太明显, 不便于用观测变量解释其含义。
表5 因子荷载成分矩阵
Table 5 Component matrix
观测 变数 |
标签 |
成分 |
||||
1 |
2 | 3 | 4 | 5 | ||
X0 | 产品客户满意度 | 0.495 | -0.236 | 0.343 | -0.100 | -0.373 |
X1 |
服务客户满意度 | 0.266 | -0.346 | -0.126 | 0.660 | 0.211 |
X2 |
错误率 | 0.634 | 0.120 | 0.118 | 0.020 | -0.338 |
X3 |
成本预算力 | -0.289 | 0.684 | -0.011 | 0.000 | 0.134 |
X4 |
总成本 | 0.406 | 0.106 | -0.529 | 0.276 | -0.059 |
X5 |
安全性 | 0.492 | 0.236 | -0.015 | 0.192 | 0.519 |
X6 |
盈利能力 | -0.030 | -0.390 | 0.643 | 0.001 | 0.373 |
X7 |
生产力 | 0.313 | -0.204 | -0.366 | -0.626 | -0.014 |
X8 |
时间的预测能力 | 0.478 | 0.318 | 0.173 | -0.386 | 0.453 |
X9 |
施工周期 | 0.141 | 0.508 | 0.418 | 0.243 | -0.361 |
注:提取方法为主成分分析, 提取5个成分
为了明确因子含义, 对初始因子荷载矩阵进行旋转。因子荷载矩阵经旋转后如表6所示, 表中数据向0, 1两极分化;在旋转空间中的成分图 (见图3) 可见, 公共因子与观测变量的关系较为明确:第1个公共因子F1与X0, X2和X3关系密切, 表明在产品客户满意度、错误率和成本预算力3个观测变量上有较大的荷载, 一定程度上反映了BIM关键评价指标在于BIM在工程建设质量的管理能力体现, 因此称F1为质量因子。第2个公共因子F2与X5, X8关系密切, 表明在安全性和时间的预测能力两个观测变量上有较大的荷载, 一定程度上反映了BIM关键评价指标在于BIM在工程建设运行控制能力的体现, 因此称F2为运行因子。第3个公共因子F3与X3, X7和X9关系密切, 表明在成本预算力、生产力和施工周期3个观测变量上有较大的荷载, 一定程度上反映了BIM关键评价指标在于BIM在工程建设计划与调控能力的体现, 因此称F3为调控因子。第4个公共因子F4与X1关系密切, 表明在服务客户满意度这个观测变量上有较大的荷载, 一定程度上反映了BIM的关键评价指标在于BIM对客户服务价值的体现, 因此称F4为服务能力因子。第5个公共因子F5与X4, X6关系密切, 表明在总成本和盈利能力这两个观测变量上有较大的荷载, 一定程度上反映了BIM关键评价指标在于BIM在工程建设支出与收入效用价值的体现, 因此称F5为收支因子。
表6 旋转因子荷载成分矩阵a
Table 6 Rotated component matrixa
观测 变数 |
标签 |
成分 |
||||
1 |
2 | 3 | 4 | 5 | ||
X0 | 产品客户满意度 | 0.739 | -0.018 | -0.039 | 0.011 | -0.135 |
X1 |
服务客户满意度 | 0.029 | 0.032 | 0.013 | 0.827 | 0.028 |
X2 |
错误率 | 0.662 | 0.197 | 0.119 | 0.025 | 0.232 |
X3 |
成本预算力 | -0.417 | 0.213 | 0.441 | -0.350 | 0.182 |
X4 |
总成本 | 0.092 | 0.149 | -0.073 | 0.343 | 0.618 |
X5 |
安全性 | -0.009 | 0.701 | 0.074 | 0.318 | 0.078 |
X6 |
盈利能力 | 0.067 | 0.126 | -0.014 | 0.172 | -0.810 |
X7 |
生产力 | 0.205 | 0.153 | -0.696 | -0.270 | 0.206 |
X8 |
时间的预测能力 | 0.124 | 0.793 | -0.096 | -0.228 | -0.089 |
X9 |
施工周期 | 0.331 | 0.052 | 0.707 | -0.156 | 0.074 |
注:提取方法为主成分分析, 旋转法为具有 Kaiser 标准化的正交旋转法, a在8次迭代中收敛循环
建立上述因子分析模型 (见图4) 后, 根据经过旋转后的因子变量线性表达式, 使用因子得分系数矩阵和标准化的数值计算因子得分, 并计算综合得分。依据因子分析及得分统计可对10个显在变量的分析转化为5个潜在变量的分析, 有一定的相关性。虽然5个公共因子的累计方差贡献率仅达到62.372%<70%, 但根据杜智敏等
在公共因子定义时发现F1和F3出现X3共线性 (图4中的灰色因子) , 被认为归纳公共因子意义不明显, 对所蕴含的潜在变量信息解释存在牵强语义, 总体评价BIM关键评价指标的效果不理想;但是, 从X3成本预算力这一显在变量与F1质量因子、F3调控因子这两个潜在变量的语义上分析, 其相关性比较显著, 因子意义较为明确。一方面, 从公共因子的定义可知, X3存在相关的共同趋势, 这是主要原因;另一方面与样本体量小或横断资料的偶然性有关, 这也是样本的局限性因素。依据刘国旗
5 结语
通过评价目前用来衡量建筑BIM应用价值的标准, 为后续研究提供参考, 也对BIM的实际效益和计划执行情况做出对比。BIM应用价值的评价指标较多, 不过总成本 (经常使用比例是53.85%) 和盈利能力 (经常使用比例是45.19%) 是最常测量的方面, 而后是生产力指标 (经常使用比例为41.35%) , 时间的预测能力最少用到。另外, 由于BIM可用项目数据信息的性质, 研究存在局限性:参考文献的局限性矛盾, 本文使用了2002—2017年引用次数较高的学术性文献, 文献时间分布受研究内容相关性与引用次数影响, 尽量保证使用的参考文献公开发表时间呈正态分布;文献分中文和英文两类, 中文文献以考虑创新性为主, 兼顾引用次数, 时间为2010—2017年, 英文文献关注研究方法与结果相关性, 兼顾引用次数。使用引用次数归纳的文献, 虽然代表了业界或学者的认同度, 但同样存在新颖性损失、中英文文献分布不均等问题, 导致研究的粗浅性。
综上所述, 根据BIM关键评价指标X的研究需要, 选择5个公共因子建构因子模型比较合适;BIM关键评价指标X6中10个题目结构与工程项目全生命周期管理中BIM关键评价指标的基本结构一致;BIM关键评价指标分维度的结构效度达到了要求, 公共因子建构因子模型与工程项目全生命周期管理中BIM关键评价指标的基本结构一致, 结构效度呈现出更为明显的特性;评估建筑工程项目效益、效率和质量三要素, 可以实现建筑工程项目的持续改进;将评价指标作为衡量效率的基本要素, 虽然较为笼统, 但在建筑工程行业受到普遍认同和广泛使用, 使用关键评价指标可以使BIM的执行计划与相似项目案例进行比较, 以便确定差异区间, 评估实际效益。
参考文献
[1] 郝丽. 我国BIM技术应用现状分析与推广措施研究[J]. 四川建筑科学研究, 2014, 40 (3) :353-355.
[11] 陈艳. BIM技术开启智慧建筑时代[J]. 上海信息化, 2015 (10) :56-59.
[14] 刘芳. BIM技术在广州市财富中心项目中的应用研究[D]. 长沙:湖南农业大学, 2014.
[15] 周宁, 凌锦科, 王冰. BIM技术在苏州万润财富中心建筑全生命周期中的应用[J]. 建筑知识, 2014 (3) :138-139.
[17] 李恒, 郭红领, 黄霆, 等.BIM在建设项目中应用模式研究[J].工程管理学报, 2010, 24 (5) :525-529.
[18] 余倩, 唐建伟, 胡计兰, 等. 基于BIM虚拟技术工程项目精细化管理[J]. 四川建筑, 2016, 36 (4) :254-255.
[20] 刘晴, 王建平. 基于BIM技术的建设工程生命周期管理研究[J]. 土木建筑工程信息技术, 2010, 2 (3) :40-45.
[21] 孙悦.基于BIM的建设项目全生命周期信息管理研究[D].哈尔滨:哈尔滨工业大学, 2011.
[22] 邹倩. 基于BIM的城市更新项目物理环境评价模型研究——以重庆某城市更新项目为例[D]. 重庆:重庆大学, 2014.
[24] 张洋. 基于BIM的建筑工程信息集成与管理研究[D]. 北京:清华大学, 2009.
[25] 线登洲, 杜磊, 刘岑, 等. BIM在河北奥体中心项目中的应用[J]. 低温建筑技术, 2016, 38 (7) :145-147.
[28] 李犁, 邓雪原. 基于BIM技术建筑信息标准的研究与应用[J]. 四川建筑科学研究, 2013, 39 (4) :395-398.
[30] 邱鹏, 段小芳. 基于BIM技术的项目全生命周期管理平台的应用[J]. 山西建筑, 2015 (34) :257-258.
[33] 杜智敏, 樊文强. SPSS在社会调查中的应用[M]. 北京:电子工业出版社, 2015.
[34] 刘国旗. 多重共线性的产生原因及其诊断处理[J]. 合肥工业大学学报 (自然科学版) , 2001, 24 (4) :607-610.