我國工程大數據應用現狀及發展影響因素研究

余 璟，楊 玥，劉珺敏，陳 珂*

（1.武漢市城市建設投資開發集團有限公司，湖北 武漢 430070；2.華中科技大學，湖北 武漢 430074）

當今時代，信息化發展大趨勢使得數據成為各行各業的重要資源。互聯網、物聯網促使各類數據爆炸式增長，形成所謂的“大數據”。大數據是“以容量大、類型多、存取速度快、價值密度低為主要特征的數據集合，正快速發展為對數量巨大、來源分散、格式多樣的數據進行采集、存儲和關聯分析，從中發現新知識、創造新價值、提升新能力的新一代信息技術和服務業態”[1]。政務、工業、金融、交通、電信等行業已經開始利用大數據改變傳統的生產方式，積極釋放數據要素的潛在價值。

對工程建設行業而言，其生產活動含有豐富的數據資源。在以BIM、工程物聯網為代表的行業信息技術的驅動下，對各類工程數據進行記錄、存儲和分析的手段日益豐富，行業信息化程度低、數據大量丟失、數據處理能力弱等問題正在得到改善[2]。工程大數據應運而生，為工程建造項目本身以及項目參與各方提供增值服務。當前，我國工程建設行業處于數字化、智能化轉型升級的關鍵階段，工程大數據正逐漸發展和應用落地。

在此背景下，本研究首先結合大數據本身以及工程建造行業的特點，明確工程大數據的內涵與特征。然后，開展問卷調研，分析我國工程大數據應用的廣度和深度，發現制約我國工程大數據發展的影響因素，進而提出促進工程大數據未來發展的建議。

1 工程大數據內涵與特征

“大數據”概念出現于20 世紀90年代。隨著互聯網的發展，企業面對的數據越來越多，數據的結構也日益復雜，傳統的數據處理技術已經無法滿足企業需求，尋找新的數據存儲和處理分析技術已迫在眉睫。2008年，《自然（Nature）》雜志推出Big Date 專刊[3]。同年，計算社區聯盟（Computing Community Consortium）發表了第八版“Big-Data Computing; Creating revolutionary breakthroughs in commerce，science，and society”報告[4]，闡述了為促進大數據應用所需發展的關鍵技術，以及大數據發展面臨的挑戰。2011年《科學（Science）》雜志出版Dealing with Data 專刊[5]，從多個方面討論了大數據處理所面臨的各種問題以及發展大數據技術的重要性。全球知名咨詢公司麥肯錫在“Big data：The next frontier for innovation，competition，and productivity”報告中提出“大數據”是一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合[6]。

工程建造本身具有豐富的數據資源，以工程為載體形成工程大數據，可以理解為運用各種軟硬件工具實現項目全生命周期各個階段的數據集成，通過對數據集的處理分析，充分利用數據功能以提供增值服務[7]。作為大數據在工程建設行業的具體形式，工程大數據具備以下4個特征。

（1）體量大：一個工程建造項目會隨著時間的推移而產生源源不斷的數據，數據體量迅速增大。例如，當前施工現場往往布設大量攝像頭進行實時監控。根據筆者經驗，若現場布設10~20個攝像頭，每天記錄的視頻數據量可達到500 GB，相當于7 萬多張圖片，數據量巨大。

（2）管理復雜：不確定性和復雜性作為工程建造的2個最顯著的特征，是造成工程數據管理困難的主要原因之一。由于項目往往涉及不同參與方，因此在數據收集、存儲、處理等階段，必然會涉及用戶管理權限等問題。當各參與方之間沒能協調一致時，就會引發數據孤島、數據浪費等一系列問題。

（3）類型多：工程大數據分為結構化數據、半結構化數據以及非結構化數據。結構化數據指高度組織和整齊格式化的數據，如建筑產品幾何尺寸、成本金額等，而非結構數據指無預定數據模型的圖片、音頻、視頻等。半結構化數據介于結構化數據和非結構化數據之間，比如施工日志。

（4）隱含價值大：工程大數據能夠通過數據挖掘技術，產生大量價值。比如施工現場的視頻數據，可通過機器視覺技術進行目標檢測，識別視頻中工人個人防護用品佩戴是否規范，做到安全隱患的及時預警。

2 調研方法

2.1 問卷設計

為了調研我國工程大數據的應用現狀，本研究設計的問卷包括兩個主要部分。第一部分用于采集受訪人員的基本情況，第二部分則圍繞受訪人員對工程大數據的使用情況、企業數據平臺建設情況、大數據應用的影響因素等方面設置問題。問題采用單選、多選、打分、開放問答等多種方式，使受訪人員充分發表自己的觀點。在問卷初步設計完成后，通過對5 位行業專家進行預調研，明確問題表述并優化問題設置。修改后的問卷通過電子問卷平臺發放，以提升問卷發放和回收的效率。

2.2 樣本分析

問卷調查為期30 d，排除回答時間過短以及答案呈明顯規律性的無效問卷后，共收集到有效問卷125份。問卷來源分布如圖1 所示，其中從事施工工作的受訪人員有69 人，占比55.2%；從事規劃設計的受訪人員有14 人，占比11.2%，其余受訪人員來自市場監管、工程咨詢等領域，占比33.6%，這表明該問卷結果具有一定的普遍性。另外，受訪人員從業年限分布如圖2 所示，從業時間在0~3年的受訪人員有26 人，4~7年的有63 人，8~12年的有28 人，12年以上的有8 人。可以看出，大部分受訪人員的工作年限較長，具有較為豐富的工作經驗，有助于分析工程大數據應用現狀、影響因素，以便提出較為客觀的發展建議。

圖1 有效問卷來源情況

圖2 受訪人員從業年限分布情況

3 工程大數據應用情況

3.1 工程大數據采集方式

工程大數據采集方式的調研結果如圖3 所示。各項數字之和大于100%，表明工程建造項目的數據類型豐富、來源各異，受訪人員在日常工作中會使用多種方式進行數據采集。不難發現，電子文檔上報是獲取數據的主要方式，90.9%的受訪人員表示會使用電子文檔（如Word、Excel 等）上報數據。而68.6%的受訪人員使用紙質文檔采集數據，說明傳統數據收集形式依舊存在且占比較大。48.8%的受訪人員通過信息系統錄入的方式采集數據，33.1%的受訪人員使用移動終端設備采集數據（如定制化的數據采集APP、微信小程序等）。此外，25.6%的受訪人員采用物聯網技術自動采集數據。例如，通過無線傳感網絡采集施工過程中的人員和機械的位置，以及環境溫濕度、噪音、PM2.5 等，又如結合BIM 和RFID 采集裝配式構件的尺寸、安裝位置、狀態等數據，實現施工記錄隨時可追溯。

圖3 數據采集方式

綜上，基于紙質和電子文檔的人工錄入仍是當前數據采集的主流方式。但面對時間推移而大量產生的多源異構數據，需考慮更加自動化、智能化的采集技術來進行采集，以彌補傳統單一數據采集方式的不足，對完整、高效地記錄項目生命周期內的數據具有重要支撐作用。

3.2 工程大數據存儲方式

工程大數據的有效管理及存儲是大數據應用的重要支撐。本研究對當前工程大數據存儲方式的調研結果如圖4 所示，超過60%的受訪人員表示他們所在企業會將數據分散存儲，其中27.3%的選擇將數據分散儲存在各個業務系統中，33.1%的選擇將數據分散儲存于獨立紙質或電子文檔中，分散的數據存儲方式不利于數據資源的共享和高效利用。僅有24.0%和13.2%的受訪人員表示他們所在企業分別利用本地數據中心和云端數據中心進行數據存儲。

圖4 數據存儲方式

綜上，相較于國內外有關文獻廣泛應用到的云端分布式存儲，當前我國工程大數據仍依賴傳統的數據存儲方式，數據孤島和數據浪費的現象依舊存在。需加強云存儲技術融合，增強大數據存儲的網絡應用效果，以支持高效、協同地處理各類工程數據。

3.3 工程大數據平臺搭建情況

工程大數據平臺是銜接數據采集、存儲與分析之間的橋梁，基于平臺搭設功能與服務模塊，為數據用戶提供簡潔界面與快捷操作，加強數據利用能力。如圖5 所示，60.3%的企業并沒有搭建大數據平臺，這表明我國工程建設行業在工程大數據平臺搭建上表現得尤為不足。而在搭建大數據平臺的企業中，大多數企業是委托專業機構定制數據平臺，僅有14.9%的受訪人員表示所在企業選擇自行搭建大數據平臺，這意味著大多數企業并不具備獨自研發數據平臺的能力。同時，可能由于當前市場尚未具備面向工程建設行業且成熟的大數據平臺產品，調研未發現企業直接購買商業化大數據平臺產品的情況，工程大數據平臺仍有巨大的發展空間。

圖5 大數據平臺搭建情況

3.4 工程大數據應用情況

本研究結合文獻調研和工程管理業務需求，整理出11個工程大數據的潛在應用點。受訪人員根據自身實際情況，以0-5 分李克特量表對工程大數據應用的頻繁程度進行打分，0 分表示未使用工程大數據支持該應用，5 分表示經常使用工程大數據支持該應用，調研結果如圖6 所示。

圖6 工程大數據應用情況

調研結果說明我國工程大數據應用較為廣泛，在工程管理各個方面均有應用。但是，與當前研究進展相比，工程大數據在企業知識管理、廢棄物管理、能耗管理等方面的實際應用仍相對較少。相比而言，國內外研究已利用工程大數據支持上述方面。例如，YANG 等人提出一種基于BigKE 的智能橋梁管理與維護框架，將大數據知識工程范式與橋梁管理相融合[8]。LU 提出利用香港政府及相關部門提供的建筑廢棄物處置記錄大數據訓練算法模型，識別出非法傾倒廢棄物的行為加強對建筑廢棄物的有效管理[9]。ZHOU 等人通過K-means 聚類算法、C4.5 決策樹算法等數據挖掘方法，對北京公共建筑用電數據平臺提供的用電數據進行分析，探究建筑用電的影響因素及其之間的關系，幫助實現公共建筑進一步節能的目標[10]。不難看出，工程大數據的相關前沿研究和實際應用仍存在一定脫節，如何深入挖掘工程大數據的價值并切實服務實踐仍有待進一步探索。

4 工程大數據應用的影響因素

通過問卷調研，發現當前工程大數據應用的廣度和深度仍然不足，與研究進展脫節。為了研究影響我國工程大數據應用和發展的主要因素，本研究參考相關研究，初步確定了10個影響因素，并請受訪人員使用1-5 分李克特量表對這些因素的影響程度進行打分。1分代表最不重要，5 分代表最重要。

4.1 信度分析

信度分析用于研究定量數據的回答可靠準確性。為確保影響因素調研結果的可靠性，需要對問卷進行小規模的可信度分析[11]。本研究使用SPSS 軟件對回收數據進行信度檢驗。采用Cronbach's Alpha 法，以Cronbach α 系數作為信度指標。當Cronbach α 系數小于0.6，說明該數據信度不佳，而當該系數高于0.8，則表示該數據可信度高。本研究對涉及的10個變量分別進行了信度檢驗。由表1可知，未標準化的Cronbach α 系數為0.931，標準化的Cronbach α 系數為0.933，二者數值相差不大，且均高于0.9，說明數據信度質量高，可用于進一步分析。

表1 Cronbach 信度分析

4.2 結果分析

調研結果如圖7 所示。大數據投入與產出性價比、政策支持、技術人才、標準規范以及數據安全與隱私得分均在4 分以上，表明這些因素對我國工程大數據應用具有顯著的影響。而同類產品競爭、已積累數據量、法律規定等因素則對工程大數據的發展影響較小。

圖7 工程大數據發展的影響因素

首先，由于我國省份眾多且大數據產業發展較不平衡，導致不同省份之間大數據的投入產出效率存在較大差異[12]。大數據作為新興信息技術，起步較晚，加之企業重視不足且研究與實際應用脫節，進一步擴大了投入產出效率之間的差異。其次，從部分受訪人員的進一步反饋中得知，我國政策對工程大數據技術的推廣過于概念化，并沒有實質性措施使技術落地應用，國內企業無法根據國內實際情況開發適合企業自身的工程大數據技術并加以應用。另外，許多企業由于缺少懂得關鍵技術以及能將技術綜合應用在工程企業中的復合型高級人才，從而無法將大數據價值與實際業務有機結合，嚴重影響了企業的應用。此外，工程大數據技術應用標準不完善使得企業之間不能很好地協同工作，大數據技術功能無法得到充分應用。最后，數據的安全與隱私也是影響工程大數據應用的一方面，全球提倡“萬物互聯”，這必然會導致數據泄露等一系列不安全問題的出現，從而使企業面臨潛在的危險。

基于上述對影響因素的分析，本文將給出以下建議。

（1）國內企業應在相關政策的引導下，結合技術發展現狀以及企業業務需求，重視數據要素的投入產出結構和比例，選擇適合自身的大數據技術，積極釋放數據要素價值，提高工程大數據投入與產出的性價比。同時，也需考慮對工程大數據各個環節進行加密，使得數據在收集、存儲、處理等過程中不易被人為篡改、泄露或者銷毀，保證企業的數據安全。

（2）積極培養技術型人才，打通數據和業務之間的壁壘，推動工程大數據技術更貼合工程實際，實現更人性化的功能，直接提升工程大數據的應用效果。

（3）積極出臺并實施相關政策支持工程大數據技術的落地應用。應統一工程大數據技術及應用標準，加之合適的技術接口，實現大數據技術不同功能的銜接應用，充分發揮工程大數據技術的價值。

5 結束語

本研究對工程大數據的內涵和特征進行總結，并通過問卷調研梳理了我國工程大數據技術應用現狀，分析阻礙我國工程大數據技術應用發展的影響因素，并提出了相關建議。結果表明：

（1）以體量大、管理復雜、類型多以及隱含價值大為特征的工程大數據，在項目全生命周期的各個階段運用各種數字化、信息化工具實現數據對項目的支撐作用，克服傳統模式下數據大量流失、數據處理能力弱等困難，最大程度發揮數據的價值。

（2）我國工程企業數據采集尚未完全實現信息化、自動化，數據仍依賴傳統存儲方式，且缺乏統一有效的管理，影響了工程大數據在整個流程中應用的推進。企業對大數據平臺/系統功能應用不全面，并且多數企業未搭建大數據平臺/系統，使得數據處理過程斷層，數據采集存儲后不能得到有效利用，數據孤島、數據浪費的現象依舊存在，整體發展水平還有待提高。

（3）市場環境中投入產出的不平衡、政策推廣過于概念化、技術人才與標準規范不足、數據安全與隱私顧慮等因素影響了工程大數據的落地應用進程。我國應從三個層面同時著手，即以市場實際狀況為背景，平衡工程大數據投入與產出，營造開放、共享、安全的技術應用環境；以技術為核心，積極培養技術型人才，大力開發與擴展工程大數據產品功能，覆蓋工程進度、質量、安全成本等各個方面；以政策為主導，鼓勵技術創新與轉化，使研究和應用的步伐協調統一，大力推行工程大數據技術的落地應用。