基于SNA的建筑業大數據應用影響因素及驅動策略

摘要 大數據應用對建筑業轉型升級至關重要，但仍然面臨利用程度低、推廣速度慢等挑戰，亟需探索建筑業大數據應用的關鍵影響因素并提出驅動策略。通過文獻梳理，確定了13個影響因素；然后構建建筑業大數據應用影響因素社會網絡分析（SNA）模型，并運用Ucinet軟件對模型進行分析，識別出關鍵影響因素；最后基于分析結果提出建筑業大數據應用的驅動策略。

關鍵詞 建筑業; 大數據; 社會網絡分析（SNA）; 影響因素

中圖分類號 TP393.09 文獻標志碼 A

0引言

隨著信息技術快速的發展，數據呈現爆炸式增長，全球數據量從2009年至2020年增長了44倍［1］。2015年，國務院印發《促進大數據發展行動綱要》，提出加大大數據關鍵技術研發、產業發展和人才培養；2016年，國務院印發《“十三五”國家戰略性新興產業發展規劃》，提出深化大數據在各行業的創新應用；2017年，工信部印發的《大數據產業發展規劃（2016-2020年）》，提出數據是國家基礎性戰略資源。

建筑業作為數據密集型產業，積極推進大數據技術應用有利于促進行業的升級轉型［2］。2020年，住建部聯合13部門印發《關于推動智能建造與建筑工業化協同發展的指導意見》，提出探索建立大數據輔助科學決策和市場監管，推動建筑業數字化轉型；2022年1月，住建部印發《“十四五”建筑業發展規劃》鼓勵建筑企業、互聯網企業和科研院所等開展合作，加強大數據等信息技術在建筑領域中的融合應用。在研究領域，國內外專家也對建設工程大數據應用展開研究，如董娜等［3］探討了大數據在建設工程造價管理中的應用；楊興旺等［4］將大數據應用于橋梁健康監測；Dong meiyou等［5］認為大數據應用有助于實現綠色可持續發展。

雖然大數據在建筑業的應用得到普遍重視，但目前仍處于高負荷環境下的低質量供給，實際應用發展緩慢［6］，利用率不足0.4%［7］，數據價值沒有發揮。韓港等［2］通過文獻回顧分析，指出在項目管理中存在海量數據未被重視、缺乏適用的大數據應用方法、缺乏既精通項目管理又掌握大數據的專業人才等問題；劉亮等［8］針對實施建筑業大數據智能制造過程，提出了產業政策存在缺位、技術應用缺乏普及和示范作用有待加強等問題。可以看出，現有的研究已經關注到了大數據在建筑業應用推廣的困境，但大多數研究將這些影響因素看作彼此孤立的點，缺乏對因素間關聯關系的深層次探討，而系統地分析建筑業大數據應用影響因素并提出對應策略，方能促進其進一步發展。基于此，本文以建筑業大數據應用影響因素為研究對象，運用社會網絡分析（SNA）對因素間的內在聯系開展研究。首先通過文獻研究確定主要影響因素，然后通過專家打分法評價各因素間的相互影響程度；再基于SNA探討因素間的相互作用關系、識別關鍵影響因素；最后基于分析結果，提出建筑業大數據應用推廣策略。

1基于文獻研究的建筑業大數據應用影響因素識別

首先利用文獻研究法，對中國知網CNKI 、Web of Science數據庫中的文獻進行檢索，以“大數據”“建筑業”“影響因素”為關鍵詞，最終篩選出了7篇文獻［2， 6， 7， 9-12］，識別出13個影響建筑業大數據應用的影響因素，并劃分為數據、企業、社會3個維度，具體如圖1所示。

2建筑業大數據應用影響因素相互作用機理

社會網絡分析法（SNA）是由社會學家根據數學方法、圖論等發展起來的定量分析方法，主要分析網絡中不同群體所構成的關系結構及其屬性。劉華等［13］基于SNA構建了民營資本參與PPP項目的影響因素模型，分析了各因素之間關聯關系，并確定了7個關鍵因素；王鳳暉等［14］基于SNA構建了既有建筑綠色改造市場治理影響因素模型，通過整理分析表明影響因素之間彼此關聯。由此表明，SNA方法在研究復雜網絡中因素間關聯程度具有可行性。本文在識別出建筑業大數據應用影響因素的基礎上，將各因素作為網絡節點，探究各節點之間的相互影響關系，并找出關鍵影響因素。

2.1因素間相互影響程度評價

為探究建筑業大數據應用影響因素間的相互影響程度，邀請了9名經驗豐富的行業專家（工作年限超過15年，具有中高級職稱）對13個影響因素間的相互影響程度進行問卷調查，并采用李克特五點量法（即0為“無影響”，1為“較小影響”，2為“一般影響”，3為“較大影響”，4為“顯著影響”）進行評分。根據收集到的調查結果采用克朗巴哈系數α來驗證問卷數據的一致性（即樣本數據的可靠性）。通過計算，α系數值為0.784，大于0.7，說明數據的一致性高、符合檢驗標準。

2.2影響因素網絡圖構建與分析

將識別出的13個影響因素作為網絡節點，以因素間影響程度的均值（取整）構建影響關系鄰接矩陣，輸入Ucinet軟件，構建的影響因素網絡如圖2所示。

2.2.1網絡密度分析

網絡密度是用于衡量網絡中各因素（節點）間的緊密程度，將數據導入Ucinet，輸出網絡密度值為1.756 4，說明建筑業大數據應用影響因素關系網絡圖的密度較大，各因素間的緊密程度較大，任意2個影響因素發生改變，都可能使得整個網絡圖發生較大變化。

2.2.2網絡中心度分析

由關系網絡圖可以發現，13個影響因素間均存在聯系，但僅憑網絡圖不能判斷哪些因素為關鍵因素，因此需要對網絡中心度即點度中心度、中間中心度和接近中心度作進一步分析，如表1所示。

點度中心度是根據與該點直接相連接的節點數來測量，若某點具有較高的度數，則表明該點處于網絡中心，具有較高的影響力。在有向網絡中，點度中心度分為入度（指向該節點的其他節點的個數，反映受其他節點影響的大小）和出度（從該點直接指向其他節點的關系數，反映該點對其他節點影響的大小），出度減入度為度差。通過表1可以分析出，F10（政策、法律支持）、F11（數據應用與管理標準）、F2（數據的安全性和隱私保護）、F5（管理層重視度和系統規劃）、F12（相應的軟件和平臺）、F3（數據的獲取和管理）和F7（基礎設施建設）具有較大的出度值，說明在這些因素會對其他因素產生較大影響，對整個網絡的影響作用也較大，應給與關注。同時F10（政策、法律支持）、F11（數據應用和管理標準）、F5（管理層重視度和系統規劃）和F2（數據的安全性和隱私保護）具有較大的度差值，說明這些因素會對其他因素產生較大影響，并且受其它因素的影響的程度較小，因此這4個因素應重點關注。

中間中心度是用來描述某一個節點在多大程度上位于網絡圖中其他節點的中間，中間中心度越大，表明該節點控制其他節點的權利越大，越接近網絡中心。接近中心度是用來反映網絡中某一節點與其他節點間的接近程度。通過對表1中間中心度數據分析，F3（數據的獲取和管理）、F5（管理層重視度和系統規劃）、F7（基礎設施建設）和F11（數據應用與管理標準）具有較大的中間中心度值，表明這些因素在一定程度上對其他因素起控制作用。

接近中心度越高，表明節點越不受其他節點的影響。在網絡關系中，較高外接近中心度和較低內接近中心度為重要影響因素。通過表1分析，F2（數據的安全性和隱私保護）、F8（企業間數據的流通和共享）、F10（政策、法律支持）和F12（相應的軟件和平臺）具有較高外接近中心度和較低內接近中心度，確定為重要影響因素。

根據點度中心度、中間中心度和接近中心度分析結果，確定具有較高中心度的影響因素如表2所示。選取指標中出現頻次大于1的影響因素為關鍵因素，即F2（數據的安全性和隱私保護）、F5（管理層重視度和系統規劃）、F10（政策、法律支持）和F11（數據應用與管理標準）。

2.2.3關鍵關系識別

在社會網絡圖中，線的中間中心度指某一條線在多大程度上位于圖中其他線的“中間”，若該線的中間中心度越大，則其控制力越強［15］。運用Ucinet軟件計算得到線的中心度，并選取排名前10%的關系作為關鍵關系，具體如表3所示。根據表3可知，F13（可借鑒的典型案例）與F10（政策、法律支持）是關聯度最大的關鍵關系，說明政策、法律的支持對建筑業大數據應用推廣至關重要。此外，還可以看出大部分關鍵關系均與F2、F5、F10、F11這4個關鍵影響因素相關，因此可通過調控這些關鍵影響因素來提高大數據在建筑行業的應用程度和推廣速度。

3建筑業大數據應用驅動策略

基于上述社會網絡分析方法（SNA）得到的關鍵影響因素：F2（數據的安全性和隱私保護）、F5（管理層重視度和系統規劃）、F10（政策、法律支持）和F11（數據應用與管理標準），提出建筑業大數據應用的驅動策略。

3.1積極制定大數據相關法律法規和技術標準

宏觀層面，一方面政府和行業組織應積極推進大數據相關法律法規和技術標準的編制，為行業應用提供參考；另一方面，應推行大數據應用激勵政策，提升企業大數據應用的積極性。

3.2做好大數據應用的頂層設計和系統規劃

企業層面，領導層的重視程度對大數據技術的應用至關重要，企業高層應作好大數據應用的頂層設計和系統規劃，為企業的基層業務應用指明方向，做好系統規劃和具體業務的有機融合。同時重視典型案例在大數據應用的引領示范作用。

3.3作好數據安全和數據隱私保護相關工作

數據方面，需要明確數據安全、隱私的定義和保護范圍，規范企業或個人的大數據應用行為，遏制大公司的數據壟斷，防止不法分子竊取他人技術成果和商業機密，保障建筑市場持續健康發展。

參考文獻

［1］Penglin Gao， Zhaoming Han， Fucheng Wan. Big Data processing and application research［C］. 2020 2nd International Conference on Artificial Intelligence and Advanced Manufacture （AIAM 2020）. 2020，125-8.

［2］韓港，李文銳. 大數據背景下工程項目管理創新研究［J］. 經濟問題， 2021（1）：81-86.

［3］董娜，盧泗化，雄峰. 大數據背景下基于ABC-SVM的建筑工程造價預測［J］. 技術經濟， 2021， 40（8）： 25-32.

［4］楊興旺，唐成，易用強，等. 橋梁云計算2020年度研究進展［J］. 土木與環境工程學報（中英文）， 2021，43（S1）.

［5］Dong Meiyou， Yao Ye. Establishment of big data evaluation model for green and sustainable development of enterprises［J］. Journal of King Saud University - Science. 2022，5（34）.

［6］王美華. 加快推動建筑行業大數據應用發展［J］. 工程建設標準化.2021（3）.

［7］紀穎波，趙子豪，姚福義. 基于ISM的大數據在建筑領域中的應用障礙分析［J］.大數據，2021，7（6）.

［8］劉亮，謝根. 大數據智能制造在建筑業應用及發展對策研究［J］. 科技管理研究， 2019，39（8）.

［9］Tao Yu， Xin Liang， Yaowu Wang. Factors Affecting the Utilization of Big Data in Construction Projects［J］. Journal of Construction Engineering and Management， 2020，146（5）.

［10］Paola Reyes， Subashini Suresh， Suresh Renukappa. The Adoption of Big Data Concepts for Sustainable Practices Implementation in the Construction Industry［C］.11th International Conference on Utility and Cloud Computing Companion， 2019：349-352.

［11］Bakici.T，Nemeh.A，Hazir.O. Big data adoption in project management：Insights From French Organizations［J］.IEE TRANSACTIONS ON ENGINEERING MANAGMENT，2021.

［12］Al-Sai.ZA， Abdullah.R， Husin.MH. Critical Success Factors for Big Data：A Systematic Literature Review［J］. IEEE ACCESS. 2020，8，118940-118956.

［13］劉華， 馮雪. 民營資本參與PPP項目關鍵影響因素研究—基于SNA的視角［J］. 會計之友. 2021（10）.

［14］王鳳暉， 郭漢丁. 基于社會網絡分析視角的既有建筑綠色改造市場治理影響因素研究［J］. 再生資源與循環經濟. 2022，15（7）.

［15］秦旋，李懷全，莫懿懿. 基于SNA視角的綠色建筑項目風險網絡構建與評價研究［J］. 土木工程學報. 2017，50（2）：119-131.