ค่าสัมประสิทธิ์สหสัมพันธ์ของการวัดผลิตภาพแรงงานก่อสร้างถนนแอสฟัลต์ติกคอนกรีตด้วยนาฬิกาอัจฉริยะ
The Correlation Coefficient of Productivity Construction Labor in Asphaltic Concrete Road with Smartwatch
Abstract
ในปัจจุบันผลิตภาพแรงงานของไทยมีการขยายตัวที่ค่อนข้างต่ำ ซึ่งเป็นผลกระทบกับเจ้าของโครงการ โดยอุตสาหกรรมการก่อสร้างต้นทุนของแรงงานคิดเป็น 30-50 % ของต้นทุนทั้งหมด จึงทำให้ผลิตภาพของแรงงานก่อสร้างนั้นเป็นตัวกำหนดความสำเร็จของโครงการ ซึ่งการวัดผลิตภาพของแรงงานก่อสร้างนั้นสามารถทำได้โดยการรวบรวมข้อมูลจากหน้างาน โดยจะต้องไม่ไปรบกวนการทำงานของแรงงานก่อสร้างขณะที่แรงงานดำเนินงานอยู่ แต่ภายในโครงการก่อสร้างมีความซับซ้อนทำให้การเก็บข้อมูลเป็นเรื่องยาก ในการศึกษานี้จึงประยุกต์ใช้เทคโนโลยีเข้ามาช่วยในการเก็บรวบรวมข้อมูลของแรงงานก่อสร้างในงานก่อสร้างถนนแอสฟัลต์ติกคอนกรีต โดยใช้นาฬิกาอัจฉริยะรวบรวมข้อมูลของแรงงาน ดังนี้ อัตราการเต้นของหัวใจ ระยะทางในการเดินแต่ละวัน พลังงานที่ใช้ไป สภาพอากาศระหว่างการทำงาน ความชื้นระหว่างการทำงาน ระยะเวลาการทำงานในแต่ละวัน และในส่วนที่เก็บเพิ่มเติม คือ อายุ ประสบการณ์ทำงาน และปริมาณงานที่แรงงานทำได้ในแต่ละวัน และวิเคราะห์ความสัมพันธ์ของพารามิเตอร์ด้วยสัมประสิทธิ์สหสัมพันธ์ของเพียรสัน (Pearson Correlation Coefficient) ผลการวิเคราะห์ได้ความว่า ระยะเวลาการทำงานในแต่ละวัน อุณหภูมิระหว่างการทำงาน และความชื้นระหว่างการทำงาน มีค่าความสัมพันธ์อย่างมีนัยสำคัญทางสถิติต่อผลิตภาพการทำงานของแรงงานในโครงการก่อสร้างถนนแอสฟัลต์ติกคอนกรีตสูงสุดไปในทิศทางเดียวกัน 3 อันดับแรก
Currently, the workforce productivity in Thailand has been relatively low, which has had an impact on project owners. The construction industry incurs labor costs that account for 30–50% of the total costs. Therefore, the productivity of construction labor becomes a determining factor for project success. Measuring the productivity of construction labor can be done by collecting data from the worksite without disrupting the ongoing work. However, the complexity of construction projects makes data collection challenging. In this study, technology is being applied to assist in the data collection of construction labor in asphalt and concrete road construction projects. Smartwatches are used to collect data, including heart rate, distance walked per day, Kcal, weather conditions during work, humidity during work, and work hours. Additional data collected includes age, work experience, and the quantity of work performed each day. The correlation between these parameters and labor productivity in the construction of high-performance asphalt concrete roads is analyzed using the Pearson correlation coefficient. The analysis reveals that work hours weather and humidity have statistically significant correlations with labor productivity in the construction of high-performance asphalt concrete roads; those are the top three parameters that have the highest correlation with labor productivity.
Keywords
[1] T. H. Randolph and M. C. Terrell, An Analysis of the Methods for Measuring Construction Productivity. Pennsylvania State University, 1986.
[2] D. W. Halligan, L. A. Demsetz, J. D. Brown, and C. B. Pace, “Action-response model and loss of productivity in construction,” Journal of Construction Engineering and Management, vol. 120, no. 1, pp. 47–64, 1994.
[3] A. Puttari, P. Supaamonkul, and P. lakpentum, “Labour Productivity Index in Thailand,” in Labour Productivity Index, Bangkok: Bank of Thailand, 2010, pp. 4–11(in thai).
[4] T. Cheng, J. Teizer, G. C. Migliaccio, and U. C. Gatti, “Automated task-level activity analysis through fusion of real time location sensors and worker’s thoracic posture data,” Automation in Construction, vol. 29, pp. 24–39, 2013.
[5] A. Pradhan, B. Akinci, and C. T. Haas, “Formalisms for query capture and data source identification to support data fusion for construction productivity monitoring,” Automation in Construction, vol. 20, no. 4, pp. 389–398, 2011.
[6] R. Akhavian and A. H. Behzadan, "Productivity analysis of construction worker activities using smartphone sensors," in Proceedings, 16th International Conference on Computing in Civil and Building Engineering, 2016, pp. 1067–1074.
[7] P. M. Goodrum, C. T. Haas, C. Caldas, D. Zhai, J. Yeiser, and D. Homm, “Model to predict the impact of a technology on construction productivity,” Journal of Construction Engineering and Management, vol. 137, no. 9, pp. 678–688, 2011.
[8] D. Grau, C. H. Caldas, C. T. Haas, P. M. Goodrum, and J. Gong, “Assessing the impact of materials tracking technologies on construction craft productivity,” Automation in Construction, vol. 18, no. 7, pp. 903–911, 2009.
[9] B.Sherafat, C. R. Ahn, R. Akhavian, A. H. Behzadan, M. Golparvar-Fard, H. Kim, Y.-C. Lee, A. Rashidi and E. R. Azar, “Automated methods for activity recognition of construction workers and equipment: State-of-the-art review,” Journal of Construction Engineering and Management, vol. 146, no. 6, pp. 03120002-1–03120002-19, 2020.
[10] L. Song and S. M. AbouRizk, “Measuring and modeling labor productivity using historical data,” Journal of Construction Engineering and Management, vol. 134, no. 10, pp. 786–794, 2008.
[11] W. Jiradamkerng, “Construction Productivity,” in Productivity Improvement in Construction, Pathum Thani: wankaweebook, 2016 (in Thai).
[12] G. J. A. O. Cezar, “Activity recognition in construction sites using 3D accelerometer and gyrometer,” vol. 10, pp. 1–6, 2012.
[13] K. K. Han and M. Golparvar-Fard, “Potential of big visual data and building information modeling for construction performance analytics: An exploratory study,” Automation in Construction, vol. 73, pp. 184–198, 2017.
[14] A. Kamišalić, I. Fister, M. Turkanović, and S. Karakatič, “Sensors and functionalities of non-invasive wrist-wearable devices: A review,” Sensors, vol. 18, no. 6, pp. 1714, 2018.
[15] T. Zhang, Y.-C. Lee, M. Scarpiniti, and A. Uncini, “A supervised machine learning-based sound identification for construction activity monitoring and performance evaluation,”in Construction Research Congress 2018, 2018, pp. 358–366.
[16] K. Yang, S. Aria, C. R. Ahn, and T. L. Stentz, “Automated detection of near-miss fall incidents in iron workers using inertial measurement units,” in Construction Research Congress 2014, 2014, pp. 935–944.
[17] H. Hanna, Quantifying the Cumulative Impact of Change Orders for Electrical and Mechanical Contractors: A Report to the Construction Industry Institute, University of Wisconsin at Madison, WI: Madison.
[18] S. H. Khan and M. Sohail, “Activity monitoring of workers using single wearable inertial sensor,” in 2013 International Conference on Open Source Systems and Technologies, 2013, pp. 60–67.
[19] D. Kim, M. Liu, S. Lee, and V. R. Kamat, “Remote proximity monitoring between mobile construction resources using camera-mounted UAVs,” Automation in Construction, vol. 99, pp. 168–182, 2019.
[20] P. O. Olomolaiye, A. K. W. Jayawardane, and F. C. Harris, “Construction productivity: Definition and Importance,” in Construction productivity management, Berkshire: the Chartered Institute of Building, 1998, pp. 1–11.
[21] WL. Neuman, Social work research methods: qualitative and quantitative approaches: with research navigator. Boston: Pearson/Allyn and Bacon, 2006.
[22] A. Enshassi, S. Mohamed, Z. A. Mustafa, and P. E. Mayer, “Factors affecting labour productivity in building projects in the Gaza strip,” Journal of Civil Engineering and Management, vol. 13, no. 4, pp. 245–254, 2010.
[23] W. Lee and G. C. Migliaccio, “Field use of physiological status monitoring (PSM) to identify construction workers’ physiologically acceptable bounds and heart rate zones,” in Computing in Civil and Building Engineering (2014), 2014.
[24] H. Guo, Y. Yu, T. Xiang, H. Li, and D. Zhang, “The availability of wearable-device-based physical data for the measurement of construction workers’ psychological status on site: From the perspective of safety management,” Automation in Construction, vol. 82, pp. 207– 217, 2017.
[25] P. Ghoddousi and M. R. Hosseini , “A survey of the factors affecting the productivity of construction projects in Iran,” Technological and Economic Development of Economy, vol. 18, no. 1, pp. 99–116, 2012.
DOI: 10.14416/j.kmutnb.2024.10.004
ISSN: 2985-2145
Email this article 
Hide
Show all