A method of increasing labour productivity in construction

Cover Page

Cite item

Full Text

Abstract

Introduction. The attempt to solve the problem of labour productivity determination is made, the method of increasing it is considered. The representation of labour productivity in the form of a complex system, formed on the basis of the provisions of system engineering in construction, makes it possible to create a decomposition of its components in the form of factors and parameters influencing them.Materials and methods. Labour productivity as a complex construction system with a large number of subsystems forming it is considered. A mathematical model of labour productivity, formed from factors and parameters influencing them, makes it possible to determine the actual value of labour productivity.Results. The actual value of labour productivity is proposed to be compared with the normal value — the value that ensures the required labour productivity in construction, its individual type or even the production structure. The subsystems under study are taken as the main factors, each of them is taken as factors affecting labour productivity. Others can be added to them, for example, unification of design solutions or some other factors. Each of the listed factors is characterized by the parameters creating it. As well as the factors, the parameters creating them represent an open subsystem, the content of which is the subject of research. The result is the construction of a mathematical model of labour productivity.Conclusions. The solution of the direct problem — determination of the actual value of labour productivity based on the value of factors and the parameters influencing them can be carried out for comparison with the normal value of labour productivity and determination of the actual growth of labour productivity. The solution to the inverse problem is to achieve the target labour duration by assigning to the factors and parameters influencing them the values necessary to solve the task.

About the authors

A. A. Lapidus

Moscow State University of Civil Engineering (National Research University) (MGSU)

Email: lapidus58@mail.ru
ORCID iD: 0000-0001-7846-5770
SPIN-code: 8192-2653

References

  1. Сальников К.Е. Сокращение продолжительности строительства в результате роста производительности труда // Финансы и управление. 2021. № 4. С. 38–49. doi: 10.25136/2409-7802.2021.4.34480. EDN XOEDDW.
  2. Киевский Л.В., Сергеев А.С. Градостроительство и производительность труда // Жилищное строительство. 2015. № 9. С. 55–59. EDN VCLZRD.
  3. Андреева Е.А. Анализ динамики производительности труда в строительной отрасли России // Вестник гражданских инженеров. 2017. № 4 (63). С. 243–250. doi: 10.23968/1999-5571-2017-14-4-243-250. EDN YNZGKM.
  4. Клюев В.Д., Щепанский С.Б., Панаетова В.В., Зайцев Д.А. Производительность труда в строительной отрасли и методы ее измерения // Инноватика и экспертиза: научные труды. 2022. № 1 (33). С. 89–94. EDN KYUABY.
  5. Лапидус А.А. Организационно-технологическая платформа строительства // Вестник МГСУ. 2022. Т. 17. № 4. С. 516–524. doi: 10.22227/1997-0935.2022.4.516-524. EDN BMHWDX.
  6. Мищенко В.Я., Горбанева Е.П., Арчакова С.Ю., Добросоцких М.Г. Моделирование выполнения бригадами комплекса технологических процессов в организационно-технологическом проектировании // ФЭС: Финансы. Экономика. Стратегия. 2017. № 6. С. 37–43. EDN ZTMWAL.
  7. Симачев Ю.В., Кузык М.Г., Федюнина А.А., Зайцев А.А., Юревич М.А. Производительность труда в несырьевых секторах российской экономики: факторы роста на уровне компаний // Вопросы экономики. 2021. № 3. С. 31–67. doi: 10.32609/0042-8736-2021-3-31-67. EDN WSCOBD.
  8. Симачев Ю.В., Кузык М.Г., Федюнина А.А., Юревич М.А., Зайцев А.А. Факторы роста производительности труда на предприятиях несырьевых секторов российской экономики // ХXI Апрельская международная научная конференция по проблемам развития экономики и общества. 2020. 60 с.
  9. Hanley A., Pérez J.M. Are newly exporting firms more innovative? Findings from matched Spanish innovators // Economics Letters. 2012. Vol. 116. Issue 2. Pp. 217–220. doi: 10.1016/j.econlet.2012.03.006
  10. Kancs D., Siliverstovs B. R&D and non-linear productivity growth // Research Policy. 2016. Vol. 45. Issue 3. Pp. 634–646. doi: 10.1016/j.respol.2015.12.001
  11. Backman M. Human capital in firms and regions: Impact on firm productivity // Papers in Regional Science. 2014. Vol. 93. Issue 3. Pp. 557–576. doi: 10.1111/pirs.12005
  12. Лапидус А.А., Макаров А.Н. Применение риск-ориентированного подхода при выполнении функций строительного контроля технического заказчика // Вестник МГСУ. 2022. Т. 17. № 2. С. 232–241. doi: 10.22227/1997-0935.2022.2.232-241. EDN ARPPKP.
  13. Wu X., Liu Q., Zhang L., Skibniewski M.J., Wang Y. Prospective safety performance evaluation on construction sites // Accident Analysis & Prevention. 2015. Vol. 78. Pp. 58–72. doi: 10.1016/j.aap.2015.02.003
  14. Сафарян Г.Б. Критический анализ обобщенной модели строительной системы // Строительство: наука и образование. 2021. Т. 11. № 4. С. 41–47. doi: 10.22227/2305-5502.2021.4.4. EDN PFGTCK.
  15. Гусаков А.А., Богомолов Ю.М., Брехман А.И., Ваганян Г.А., Вайнштейн М.С., Владимирский С.Р. и др. Системотехника строительства. М. : Изд-во АСВ, 2004. 320 с. EDN UBCQYB.
  16. Glukhova M.G., Shilova N.N., Kiselica E.P. Adoption of the best available technology in terms of the enterprise life cycle // Espacios. 2017. Vol. 38. No. 33. P. 32. EDN XNSHUE.
  17. Qian F., Zhong W., Du W. Fundamental theories and key technologies for smart and optimal manufacturing in the process industry // Engineering. 2017. Vol. 3. Issue 2. Рp. 154–160. doi: 10.1016/j.eng.2017.02.011
  18. Загорская А.В., Лапидус А.А. Применение методов экспертной оценки в научном исследовании. Необходимое количество экспертов // Строительное производство. 2020. № 3. С. 21–34. doi: 10.54950/26585340_2020_3_21. EDN TKKKCO.
  19. Кузнецов Е.С. Управление техническими системами : учебное пособие. М., 2003. 247 с.
  20. Киселица Е.П., Шилова Н.Н., Шеломенцев А.Г. Повышение производительности труда строительных организаций в условиях инновационной экономики // Вопросы инновационной экономики. 2021. Т. 11. № 1. С. 225–238. doi: 10.18334/vinec.11.1.111807. EDN HQMMCT.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».