Data-driven construction - Data management practices towards improvement of the health and safety environment
Authors
Januszko, Jowita ; Flataukan, Camilla
Term
4. term
Publication year
2018
Submitted on
2018-06-07
Pages
90
Abstract
Bygge- og anlægsbranchen i Danmark har en relativt høj forekomst af arbejdsulykker og erhvervssygdomme, hvilket afspejler en global udfordring. Dette speciale undersøger, hvordan datahåndtering på tværs af byggeprojektets livscyklus kan bruges til at forbedre arbejdsmiljø og sikkerhed ved at adressere faktorer på individ-, opgave-, ledelses- og miljøniveau. Med udgangspunkt i en konceptuel gennemgang af teori samt internationale praksiseksempler udvikles en anvendelsesorienteret ramme for datahåndtering i fire trin: dataindsamling (acquisition), dataadgang og -engineering (access), dataanalyse (analytics) og dataanvendelse (application). Specialet beskriver relevante teknologier, potentielle gevinster og udfordringer i hvert trin og peger på, hvordan metoder som statistik, maskinlæring og datamining kan understøtte beslutninger om arbejdsmiljø. Derudover præsenteres en SMART-model, der skitserer en implementeringsstrategi for at integrere data i virksomhedernes arbejdsmiljøpraksis. Bidraget er en universel vejledning, som danske byggevirksomheder kan tilpasse for at transformere traditionelle arbejdsmiljøtilgange til en data-drevet praksis; der fremlægges ikke empiriske effektmålinger i uddraget, men en struktureret vej til at komme i gang.
The Danish construction industry experiences a relatively high rate of occupational accidents and diseases, mirroring a global challenge. This thesis explores how data management across the construction project life cycle can improve health and safety by addressing individual, task, management, and environmental factors. Drawing on a conceptual review of theory and international practice examples, it develops a practical four-step data management framework: data acquisition, access/engineering, analytics, and application. The work outlines relevant technologies, potential benefits and challenges within each step, and indicates how methods such as statistics, machine learning, and data mining can support safety decision-making. In addition, a SMART model is proposed to guide implementation and embed data into organizational health and safety practices. The main contribution is a universal, adaptable guidance framework to help Danish construction firms transition from traditional to data-driven safety management; no empirical impact evaluation is presented in the excerpt, but a structured path for adoption is provided.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents