5.1 . تجزیه و تحلیل EFA

روش تحلیل عاملی اکتشافی (EFA) یک رویکرد سیستماتیک برای درک ساختار بنیادی مطالعه و روابط بین متغیرهای مشاهده شده است. EFA یک تکنیک کاهش داده است که به شناسایی عوامل پنهان یا ساختارهایی که واریانس داده ها را توضیح می دهند کمک می کند. مرحله اولیه EFA آماده سازی داده ها بود که شامل بررسی کامل پاسخ های جمع آوری شده برای کامل بودن و دقت بود ( لی و وانگ، 2022 )، ( Geoghegan et al., 2022 ). سپس مجموعه داده پاکسازی شد تا اطمینان حاصل شود که مقادیر از دست رفته به درستی مدیریت می شوند. سپس، تناسب داده‌ها برای EFA با استفاده از معیارهایی مانند Kaiser-Meyer-Olkin (KMO) و آزمون کرویت بارتلت، که بینشی را در مورد حجم نمونه و همبستگی بین متغیرها ارائه کرد ( گوو و همکاران، 2021 ) ارزیابی شد ( Huang) و همکاران، 2021 ). پس از گذراندن داده‌ها از آزمون‌های مناسب، EFA برای استخراج عوامل زمینه‌ای با استفاده از روش استخراج مناسب، مانند تجزیه و تحلیل اجزای اصلی (PCA) یا فاکتورسازی محور اصلی (PAF) انجام شد. تعداد فاکتورها با استفاده از مقادیر ویژه بزرگتر از یک و تجزیه و تحلیل نمودار اسکری تعیین شد. روش‌های چرخش Varimax یا Oblimin برای به دست آوردن ساختارهای عاملی که ساده‌تر و قابل تفسیرتر بودند، استفاده شد. بارهای عاملی برای تعیین قدرت و جهت روابط بین متغیرها و عوامل مورد بررسی قرار گرفت ( لیو و وانگ، 2022 )، ( لیم و همکاران، 2021b ). راه حل عامل نهایی تفسیر شد و از متغیرهایی که بیشترین سهم را در هر عامل داشتند برای شناسایی عوامل استفاده شد. هدف روش EFA شناسایی سازه‌های پنهان و بررسی ساختار عاملی در مجموعه داده‌ها بود، در نتیجه بینش‌هایی در مورد ابعاد اساسی و ارتباط بین متغیرها برای تجزیه و تحلیل و تفسیر بیشتر فراهم کرد.

5.2 . تجزیه و تحلیل SEM

نرم‌افزار SmartPLS 4 برای آزمایش الگوریتم مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) برای ارزیابی دقیق روابط و اثرات بین عوامل حیاتی برای اجرای BIM در پروژه‌های ساختمانی کوچک در رابطه با ساختمان سبز و شیوه‌های پایداری مورد استفاده قرار گرفت ( کائو و همکاران، 2022a )، ( لی و وانگ، 2022 ). PLS-SEM برای این مطالعه مناسب است زیرا اندازه نمونه کوچک را مجاز می‌کند و برای تحقیقات اکتشافی با سازه‌هایی که ممکن است توزیع نرمال نداشته باشند، مناسب است . (2021) . در این مطالعه، الگوریتم PLS برای بررسی روابط بین عوامل اجرای BIM (مانند تجزیه و تحلیل کارایی انرژی، بهینه‌سازی منابع، همکاری، برنامه‌ریزی پایدار سایت، کاهش انتشار گازهای گلخانه‌ای ، انتخاب مواد، ارزیابی چرخه عمر و پیش‌ساخته) و آنها استفاده شد. تاثیر بر نتایج پایداری در پروژه های ساختمانی کوچک الگوریتم اعتبار همگرا و متمایز سازه‌ها را ارزیابی کرد تا اطمینان حاصل شود که شاخص‌های مدل اندازه‌گیری متغیرهای پنهان را به‌طور دقیق دریافت می‌کنند ( Lim et al., 2021a ). بارهای عاملی، قابلیت اطمینان ترکیبی و میانگین واریانس استخراج شده (AVE) برای هر سازه برای تعیین اعتبار همگرا مورد بررسی قرار گرفت. اعتبار همگرای قابل قبول با بارهای عاملی کافی (بالاتر از 0.70)، مقادیر قابلیت اطمینان مرکب بیش از 0.70، و مقادیر AVE بیشتر از 0.50 Ohueri و همکاران نشان داده می شود. (2022) . اعتبار تمایز سازه ها برای اطمینان از اندازه گیری مفاهیم متمایز و عدم همپوشانی آنها ارزیابی شد. با استفاده از معیار فورنل-لارکر، AVE هر سازه با مجذور همبستگی آن با سایر سازه ها مقایسه شد. زمانی که AVE هر سازه از همبستگی های آن با سازه های دیگر معنادارتر باشد، اعتبار تفکیکی به دست می آید ( Olanrewaju و همکاران، 2022 ). پو و همکاران ( پو و وانگ، 2021 ) و سولا و همکاران. (2022) ، از PLS-SEM برای بررسی روابط و مفاهیم مشابه در زمینه اجرای BIM و شیوه های ساخت و ساز پایدار استفاده کرد. ژان و همکاران (2022) ، رابطه بین BIM و شیوه های ساختمان سبز را بررسی کرد و گوو و همکاران. (2021) تاثیر BIM بر بهره وری انرژی در پروژه های ساختمانی را بررسی کرد. در نتیجه، الگوریتم SmartPLS 4 PLS-SEM یک تجزیه و تحلیل جامع از روابط بین عوامل اجرای BIM حیاتی و نتایج پایداری در پروژه‌های ساختمانی کوچک را امکان‌پذیر کرد. آزمایش‌های اعتبار همگرا و متمایز، قابلیت اطمینان و منحصربه‌فرد بودن سازه‌ها را تضمین می‌کند، و بینش محکمی را در مورد اهمیت BIM در ترویج ساختمان سبز و شیوه‌های پایداری در صنعت ساخت‌وساز ارائه می‌دهد.

5.3 . تحلیل مسیر ساختاری

پنج فرضیه مطالعه با استفاده از الگوریتم مدلسازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) در SmartPLS 4 به عنوان بخشی از روش تحلیل مدل ساختاری مورد آزمایش قرار گرفتند. الگوریتم PLS-SEM برای تجزیه و تحلیل روابط پیچیده و ساختارهای پنهان مناسب است و آن را به گزینه ای مناسب برای این مطالعه تبدیل می کند ( لی و وانگ، 2022 )، ( لیم و همکاران، 2021a ). یک تحلیل راه‌اندازی برای ارزیابی اهمیت روابط بین عوامل حیاتی برای اجرای BIM و نتایج پایداری در پروژه‌های ساختمانی کوچک انجام شد. هدف Bootstrapping ارزیابی قابلیت اطمینان و استحکام تخمین‌های مدل با نمونه‌برداری مجدد از نمونه اصلی است.

تجزیه و تحلیل بوت استرپینگ مراحل زیر را انجام داد:

• •مجموعه داده اصلی 146 پاسخ معتبر برای تولید چندین نمونه بوت استرپ (مثلاً 1000 نمونه مجدد) با جایگزینی مجدداً نمونه برداری شد.
• •الگوریتم PLS-SEM برای تخمین ضرایب مسیر (وزن بتا) بین سازه‌های نهفته (به عنوان مثال، پیاده‌سازی BIM، بهینه‌سازی منابع، تجزیه و تحلیل بهره‌وری انرژی، همکاری و برنامه‌ریزی سایت پایدار) استفاده شد ( Maskil-Leitan et al., 2020 ). ، ( Lim et al., 2021b ).
• •برای هر ضریب مسیر، میانگین (M)، انحراف استاندارد (STDEV)، آماره t (آمار)، و p-value از توزیع بوت استرپ محاسبه شد.
• •توزیع بوت استرپ برای ایجاد فواصل اطمینان برای هر ضریب مسیر استفاده شد، که نشان‌دهنده محدوده احتمالی است که پارامتر جمعیت معتبر در آن قرار دارد.
• •فرضیه ها با استفاده از مقادیر t و p محاسبه شده مورد آزمایش قرار گرفتند ( Liu and Wang, 2022 )، ( Lim et al., 2021a ). اگر مقدار t از مقدار t بحرانی بیشتر شود (بر اساس سطح معنی‌داری مورد نظر، به عنوان مثال، 0.05 p)، فرضیه صفر رد شد که نشان‌دهنده رابطه معنادار بین سازه‌ها است.

خروجی های تجزیه و تحلیل بوت استرپینگ بینش هایی را در مورد اهمیت روابط فرضی ارائه کردند. این مطالعه شدت و اهمیت روابط علی بین اجرای BIM و نتایج پایداری مختلف در پروژه‌های ساختمانی کوچک را با محاسبه t-value و p-values ​​تعیین کرد ( فردوسی و همکاران، 2023 )، ( فنگ، 2022 ). تجزیه و تحلیل راه‌اندازی استحکام روابط را در حضور تنوع نمونه‌گیری تأیید کرد، در نتیجه دقت تخمین‌های مدل را تضمین کرد. این روش، آزمایش دقیق فرضیه‌ها را امکان‌پذیر کرد و درک عمیق‌تری از نحوه تأثیر پیاده‌سازی BIM بر روی ساختمان‌های سبز و شیوه‌های پایداری در زمینه پروژه‌های ساختمانی کوچک ارائه داد.

5.4 . ارتباط پیش بینی کننده

ارتباط پیش‌بینی (Q2) معیاری است که در مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) برای ارزیابی دقت پیش‌بینی مدل ساختاری استفاده می‌شود. این نشان می دهد که متغیرهای پنهان مدل چقدر می توانند داده های مشاهده شده را پیش بینی کنند ( گوو و همکاران، 2021 ). مقدار Q2 بالاتر حاکی از توانایی پیش‌بینی حیاتی مدل است، که نشان می‌دهد روابط بین سازه‌ها برای پیش‌بینی نتایج در دنیای واقعی معنادار و قابل اعتماد هستند. در این مطالعه، نمره Q2 مثبت مدل ساختاری را تایید می‌کند و اعتماد به توانایی آن را برای پیش‌بینی دقیق نتایج پایداری در پروژه‌های ساختمانی کوچک بر اساس اجرای BIM و شیوه‌های ساختمان سبز افزایش می‌دهد.