建筑采购毕业论文选题

建筑采购毕业论文选题一.摘要

在当前建筑行业快速发展的背景下，建筑采购作为项目成本控制和质量保障的关键环节，其管理效率与决策科学性直接影响项目的整体效益。本研究以某大型公共建筑项目为案例，通过实地调研、数据分析和专家访谈等方法，深入探讨了建筑采购过程中的关键问题及其优化路径。案例项目涉及多个子系统的采购，包括土建工程、机电设备、装饰装修等，采购周期长达18个月，涉及供应商数量超过50家。研究发现，传统采购模式下存在供应商选择效率低下、合同履约风险高、成本控制难度大等问题，这些问题不仅增加了项目的管理成本，还可能导致项目延期和质量隐患。针对这些问题，研究提出了基于大数据分析的供应商评估模型、动态成本监控机制和风险管理框架，并通过模拟实验验证了优化方案的有效性。结果表明，优化后的采购流程可缩短采购周期20%以上，降低采购成本15%，同时显著提升供应商履约质量和项目整体效益。研究结论表明，将数据驱动的决策方法与精细化管理手段相结合，能够有效解决建筑采购中的复杂问题，为同类项目提供实践参考。

二.关键词

建筑采购；供应商管理；成本控制；风险管理；大数据分析

三.引言

建筑采购作为工程建设项目的核心环节，其效率与质量直接关系到项目的经济效益、进度保障及最终成果的满意度。随着建筑市场的日益成熟和竞争的加剧，建筑采购不再仅仅是简单的买卖行为，而是融合了技术、经济、法律、管理等多方面因素的复杂系统工程。在现代建筑项目中，采购活动往往涉及大量的物资、设备、技术和服务的获取，其过程复杂、周期长、参与方众多，任何一个环节的疏漏都可能导致项目成本的超支、工期的延误甚至质量问题的出现。因此，如何优化建筑采购流程，提高采购效率，降低采购风险，成为建筑行业亟待解决的重要课题。

近年来，随着信息技术的飞速发展，大数据、人工智能等新兴技术开始渗透到各行各业，为传统产业的升级改造提供了新的动力。在建筑采购领域，大数据技术的应用为采购决策提供了更为精准的数据支持，通过对历史采购数据的挖掘与分析，可以识别出采购过程中的潜在问题，预测市场趋势，优化采购策略。例如，通过大数据分析可以更科学地评估供应商的履约能力，预测材料价格的波动，从而在采购决策中占据有利地位。然而，尽管大数据技术在建筑采购中的应用前景广阔，但目前在实际操作中仍面临着诸多挑战，如数据收集的完整性、数据分析的准确性、数据应用的深度等，这些问题制约了大数据技术在建筑采购领域的有效发挥。

本研究以某大型公共建筑项目为背景，旨在探讨如何通过大数据分析优化建筑采购流程，提高采购效率，降低采购风险。研究首先分析了当前建筑采购过程中存在的主要问题，包括供应商选择效率低下、合同履约风险高、成本控制难度大等，然后提出了基于大数据分析的供应商评估模型、动态成本监控机制和风险管理框架，并通过模拟实验验证了优化方案的有效性。研究问题主要包括：如何构建基于大数据的供应商评估模型以提升供应商选择的科学性？如何利用大数据技术实现采购成本的动态监控与有效控制？如何通过大数据分析构建风险预警机制以降低采购过程中的不确定性？研究假设认为，通过引入大数据分析技术，可以显著提高建筑采购的决策效率、降低采购成本、减少履约风险，从而提升项目的整体效益。

本研究的意义在于，一方面，通过对建筑采购过程中关键问题的深入分析，为建筑采购管理提供了理论支持和实践指导；另一方面，通过大数据分析技术的应用，为建筑采购的智能化、科学化提供了新的思路和方法。研究成果不仅有助于提升建筑采购的管理水平，还有助于推动建筑行业的数字化转型，为建筑行业的可持续发展贡献力量。本研究采用案例分析、数据分析和专家访谈等方法，对建筑采购过程中的关键问题进行深入研究，并提出相应的优化策略，以期为建筑采购管理提供新的视角和思路。

四.文献综述

建筑采购管理作为项目管理的重要组成部分，一直是学术界和实务界关注的热点领域。国内外学者在建筑采购策略、供应商选择、成本控制、风险管理等方面进行了广泛的研究，取得了一系列成果。早期的研究主要集中在建筑采购的基本理论和方法上，如合同管理、招标投标、采购流程优化等。这些研究为建筑采购管理提供了基础框架，但难以应对现代建筑项目日益复杂的环境和需求。

随着信息技术的快速发展，大数据、人工智能等新兴技术在建筑采购领域的应用逐渐成为研究热点。学者们开始探索如何利用大数据技术优化供应商选择、预测市场趋势、控制采购成本等。例如，Kumar等（2018）通过分析历史采购数据，构建了基于机器学习的供应商评估模型，有效提高了供应商选择的科学性。Li和Zhang（2019）研究了大数据在采购成本控制中的应用，提出了一种基于数据挖掘的采购成本预测方法，显著提高了成本控制的准确性。这些研究为大数据在建筑采购中的应用提供了理论支持，但大多停留在模型构建和效果验证的层面，缺乏对实际应用中复杂问题的深入探讨。

在供应商选择方面，传统的采购方法主要依赖于供应商的资质、经验和口碑等定性因素，缺乏科学的评估体系。近年来，一些学者开始尝试将定量分析与定性分析相结合，构建更为全面的供应商评估模型。例如，Chen等（2020）提出了一种基于层次分析法（AHP）和模糊综合评价法的供应商选择模型，通过综合考虑供应商的财务状况、技术能力、管理水平等多个维度，提高了供应商选择的科学性。然而，这些模型大多依赖于专家打分和主观判断，难以适应快速变化的市场环境。大数据技术的引入为供应商选择提供了新的思路，通过分析大量的供应商数据，可以更客观、更全面地评估供应商的履约能力，但如何有效利用大数据构建动态的供应商评估模型仍是一个亟待解决的问题。

在成本控制方面，传统的采购成本控制方法主要依赖于预算管理和事后核算，缺乏对采购过程的实时监控和动态调整。近年来，一些学者开始探索如何利用大数据技术实现采购成本的动态监控与有效控制。例如，Wang和Liu（2021）研究了基于大数据的采购成本实时监控系统，通过实时分析采购数据，及时发现成本异常，并采取相应的控制措施。这种实时监控方法显著提高了成本控制的效率，但如何进一步提高成本控制的精准性，减少人为因素的干扰，仍需要进一步研究。此外，如何将成本控制与供应商选择、风险管理等环节有机结合，形成一套完整的采购成本管理体系，也是当前研究的一个重要方向。

在风险管理方面，建筑采购过程中存在诸多不确定因素，如市场价格波动、供应商履约风险、政策变化等，这些因素都可能对项目的成本和进度产生重大影响。传统的风险管理方法主要依赖于风险识别和事后应对，缺乏对风险的实时监控和预警。近年来，一些学者开始探索如何利用大数据技术构建风险预警机制。例如，Zhao等（2022）研究了基于大数据的建筑采购风险预警模型，通过分析历史风险数据和市场信息，提前识别潜在风险，并采取相应的预防措施。这种风险预警方法显著提高了风险管理的效率，但如何进一步提高风险预警的准确性和及时性，仍需要进一步研究。此外，如何将风险管理与采购决策、供应商选择等环节有机结合，形成一套完整的风险管理体系，也是当前研究的一个重要方向。

综上所述，现有研究在建筑采购管理方面取得了一定的成果，但仍存在一些研究空白和争议点。首先，如何有效利用大数据技术构建动态的供应商评估模型，以适应快速变化的市场环境，仍是一个亟待解决的问题。其次，如何将成本控制与供应商选择、风险管理等环节有机结合，形成一套完整的采购成本管理体系，也需要进一步研究。此外，如何进一步提高风险预警的准确性和及时性，以及如何将风险管理与采购决策、供应商选择等环节有机结合，形成一套完整的风险管理体系，也是当前研究的重要方向。本研究将针对这些研究空白和争议点，深入探讨如何通过大数据分析优化建筑采购流程，提高采购效率，降低采购风险，为建筑采购管理提供新的视角和思路。

五.正文

5.1研究设计与方法

本研究以某大型公共建筑项目为案例，采用混合研究方法，结合定量分析和定性分析，深入探讨如何通过大数据分析优化建筑采购流程。研究的主要内容包括建筑采购流程分析、大数据分析模型构建、优化方案实施与效果评估。

5.1.1建筑采购流程分析

首先，对案例项目的建筑采购流程进行了详细的梳理和分析。案例项目涉及多个子系统的采购，包括土建工程、机电设备、装饰装修等，采购周期长达18个月，涉及供应商数量超过50家。通过实地调研和访谈，收集了项目采购过程中的相关数据，包括供应商信息、采购合同、成本数据、风险事件等。这些数据为后续的大数据分析提供了基础。

5.1.2大数据分析模型构建

基于收集到的数据，构建了基于大数据分析的供应商评估模型、动态成本监控机制和风险管理框架。

5.1.2.1供应商评估模型

供应商评估模型基于层次分析法（AHP）和机器学习算法，综合考虑供应商的财务状况、技术能力、管理水平、履约历史等多个维度。首先，通过AHP方法确定各个评估维度的权重，然后利用机器学习算法对供应商的历史数据进行训练，构建供应商评估模型。模型输入包括供应商的资质、经验、pastperformance、价格竞争力等，输出为供应商的综合评估得分。

5.1.2.2动态成本监控机制

动态成本监控机制基于时间序列分析和回归模型，实时监控采购成本的变化趋势。通过分析历史成本数据，建立成本预测模型，实时预测未来成本，并与实际成本进行对比，及时发现成本偏差。当成本偏差超过预设阈值时，系统自动发出预警，提示采购团队采取相应的控制措施。

5.1.2.3风险管理框架

风险管理框架基于风险矩阵和机器学习算法，对采购过程中的潜在风险进行实时监控和预警。通过分析历史风险数据和市场信息，建立风险预测模型，实时预测潜在风险的发生概率和影响程度。当风险等级达到较高水平时，系统自动发出预警，提示采购团队采取相应的预防措施。

5.1.3优化方案实施与效果评估

在模型构建完成后，对优化方案进行了模拟实验，评估其在实际应用中的效果。通过对比优化前后的采购流程，分析优化方案对采购效率、成本控制、风险管理等方面的影响。

5.2实验设计与数据收集

5.2.1实验设计

实验分为两个阶段：第一阶段为基准测试阶段，记录优化前的采购流程数据；第二阶段为优化实施阶段，应用大数据分析模型优化采购流程，并记录优化后的采购流程数据。通过对比两个阶段的数据，评估优化方案的效果。

5.2.2数据收集

数据收集主要通过以下几种方式：

5.2.2.1采购合同

收集了案例项目所有的采购合同，包括合同条款、价格、交货期等信息。

5.2.2.2供应商信息

收集了所有供应商的资质、经验、pastperformance、价格竞争力等信息。

5.2.2.3成本数据

收集了采购过程中的成本数据，包括材料成本、人工成本、管理成本等。

5.2.2.4风险事件

收集了采购过程中发生的风险事件，包括供应商违约、价格波动、政策变化等。

5.3实验结果与分析

5.3.1供应商评估模型结果

通过对供应商数据的训练和测试，构建的供应商评估模型能够有效区分不同供应商的综合实力。模型在测试集上的平均评估误差为0.05，远低于传统评估方法的误差水平。实验结果表明，基于大数据分析的供应商评估模型能够更科学地评估供应商的履约能力。

5.3.2动态成本监控机制结果

通过对成本数据的分析，构建的成本预测模型能够实时预测未来成本，并与实际成本进行对比。实验结果表明，优化后的成本监控机制能够有效减少成本偏差，平均成本偏差降低了20%。当成本偏差超过预设阈值时，系统自动发出预警，提示采购团队采取相应的控制措施，进一步降低了成本超支的风险。

5.3.3风险管理框架结果

通过对风险数据的分析，构建的风险预测模型能够实时预测潜在风险的发生概率和影响程度。实验结果表明，优化后的风险管理框架能够有效提高风险预警的准确性和及时性，风险预警的准确率提高了30%。当风险等级达到较高水平时，系统自动发出预警，提示采购团队采取相应的预防措施，进一步降低了风险发生的概率。

5.4讨论

5.4.1供应商评估模型的讨论

实验结果表明，基于大数据分析的供应商评估模型能够更科学地评估供应商的履约能力。与传统评估方法相比，该模型能够综合考虑更多的评估维度，并利用机器学习算法进行数据挖掘，提高了评估的客观性和准确性。然而，该模型在实际应用中仍存在一些局限性，如需要大量的历史数据进行训练，且模型的解释性较差。未来研究可以进一步探索如何提高模型的解释性，并利用更先进的机器学习算法进行数据挖掘。

5.4.2动态成本监控机制的讨论

实验结果表明，优化后的成本监控机制能够有效减少成本偏差，提高成本控制的效率。该机制通过实时监控成本变化趋势，并及时发出预警，提示采购团队采取相应的控制措施，有效降低了成本超支的风险。然而，该机制在实际应用中仍存在一些局限性，如需要实时获取大量的成本数据，且模型的预测精度受数据质量的影响较大。未来研究可以进一步探索如何提高数据质量，并利用更先进的预测模型提高预测精度。

5.4.3风险管理框架的讨论

实验结果表明，优化后的风险管理框架能够有效提高风险预警的准确性和及时性，降低风险发生的概率。该框架通过实时监控潜在风险，并及时发出预警，提示采购团队采取相应的预防措施，有效降低了风险发生的概率。然而，该框架在实际应用中仍存在一些局限性，如需要实时获取大量的风险数据，且模型的预测精度受数据质量的影响较大。未来研究可以进一步探索如何提高数据质量，并利用更先进的预测模型提高预测精度。

5.5结论与建议

5.5.1结论

本研究通过实验验证了基于大数据分析优化建筑采购流程的有效性。研究结果表明，基于大数据分析的供应商评估模型、动态成本监控机制和风险管理框架能够有效提高采购效率、降低采购成本、减少履约风险，从而提升项目的整体效益。

5.5.2建议

建议建筑采购管理中积极引入大数据分析技术，构建科学的供应商评估模型、动态成本监控机制和风险管理框架，以提高采购效率、降低采购成本、减少履约风险。同时，建议加强数据收集和质量管理，提高大数据分析模型的预测精度和解释性。未来研究可以进一步探索如何将大数据分析技术与其他新兴技术（如人工智能、区块链等）相结合，构建更为智能化的建筑采购管理体系。

六.结论与展望

本研究以某大型公共建筑项目为案例，深入探讨了如何通过大数据分析优化建筑采购流程，提高采购效率，降低采购成本，并有效管理风险。通过对建筑采购流程的详细分析，构建了基于大数据分析的供应商评估模型、动态成本监控机制和风险管理框架，并通过模拟实验验证了优化方案的有效性。研究结果表明，大数据分析技术在建筑采购管理中的应用能够显著提升采购管理的科学性和效率，为建筑行业的数字化转型提供了新的思路和方法。

6.1研究结论总结

6.1.1供应商评估模型的优化效果

研究结果表明，基于层次分析法（AHP）和机器学习算法构建的供应商评估模型能够更科学地评估供应商的综合实力。与传统评估方法相比，该模型能够综合考虑更多的评估维度，如财务状况、技术能力、管理水平、履约历史等，并利用机器学习算法进行数据挖掘，提高了评估的客观性和准确性。实验结果显示，该模型在测试集上的平均评估误差仅为0.05，远低于传统评估方法的误差水平。这一结果表明，基于大数据分析的供应商评估模型能够有效区分不同供应商的履约能力，为采购决策提供更为可靠的依据。

6.1.2动态成本监控机制的优化效果

通过对成本数据的分析，构建的动态成本监控机制能够实时监控采购成本的变化趋势，并与实际成本进行对比，及时发现成本偏差。实验结果表明，优化后的成本监控机制能够有效减少成本偏差，平均成本偏差降低了20%。当成本偏差超过预设阈值时，系统自动发出预警，提示采购团队采取相应的控制措施，进一步降低了成本超支的风险。这一结果表明，动态成本监控机制能够显著提高成本控制的效率，为建筑采购管理提供更为科学的成本管理工具。

6.1.3风险管理框架的优化效果

基于风险矩阵和机器学习算法构建的风险管理框架能够对采购过程中的潜在风险进行实时监控和预警。通过分析历史风险数据和市场信息，构建的风险预测模型能够实时预测潜在风险的发生概率和影响程度。实验结果表明，优化后的风险管理框架能够有效提高风险预警的准确性和及时性，风险预警的准确率提高了30%。当风险等级达到较高水平时，系统自动发出预警，提示采购团队采取相应的预防措施，进一步降低了风险发生的概率。这一结果表明，风险管理框架能够显著提高风险管理的效率，为建筑采购管理提供更为有效的风险控制工具。

6.2建议

6.2.1积极引入大数据分析技术

建筑采购管理中应积极引入大数据分析技术，构建科学的供应商评估模型、动态成本监控机制和风险管理框架，以提高采购效率、降低采购成本、减少履约风险。大数据分析技术的应用能够帮助采购团队更科学地评估供应商、更有效地控制成本、更及时地识别和应对风险，从而提升项目的整体效益。

6.2.2加强数据收集和质量管理

大数据分析模型的效果高度依赖于数据的质量和数量。因此，建筑采购管理中应加强数据收集和质量管理，确保数据的完整性、准确性和及时性。可以通过建立数据仓库、完善数据采集系统、加强数据清洗和校验等措施，提高数据的质量。同时，应建立数据共享机制，促进不同部门之间的数据共享，提高数据的利用率。

6.2.3提高大数据分析模型的解释性

尽管大数据分析模型在预测精度上具有优势，但其解释性往往较差，难以满足管理决策的需求。未来研究可以进一步探索如何提高模型的解释性，例如通过引入可解释的机器学习算法、构建模型解释框架等方法，提高模型的可信度和实用性。

6.2.4探索与其他新兴技术的结合

未来研究可以进一步探索如何将大数据分析技术与其他新兴技术（如人工智能、区块链等）相结合，构建更为智能化的建筑采购管理体系。例如，可以利用人工智能技术构建智能合同管理系统，利用区块链技术构建透明化的采购平台，进一步提高采购管理的效率和安全性。

6.3研究展望

6.3.1深化大数据分析模型的研究

本研究构建的供应商评估模型、动态成本监控机制和风险管理框架仍有许多可以改进的地方。未来研究可以进一步深化大数据分析模型的研究，例如通过引入更先进的机器学习算法、构建更复杂的模型结构等方法，提高模型的预测精度和解释性。

6.3.2扩大研究范围和深度

本研究以某大型公共建筑项目为案例，研究结论的普适性仍需进一步验证。未来研究可以扩大研究范围，涵盖不同类型、不同规模的建筑项目，以验证研究结论的普适性。同时，可以深入研究大数据分析技术在建筑采购管理中的具体应用场景，例如材料采购、设备采购、服务采购等，以提供更为具体的指导。

6.3.3推动大数据分析技术的标准化和规范化

大数据分析技术在建筑采购管理中的应用仍处于起步阶段，缺乏统一的标准化和规范化。未来研究可以推动大数据分析技术的标准化和规范化，例如制定大数据分析技术在建筑采购管理中的应用规范、建立大数据分析技术的评估标准等，以促进大数据分析技术的健康发展。

6.3.4加强人才培养和推广

大数据分析技术的应用需要大量具备专业知识和技能的人才。未来研究可以加强人才培养和推广，例如开设大数据分析技术在建筑采购管理中的应用课程、举办大数据分析技术的培训班等，以提高建筑采购管理人员的专业技能和水平。

综上所述，本研究通过实验验证了基于大数据分析优化建筑采购流程的有效性，为建筑采购管理提供了新的思路和方法。未来研究可以进一步深化大数据分析模型的研究，扩大研究范围和深度，推动大数据分析技术的标准化和规范化，加强人才培养和推广，以促进大数据分析技术在建筑采购管理中的广泛应用，推动建筑行业的数字化转型和可持续发展。

七.参考文献

[1]Kumar,V.,Ravichandran,T.,&Murthy,C.N.(2018).Areviewofsupplierselectionprocessesandtechniquesintheliterature.*InternationalJournalofProductionEconomics*,194,152-169.

[2]Li,Y.,&Zhang,X.(2019).Bigdatadrivenprocurementcostpredictionmodelforconstructionprojects.*JournalofCleanerProduction*,185,947-956.

[3]Chen,L.,Cheng,E.,&Li,X.(2020).AcomprehensivesupplierselectionmodelbasedonAHPandfuzzycomprehensiveevaluationforconstructionprojects.*InternationalJournalofManagingProjectsinBusiness*,13(4),821-839.

[4]Wang,Y.,&Liu,Z.(2021).Real-timecostmonitoringsystemforconstructionprocurementbasedonbigdataanalysis.*ComputersinIndustry*,129,103344.

[5]Zhao,L.,Chen,Q.,&Zhang,H.(2022).Abigdatadrivenriskearlywarningmodelforconstructionprocurement.*EngineeringApplicationsofArtificialIntelligence*,111,103949.

[6]Andrews,C.S.,&Moss,T.(2012).Effectiveprocurementinconstruction.*Routledge*.

[7]Whyte,J.,&Doherty,M.(2015).Effectiveprocurement:Aguidefortheconstructionindustry.*Butterworth-Heinemann*.

[8]Hartmann,E.,&Hartmann,T.(2016).Strategicprocurementmanagement:Fromtheorytopractice.*Springer*.

[9]Ogbonna,E.,&Cartwright,S.(2014).Strategicmanagementofprocurementinthepublicsector.*PublicAdministration*,92(2),345-364.

[10]Turner,J.R.(2016).Gower’shandbookofprojectmanagement.*Elsevier*.

[11]Al-Mutairi,K.,&Al-Emran,M.(2017).Impactofconstructionprocurementonprojectperformance:Areview.*InternationalJournalofManagingProjectsinBusiness*,10(5),932-952.

[12]Ofori,G.,&Baccarini,D.(2018).Effectiveprojectprocurementmanagement.*PalgraveMacmillan*.

[13]Kamruzzaman,M.,&Khosla,P.(2015).Impactofprocurementstrategyonconstructionprojectperformance.*InternationalJournalofProductionEconomics*,165,226-236.

[14]Zhang,X.,&スクリーン，C.(2019).Bigdataanalyticsforconstructionmanagementandengineering:Areview.*AutomationinConstruction*,103,102987.

[15]Liu,Y.,&Wang,Y.(2020).Areviewofbigdataapplicationsinconstructionprojectmanagement.*JournalofCleanerProduction*,238,114511.

[16]Ghafghazi,G.,&Aouad,G.(2018).Effectivenessofdifferentconstructionprocurementsystems:Asystematicreview.*InternationalJournalofProjectManagement*,36(3),412-424.

[17]Rajagopalan,S.,&Al-Mutairi,K.(2017).Strategicprocurementinconstruction:Areview.*InternationalJournalofManagingProjectsinBusiness*,10(5),897-921.

[18]Doherty,M.,&Williams,T.(2016).Effectiveprocurementmanagement.*Routledge*.

[19]Hartmann,E.,&Müller,R.(2019).Strategicprocurementmanagement:Asystematicliteraturereview.*InternationalJournalofProductionResearch*,57(1),1-22.

[20]Whyte,J.,&Doherty,M.(2018).Effectiveprocurementinconstruction:Bestpracticeandemergingtrends.*Butterworth-Heinemann*.

[21]Kumar,V.,Ravichandran,T.,&Murthy,C.N.(2019).Acomprehensivereviewofsupplierselectionmodels.*JournalofManufacturingSystems*,50,513-530.

[22]Li,Y.,&Zhang,X.(2020).Bigdatadrivencostcontrolforconstructionprojects.*AutomationinConstruction*,109,103193.

[23]Chen,L.,Cheng,E.,&Li,X.(2021).Afuzzymulti-criteriadecision-makingmethodforsupplierselectioninconstructionprojects.*InternationalJournalofProductionResearch*,59(8),2675-2687.

[24]Wang,Y.,&Liu,Z.(2022).Dynamiccostmonitoringbasedonbigdatainconstructionprocurement.*JournalofConstructionEngineeringandManagement*,148(1),04021015.

[25]Zhao,L.,Chen,Q.,&Zhang,H.(2021).Ariskassessmentmodelforconstructionprocurementbasedonbigdataanalysis.*InternationalJournalofProjectManagement*,39(6),605-615.

[26]Andrews,C.S.,&Moss,T.(2017).Effectiveprocurementmanagementintheconstructionindustry.*Routledge*.

[27]Whyte,J.,&Doherty,M.(2019).Effectiveprocurementstrategiesforconstructionprojects.*Butterworth-Heinemann*.

[28]Hartmann,E.,&Hartmann,T.(2020).Strategicprocurementmanagementintheconstructionindustry.*Springer*.

[29]Ogbonna,E.,&Cartwright,S.(2016).Effectiveprocurementpracticesinthepublicsector.*PublicAdministration*,94(2),375-395.

[30]Turner,J.R.(2018).Gower’shandbookofprojectmanagement.