《Mathematics》：Reliability and Profit Analysis of a Five-Subsystem Hybrid Series-Parallel System with Gumbel–Hougaard Copula Repair, Cold Standby, and Dual Environmental Failure Rates
摘要
工业建设项目涉及不确定性、风险、进度与成本之间的复杂交互，这推动了先进分析与决策支持方法的发展。本研究系统综述了工业建设中风险评估与绩效管理的方法论路径。遵循PRISMA 2020指南，对Scopus和Web of Science的检索识别出234条记录，其中2011年至2025年间发表于Q1区期刊的56篇文章满足预设的纳入标准。所选研究根据方法论家族、不确定性表征以及时间-成本-风险集成程度进行分类。研究识别出四大主导方法论家族：多准则与模糊决策、概率与仿真建模、基于优化的规划与资源分配，以及数据驱动与人工智能方法。27项研究独立于时间与成本评估风险，而仅有4项研究联合建模了全部三个维度。概率与基于优化的方法展现出最高水平的集成分析，而大多数机器学习方法仍以预测为导向，且多数现有模型为静态而非自适应。基于上述综合，本综述提出一个统一的分析分类体系，以及面向集成决策支持框架的研究议程，该框架结合动态不确定性更新、预测分析与多目标优化。研究发现识别了方法论缺口，并为支持复杂工业建设环境中稳健决策的自适应模型提供了基础。
1. 引言
工业工程系统，如发电厂、石化工业、油气管道、采矿建设以及可再生能源发电厂，代表了资本最密集且技术最复杂的建设项目类型。其成功交付需要对多个相互作用的因素进行有效管理，包括项目风险、进度、成本、资源配置以及运营不确定性。日益增长的技术复杂性、地理上分散的供应链以及不断演变的监管要求，使工业建设成为分析建模、优化和计算决策支持方法的重要应用领域。这些特征推动了在不确定性下支持明智决策的定量方法论的发展。
工业建设在项目规模、工程复杂性、投资要求及不确定性暴露程度方面，与住宅和商业建设存在显著差异。工程、采购和建设（EPC）项目，包括电站、石化厂、采矿工程和管道系统，需要在严格的监管约束下，在平衡成本、进度、风险、安全和资源利用等竞争性目标的同时，协调多个利益相关者。由于这些目标高度相互依赖，结合不确定性量化、优化和数学决策支持技术的集成分析框架变得日益重要。因此，集成的时间-成本-风险管理已成为建设工程、运筹学与计算智能交叉领域的重要研究方向。
本综述聚焦于工业建设项目中用于表征不确定性并支持决策的分析方法论。研究将时间、成本和风险视为相互关联的维度，其交互作用在整个项目生命周期中影响整体绩效，而非强调单一的项目绩效指标。特别关注多准则决策、概率建模、优化和人工智能方面的方法论进展，及其在统一分析与决策支持框架内集成不确定性表征的能力。
过去二十年中，风险分析与建设绩效管理受到显著关注，这些领域的发展可依据具体方法论阶段进行描述，类似于决策科学、运筹学与数据科学的总体演进。早期建设风险分析主要采用定性技术，如风险矩阵、检查表和专家评分技术，用于识别、排序和缓解项目风险。这些技术在项目规划初期阶段被证明有效，但无法有效处理风险量化及项目变量间的相互依赖关系。
在所有创新中，多准则决策（MCDM）方法与模糊逻辑方法在不确定性情况下评估建设风险方面获得广泛接受。这些技术使决策者能够在考虑专家知识存在不确定性因素的同时，权衡冲突目标，如成本、时间、安全和环境影响。层次分析法（AHP）、模糊AHP及其他技术如DEMATEL及其混合版本，在建设风险因素排序及其相互关系分析方面被证明相当有效。包含多种MCDM方法的混合模型也提高了信息缺乏情况下风险评估的适应性。
与此同时，概率方法和仿真方法在考虑项目结果不确定性方面日益流行。蒙特卡洛仿真、贝叶斯网络建模、随机模型等方法使决策者能够获得关于成本、时间绩效和安全的不同结果的概率，并用于工业建设中估算不确定条件下成本超支和进度延误的概率。通过明确考虑不确定性而非假设确定性数据，这些方法为工业建设环境提供了更现实的视角。
优化与调度研究领域是另一类受到相当关注的研究方向，旨在提高规划过程的效率和有效性，同时优化资源利用。多种方法，包括多目标优化、遗传算法、进化算法和基于仿真的优化，已被应用于在冲突标准之间达成折中，如最小化建设时间、最小化成本和更好地利用项目资源。然而，大多数优化模型仍采用确定性方法，并在规划阶段使用。
近年来，人工智能、机器学习、自然语言处理和数字项目管理技术的进步正推动该领域向数据驱动方法发展。机器学习算法已被用于预测成本超支、发现安全风险、分析项目文档、评估调度绩效，甚至通过大量与项目相关的异构数据进行预测性风险评估。上述过程反映了建设行业的数字化转型，表明该领域正缓慢但稳定地朝着数据驱动和预测性方法发展。
尽管上述方法论改进显著，当前知识状态仍然碎片化。大多数现有研究仅考虑项目绩效的单一维度——成本超支、进度延误、安全风险或资源配置——但未能纳入工业大型项目中时间-成本-风险交互的复杂性。已开发的方法论本质上也是静态的，旨在支持规划阶段的决策，而非在情况变化时支持自适应项目管理。此外，虽然人工智能和优化方法在预测和计算方面展现出巨大潜力，但尚未被纳入更复杂的框架，以支持在不断演变的不确定性下管理自适应项目决策。因此，当前方法论通常在特定领域提供有价值的分析能力，但在整个项目生命周期中仍不足以支持整体决策。
另一个局限涉及工业背景。关于建设管理存在大量文献，但先前研究报告指出其中大部分源自住宅或商业建设项目，针对工业建设的研究相对较少。工业项目的结构、技术、法规和风险与常规项目完全不同，因此为常规建设设计的模型无法直接用于工业大型项目。
基于上述观察，对更结构化方法论综合的需求变得明显。虽然先前的综述研究总结了建设风险管理的发展，但它们通常根据个别分析技术或特定应用领域对现有方法进行分类——按统计基础、算法类别或分别处理的绩效领域。本综述通过提出统一的分析分类体系扩展了这些视角，该体系同时根据（i）分析方法论，（ii）不确定性表征，以及（iii）时间-成本-风险集成程度对现有方法进行分类。该分类体系为比较现有方法论、识别方法论缺口以及突出开发集成分析与决策支持模型的机会提供了系统框架。在此框架基础上，本综述系统综合了工业建设风险评估与绩效管理的最新方法论发展，评估了现有方法如何表征不确定性并支持项目决策，并为未来集成分析框架建立了研究议程。
相应地，本综述旨在回答以下研究问题：哪些方法论方法主导了工业建设项目风险评估与项目绩效研究？现有研究在多大程度上在统一分析框架内集成了时间、成本和风险？当前哪些方法论局限阻碍了工业建设自适应智能决策支持系统的发展？集成自适应的时间-成本-风险框架如何改善工业建设中的决策和项目绩效？
通过回答上述问题，本研究以多种方式为现有知识库做出贡献。首先，它提供了专门针对工业建设领域近期方法论进展的广泛而结构化的概述——该领域获得的方法论关注少于更传统的建筑建设，但在经济角度上具有重要战略意义。其次，本研究引入了所提出的统一分析分类体系，允许不仅根据分析方法论，还根据其不确定性管理和集成能力对所有现有方法进行分类。第三，本综述识别并分析了现有方法在多大程度上考虑了时间、成本和风险等关键项目维度的相互依赖性——从而得出结论，在该问题上存在显著缺口和方法论不一致，大多数方法论仍将这些维度分开看待而非联合处理。最后，基于上述识别的缺口，本研究提出了一个聚焦于集成优化、概率推理、人工智能和决策支持等各类方法论的研究议程。
与先前主要孤立研究建设管理要素（包括成本估算、调度或风险分析方法）的建设管理文献综述不同，本研究采用系统视角进行广泛综述，考虑了工业建设环境中时间、成本和风险之间的交互。与仅根据方法论方法对文献进行分类的先前综述文章不同，本研究通过在一个统一框架中包含方法论方法、不确定性表征和方法集成，提供了分类标准的广泛视角——这种多维视角允许更好地理解该领域的当代进展，同时突出尚未被广泛研究的研究领域。研究结果对研究人员、项目经理、基础设施所有者和政策制定者具有重要的实际应用价值，他们关注复杂工业建设环境中的决策过程：通过识别方法的优势和不足以及未来研究方向，本研究为智能决策支持系统的发展做出贡献。
本文其余部分结构如下。第2节描述了系统综述的方法论，包括检索过程、选择标准、研究质量评估和分析方法。第3节提供了主题分析的结果并描述了所建议的分类维度。第4节概述了方法论缺口和进一步研究的机会。第5节考虑了研究结果对工业建设集成时间-成本-风险管理的影响。最后，第6节总结了本文并提出了未来研究方向。
2. 方法论
本文遵循PRISMA 2020（系统综述和元分析首选报告项目）指南，进行系统、可重复和透明的综述过程。进行了系统文献综述，以审查和批判性分析为工业建设项目风险评估和绩效管理开发的方法论。从文献检索到最终研究选择的整个综述方法如图1所示。
2.1. 文献检索策略
于2025年12月12日在Scopus和Web of Science核心合集进行了结构化文献检索，并于2026年1月21日更新，因为这两个数据库在工程、建设管理和项目管理领域的同行评审文献覆盖广泛。检索词通过迭代过程生成，以最大化捕获相关研究同时最小化不相关结果。两个数据库使用相同的检索短语，针对数据库语法和索引差异进行了一些调整。
文献检索旨在纳入涉及工业建设、项目风险、成本绩效、进度管理、不确定性和优化的出版物。仅纳入2011年至2025年期间以英文撰写的同行评审期刊文章。其他类型的文献（会议论文、书籍章节、综述和非英文文献）不予考虑。检索产生234条参考文献，其中174条来自Scopus，60条来自Web of Science。
检索词旨在捕获涉及风险评估、不确定性建模、优化、调度和绩效管理的方法论研究，涵盖广泛的工业基础设施项目，包括能源设施、管道、采矿作业和加工厂。数据库特定的检索字符串、过滤器、检索日期和导出格式见附录A。
2.2. 纳入与排除标准
在进行文献综述之前预先指定了资格标准，以确保纳入综述的研究直接有助于其目标。合格研究应考察工业建设问题或引入适用于工业建设项目的方法。特别关注研究风险评估和不确定性建模、项目调度和优化，以及绩效评估及其与成本、调度、安全或其他绩效指标的项目结果联系的研究。
专门研究环境和岩土问题但对建设问题无实际意义的研究不予考虑。作为适用于每条检索记录的单一预设资格规则，仅纳入在Q1区期刊发表的同行评审期刊文章；会议报告、书籍章节和非英语论文不予考虑。该规则定义了语料库的范围，本文中此处或其他地方无意作为对在其他场所发表工作质量的评估。
限制于Q1区期刊是由本综述目标驱动的设计选择，而非对其他地方发表工作质量的断言。由于分析对象是方法论而非经验效应量，每项纳入研究必须在三个方面进行编码——分析方法、不确定性处理和时间-成本-风险集成水平——这要求文章以足够的细节报告模型公式、不确定性处理和验证，以便准确一致地分类。将语料库限制在单一四分位区间可使纳入场所的报告惯例大致恒定，这正是允许对所有56项研究应用统一编码方案的原因；这并不意味着该区间之外的文章报告不完整，只是纳入多个区间会引入报告深度的变化，而该方案设计上无法吸收。会议论文、技术报告和灰色文献在长度、审查程序和细节上差异很大，会议论文通常是后来发展为期刊文章的初步版本，因此同时纳入两者会重复计算相同的方法论发展并扭曲第3节中的家族级统计。综述文章同样不符合条件，因为它们不报告可在第3.3节三个维度上编码的模型公式、不确定性处理或验证；因此先前的综述在第1节中讨论而非纳入语料库。四分位规则因此提供了单一可重复的场所级标准，辅以第2.4节和第2.5节的研究级评估。由于这是范围边界而非质量判断，以下结论应被理解为关于工业建设Q1索引方法论文献的陈述；将相同协议扩展到更宽的四分位区间在第6节中被确定为明确的后续步骤。
虽然本综述以工业建设为中心，但保留了少数来自更广泛建设环境的研究，前提是它们提供可转移至工业大型项目的方法论方法。可转移性未被声称，而是根据三个标准在全文基础上进行评估，所有标准必须满足。第一，研究总体或数据必须来自工业设施，或数据生成过程必须是不排除工业项目的过程。第二，模型公式不能依赖于住宅或商业工作特有的结构，如重复住房类型或租户装修排序，而必须基于工业交付中发现的属性进行指定：活动网络、资源和设备约束、风险登记册、合同里程碑和成本分解结构。第三，绩效指标必须具有工业对应物——成本超支、进度延误、职业安全、资源生产率或质量。在模型假设在工业规模下失效的情况下，文章被拒绝为不可转移，例如短项目工期、单一合同包或缺乏监管许可门槛。该程序操作化了相关性标准（表1），其满足是纳入的必要条件（第2.4节）。
2.3. 筛选程序
研究选择过程遵循图1所示的PRISMA 2020框架。在移除重复记录后，其余研究根据场所级资格规则、标题和摘要相关性以及全文资格进行过滤。
最初，消除了从两个数据库检索到的重复记录。然后根据Scimago期刊排名（SJR）将剩余研究限制于Q1区期刊，这是在筛选开始前在协议中固定的场所级规则，以便语料库边界明确且可由独立读者精确复现。随后由两名审稿人使用预定义的资格标准独立筛选标题和摘要。分歧通过讨论解决，必要时咨询第三名审稿人。
为标题和摘要筛选后保留的所有78条记录寻求全文报告，且全部成功获取；没有记录因无法访问全文而被排除。这些报告随后进行全文评估。在此阶段，评估研究的方法论相关性、工业建设背景以及是否有足够信息进行比较分析。如果论文缺乏明确的方法论贡献、未能涉及可衡量的项目绩效指标，或集中于不可转移至工业基础设施的建设背景，则被排除。
完整筛选过程将初始的234条记录缩减为最终的56项同行评审研究。每个阶段保留和排除的记录数及相应的排除原因总结于图1。该结构化程序使研究选择透明且可复现。
2.4. 质量评估
为验证所综述文献的质量和适用性，在全文筛选阶段后选择的所有研究均经过质量评估。使用四个标准：（i）对工业建设的适用性，（ii）方法论，（iii）建议方法与项目绩效指标之间的直接联系，以及（iv）是否有足够信息进行进一步数据提取和比较。所有标准列于表1。
两名独立审稿人按三级量表对每项研究进行评分：满足、部分满足和不满足。只有当四项标准中至少三项得到满足时才接受论文进行进一步考虑，且第一项必须满足。审稿人之间的争议通过讨论解决直至达成一致。
除第2.2节所述的期刊级资格标准（纳入限于Scimago期刊排名中的Q1区期刊）外，使用表1总结的标准评估每项研究的方法论适用性。
2.5. 方法论局限评估
为表征本综述所审查证据的强度，进行了结构化方法论局限评估。由于既定的偏倚风险工具如ROBIS和Joanna Briggs Institute（JBI）检查表主要设计用于临床和健康相关证据，因此采用了为工程和建设管理研究改编的作者开发评分标准。该评分标准借鉴了这些工具的一般逻辑，但不声称直接符合它们。考察了四个潜在局限领域：选择局限、方法论局限、报告局限和数据局限。
选择局限涉及研究背景的代表性和可推广性；方法论局限涉及分析方法的透明度和可复现性；报告局限涵盖方法论和绩效结果报告的完整性；数据局限涉及所用数据的质量和经验有效性。
每项研究由两名审稿人使用三级分类（低、中或高关注）独立评估。这些评级表明研究设计在多大程度上能够为本综述中语料库的发现可推广性做出贡献，不应被视为对个别研究价值、有效性或质量的评估。这一点在选择类别中尤为重要。对单一工业工厂风险的全面分析是有效的研究设计形式，这类研究提供了使该研究领域成为可能的实践知识基础；这类研究在执行上可能是典范的，但设计上推理范围有限。论文不会仅因关注水平升高而被排除；相反，评估用于在综合过程中指导发现解释，且主要依赖于被评为较高关注研究的发现在得出总体结论时受到相应更大的谨慎对待。未应用数值加权。
所综述研究的评估评级总体分布见图2。结果表明方法论和报告关注总体较低。选择和数据维度的中等分数源于单一设施案例研究和基于仿真的验证趋势，这在数据访问受限和所分析各设施特定性质的约束下是完全合理的。因此，这些分数应被理解为基于整个语料库可允许的推理范围的反映，而非个别研究本身的局限，每项研究都提供了在更广泛背景下无法获得的证据。对本综述而言，影响在于结果以研究间方法论趋势的形式呈现，而非关于工业建设实践的总体结论。
2.6. 数据提取与分析框架
开发了标准化数据提取框架以确保所选研究间的一致比较。对每篇出版物，收集了关于出版物特征、工业应用领域、方法论方法、不确定性表征、项目绩效维度和主要研究发现的信息。
数据提取和编码过程由两位作者对用于本综述的56项研究中的每一项独立进行。然后根据第3.3节确定的三个分类类别对研究进行编码：方法论家族、不确定性表征和集成水平，按照第3.3节规定的程序。任何分歧通过讨论解决，第三位作者决定意见分歧。
提取的信息随后使用主题综合进行分析。该方法能够识别主要方法论趋势、比较分析技术、评估时间、成本和风险维度的集成程度，以及开发本研究提出的分类体系。结构化提取过程还促进了不同分析方法间方法论优势、局限和研究缺口的比较评估。
综合是分类性和解释性的而非统计性的，第3节中的数值结果应在此背景下理解。它们是普查总数而非样本估计：由于保留了所有合格记录，计数及由其衍生的百分比穷尽性地描述了检索框架且不携带抽样误差。因此，不确定性附着于该框架的边界——协议中指定的数据库、出版期间、语言和四分位区间——而非框架内数字的精度。未对这些结果报告假设检验、合并效应量或其他统计分析，鉴于纳入研究间设计、结果测量、工业背景和验证程序的异质性，这些也不适当。在比例为子集而非整个语料库计算的情况下，文中已注明。例外是第3.1节，其中测试了年度发表率随时间的变化。由于该量是变化率而非枚举语料库的属性，推断检验在那里是适当的；报告了两样本比较和完整序列的趋势检验。
记录从两个数据库导出并在Microsoft Excel中管理，Excel也用于数据提取、编码和描述性图表的准备；示意图在TE X中使用TikZ制作。在记录选择或数据提取的任何阶段未使用自动化筛选、文本挖掘或机器学习工具。
2.7. 可复现性与协议
综述协议在文献检索前开发，包含研究问题、检索策略、纳入标准、筛选程序、质量评估和分析方法。以下方法论选择在整个综述过程中一致使用以保证可复现性和透明度。综述的每一步骤，从数据库检索到数据提取过程，均按照预定义程序执行并由两名审稿人独立检查。因此，完整的检索策略、纳入标准、PRISMA流程图（见图1）、质量评估程序（见表1）和方法论局限评估（见图2）允许独立复现综述方法。本综述未前瞻性注册。协议在文献检索和数据提取完成后追溯性存放于开放科学框架注册中心（
https://doi.org/10.17605/OSF.IO/VP69Q ）。所有方法论方面在检索前指定，并在整个综述过程中一致实施。完整的PRISMA 2020检查表作为文件S1（补充材料）提供。
3. 结果与主题分析
3.1. 所选研究概述
按照第2节所述的系统筛选程序，最终保留了56篇同行评审期刊文章进行最终分析。所综述文献的总体特征总结于图3，该图展示了纳入研究的年度发表趋势和地理分布。
检索过程受方法论一致性约束，并通过聚焦2011年至2025年期间的英文同行评审科学文献考虑现代发展。该方法旨在产生当代且方法论一致的综述语料库。图3a显示综述期间发表率增加。为确定该明显趋势不是逐年变化的产物，比较了该期间前半段和后半段的年度计数。2011年至2017年间发表的16项研究对应每年2.29篇论文的均值（标准差1.98，七年），而2018年至2025年间为40项研究和每年5.00篇论文的均值（标准差2.27，八年）。两样本t检验确认了差异（p < 0.05，双尾；Welch校正给出p < 0.05），年度均值差异的95%置信区间为每年0.35至5.08篇论文，效应量大（Cohen's d）。由于年度计数是小整数且不必正态分布，比较在无分布假设下重复并给出相同结论（Mann–Whitney U检验，p < 0.05，双尾），完整序列的单调趋势检验也如此（Spearman ρ，p < 0.05；普通最小二乘斜率每年0.34篇论文，p < 0.05）。该发现并非由最后一年驱动：排除2025年（其索引在检索日期可能不完整），差异仍然显著（p < 0.05）。发表文章的地理分布（图3b）显示来自世界不同地区（包括北美、欧洲、亚洲、中东和一些新兴经济体）的学术贡献。值得注意的是，尽管背景存在地理差异，所有发表文章中使用的方法论方法和绩效相关问题存在实质相似性。
所综述研究涵盖广泛的工业资产类型，如图4所示。最大的类别，一般和混合工业，包含23项研究，分为两种。二十项研究声明其总体为工业建设，同时涵盖多种资产类型而非单一类型。其余三项[26,27,28]使用不限于工业工作的建设总体；这三项均满足第2.2节的可转移性标准。此外，管道系统和核电站受到相当关注，其特点是高风险操作、严格监管要求和大型基础设施复杂性。其他研究考察采矿和隧道工程、油气设施、水电和大坝建设、可再生能源系统如海上风电场，以及一般电厂应用。这种多样性表明风险和绩效管理方法正被应用于多个具有不同运营挑战、安全要求和项目不确定性的工业部门[5,6,21,29,30]。大量文献聚焦于各种类型的能源相关基础设施项目，包括核能和油气建设项目。这是由于与此类项目相关的大额资本投资、监管和技术问题。
表2提供了所综述研究的结构化概述，包括工业资产背景、分析方法论和主要项目绩效维度。
3.2. 时间-成本-风险研究的方法论格局
将56篇论文视为一个整体而非个别研究，出现四个可识别的方法家族——每个家族有其自身逻辑、在项目生命周期中的自然位置和特征性盲点。为简洁起见，下文将四个家族称为MCDM与模糊、概率、优化和数据驱动或机器学习方法；完整名称在第3.3节和表3中给出。少数研究不适合这四个家族中的任何一个，为完整性归入"其他"类别。这些包括核电站建设传统与先进工作包装的比较进度分析[35]、水电项目安全管理方法的定性评估[44]、结合参考类别预测应用于海上风电厂的社技术内容分析[5]，以及考察大型工业建设项目协调机制的组织设计研究[21]。每项研究以其自身方式做出真正贡献，但均未直接涉及定义四个主要家族的风险评估、不确定性建模或时间-成本权衡分析。因此它们以对工业建设绩效管理更广泛相关性的理由保留在语料库中，但在后续家族级分析中搁置。每个家族擅长什么——以及持续不足在哪里——是本综述核心论点的基础：尚无单一方法成功将风险、时间和成本保持在单一连贯分析框架内。图5显示四个家族在语料库中的分布，图6追踪其在2011年至2025年间相对重要性的变化。
3.2.1. 模糊MCDM方法
本综述中最大的单一家族，占纳入论文的32%，基于多准则决策（MCDM）和模糊逻辑。这些方法的基本思想大致是：建设风险评估在早期阶段几乎总是基于专家判断，而专家判断很少精确或确定。DEMATEL-ISM和扩展前景理论云模型[4,10]等工具为分析者提供了将定性意见转化为有序优先级的系统框架，而无需假设底层数据比实际更精确。模糊集扩展的日益复杂——二型模糊集、云模型和直觉模糊数——进一步推进了这些工具，使其日益能够处理分层不确定性，其中甚至不确定性本身也是不确定的[10]。话虽如此，MCDM和模糊方法有一个随着领域成熟而日益难以忽视的局限。它们是优先级排序工具：擅长告诉您哪些风险最重要，但对这些风险实际实现时项目成本会发生什么，或进度缓冲应如何响应，保持沉默。输出是排序列表。它不做的是模拟项目对压力的实际反应方式。需要区分，因为模糊和多准则方法在一个明确意义上是集成性的：其目的是将异构、不精确指定的指标综合为聚合度量，且它们比此处考虑的任何其他家族做得更好。集成仅在3.3节更狭义的意义上被评估为低，其中它意味着将时间、成本和风险作为相互依赖维度的联合考虑。将成本影响和延误影响标准组合为风险评分是不同于估计已实现风险如何影响项目成本和工期的操作，而后者是该文献很少尝试的：该家族18项研究中，16项（89%）将风险或安全作为主要结果，而进度仅在3项中为主要结果，成本仅在1项中（第3.4节）。在集成维度上，16项编码为单维，2项为双维，无一项完全集成（图7）：研究可能报告结果而不建模其与其他维度的交互。局限是实践性的而非理论性的：在语料库中唯一将模糊公式嵌入多目标模型的研究中，时间、成本和环境目标被同时优化[14]，表明模糊表征一旦耦合到规定层即可轻松集成——第5节提出的混合化。这些方法也并非没有下面为概率模型指出的信息负担：模糊评估依赖于其隶属函数和标准权重背后的专家判断质量和一致性，而这种判断在专业工业环境中本身是稀缺的。
3.2.2. 概率与基于仿真的方法
第二个家族处于分析空间的不同部分。MCDM方法处理专家想法的模糊性，概率和基于仿真的方法处理实际发生情况的不确定性。蒙特卡洛仿真、贝叶斯网络和随机建模[7,12,59]都依赖于视角转变：项目成本和工期不是要预测的单一数字，而是要理解的概率分布，真正重要的问题不是"这将花费多少？"而是"其花费超过我们能承受的概率是多少？"更复杂的版本如结合Dempster–Shafer证据理论和云模型的方法通过捕获认知不确定性（除更广为人知的偶然类型外）更进一步[59]，使分析者即使对概率理解不佳的风险也能做出合理判断。这些方法确实非常适合大型基础设施项目的成本和进度风险分析。但它们确实有实际限制，值得指出。可信的蒙特卡洛模型需要可靠的输入分布，这需要通常在商业上敏感、不完整或根本不可用的项目数据。此要求并非概率方法特有。模糊和多准则方法需要自己的信息——隶属函数、语言量表、标准权重及填充它们的判断——这些信息并不更完整，在两个家族中实际补救措施相同：结构化专家启发，无论是指定先验分布还是定义隶属函数。因此关键区别不在于是否需要启发，而在于其必须采取的形式以及可验证的程度。模糊方法直接接受序数和语言输入，并明确表示不完整知识，而概率模型要求对分布形式的承诺，且在该承诺基于启发而非观察的情况下，除非说明启发基础，否则可能传达误导性的精确性。认识到这种等价性对第5节的更新框架很重要，因为它允许认知和概率表征被视为相同结构的实例。计算需求可能很大。最可能最重要的是，本语料库中大多数概率模型将成本和进度视为要描述的结果而非要做的决策——它们很好地描绘了潜在未来，但对项目经理应如何在它们之间选择几乎没有说明。
3.2.3. 基于优化的规划与资源分配
优化方法正好解决该缺口——概率模型是描述性的，而它们是规定性的。遗传算法和多目标进化方法[13,14,56]都共享共同结构：定义目标、指定约束，并找到在时间、成本和资源的竞争需求间最佳平衡决策组合。多目标变体与工业建设特别相关，其中正确答案很少是"最小化成本"而是"在成本、工期和风险暴露之间找到可接受的权衡"——这是单目标模型无法回答的真正不同类型的问问题。
本语料库中大多数优化研究假设确定性：活动工期、资源成本和劳动生产率被视为确定已知。然而，工业大型项目在输入在开始时不确定且随执行推进变得更加不确定的环境中运行。因此在确定性假设下推导的最优进度在第一次显著偏离计划时可能失去其最优性。
3.2.4. 数据驱动与人工智能方法
家族四是最近的，从图6外观看，增长最快的。机器学习、深度学习和自然语言处理[16,17,51]之所以进入建设风险研究，只是因为存在足够的数据可供学习——建设监控系统、事故数据库、合同信息和现场传感器产生的信息在过去十年中有所增加。应用多种多样：预测哪些项目最可能超支、从检查报告识别安全隐患、从合同文本提取风险因素。在大多数情况下，模型在其评估指标上表现良好。
困难在于预测绩效和决策支持不是一回事。知道项目有70%的成本超支概率是有用的，但它不告诉项目经理该怎么做。本语料库中大多数机器学习应用止步于预测步骤，未将其输出连接到使预测可操作的优化或规划框架。还存在可解释性问题：标记高风险的深度学习模型无法以项目团队可验证、质疑或用作缓解策略基础的方式解释其"为什么"这样做。
3.2.5. 四个家族间的集成
对这四种方法的比较评估表明它们与其说是竞争对手不如说是互补：概率模型特别适合捕获成本和进度估算中的不确定性，优化方法在资源配置和规划方面最强，机器学习擅长大数据集中的模式识别。因此混合方法的理由不仅仅是结合方法是时尚的——而是没有单一家族覆盖工业建设项目经理实际面临的完整决策空间。
图7通过分解每篇论文的集成水平——即论文在单一分析框架内同时处理的绩效维度（风险、时间和成本）数量——直接考察此问题。仅对风险进行优先级排序而不将结果连接到成本或进度的论文编码为单维；将进度延误与成本超支联系起来的论文为双集成；联合建模所有三个维度的论文为完全集成。
图7所示发现比纯数字更有效地突出了碎片化问题。这里最有力的例子可能是模糊MCDM，其中18篇发表论文中16篇——即压倒性的89%——仅处理单维绩效评估，且这始终是风险优先级排序。然而，这不是对研究本身的批评，而是突出MCDM方法论设计方式。结果是，该文献中使用最广泛的方法论家族在结构上不适合回答最初推动该领域的集成性问题。相反，优化组显示出更有前景，因为九篇文章中五篇通过将进度和成本纳入统一目标函数实现双集成，而一篇文章实现完全三重集成[33]。另一种方法论，概率，也显示出不错的结果，因为十篇文章中仅三篇停留在单维水平，而两篇由于概率建模的内在特征实现完全集成。机器学习提供不同故事：其15篇论文中11篇保持单维性，仅3篇双集成，1篇三重集成——明确表明即使高预测精度也不一定意味着跨所有项目维度的适当决策支持。
四种方法的优势、劣势和集成水平的简要概述见表3。信息肯定不是关于选择错误的方法，而是关于彼此分离地开发它们，从而仅处理问题的某些方面。如何克服此问题是本研究挑战，稍后处理。
因此，表3中每个家族都带有某种信息要求；区分它们的是所需信息必须采取的形式——启发判断、分布假设、确定性参数估计或标记观察——以及该形式在工业建设环境中可获取和验证的容易程度。为进一步结构化这些方法论发展，以下小节提出分类体系以提供统一分类框架。
3.3. 风险与绩效建模方法分类体系
基于所综述文献的主题综合，本研究提出结构化分类体系，对工业建设风险和绩效管理的现有方法论方法进行分类。虽然先前研究主要根据分析技术对方法进行分类，但所提出的分类体系通过纳入反映现实项目环境复杂性的多个维度扩展了该视角。
所提出的分类体系跨三个关键维度组织：（i）方法论方法，（ii）不确定性表征水平，以及（iii）时间、成本和风险组成部分间的集成程度。
1. 方法论方法：该维度分类研究中采用的主要分析技术。识别出四个主导类别：多准则和基于模糊的方法（如AHP、模糊逻辑、DEMATEL）；概率和基于仿真的模型（如蒙特卡洛仿真、贝叶斯网络）；基于优化的规划和资源配置方法（如遗传算法、多目标进化方法、混合整数规划、仿真-优化）；数据驱动和人工智能方法（如机器学习、深度学习、自然语言处理）。
如上所述，该维度包含所研究的主要分析方法，关于优化作为横向而非排他过程的性质需澄清一点。事实上，无论我们谈论概率和/或模糊方法，参数估计和校准都可公式化为优化问题；多准则问题本身在偏好关系方面是优化问题；因此，仅将优化步骤纳入程序不足以将研究归入第三组。只有当规划、调度和/或资源配置决策是其主要结果——即模型产生计划，而非优化在内部用于拟合或加权产生优先级排序或概率分布的模型——时，研究才被纳入第三类。
2. 不确定性表征：该维度捕获用于表征不确定项目信息的正式机制：确定性：使用固定输入值，不确定性未被明确表征。概率或随机：不确定性通过概率分布、随机过程、贝叶斯模型或仿真表征。认知或模糊：不完整知识和语言判断通过模糊集、区间、云模型、证据理论或相关方法表征。混合或数据自适应：组合两种或更多不确定性表征，或使用传入项目数据更新不确定性估计。
使用多种不确定性机制的研究仅在机制在同一分析框架内集成时编码为混合。机器学习的存在本身不导致混合分类；检查的是模型本身的不确定性表征。
3. 集成水平：该维度评估时间、成本和风险被联合分析的程度：单维模型，仅关注一个绩效方面（如成本或进度）；双集成模型，处理两个相互关联的维度（如时间-成本或成本-风险）；完全集成模型，同时考虑时间、成本和风险交互。
所提出的分类体系提供了全面分类系统，用于理解各种方法论方法如何用于管理工业建设相关项目中的不确定性和绩效。必须注意，这两个方面与研究人员选择的方法论方法密切相关，且处理不确定性的方式直接影响可在模型框架内实现的集成水平。在所综述语料库中，概率和基于优化的方法表现出最高比例的双或完全集成。相比之下，大多数机器学习研究尽管在与不确定性建模和优化结合时支持自适应集成的潜力，仍保持单维。
为操作化集成水平维度，以下编码规则一致应用于所有56项所综述研究。如果研究的分析框架仅孤立处理一个绩效结果（成本、进度或风险）而不建模与其他维度的交互，则编码为单维。当研究在单一分析框架内明确考虑三个变量中任意两个之间的关系（例如，使用资源加载函数处理进度延误和成本超支之间的关系，以及风险概率估计与进度缓冲之间的关系）时，编码为双集成。当所有三个在同一集成方法中一起考虑，特别关注风险和不确性向成本和时间的传播建模时，编码为完全集成。例如，为从文献综述中做出一些具体分类：当研究应用多准则优先级排序方法进行建设项目风险优先级排序而不与时间和成本预测建立关系时，编码为单维；当研究使用概率仿真找到成本超支和进度延误的概率分布时，编码为双集成；当研究使用模糊多目标优化方法同时最小化所有三个变量时，编码为完全集成。此编码过程的总体结果反映在第3.4节中的图和讨论中。
所提出的分类体系允许识别此类研究缺口，包括开发集成和数据驱动的决策支持系统的需求，该系统可解释不确定性下时间、成本和风险交互的复杂动态。分类体系不仅描述现有研究，还为可能导致开发此类方法的未来研究奠定基础。所提出的分类体系见图8，总结了方法论方法、不确定性表征和集成水平之间的关系。
分类体系通过第3.2节和第3.4节呈现的主题综合分析性地应用于所综述研究。具体而言，图5所示方法论方法分布、图7可视化集成模式以及第3.4节讨论的绩效联系共同代表了三个分类维度跨56项所综述研究的系统应用。总之，这些分析表明大多数现有研究占据分类体系的较低集成水平，将单一不确定性表征与单维绩效分析相结合。仅少数精选论文达到分类体系的上层，其中混合不确定性模型和时间-成本-风险集成交汇，这是本综述识别的研究缺口。该主张具体涉及分类体系的上层。双集成，特别是成本与进度的集成，明显比完全集成更常见；仍然罕见的是混合不确定性表征与所有三个维度联合建模的组合，以及第5节讨论的反馈路径。这些集成水平在综述期间的分布见图9。
在本研究中，集成指分析模型在统一建模框架内同时考虑和关联多个项目绩效维度（特别是时间、成本和风险）的程度。分类体系还说明了从传统确定性方法向完全集成和数据驱动框架的进展。该分类体系通过将方法论、不确定性和绩效维度集成在单一分析框架内，扩展了现有分类。
3.4. 风险管理视角与绩效联系
阅读56篇纳入论文时出现的最清晰发现之一是风险主导了对话。几乎每项研究至少部分由识别、评估或缓解风险的需求驱动——鉴于所考察工业建设环境的规模和复杂性，这是合理的。电厂、管道、核设施和采矿基础设施本质上是高风险事业，失败后果并非抽象。更有趣的不是风险研究孤立存在的普遍性，而是风险如何连接到决定项目是否成功的其他两个维度：时间和成本。本节考察这些联系，以及缺失的缺口。
3.4.1. 三个维度在语料库中的分布
图10呈现了将每个绩效维度作为主要测量结果处理的论文总数。风险管理和安全评估出现在56篇论文中的35篇（63%），使其成为迄今研究最多的绩效领域。进度和时间绩效其次，在24篇论文中处理（43%），成本绩效——成本超支、预算控制、财务风险——出现在20篇论文中（36%）。处理多个维度的论文每个维度计数一次，这就是三 个 条 的 总 和
