• صفحه اصلی
  • شناسایی و ارزیابی عوامل مؤثر بر ریسک‌ شکست مناقصه، مطالعه موردی: یک شرکت پیمانکاری

اشتراک گذاری

آدرس مقاله


کد مقاله : QJOPM-2310-3610 (R2) بازدید : 61 صفحه: 149 - 181

10.71737/jpm.2025.3103610

نوع مقاله: پژوهشی

شناسایی و ارزیابی عوامل مؤثر بر ریسک‌ شکست مناقصه، مطالعه موردی: یک شرکت پیمانکاری

محورهای موضوعی : مدیریت پروژه

محمد حسین کریمی گوارشکی 1 * , کریم آتشگر 2 , فاطمه ملکائی آشتیانی 3

1 - دانشیار گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران.
2 - دانشیار گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران.
3 - دانشجوی دکتری گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران

تاریخ دریافت : 1403/01/06 تاریخ پذیرش : 1403/02/05 تاریخ انتشار : 1404/07/01

کلید واژه: پیمانکار&quot, , &quot, رگرسیون&quot, , &quot, ریسک شکست مناقصه&quot, , &quot, سیستم استنتاج فازی&quot, , &quot, طراحی آزمایش,

چکیده مقاله :

هدف پیمانکاران از شرکت در مناقصه کسب سود می‌باشد، لذا می بایست عوامل مؤثر موفقیت مناقصه را شناسایی و ارزیابی نمایند.هدف این مطالعه شناسایی عوامل ‌مؤثر بر ریسک ‌شکست در‌ مناقصه‌های طرح و ساخت و برآورد ریسک شکست مناقصه برای شرکت پیمانکاری هست. با‌ استفاده‌ از روش ‌طراحی ‌آزمایش‌ها، مهم‌ترین عوامل ‌مؤثر بر ریسک ‌شکست ‌در‌ مناقصه در سطح اطمینان 95%شناسایی‌شده‌ است و با استفاده از سوابق 64‌ ‌مناقصه‌ای که‌ یک ‌شرکت ‌پیمانکاری در شهر تهران حضورداشته است، ریسک با استفاده از پرسشنامه استخراج‌شده ‌است. روایی پرسشنامه ازنظر محتوا و صوری مورد تائید خبرگان هست و پایایی آن بر اساس آلفای کرونباخ برابر با 0.7463 به‌دست‌آمده است. با ‌استفاده از روش تحلیل‌ رگرسیون و سیستم‌ استنتاج‌ فازی‌ ریسک با استفاده از نرم‌افزارهای مینی تب و متلب برآورد ‌شده‌ است. مقدار RMSE مدل ‌رگرسیونی برابر ‌با 0.57 و این‌ مقدار برای مدل ‌استنتاج ‌فازی برابر با 0.75 هست، با مقایسه این ‌معیار در ‌مدل‌ها، برتری مدل رگرسیونی نسبت به مدل استنتاج‌ فازی برای برآورد ریسک ‌شکست ‌مناقصه به دست‌ می‌آید. از میان عوامل مؤثر بر ریسک شکست مناقصه، متغیرهای توان‌ مالی ‌پیمانکار، تعدیل، وضعیت ‌مالی‌ کارفرما و روش ‌تأمین ‌مالی دارای شدت ‌اثر زیاد، متغیر پیش‌پرداخت دارای شدت ‌اثر متوسط و متغیر اعضا کنسرسیوم و وضعیت ‌ماشین‌آلات و تجهیزات دارای شدت‌ اثر کم بر ‌روی ریسک می-باشند.

چکیده انگلیسی:

The goal of contractors for participating in a tender is to make profit; so, they should identify and evaluate the effective factors that contribute to the success of the tender. Hence, the purpose of this study is to identify the key factors affecting the risk of failure in design and construction tenders and to estimate the risk of failure of the tender for the contracting company. The most important factors affecting the risk of tender failure were identified by using the design of experiment method at the 95% confidence level. The risk assessment was conducted based on the records of 64 tenders in which a contracting company in Tehran participated, supplemented by the data collected through a questionnaire. The validity of the questionnaire was confirmed by experts in terms of content and form, and its reliability measured by Cronbach's alpha was 0.7463. The risk of failure was estimated by Using regression analysis method and fuzzy inference system, in Mini Tab and MATLAB software. The RMSE value of the regression model was 0.57 which is equal to 0.75 in the fuzzy inference model. By comparing this criterion across the models, the superiority of the regression model over the fuzzy inference model for estimating the risk of tender failure was observed. Among the factors affecting the risk of tender failure, the contractor's financial ability, contract adjustment, the employer's financial situation and the financing method variables have a high impact, prepayment has a moderate impact, and the consortium members' and the state of machinery and equipment have a low impact on the risk of failure.

 

Key Words: contractor, design of experiment, fuzzy inference system, regression, tender failure risk

 

 

  1. Introduction

When an organization seeks to delegate executive operations to external companies, it initiates a tendering process, inviting several contractors to enter the competition. The company that offers the best quality at the lowest cost is chosen as the winner of the tender. The purpose of contractors in participating in tenders is to compete for earning a profit. These companies strive to offer the most competitive quality and price. In order to make profit, contractor companies must identify and evaluate the key factors that influence their success in the tender process. Therefore, contractors assess the risk of failure and the profitability of a tender by analyzing the provided documents. If a tender has an acceptable risk of failure and sufficient profitability, it is justified to participate in it. A powerful technique in investigating such processes is the design of experiments, which enables identifying the variables affecting the desired quality characteristic and determine the optimal levels of these variables along with the intensity of their effect. Since uncertainty is an inseparable part of institutions, the risk of tender failure was calculated using the method of fuzzy inference system in the uncertainty space and the estimated results were compared with the actual value of the risk of tender failure in the studied company. Therefore, this research sought to answer the following question:  what are the variables affecting the risk of tender failure, to what extent is the effect of these factors and how these variables relate to risk?

  1. Literature Review

A comprehensive literature review establishes the foundational framework for this study. Existing research highlights the significance of identifying and evaluating factors affecting the risk of tender failure. The review of studies shows that while various methods have been used to identify and rank the factors affecting bidding success, none has developed a model to explain how these variables are interrelated or to examine the combined effect of multiple variables on the risk of tender failure. Hence, in this research, a 95% confidence level was established using the design of experiments method to identify the factors affecting the specified risk and to develop a regression model for predicting the risk of tender failure.

  1. Methodology

Typically, risk analysis is conducted using fault tree analysis; however, in this study, the risk is estimated using the model obtained from the design of experiments combined with a fuzzy inference system.

A- Estimating the risk of tender failure from the test design method: The design of experiments method includes the following steps:

1- Selecting the factors and determining the levels of the factors.

2- Selecting the response variable.

3- Selecting the test plan.

4- Collecting data and conducting experiments.

5- Statistical analysis.

 

B-Estimating the risk of failure in the tender using the method of fuzzy inference system: In the phase of fuzzification, using the experts’ opinions, attribute functions are defined for input and output variables. The rules are obtained from the combination of the states of the variables and are converted into membership degree functions using fuzzy inference rules. The rules are de-fuzzified after execution. After interviewing the experts, based on the degree of belonging of an element to a set in the form of the lowest (l), most probable (m) and highest (u) value, the triangular fuzzy number in the form of l, m, u for the variables is considered.

 

  1. Results

The real risk and estimated risk were recorded from the implementation of design of experiment and fuzzy inference system models in the following table.

 

The actual and adjusted values of the risk

Run

Y

  

 

run

Y

  

 

1

9

9

8

33

5

4

5

2

7

7

8

34

9

8

9

3

9

9

7

35

8

8

8

4

6

6

7

36

9

9

9

5

6

5

5

37

9

9

9

6

9

9

7

38

8

9

8

7

5

6

7

39

8

8

7

8

8

8

7

40

7

7

8

9

9

9

8

41

8

8

8

10

7

7

7

42

5

5

5

11

6

7

6

43

6

6

6

12

5

5

6

44

4

5

4

13

5

6

5

45

9

9

8

14

7

8

8

46

9

9

8

15

5

5

6

47

4

5

4

16

9

9

8

48

9

8

8

17

8

7

7

49

8

8

8

18

8

8

8

50

9

9

9

19

9

8

8

51

6

6

6

20

7

7

7

52

9

8

8

21

6

6

6

53

5

4

5

22

9

9

9

54

2

3

2

23

7

7

7

55

9

8

8

24

7

8

7

56

8

8

8

25

6

6

6

57

7

8

7

26

9

9

9

58

7

7

6

27

9

9

9

59

9

9

9

28

7

6

7

60

6

6

6

29

8

8

7

61

6

6

6

30

9

9

9

62

3

2

2

31

2

2

2

63

3

5

4

32

9

9

8

64

1

1

1

The validity of the models has been measured using the criterion RMSE according to the following equation:

Since the RMSE value of the regression model was 0.57, the fuzzy inference was 0.75, and the value of the adjusted coefficient of determination of the regression model was 91.05%, it can be concluded that there is less difference between the estimated output and the actual output and the performance of the regression method compared to inference Fuzzy system is better.

  1. Discussion

By examining the research background, it is evident that previous studies have reported one or a combination of factors that are identified in this study as influencing risk. While earlier research primarily ranked these risk factors, this study, in addition to ranking, measured the effect of these risk factors. Moreover, the severity of the effect of each factor’s effect was categorized into low, medium and high levels. Also, this study establishes a regression model to analyze the relationships between the main factors and their mutual interactions. Also, in the previous studies, methods such as fault tree analysis were used for risk analysis, but in this study, risk analysis was performed using regression model and fuzzy inference system. By Using the RMSE criterion, the validity of these models was investigated. The RMSE value of the regression model was 0.57 and for the fuzzy inference model was 0.75. The RMSE criterion for the regression model is lower than that of the fuzzy inference system, indicating that the regression model performs better. Among the factors analyzed, the contractor's financial ability, contract adjustment, employer's financial situation and financing method exhibit a high effect on risk. The advance payment variable shows an average effect intensity while the consortium member variable and the condition of machinery and equipment have a low effect on risk.

   

Conflict of interest: none

 

 

 

 

منابع و مأخذ:

Abkhoshk, E., Kor, M., & Rezai, B. (2010). A study on the effect of particle size on coal flotation kinetics using fuzzy logic. Expert Systems with applications, 37(7), 5201-5207. DOI: doi:10.1016/j.eswa.2009.12.071
Alsaedi, M., Assaf, S., Hassanain, M. A., & Abdallah, A. (2019). Factors affecting contractors’ bidding decisions for construction projects in Saudi Arabia. Buildings, 9(2), 1-13. doi:10.3390/buildings9020033
Atashgar, K. (2019). Design of Experiment and Taguchi Method (DOE). Malek Ashtar University of Technology, 1, 1-436. [In Persian].
Azimian, M., Karbasian, M., & Atashgar, K. (2021). Designing a multi-objective mathematical model for determinining the reliable suppliers of one-shot systems based on risk assessment. Production & Operations Management, 12(2), 47-70‎. [In Persian]. doi:10.22108/jpom.2021.130857.1401
Bakhtiyari Dadgar, A., & Godarzi, M. (2016).Study on approaches and kinds multi-factor constracting in term of technical, financial and the way of paying. 3rd. international conference on modern research in civil engineering, architectural & urban development, 1-15. [In Persian]. SID.https://sid.ir/paper/853995/fa
Barati, F., & Nourollah, A. (2012). Generalized Resolution and Minimum Aberration for Nonregular Fractional Factorial Designs. Andishe-ye Amari, 16(2), 15-24. [In Persian]. https://andisheyeamari.irstat.ir/article-1-126-en.html
Binshakir, O., AlGhanim, L., Fathaq, A., AlHarith, A. M., Ahmed, S., & El-Sayegh, S. (2023). Factors Affecting the Bidding Decision in Sustainable Construction. Sustainability, 15(19), 1-15. doi.org/10.3390/su151914225
Esmaeilzadeh, M., Olfat, L., & Raeesi Vanai, I. (2021). Designing and regulating supplier development systems using ANFIS and meta-heuristic algorithms in the automotive industry. Production and operation management, 12(3), 93-117.doi:10.22108/jpom.2021.129317.1383
Esmailzadeh, N., & Ramezani, SH. (2021). A criterion for selecting a two level fractional factorial design. Journal of Advance Mathematical Modeling, 11(1), 61-68. [In Persian]. doi: 10.22055/jamm.2021.29978.1731
GraphPad Statistics (2022). Effect Size in mean comparison analyzes using SPSS software. Statistical tutorials and software guides. Retrieved 01, 13, 2023. https://graphpad.ir/effect-sizes-compare-means-spss.php
Hematiyan, H., Sarreshtedar, M., & Hadipour, H. (2011). Application of RSM, F- Regression and GA for evaluating of effective factors in vehichle brake drum assembeling process. Industrial management studies, 9(23), 163-186. [In Persian]. dor:20.1001.1.22518029.1390.9.23.7.8
Jafarzadeh Ghoushchi, S., Ab Rahman, M. N., Raeisi, D., Osgooei, E., & Jafarzadeh Ghoushji, M. (2020). Integrated decision-making approach based on SWARA and GRA methods for the prioritization of failures in solar panel systems under Z-information. Symmetry, 12(2), 310. doi:10.3390/sym12020310
Kameli, M. (2014). A review of the reasons for the price fluctuations offered by bidders in order to reduce the range of price changes. The first national congress of construction engineering and evaluation of construction projects, 52-60. [In Persian]. doi:10.22054/jiee.2016.1882
Khazaeni, G., & Khazaeni, A. (2022). Successful Tendering in Public Private Partnership, Cost Opportunity Analysis. Amirkabir Civil Engineering Journal, 54(2), 395-412. [In Persian]. doi: 10.22060/ceej.2021.18845.6977
Khoshdast, H., Soflaeian, A., & Shojaei, V. (2019). Coupled fuzzy logic and experimental design application for simulation of a coal classifier in an industrial environment. Physicochemical Problems of Mineral Processing, 55(2), 504-515.doi:10.5277/ppmp18161
Mohammadzadeh, A., & Eskandari, Y. (2012). Analysis of the the barriers in the Public Sector Tenders. Quantitative Researches in Management, 3(2), 101-120. [In Persian]. SID.https://sid.ir/paper/191971/en
Montgomery, D. C. (2017). Design and analysis of experiments. John wiley & sons, 1-688.
Niewerth, S., Vogt, P., & Thewes, M. (2020). Tender evaluation through efficiency analysis for public construction contracts. Frontiers of Engineering Management, 1-11. doi:10.1007/s42524-020-0119-z
Obodo, C. E., Xie, Z., Cobbinah, B. B., & Yari, K. D. Y. (2021). Evaluating the factors affecting contractors tender for project construction: an empirical study of small scale indigenous contractors in awka, Nigeria. Open Journal of Social Sciences, 9(7), 381-397.doi:10.4236/jss.2021.97028
Oo, B. L., Lim, B. T. H., & Runeson, G. (2023). Mark-up on construction projects: what have we learnt in the last 20 years?. Engineering, Construction and Architectural Management, 30(9), 4319-4338. doi:10.1108/ECAM-01-2022-0070
Rahimi, H., & Alizade, S. (2017).Essence of Price adjustment in Construction Contracts in Iran and Fidic. Private law research, 6(21), 147-175. [In Persian]. DOI: https://doi.org/10.22054/jplr.2018.8139
Saffari, H., Atashgar, K., Abbasi, M. (2021). Robust Optimization Model for Forward/Revers Logistics Network Using Experiment Design. Journal of Strategic Management in Industerial System, 16(56), 139-160 [In Persian]. doi:10.30495/imj.2021.684245
Sarker, S., Chowdury, M. S. U., & Deb, P. (2012). Study of influencing factors of tender evaluation: an evidential reasoning approach. International Journal of Research in Computer Science, 2(5), 15-30. doi:10.7815/ijorcs.25.2012.043
Zanjirchi, S.M., Azizi, F., & Amani, M. (2017).Developing a Model for Forcasting the Success of Construction Projects Integration Taguchi Design (DOE) and TAXONOMY. Amirkabir Civil Engineering Journal, 49(1), 185-196. [In Persian]. doi:10.22060/ceej.2016.703
Zhang, Y. (2020). Construction of bid evaluation index system in government public project green procurement in China based on DS evidence theory. Sustainability, 12(2), 1-15. doi:10.3390/su12020651
متن کامل:
سنجي فرهنگ دانايي: مطالعه موردي

Vol.19, No.74, Autumn 2025                                                                Journal of Productivity Management 

 

 

 

 

 

 

 

 

 

Identifying and Evaluating Key Factors Affecting Tender Failure:

A Case Study of a Contracting Company

 

Mohammad Hossein Karimi Gavarashki*1, Karim Atashgar2,

Fateme Malekaee Ashtiyani3

(Received:2024.03.25 - Accepted:2024.04.24 )

 

 

Abstract

The goal of contractors for participating in a tender is to make profit; so, they should identify and evaluate the effective factors that contribute to the success of the tender. Hence, the purpose of this study is to identify the key factors affecting the risk of failure in design and construction tenders and to estimate the risk of failure of the tender for the contracting company. The most important factors affecting the risk of tender failure were identified by using the design of experiment method at the 95% confidence level. The risk assessment was conducted based on the records of 64 tenders in which a contracting company in Tehran participated, supplemented by the data collected through a questionnaire. The validity of the questionnaire was confirmed by experts in terms of content and form, and its reliability measured by Cronbach's alpha was 0.7463. The risk of failure was estimated by Using regression analysis method and fuzzy inference system, in Mini Tab and MATLAB software. The RMSE value of the regression model was 0.57 which is equal to 0.75 in the fuzzy inference model. By comparing this criterion across the models, the superiority of the regression model over the fuzzy inference model for estimating the risk of tender failure was observed. Among the factors affecting the risk of tender failure, the contractor's financial ability, contract adjustment, the employer's financial situation and the financing method variables have a high impact, prepayment has a moderate impact, and the consortium members' and the state of machinery and equipment have a low impact on the risk of failure.

 

Key Words: contractor, design of experiment, fuzzy inference system, regression, tender failure risk

 

 

1.       Introduction

When an organization seeks to delegate executive operations to external companies, it initiates a tendering process, inviting several contractors to enter the competition. The company that offers the best quality at the lowest cost is chosen as the winner of the tender. The purpose of contractors in participating in tenders is to compete for earning a profit. These companies strive to offer the most competitive quality and price. In order to make profit, contractor companies must identify and evaluate the key factors that influence their success in the tender process. Therefore, contractors assess the risk of failure and the profitability of a tender by analyzing the provided documents. If a tender has an acceptable risk of failure and sufficient profitability, it is justified to participate in it. A powerful technique in investigating such processes is the design of experiments, which enables identifying the variables affecting the desired quality characteristic and determine the optimal levels of these variables along with the intensity of their effect. Since uncertainty is an inseparable part of institutions, the risk of tender failure was calculated using the method of fuzzy inference system in the uncertainty space and the estimated results were compared with the actual value of the risk of tender failure in the studied company. Therefore, this research sought to answer the following question: what are the variables affecting the risk of tender failure, to what extent is the effect of these factors and how these variables relate to risk?

2.       Literature Review

A comprehensive literature review establishes the foundational framework for this study. Existing research highlights the significance of identifying and evaluating factors affecting the risk of tender failure. The review of studies shows that while various methods have been used to identify and rank the factors affecting bidding success, none has developed a model to explain how these variables are interrelated or to examine the combined effect of multiple variables on the risk of tender failure. Hence, in this research, a 95% confidence level was established using the design of experiments method to identify the factors affecting the specified risk and to develop a regression model for predicting the risk of tender failure.

3.       Methodology

Typically, risk analysis is conducted using fault tree analysis; however, in this study, the risk is estimated using the model obtained from the design of experiments combined with a fuzzy inference system.

A- Estimating the risk of tender failure from the test design method: The design of experiments method includes the following steps:

1- Selecting the factors and determining the levels of the factors.

2- Selecting the response variable.

3- Selecting the test plan.

4- Collecting data and conducting experiments.

5- Statistical analysis.

 

B-Estimating the risk of failure in the tender using the method of fuzzy inference system: In the phase of fuzzification, using the experts’ opinions, attribute functions are defined for input and output variables. The rules are obtained from the combination of the states of the variables and are converted into membership degree functions using fuzzy inference rules. The rules are de-fuzzified after execution. After interviewing the experts, based on the degree of belonging of an element to a set in the form of the lowest (l), most probable (m) and highest (u) value, the triangular fuzzy number in the form of l, m, u for the variables is considered.

 

4.       Results

The real risk and estimated risk were recorded from the implementation of design of experiment and fuzzy inference system models in the following table.

 

The actual and adjusted values of the risk

Run

Y

img0 

img0 img0

run

Y

img0 

img0 img0

1

9

9

8

33

5

4

5

2

7

7

8

34

9

8

9

3

9

9

7

35

8

8

8

4

6

6

7

36

9

9

9

5

6

5

5

37

9

9

9

6

9

9

7

38

8

9

8

7

5

6

7

39

8

8

7

8

8

8

7

40

7

7

8

9

9

9

8

41

8

8

8

10

7

7

7

42

5

5

5

11

6

7

6

43

6

6

6

12

5

5

6

44

4

5

4

13

5

6

5

45

9

9

8

14

7

8

8

46

9

9

8

15

5

5

6

47

4

5

4

16

9

9

8

48

9

8

8

17

8

7

7

49

8

8

8

18

8

8

8

50

9

9

9

19

9

8

8

51

6

6

6

20

7

7

7

52

9

8

8

21

6

6

6

53

5

4

5

22

9

9

9

54

2

3

2

23

7

7

7

55

9

8

8

24

7

8

7

56

8

8

8

25

6

6

6

57

7

8

7

26

9

9

9

58

7

7

6

27

9

9

9

59

9

9

9

28

7

6

7

60

6

6

6

29

8

8

7

61

6

6

6

30

9

9

9

62

3

2

2

31

2

2

2

63

3

5

4

32

9

9

8

64

1

1

1

The validity of the models has been measured using the criterion RMSE according to the following equation:

img0 

Since the RMSE value of the regression model was 0.57, the fuzzy inference was 0.75, and the value of the adjusted coefficient of determination of the regression model was 91.05%, it can be concluded that there is less difference between the estimated output and the actual output and the performance of the regression method compared to inference Fuzzy system is better.

5.       Discussion

By examining the research background, it is evident that previous studies have reported one or a combination of factors that are identified in this study as influencing risk. While earlier research primarily ranked these risk factors, this study, in addition to ranking, measured the effect of these risk factors. Moreover, the severity of the effect of each factor’s effect was categorized into low, medium and high levels. Also, this study establishes a regression model to analyze the relationships between the main factors and their mutual interactions. Also, in the previous studies, methods such as fault tree analysis were used for risk analysis, but in this study, risk analysis was performed using regression model and fuzzy inference system. By Using the RMSE criterion, the validity of these models was investigated. The RMSE value of the regression model was 0.57 and for the fuzzy inference model was 0.75. The RMSE criterion for the regression model is lower than that of the fuzzy inference system, indicating that the regression model performs better. Among the factors analyzed, the contractor's financial ability, contract adjustment, employer's financial situation and financing method exhibit a high effect on risk. The advance payment variable shows an average effect intensity while the consortium member variable and the condition of machinery and equipment have a low effect on risk.

 

 

Conflict of interest: none

 

 

 

 

 

 


 

 

 

 

 

 

 

 

 

 

 

شناسایی و ارزیابی عوامل مؤثر بر ریسک‌ شکست مناقصه، مطالعه موردی:

یک شرکت پیمانکاری 

 

فاطمه ملکایی آشتیانی4، محمدحسین کریمی گوارشکی5، کریم آتشگر 6

(تاریخ دریافت:06/01/1403-پذیرش نهایی:05/02/1403)

 

 

چکیده

هدف پیمانکاران از شرکت در مناقصه کسب سود می‌باشد؛ لذا می باید عوامل مؤثر موفقیت مناقصه را شناسایی و ارزیابی نمایند. هدف این مطالعه شناسایی عوامل ‌مؤثر بر ریسک ‌شکست در‌ مناقصه‌های طرح و ساخت و برآورد ریسک شکست مناقصه برای شرکت پیمانکاری هست. با‌ استفاده‌ از روش ‌طراحی ‌آزمایش‌ها، مهم‌ترین عوامل ‌مؤثر بر ریسک ‌شکست ‌در‌ مناقصه در سطح اطمینان 95% شناسایی‌شده‌ است و با استفاده از سوابق 64‌ ‌مناقصه‌ای که‌ یک ‌شرکت ‌پیمانکاری در شهر تهران حضورداشته است، ریسک با استفاده از پرسشنامه استخراج‌شده ‌است. روایی پرسشنامه ازنظر محتوا و صوری مورد تأیید خبرگان هست و پایایی آن بر اساس آلفای کرونباخ برابر با 0.7463 به‌دست‌آمده است. با ‌استفاده از روش تحلیل‌ رگرسیون و سیستم‌ استنتاج‌ فازی‌ ریسک با استفاده از نرم‌افزارهای مینی تب و متلب برآورد ‌شده‌ است. مقدار RMSE مدل ‌رگرسیونی برابر ‌با 0.57 و این‌ مقدار برای مدل ‌استنتاج ‌فازی برابر با 0.75 هست، با مقایسه این ‌معیار در ‌مدل‌ها، برتری مدل رگرسیونی نسبت به مدل استنتاج‌ فازی برای برآورد ریسک ‌شکست ‌مناقصه به دست‌ می‌آید. از میان عوامل مؤثر بر ریسک شکست مناقصه، متغیرهای توان‌ مالی ‌پیمانکار، تعدیل، وضعیت ‌مالی‌ کارفرما و روش ‌تأمین ‌مالی دارای شدت ‌اثر زیاد، متغیر پیش‌پرداخت دارای شدت ‌اثر متوسط و متغیر اعضا کنسرسیوم و وضعیت ‌ماشین‌آلات و تجهیزات دارای شدت‌ اثر کم بر ‌روی ریسک می­باشند.

 

واژه­های کلیدی: پیمانکار، رگرسیون، ریسک شکست مناقصه، سیستم استنتاج فازی، طراحی آزمایش.

 

 

 

مقدمه

وقتی سازمانی می‌خواهد سایر شرکت‌ها کاری را برای آن انجام دهند، آن کار را به مناقصه می‌گذارد و چندین پیمانکار وارد رقابت می‌شوند و آن شرکتی که بتواند بهترین کیفیت و کمترین هزینه را ارائه نماید به‌عنوان برنده مناقصه انتخاب می‌شود. هدف پیمانکاران از حضور در‌ مناقصات، رقابت برای‌ کسب سود هست، این شرکت­ها درصدد ارائه پیشنهادی با بهترین کیفیت و قیمت هستند، شرکت‌های پیمانکار برای کسب سود می‌باید عوامل مؤثر در موفقیت مناقصه را شناسایی و ارزیابی نمایند، لذا ریسک‌ شکست و سودآوری مناقصه را با تحلیل ‌مستندات‌ ‌ارزیابی  می‌کنند، اگر انجام یک‌ معامله دارای ریسک ‌شکست قابل‌قبول و سودآوری کافی باشد، حضور در‌ مناقصه توجیه دارد(خزائنی و خزائنی،1401). یک‌ ابزار قوی در بررسی ‌فرآیندها، طراحی ‌آزمایش­ها است. با این روش می­توان متغیرهای تأثیرگذار بر مشخصه کیفی موردنظر را شناسایی نمود و سطوح ‌بهینه به همراه شدت اثر عوامل را مشخص کرد(مونتگومری7،2017)

در‌ قراردادهای طرح ‌و ساخت، کارفرما برای اجرا خدمات با یک پیمانکار قرارداد منعقد می­کند و پیمانکار نیز با یک طراح، قراردادی منعقد می­کند و تشکیل یک کنسرسیوم می‌دهند(بختیاری دادگر و گودرزی،1390). با بررسی موانع برگزاری مناقصه‌ها، ارکان مؤثر در ‌برگزاری مناقصه به شرح منابع‌ مالی پروژه، ثبات ‌رویه در ‌هزینه‌کرد اعتبارات، رقابت‌پذیری هست(محمدزاده و اسکندری،1391). با بهره‌مندی از روش ‌تصمیم‌گیری ‌چند‌معیارِ، عوامل‌ مؤثر برگزاری‌ مناقصه در بنگلادش مورد ‌ارزیابی قرارگرفته شده ‌است و نتایج نشان‌می‌دهد که‌ سوابق ‌اجرایی، تجربه‌ کاری و دانش ‌فنی ‌شرکت‌کنندگان در ارزیابی ‌شرکت‌کنندگان مؤثر می‌باشند(سرکر8 و همکاران،2012). در تحقیقی ‌دیگر، علل اختلاف قیمت شرکت‌کنندگان با مناقصه‌گزار نظر‌سنجی ‌شده ‌است و مهم‌ترین‌ عوامل به شرح دانش ‌فنی، گردش ‌مالی، حسن سابقه ‌اجرایی، استعداد ‌تجهیزاتی و ماشین‌آلاتی می‌باشند (کاملی،1393). نتایج مطالعات نشان می‌دهد که یکی ‌از روش‌های به حداقل رساندن خطر ناشی از نوسان قیمت، نظام تعدیل قیمت قرارداد هست(رحیمی و علیزاده،1395). مطالعه‌ای با تلفیق تکنیک طراحی آزمایش‌های تاگوچی و تاکسونومی خاکستری برای پیش‌بینی موفقیت پروژه‌های عمرانی انجام‌شده است و نتایج نشان ‌می‌دهد که پیش‌پرداخت بسیار اهمیت دارد(زنجیرچی و همکاران،1396). با بررسی مطالعات، عوامل ‌مؤثر بر پیشنهادهای ارائه‌شده ‌پیمانکاران در مناقصه‌های ‌عربستان شناسایی‌شده ‌است، مبلغ‌ پروژه، نوع ‌کار، توان ‌مالی پیمانکار و کارفرما، دانش ‌فنی پیشنهاد دهنده از مهم‌ترین عوامل برای ارزیابی پیشنهاد مناقصه گران می‌باشند(السعیدی و همکاران9، 2019) در مطالعه‌ای با ‌استفاده از روش ‌تحلیل ‌پوششی ‌داده‌ها، عوامل مؤثر بر ارزیابی مناقصه گران‌ تعیین شد و نتایج نشان داد که قیمت پیشنهادی، توان ‌مالی شرکت‌ مناقصه‌گر و ریسک‌های محیطی بر انتخاب شرکت‌کنندگان در مناقصه مؤثر می‌باشند(نیورث و همکاران10، 2020). ارزیابی شرکت‌کنندگان در مناقصه‌های ‌چین با استفاده از روش AHPانجام‌شده است و عوامل ‌مؤثر ‌ارزیابی به شرح بررسی شرایط ‌‌فنی، مالی و فنّاوری به‌روز می‌باشند(ژانگ11،2020). ارزیابی مناقصه گران نیجریه با استفاده از روش­های‌ آماری بررسی‌شده ‌است، توان‌ مالی، دانش ‌فنی، ریسک ‌پروژه و وضعیت‌ پیمانکار نسبت به سایر‌ رقبا به‌عنوان متغیرهای‌ مؤثر شناسایی‌شده ‌است(ابدو و همکاران12،2021). علل افزایش قیمت پروژه در زمان مناقصه با استفاده از روش‌های آماری بررسی شده است و نتایج نشان می‌دهد که رقابت‌پذیری مناقصه‌گران، تعداد مناقصه گران، تجربه گذشته با مشتری، تجربه در پروژه مشابه و اندازه پروژه در ارزیابی قیمت پیشنهادی در زمان مناقصه مؤثر می‌باشند(او و همکاران13،2023). در مطالعه‌ای مهم‌ترین عوامل مؤثر بر تصمیم‌گیری در مناقصه ساخت‌وساز با استفاده از تحلیل کیفی و کمی در امارات متحده عربی شناسایی‌شده است. با انجام یک نظرسنجی بین متخصصان ساخت، اهمیت عوامل تصمیم‌گیری در مناقصه مشخص شد و نتایج نشان داد که توانایی‌های مالی، سابقه پرداخت و شهرت مشتری، ریسک‌های پروژه، توانایی‌های مالی پیمانکار، پیچیدگی پروژه، تجربه در پروژه‌های مشابه، نوع پروژه و دسترسی پیمانکار به فناوری‌های جدید هستند(بنشاکر و همکاران14، 2023). خلاصه مطالعات انجام‌شده مطابق با جدول1 هست.

 

 

 

 

 

 

 

 

 

 

 

جدول1: خلاصه مطالعات انجام شده

Table 1. Summary of conducted studies

ردیف

عنوان تحقیق

سال

محقق

نتایج

1

بررسی روش‌ها و انواع قراردادهای چندعاملی اجرای پروژه‌های عمرانی به لحاظ فنی، مالی و نحوه پرداخت

1390

بختیاری دادگر

گودرزی

طبق نتایج به‌دست‌آمده، روش‌های خود اجرا، مدیریت ساخت(4عاملی)، سه عاملی و طرح و ساخت معمول‌ترین روش‌های اجرا پروژه می‌باشند.

2

تحلیل موانع اجرای قانون برگزاری مناقصات در بخش دولتی

1391

محمدزاده

اسکندری

مهم‌ترین موانع برگزاری مناقصه با استفاده از روش AHP به 20 معیار مؤثر بر عدم اجرای کارآمد قانون مناقصات شناسایی و اولویت‌بندی شده است.

3

Study of Influencing Factors of Tender Evaluation: An Evidential Reasoning Approach

2012

سرکر و همکاران

نتایج نشان می‌دهد که عوامل تأثیرگذار انتخاب برنده مناقصه در بنگلادش به شرح سوابق ‌اجرایی، تجربه‌ کاری و دانش ‌فنی ‌شرکت‌کنندگان در‌ زمان مناقصه ‌توسط مناقصه گزار می‌باشند.

4

مروری بر علل اختلاف قیمت‌های پیشنهادی مناقصه گران با یکدیگر به‌منظور کاهش تغییرات قیمت

1393

کاملی

مهم‌ترین‌ عوامل اختلاف قیمت پیشنهادی در ‌زمان ‌مناقصه شامل دانش ‌فنی، گردش ‌مالی، حسن سابقه ‌اجرایی، ‌تجهیزات و ماشین‌آلاتی می‌باشند.

5

ماهیت و مبنای تعدیل در حقوق ایران و تعدیل

1395

رحیمی،

علیزاده

تعدیل قیمت برای حداقل رساندن ریسک تغییرات قیمت‌ قراردادهای داخلی و خارجی، مفید است.

6

ارائه الگویی برای پیش‌بینی میران موفقیت پروژه‌های عمرانی با تلفیق تکنیک طراحی آزمایش‌های تاگوچی و تاکسونومی خاکستری

1396

زنجیرچی

و همکاران

با استفاده از روش تاکسونومی خاکستری، پیشرفت پروژه‌های عمرانی پیش‌بینی‌شده است و پیش‌پرداخت وزن ‌بیشتری نسبت‌ به سایر عوامل مؤثر بر پیشرفت پروژه‌های عمرانی دارند

7

Factors Affecting Contractors’ Bidding Decisions for Construction Projects in Saudi Arabia

2019

السعیدی

و همکاران

مبلغ‌ پروژه، نوع ‌کار، توان ‌مالی، دانش ‌فنی و وضعیت ‌مالی ‌کارفرما، مهم‌ترین عوامل ‌مؤثر برای ارائه پیشنهاد پیمانکاران در ‌مناقصه‌های پروژه‌های ساختمانی در عربستان صعودی می‌باشند.

8

Tender Evakuation through Efficiency Analysis for Public Construction Contracts

2020

نیورث

و همکاران

عوامل مؤثر ارزیابی مناقصه گران با روش تجزیه‌وتحلیل پوششی داده‌ها شناسایی‌شده است و نتایج نشان می‌دهد که قیمت پیشنهادی، توان ‌مالی مناقصه‌گر و ریسک‌های محیطی بر انتخاب شرکت‌کنندگان مؤثر می‌باشند.

9

Construction of Bid Evaluation Index System in Government Public Project Green Procurement in China Based on D-S Evidence Theory

2020

ژانگ

عوامل مؤثر ارزیابی مناقصه گران در چین شناسایی‌شده است، با استفاده از روش Dempster-Shafer و AHP وزن شاخص‌ها مشخص‌شد و مهم‌ترین عوامل به شرح شرایط فنی، مالی و فناوری به‌روز پیمانکاران هست.

10

Evaluating the Factors Affecting Contractors Tender for Project Construction: An Emprical Study of Small Scale Indigenous Contractors in Awka, Nigeria

2021

ابدو و همکاران

عوامل مؤثر ارزیابی مناقصه گران با استفاده از پرسشنامه و روش آماری به شرح توان‌ مالی، دانش ‌فنی، ریسک ‌پروژه و وضعیت‌ پیمانکار نسبت به سایر‌ رقبا شناسایی‌شده ‌است.

11

Mark-up on construction projects: what have we learnt in the last 20 years?

2023

او و همکاران

عوامل اصلی تغییر قیمت پروژه در زمان مناقصه عبارت‌اند از رقابت‌پذیری مناقصه گران، تعداد مناقصه گران، رابطه و تجربه گذشته با مشتری، تجربه در پروژه مشابه و اندازه پروژه.

12

Factors Affecting the Bidding Decision in Sustainable Construction

 

2023

بنشاکر

و همکاران

نتایج نشان داد که توانایی مالی، سابقه پرداخت، شهرت مشتری، ریسک‌های پروژه، توانایی مالی پیمانکار، پیچیدگی پروژه، تجربه در پروژه‌های مشابه، نوع پروژه و دسترسی پیمانکار به فناوری‌های جدید در ارزیابی مناقصه گران مؤثر است.

 

بررسی مطالعات نشان ‌می‌دهد که عوامل مؤثر ارزیابی در زمان مناقصه با روش‌های مختلفی شناسایی و رتبه‌بندی شده‌اند ولی در هیچ‌یک از آن مطالعات مدلی برای نحوه ارتباط متغیرها با ریسک شکست مناقصه و اثر هم‌زمان متغیرها بر ریسک شکست مناقصه بررسی نشده است؛ لذا در‌ این‌ پژوهش در سطح ‌اطمینان 95% با ‌استفاده از روش ‌طراحی ‌آزمایش­ها، عوامل‌ مؤثر بر ریسک مشخص‌شده‌ و یک‌ تابع ‌رگرسیونی برای ریسک‌ شکست ‌مناقصه طراحی‌ شده است. ازآنجایی‌که عدم ‌قطعیت جزء جدانشدنی نهادها هست، ریسک ‌شکست مناقصه با روش سیستم ‌استنتاج فازی در فضای عدم ‌قطعیت نیز محاسبه‌شده است و نتایج برآوردی‌ مدل‌ها با مقدار ‌واقعی ریسک ‌شکست‌ مناقصه در شرکت‌ موردمطالعه مقایسه ‌شده است. بنابراین این پژوهش به دنبال پاسخ‌گویی به این سؤال است که متغیرهای مؤثر بر ریسک شکست مناقصه چیست و شدت اثر این عوامل و نحوه رابطه این متغیرها با ریسک به چه میزان است؟ مدل مفهومی پژوهش برابر با شکل1 است.

 

img0 

شکل1:مدل مفهومی پژوهش

 Figure1: Conceptual model of research

 

ابزار و روش

معمولاً تحلیل ریسک با استفاده از روش­ تحلیل‌ درخت خطا و... مورد بررسی قرار‌ می‌گیرد (عظیمیان و همکاران،1400)، ولی در این‌ مطالعه، ریسک با ‌استفاده از مدل ‌حاصل از روش طراحی‌ آزمایش‌ها و استنتاج‌ فازی برآورد‌ شده ‌است.

الف- برآورد ریسک‌ شکست مناقصه از روش‌ طراحی آزمایش‌ها: روش طراحی ‌آزمایش­ها شامل مراحل زیر هست:

1)       انتخاب ‌عوامل و تعیین سطوح ‌عوامل.

2)       انتخاب ‌متغیر ‌پاسخ.

3)       انتخاب‌ طرح ‌آزمایش.

4)       گردآوری داده‌ها و انجام ‌آزمایش­ها.

5)       تجزیه‌وتحلیل ‌آماری.

 

1- انتخاب عوامل و تعیین سطوح عوامل: عوامل‌ مؤثر پیشنهادی بر ریسک ‌شکست ‌مناقصه با استفاده از مرور ادبیات به شرح زیر هست  و نمادهای A تا M برای عوامل‌ و عددهای 1- و 1 برای سطوح عوامل به‌صورت دلخواه در جدول2 تعریف‌شده است.

الف)روش‌ تأمین ‌مالی: ‌روش ‌تأمین ‌مالی پروژه‌ها به‌صورت نقدی یا غیر نقد برنامه‌ریزی‌ می‌شود.

ب)توان ‌مالی‌ پیمانکار: توان ‌مالی‌ ‌با بررسی تراز مالی به‌صورت تراز مثبت یا منفی تقسیم‌ می‌شود.

ج)رقبای شرکت‌کننده:‌ رقبای حاضر، به‌صورت بالاتر و هم‌سطح یا پایین‌تر از آن شرکت تقسیم‌ می­شوند.

د)تعدیل: کارفرما می­تواند قیمت پروژه را با در نظر گرفتن تعدیل یا بدون آن ارائه‌ نماید.

ه)روش پیشنهاد قیمت: پیمانکار برای ‌پیشنهاد قیمت، از روش­ مقایسه یا تفصیلی استفاده‌ می­کند.

و)دانش فنی: پیمانکار در رابطه با موضوع‌ مناقصه، دانش ‌فنی لازم را دارد یا ندارد.

ز)مکان پروژه: پیمانکار در‌آن مکان، پروژه‌ای اجرا کرده است یا برای اولین بار قصد اجرای پروژه را دارد.

ح)بازدید از محل ‌پروژه: پیمانکار ممکن است از محل‌ پروژه بازدید داشته یا نداشته ‌باشد.

ط)ماشین‌آلات و تجهیزات: ماشین‌آلات و تجهیزات ‌پیمانکار به‌صورت ملکی یا استیجاری هست.

ی)وضعیت‌ مالی ‌کارفرما: وضعیت ‌مالی ‌کارفرما به‌صورت مطلوب یا نامطلوب دسته‌بندی‌ می‌شود.

ک)پیش‌پرداخت: پروژه در ‌زمان ‌مناقصه می­تواند دارای پیش‌پرداخت یا بدون‌ پیش‌پرداخت باشد.

ل)اعضای کنسرسیوم: اعضا می­توانند دارای وحدت رویه باشد یا شناخت‌ از کار همدیگر نداشته‌ باشند.

جدول2: کد سطح عوامل

Table2. Code Levels of factors

نماد متغیر

نام عامل

سطح عامل

نماد

متغیر

نام عامل

سطح عامل

کد

A

 

تعدیل

تعدیل دارد

G

وضعیت مالی کارفرما

مطلوب

-1

تعدیل ندارد

نامطلوب

1

B

روش‌پیشنهاد ‌قیمت

روش مقایسه‌ای

H

پیش

‌پرداخت

پیش‌پرداخت دارد

-1

روش تفصیلی

پیش‌پرداخت ندارد

1

C

دانش فنی

تجربه کاری دارد

J

اعضای کنسرسیوم

اعضا کنسرسیوم هم‌راستا

-1

تجربه کاری ندارد

عدم شناخت از اعضا کنسرسیوم

1

D

مکان پروژه

در آن مکان قبلاً پروژه اجراشده است

K

روش‌تامین ‌مالی

روش نقد

-1

برای بار اول در منطقه حضور دارد

روش‌غیر‌نقد

1

E

بازدید از محل پروژه

از محل پروژه بازدید شده است

L

رقبا شرکت‌کننده

بالاتر و هم‌سطح

-1

از محل پروژه بازدید نشده است

پایین‌تر

1

F

ماشین‌آلات و تجهیزات

ماشین‌آلات و تجهیزات‌ملکی

M

توان مالی پیمانکار

تراز مثبت

-1

ماشین‌آلات و تجهیزات استیجاری

تراز منفی

1

 

2- انتخاب متغیر ‌پاسخ: ریسک ‌شکست‌ مناقصه به‌عنوان متغیر پاسخ با Y نمایش ‌داده‌شده ‌است و بر اساس نتایج حاصل از مناقصه‌های برگزارشده به‌صورت خیلی کم تا خیلی زیاد به‌صورت کیفی می­باشند و با ‌استفاده از طیف لیکرت به متغیر کمی طبق جدول3 تبدیل‌شده است.

 

جدول3: طیف لیکرت برای متغیر ریسک

Table 3. Likert scale for the variables of risk

 سطح‌

ریسک

خیلی کم

خیلی کم تا کم

کم

کم تا متوسط

متوسط

متوسط تا زیاد

زیاد

زیاد تا خیلی زیاد

خیلی زیاد

مقدار

1

2

3

4

5

6

7

8

9

 

3- انتخاب ‌طرح آزمایش: در طرح‌هایی که k عامل وجود دارد و هر عامل دوسطح دارند و مطالعه هم‌زمان عوامل ضروری ‌است، تکرار کامل آزمایش‌ها نیاز بهimg0 مشاهده دارد که آن را طرح عاملی کامل می­نامند(همتیان و همکاران،1390). زمانی که تعداد عوامل افزایش می‌یابد، از طرح ‌عاملی ‌کسری که دارای تعداد اجرای کمتری نسبت به مجموعه کامل است، استفاده ‌می­شود(صفاری و همکاران،1398). طرح ‌عاملی کسری متکی بر اصل سلسله‌ مراتبی ‌اثرات است و کسری که توانایی برآورد اثرات مرتبه ‌پایین را داشته باشد، انتخاب می‌شود(اسمعیل زاده و رمضانی،1400). اثرات مرتبه ‌پایین اهمیت بیشتری نسبت به اثرات ‌بالاتر دارند و اثرات هم‌مرتبه از اهمیت یکسانی برخوردار می‌باشند. یک طرح عاملی کسریimg0 بر اساس معیار حداکثر وضوح انتخاب می‌شود(براتی و نوراله،1391). این ‌پژوهش دارای 12عامل دوسطحی است، اگر کلیه حالت­ در نظر گرفته ‌شود 4096 (img0) آزمایش موردنیاز است. ازآنجایی‌که انجام این تعداد آزمایش زمان­بر است، کسری از کل آزمایش‌ها انجام می‌شود. برنامه مینی تب امکان طراحی‌ این آزمایش­ها را با وضوح 3 و 4 دارا است. با توجه به معیار حداکثر وضوح، وضوح 4 با اعمال کسرimg0از کل آزمایش‌ها با انجام 64 آزمایش (img0)، انجام می‌شود. بخشی از طرح ‌آزمایش ارائه‌شده توسط نرم‌افزار در جدول4 نمایش ‌داده‌شده ‌است.

 

جدول4. بخشی از طرح آزمایش

 Table 4. A part of design of experiment

ردیف

A

B

C

D

E

F

G

H

J

K

L

M

        1

1

-1

1

1

-1

-1

1

1

-1

1

-1

1

 

4- گرد‌آوری داده‌ها و انجام‌ آزمایش‌ها: پرسشنامه‌ای مبتنی بر طرح آزمایش با پرسش نظر 14 خبره باسابقه کاری بالای 8 سال در یک شرکت پیمانکاری در تهران مطابق با جدول5 تکمیل‌شده است. مقدار ریسک شکست مناقصه طبق جدول3 مشخص‌شده است. هر آزمایش 14 بار تکرار شده است و نتایج پس از میانگیری در جدول7 درج‌شده است. نمونه سؤال پرسشنامه به همراه میانگین پاسخ خبرگان به شرح جدول6هست.

 

جدول5. اطلاعات خبرگان

 Table5. Expert Information

پست سازمانی

سابقه کار

تعداد

پست سازمانی

سابقه کار

تعداد

معاون هماهنگی

30

1

مدیر پروژه

13،12،10،17،21

5

معاون توسعه طرح‌ها

25

1

مدیر مناقصه

10

1

معاون اجرا

30

1

کارشناس ارزیابی اسنادکیفی

,8 9

2

معاون توسعه مدیریت منابع

28

1

کارشناس ارزیاب قیمت

9,8

2

جدول6. نمونه سؤال پرسشنامه و پاسخ ‌آن

Table6. A sample of questionnaire and corresponding respons

ردیف

A

B

C

D

E

F

G

H

J

K

L

M

Y

1

1

-1

1

1

-1

-1

1

1

-1

1

-1

1

9

اگر مناقصه تعدیل نداشته باشد، روش ‌پیشنهاد ‌قیمت پیمانکار مقایسه‌ای باشد، پیمانکار دانش فنی قبلی نداشته باشد، پیمانکار در مکان این ‌پروژه برای اولین بار قصد حضور در ‌منطقه را داشته باشد، پیمانکار از محل ‌پروژه بازدید ‌داشته است، ماشین‌آلات و تجهیزات پیمانکار به‌صورت ملکی باشد، وضعیت مالی کارفرما نامطلوب باشد، پروژه پیش‌پرداخت نداشته باشد، اعضا شرکت‌کننده در کنسرسیوم باهمدیگر هم‌راستا باشند، روش‌ تامین‌مالی ‌پروژه غیر نقدی باشد، سایر ‌‌رقبا شرکت‌کننده در مناقصه از شرکت پیمانکاری مذکور بالاتر و هم‌سطح با آن باشند و توان‌مالی پیمانکار دارای تراز منفی باشد، آنگاه طبق نظر خبرگان میزان ریسک شکست در مناقصه خیلی زیاد است.

 

 

جدول7: طرح آزمایش و مقدار ‌واقعی ریسک

 Table7. Design of experiments & the real value of risk

اجرا

A

B

C

D

E

F

G

H

J

K

L

M

Y

1

1

-1

1

1

-1

-1

1

1

-1

1

-1

1

9

2

-1

-1

1

-1

-1

-1

1

1

-1

1

-1

-1

7

3

1

-1

-1

-1

-1

1

1

1

-1

1

-1

-1

9

4

1

-1

1

-1

-1

-1

-1

1

1

-1

-1

-1

6

5

-1

1

-1

1

1

1

-1

-1

1

1

1

-1

6

6

-1

1

-1

1

1

-1

1

1

1

1

1

1

9

7

-1

1

-1

1

-1

1

-1

-1

1

1

-1

1

5

8

-1

1

-1

1

-1

-1

1

1

1

1

-1

-1

8

9

-1

-1

1

1

-1

-1

1

-1

1

1

1

1

9

10

-1

-1

-1

-1

1

-1

1

-1

1

-1

1

-1

7

11

1

-1

-1

1

-1

-1

1

-1

1

-1

-1

-1

6

12

-1

1

-1

-1

-1

1

-1

1

-1

1

1

-1

5

13

-1

1

1

1

1

-1

-1

1

-1

1

-1

-1

5

14

1

-1

1

-1

1

-1

-1

1

1

-1

1

1

7

15

-1

1

1

-1

-1

-1

-1

-1

1

1

-1

-1

5

16

1

-1

-1

-1

-1

-1

-1

-1

-1

1

-1

1

9

17

1

-1

1

-1

1

1

1

-1

1

-1

1

-1

8

18

-1

1

1

1

-1

-1

1

-1

-1

-1

-1

1

8

19

1

1

-1

-1

-1

1

-1

-1

1

1

-1

-1

9

20

1

1

1

1

1

-1

-1

-1

1

1

1

-1

7

21

-1

1

1

1

1

-1

1

-1

-1

-1

1

-1

6

22

1

1

1

1

1

1

1

1

1

1

1

1

9

23

1

1

-1

1

-1

-1

1

-1

-1

1

1

-1

7

24

-1

1

-1

1

1

1

1

1

1

-1

-1

-1

7

25

1

-1

-1

-1

1

-1

-1

-1

-1

1

1

-1

6

26

1

1

-1

1

1

-1

1

-1

-1

1

-1

1

9

27

1

-1

1

1

1

-1

1

1

-1

1

1

-1

9

28

1

-1

1

1

-1

1

1

1

-1

-1

1

-1

7

29

1

1

1

-1

1

1

1

-1

-1

1

-1

-1

8

30

1

1

-1

-1

-1

-1

1

1

1

1

-1

1

9

31

-1

-1

-1

1

-1

-1

-1

-1

-1

1

-1

-1

2

32

1

-1

-1

1

1

-1

-1

1

1

1

-1

1

9

33

1

-1

1

1

1

-1

-1

-1

-1

-1

-1

-1

5

34

1

-1

-1

-1

1

1

1

1

-1

1

1

1

9

35

1

-1

-1

1

1

1

1

-1

1

1

-1

-1

8

36

1

1

1

-1

-1

1

1

-1

-1

1

1

1

9

37

1

-1

-1

1

-1

1

-1

1

1

-1

-1

1

9

38

1

-1

-1

1

-1

1

1

-1

1

1

1

1

8

39

1

1

-1

1

1

-1

-1

1

-1

-1

1

1

8

40

1

1

-1

-1

1

1

-1

-1

1

1

1

1

7

41

-1

1

1

1

-1

1

1

-1

-1

1

1

-1

8

42

-1

-1

1

-1

1

-1

-1

-1

-1

-1

-1

1

5

43

1

-1

-1

1

1

1

-1

1

1

-1

1

-1

6

44

-1

-1

1

1

1

-1

-1

1

1

-1

1

-1

4

45

-1

1

-1

-1

1

-1

1

-1

-1

1

-1

-1

9

46

1

-1

1

1

1

1

-1

-1

-1

1

1

1

9

47

-1

-1

-1

1

-1

-1

1

1

-1

-1

1

-1

4

48

-1

-1

1

-1

1

-1

1

1

-1

1

1

1

9

49

-1

-1

-1

-1

-1

1

1

-1

1

1

1

-1

8

50

-1

1

1

-1

1

-1

1

1

1

-1

-1

1

9

51

-1

-1

1

1

-1

-1

-1

1

1

-1

-1

1

6

52

-1

-1

-1

-1

-1

-1

1

-1

1

-1

-1

1

9

53

1

1

-1

1

-1

-1

-1

1

-1

-1

-1

-1

5

54

-1

-1

1

-1

1

1

-1

-1

-1

1

1

-1

2

55

-1

-1

-1

1

-1

1

1

1

-1

1

-1

1

9

56

-1

1

1

-1

-1

-1

1

1

1

-1

1

-1

8

57

-1

-1

1

1

1

-1

1

-1

1

1

-1

-1

7

58

-1

-1

1

-1

1

1

1

1

-1

-1

-1

-1

7

59

-1

1

1

1

1

1

1

-1

-1

1

-1

1

9

60

-1

-1

-1

-1

1

1

-1

1

1

-1

1

1

6

61

1

1

1

-1

-1

-1

-1

1

-1

1

1

-1

6

62

-1

-1

-1

1

1

1

-1

-1

-1

-1

-1

-1

3

63

-1

1

1

1

-1

1

-1

1

-1

-1

-1

-1

3

64

-1

-1

1

-1

-1

-1

-1

-1

-1

-1

1

-1

1

 

 

روایی پرسشنامه ازنظر محتوا و صوری مورد تأیید خبرگان هست. پایایی پرسشنامه از روش ‌آلفای‌کرونباخ بررسی‌شده است. این مقدار طبق شکل2 برابر با 0.7463 هست و ازآنجایی‌که از 0.7 بیشتر است، پایایی پرسشنامه قابل‌قبول هست.

 

 

img0 

شکل2:آلفا کرونباخ

 Figure2: Cronbachs Alpha

 

5-تجزیه‌وتحلیل آماری: قبل از بررسی مدل بررسی می شود که خطاهای ناهمبسته با میانگین صفر و واریانس برابر هستند و از توزیع نرمال پیروی می‌کنند. برای بررسی نرمال بودن جملات خطا از آزمون Ryan-Joiner استفاده‌شده است که در نرم‌افزار مینی تب، این آزمون معادل Shapiro-Wilk هست. مطابق با شکل3 مقدار P-value برابر با 0.080 هست و از 0.05 بزرگ‌تر است، لذا خطا در سطح اطمینان 95 درصد، نرمال می‌باشد. برای بررسی واریانس همسان بودن خطا از رسم نمودار خطا در مقابل مقدار برازش شده متغیر پاسخ مطابق شکل4 استفاده می‌شود، ازآنجایی‌که خطا حول خط صفر دارای پراکندگی غیرطبیعی می‌باشد، می‌توان نتیجه گرفت که خطا دارای واریانس همسان می‌باشد. طبق شکل5 خطا از الگوی خاصی پیروی نمی‌کند و به‌صورت تصادفی حول میانگین توزیع‌شده‌است.

 

.img0

شکل 3: نمودار ‌احتمال‌ نرمال

Figure3: Plot of normal probability

 

img0img0 

 

 

 

 

 

 

 

 

شکل4. نمودار پراکندگی خطا در مقابل مقدار برازش شده                   شکل5. نمودار جملات خطا در مقابل زمان

Figure5: Plot of error versus time Figure4: Plot of error versus fitted value

 

برای بررسی استقلال و ناهمبسته بودن خطا از آماره دوربین واتسون استفاده می‌شود، اگر مقدار آماره دوربین واتسون بین 1.5 تا 2.5 قرار بگیرد، خطا مستقل خواهند بود. مقدار آماره دوربین واتسون طبق نتیجه نرم‌افزار مطابق شکل6 عدد 1.55 محاسبه می‌شود، لذا ناهمبسته بودن خطا مورد تأیید است.

 

img0 

شکل 6. مقدار آماره دوربین واتسون

Figure6: Durbin-Watson Statistic

 

برای بررسی کفایت مدل از ضریب تعیین و ضریب تعیین تعدیل‌شده، استفاده می‌شود. طبق نتایج نرم‌افزار مطابق شکل7 ضریب تعیین و ضریب تعیین تعدیل‌شده به ترتیب برابر با92.76و 91.05 است. مدل با استفاده از متغیرهای مستقل، توانسته است 91.05 درصد تغییرات ریسک شکست در مناقصه را توضیح دهد.

 

img0 

شکل7. مقدار ضریب تعیین تعدیل‌شده

Figure7: R-sq and R-sq (adjusted)

آزمون مؤثر بودن عوامل در سطح اطمینان 95%، بافرض‌صفر اینکه سطوح عامل i اثر یکسانی بر روی میانگین متغیر پاسخ دارد تعریف می‌شود. زمانی‌که تعداد عوامل‌ مورد بررسی بیشتر از 3 ‌باشد، طبق اصل تنگ بودن، آن سیستم فقط تحت تأثیر اثرات ‌اصلی و متقابل رتبه ‌پایین هست و اثرات مرتبه بالا قابل‌اغماض است(آتشگر،1398). برای تحلیل ‌مدل از شاخص‌های مجموع ‌مربعات ‌تعدیل‌شده‌ منابع (Adj SS)15، میانگین ‌مربعات ‌تعدیل‌شده‌ منابع (Adj MS)16 و آماره F استفاده‌ می‌شود. مجموع مربعات ‌تعدیل‌شده و میانگین ‌مربعات ‌تعدیل‌شده‌ منابع برای سنجش میزان تغییرات مدل بر اساس تغییر منبع موردنظر بدون در نظرگیری ترتیب ورود منابع به ‌مدل استفاده می‌شود. به نسبت مجموع مربعات تعدیل‌شده منابع به درجه ‌آزادی منابع، میانگین مربعات تعدیل‌شده گفته می‌شود و مقدار ‌آماره F از تقسیم میانگین مربعات تعدیل‌شده هر منبع بر میانگین مربعات تعدیل‌شده خطا به دست می‌آید.

 تجزیه‌ و تحلیل واریانس مدل پژوهش با در نظر گرفتن اثرات ‌اصلی و متقابل دوطرفه     عوامل در شکل8 نمایش داده‌شده است. فرض صفر برای متغیری که مقدار ‌F-Value در          شکل8 از مقدار بحرانیimg0 بزرگ‌تر باشد رد است. برای M,K,J,H,G,F,A,KM,JM,GM,DL,CD,AG,AB شاهدی برای پذیرش فرض صفر وجود ندارد،  لذا در سطح اطمینان 95 درصد فقط تغییر سطوح عامل‌های M,K,J,H,G,F,A,KM,JM,GM,DL,CD,AG,AB بر ریسک ‌شکست‌ ‌مناقصه تأثیر‌ محسوسی دارند.

img0 

شکل8:تجزیه‌وتحلیل ‌واریانس

Figure8: Analysis of variance

در صورت رد فرض صفر، شاخص"شدت اثر" مورداستفاده ‌قرارمی‌گیرد، به‌وسیله این ‌شاخص میزان تأثیر عامل بر روی میانگین متغیر پاسخ مشخص می‌شود، هرچه اثر عامل بزرگ‌تر باشد، تغییر سطوح آن ‌عامل تأثیر بیشتری بر میانگین متغیر پاسخ دارد. طبق روابط 1 و 2 اثر‌ عوامل با روش کوهن محاسبه می­گردد.

 

 

رابطه(1)

 

img0 

رابطه(2)

img0 

 

درازای کاهش تعداد آزمایش‌ها به 64 آزمایش با درنظر گرفتن طرح جداسازی 4،اثرات مستعار در مدل به وجود می آید، به طوریکه هر اثر دارای یک هم اثر می‌شود، آثار اصلی با آثار متقابل از درجه 3 و آثار متقابل از درجه 2 با آثار متقابل درجه 2 هم اثر هستند و تفکیک نحوه اثرگذاری این متغیرها بر متغیر پاسخ قابل تفکیک نمی باشد و ترکیب خطی این اثرات، مطابق با شکل9در نظر گرفته می شود.

img0 

شکل9:اثرات مستعار

Figure9: Aliase Effects

اگر قدر مطلق مقدار ‌Effect برابر0.1 یا حدود آن باشد، اثر عامل کم است، اگر برابر 0.25 یا حدود آن باشد، اثر عامل متوسط است و اگر برابر 0.4 و بیشتر باشد، اثر عامل زیاد است (گرافپد17،1401). با مقایسه T-Value در شکل10بامقدار‌بحرانیimg0 ضرایب آن‌متغیری که مقدار قدر مطلق T-Value از1.67 بزرگ‌تر باشد، معنادار است. ضرایب متغیرها از تقسیم مقدار اثر عامل بر عدد دو به دست می­آید. به‌این‌ترتیب، معادله رگرسیونی به شرح رابطه 3 به دست می­آید.

 

 

رابطه (3)

Y=0078/7+6328/0 A+ 1953/0 F+ 1016/1 G+ 3203/0 H + 1641/0 J+ 4453/0 K+ 8672/0 M–2109/0 AB4297/0- AG + 1953/0 CD+ 1797/0 DL- 1953/0 GM-2578/0JM – 2578/0 KM

img0 

شکل10: آزمون معنی‌داری ضرایب رگرسیونی

Figure10: Regression coefficients significance test

با مقایسه اثر‌ عوامل معنادار طبق شکل11 با حدود تعریف‌شده، اثر عوامل A,G,Kو M زیاد است، اثر عامل H متوسط است و اثر عوامل F و J کم هست.

 

img0 

شکل11:نمودار اثرات اصلی

 Figure11: Diagram of Main effects

 

 

تحت ‌تأثیر بودن عوامل با یکدیگر تحت عنوان اثرات متقابل در شکل12 رسم شده است. اثر ‌متقابلB (روش‌ پیشنهاد ‌قیمت) وA (تعدیل) نشان‌ می‌دهد، اگر پروژه‌ای تعدیل ندارد برای کاهش ریسک ‌شکست ‌مناقصه روش ‌پیشنهاد ‌قیمت تفصیلی کمک می‌کند تا ریسک شکست مناقصه کمتر شود. اثر متقابلC (دانش فنی) وD (مکان پروژه) نشان‌ می‌دهد، اگر پیمانکار برای ‌بار اول قصد‌ حضور در مکان ‌پروژه را دارد با کسب دانش فنی بالا، ریسک‌ شکست ‌مناقصه کاهش می‌یابد. اثر‌ متقابلD (مکان پروژه) وL (رقبا شرکت‌کننده) نشان می‌دهد، اگر رتبه شرکت نسبت به سایر ‌رقبا پایین‌تر باشد، با کسب اطلاعات از شرایط مکانی‌‌ پروژه، ریسک ‌شکست ‌مناقصه کاهش می‌یابد.

img0 

شکل12:نمودار اثرات متقابل

 Figure12: Diagram of mutual effects

 

ب-برآورد ریسک ‌شکست‌ در ‌مناقصه با ‌استفاده از روش‌ سیستم استنتاج فازی: در ‌مرحله فازی‌سازی با ‌استفاده ازنظر خبرگان، توابع ‌تعلقی برای متغیرهای ورودی و خروجی تعریف می‌کند (اسماعیل‌زاده و همکاران18،2021). از ترکیب حالت‌ متغیرها، قوانین به دست می‌آید و با ‌استفاده از قواعد استنتاج ‌فازی به تابع­ درجه‌ عضویت تبدیل می­شوند(آب‌خشک و همکاران19،2010). قوانین پس از اجرا شدن، فازی‌زدایی می‌شوند(خوش‌دست و همکاران20،2019). پس از مصاحبه با خبرگان، بر اساس میزان ‌تعلق ‌پذیری یک‌ عنصر به یک‌ مجموعه به‌صورت کم‌ترین(l)، محتمل‌ترین(m) و بیش‌ترین(u) مقدار، عدد‌ فازی مثلثی به‌صورت (l,m,u) برای متغیرها مطابق‌ با جدول8 در نظر گرفته‌ می‌شود. درجه ‌عضویت عدد فازی مثلثی طبق رابطه 4 به دست می‌آید(جعفرزاده گوشچی و همکاران21،2020).

 رابطه (4)

 

img0 

 

 

جدول8: درجه عضویت متغیرهای ورودی و خروجی

 Table8: degree of membership of input & output variables

 

متغیر

Variable

نام‌

Name

متغیر زبانی

Linguistic variable

معیار

Criteria

عدد فازی

Fuzzy Number

A

تعدیل

کم

اختلاف قیمت 0 تا 1 نوع از مصالح درزمان اجرا بازمان مناقصه پرداخته‌شده.

(0,0,1)

متوسط

اختلاف قیمت 1 تا 4 نوع از مصالح درزمان اجرا بازمان مناقصه پرداخته‌شده.

(1,3,4)

زیاد

اختلاف‌بیشتر‌از 4 نوع از مصالح درزمان اجرا بازمان مناقصه پرداخته‌شده.

(4,7,7)

B

دقت روش پیشنهاد قیمت

کم

پیشنهاد قیمت از طریق استعلام از پیمانکاران بازاری هست.

(0,0.1,0.2)

متوسط

پیشنهاد قیمت از طریق بررسی تجارب کاری گذشته هست.

0.2,0.3,0.4)

زیاد

پیشنهاد قیمت از طریق بررسی تجارب گذشته و اخذ استعلام هست.

(0.4,0.7,1)

C

دانش فنی

کم

تعداد پروژه مرتبط اجراشده با موضوع مناقصه کمتر از 1عدد است.

(0,0,1)

متوسط

تعداد پروژه مرتبط اجراشده با موضوع مناقصه بین1 تا 5عدد است.

(1,2,5)

زیاد

تعداد پروژه مرتبط اجراشده با موضوع مناقصه بیشتر از 5عدد است

(5,8,15)

D

مکان پروژه

بد

تعداد پروژه اجرا‌شده‌در‌مکان احتمالی‌کم‌تر از 1عدد است.

(0,0,1)

خوب

تعداد پروژه اجرا‌شده‌در‌مکان احتمالی بین 1 تا 3 عدد هست.

(1,3,4)

عالی

تعداد پروژه اجرا‌شده‌در‌مکان احتمالی بیشتر از 3 عدد هست.

(3,5,6)

E

بازدید از محل پروژه

بد

زمان سپری‌شده جهت بازدید از منطقه کم‌تر از 1 ساعت است.

(0,0.5,1)

خوب

زمان سپری‌شده جهت بازدید از منطقه بین 1 تا 5 ساعت است.

(1,3,6)

عالی

زمان سپری‌شده جهت بازدید از منطقه بیشتر از 5 ساعت است

(5,8,12)

F

ماشین‌آلات و تجهیزات

کم

تمام استعداد ماشین‌آلات موردنیاز استیجاری است.

(0,0.1,0.2)

متوسط

کم‌تر از نیمی از استعداد ماشین‌آلات مورد‌نیاز‌ملکی‌است.

(0.2,0.3,0.4)

زیاد

بیشتر از نیمی از استعداد ماشین‌آلات مورد‌نیاز‌ملکی‌است.

(0.4,0.5,1)

G

وضعیت مالی کارفرما

بد

زمان پرداخت کارفرما به پیمانکار بیشتر از 40 روز‌است.

(15,60,100)

خوب

زمان پرداخت کارفرما به پیمانکار بین 20 تا 40 روز‌است.

(5,10,15)

عالی

زمان پرداخت کارفرما به پیمانکار کم‌تر از 20 روز‌است.

(0,2,7)

 

متغیر

Variable

نام‌

Name

متغیر زبانی

Linguistic variable

معیار

Criteria

عدد فازی

Fuzzy Number

H

پیش‌پرداخت

کم

تا 5% کل قرارداد در‌ابتدای‌کار در اختیار پیمانکاراست.

0,0.03,0.05

متوسط

از5 تا 15% کل قرارداد در‌ابتدای‌کار در اختیار پیمانکاراست.

0.04,0.1,0.15

زیاد

از15 تا 25% کل قرارداد در‌ابتدای‌کار در اختیار پیمانکاراست.

(0.15,0.25,0.25)

J

اعضا کنسرسیوم

بد

اعضا کنسرسیوم در هیچ پروژه باهم در کنسرسیوم نبوده‌اند.

(0,0,1)

خوب

اعضا کنسرسیوم در کم‌تر از 2پروژه با‌هم مشارکت داشته‌اند.

(1,1,2)

عالی

اعضا کنسرسیوم در بیشتر از 2 پروژه با‌هم مشارکت داشته‌اند.

(2,5,8)

K

تامین‌مالی

کم

0 تا 10% کل قرارداد نقد است.

(0,0.05,0.1)

متوسط

10 تا 40% کل قرارداد نقد است.

(0.1,0.2,0.4)

زیاد

بیشتر از 40% کل قرارداد نقد است.

(0.4,1,1)

L

رقبا شرکت‌کننده

پائین تر

نسبت ارزش ریالی پروژه‌های‌اجرا‌شده‌رقبا به پیمانکار کمتر از1 باشد.

(0,0.5,1)

هم‌‌سطح

نسبت ارزش ریالی پروژه‌های‌اجرا‌شده‌رقبا به پیمانکار برابر با1 باشد.

(0.8,1,1.1)

بالاتر

نسبت ارزش ریالی پروژه‌های‌اجراشده‌رقبا به پیمانکار بیشتر از1 باشد.

(1,1.8,3)

M

توان‌مالی پیمانکار

کم

توان‌مالی عددی منفی تا صفر باشد.

(-2,0,0.1)

متوسط

توان‌مالی بین 0 تا 5 برابر کل قرارداد پروژه باشد.

(0,2,5)

زیاد

توان‌مالی بیشتر از 5برابر کل قرارداد پروژه باشد.

(4,6,10)

Y

ریسک‌ شکست ‌مناقصه

خیلی کم

ریسک شکست مناقصه بین 0% تا 5% است.

(0,1,1.8)

خیلی کم تا کم

ریسک شکست مناقصه بین 5% تا 10% است.

(1.8,2,2.8)

کم

ریسک شکست مناقصه بین 10% تا 25% است.

(2.8,3,3.8)

کم تا متوسط

ریسک شکست مناقصه بین 25% تا 45% است.

(3.8,4,4.8)

متوسط

ریسک شکست مناقصه بین 45% تا 55% است.

(4.8,5,5.8)

متوسط تا زیاد

ریسک شکست مناقصه بین 55% تا 65% است.

(5.8,6,6.8)

زیاد

ریسک شکست مناقصه بین 65% تا 75% است.

(6.8,7,7.8)

زیادتاخیلی زیاد

ریسک شکست مناقصه بین 75% تا 85% است.

(7.8,8,8.8)

خیلی زیاد

ریسک شکست مناقصه بین 85% تا 100% است.

(8,8,9.9)

 

عدد (1,0,0) برای تعدیل کم معادل این است که کم و محتمل‌ترین مصالحی که اختلاف قیمت آن در ‌اجرا با زمان ‌مناقصه پرداخت‌ می‌شود صفر و بیش‌ترین مصالحی که اختلاف قیمت آن در اجرا با زمان ‌مناقصه پرداخت می‌شود 1 ‌عدد است، 

تابع‌ عضویت تعدیل‌ کم،متوسط و زیاد با عددهای‌ فازی (1,0,0)، (4,3,1) و (7,7,4) در شکل‌13 رسم ‌شده ‌است. در شکل14 تابع عضویت متغیر خروجی نمایش داده‌شده است.

 

img0 

شکل13:تابع عضویت برای متغیر تعدیل 

 Figure13: Membership function adjustment variable

 

img0 

شکل 14:تابع عضویت متغیر خروجی

Figure14: Membership function for output variable

 

 

در این ‌مطالعه از عملگر استلزام ممدانی استفاده‌شده است و برای اجرای‌ قوانین در برنامه متلب از رابطه 5 استفاده‌شده. به‌جای عبارت­های A,B,…M مقدار ‌متغیرها طبق جدول8 جای‌گذاری می‌شود و درنهایت خروجی ‌قوانین با ‌استفاده از روش مرکز ثقل فازی‌زدایی شده است.

 

رابطه (5)

Output = evalfis([A   B  C … M],File name)

 

 

یافته‌ها

مقدار ‌ریسک‌ واقعی(Y)‌ و‌ برآوردی(img0) از هر دو مدل در جدول9 ثبت‌شده ‌است.

 

 

 

 

 

جدول9. مقدار واقعی و برازش ریسک

 Table9. The actual and adjusted values of the risk

اجرا

Y

img0‌رگرسیون

img0img0استنتاج فازی

اجرا

Y

img0‌رگرسیون

img0img0استنتاج فازی

1

9

9

8

33

5

4

5

2

7

7

8

34

9

8

9

3

9

9

7

35

8

8

8

4

6

6

7

36

9

9

9

5

6

5

5

37

9

9

9

6

9

9

7

38

8

9

8

7

5

6

7

39

8

8

7

8

8

8

7

40

7

7

8

9

9

9

8

41

8

8

8

10

7

7

7

42

5

5

5

11

6

7

6

43

6

6

6

12

5

5

6

44

4

5

4

13

5

6

5

45

9

9

8

14

7

8

8

46

9

9

8

15

5

5

6

47

4

5

4

16

9

9

8

48

9

8

8

17

8

7

7

49

8

8

8

18

8

8

8

50

9

9

9

19

9

8

8

51

6

6

6

20

7

7

7

52

9

8

8

21

6

6

6

53

5

4

5

22

9

9

9

54

2

3

2

23

7

7

7

55

9

8

8

24

7

8

7

56

8

8

8

25

6

6

6

57

7

8

7

26

9

9

9

58

7

7

6

27

9

9

9

59

9

9

9

28

7

6

7

60

6

6

6

29

8

8

7

61

6

6

6

30

9

9

9

62

3

2

2

31

2

2

2

63

3

5

4

32

9

9

8

64

1

1

1

 

اعتبار مدل‌ها با استفاده از معیار (RMSE)22 طبق رابطه 6 سنجش شده است.

رابطه (6)

img0 

 

مقدار RMSE مدل‌ رگرسیونی برابر با 0.57 و ‌استنتاج ‌فازی برابر با 0.75 هست و مقدار ضریب تعیین تعدیل‌شده مدل رگرسیونی طبق شکل7 برابر با 91.05 درصد هست، می‌توان نتیجه گرفت که اختلاف کمتری بین خروجی تخمینی و خروجی واقعی وجود دارد و عملکرد روش ‌رگرسیون نسبت به ‌استنتاج ‌فازی بهتر هست.

 

بحث و نتیجه‌گیری

در مطالعات گذشته با استفاده از روش پرسشنامه و بررسی اسنادی، عوامل مؤثر ارزیابی پیمانکاران در مناقصه شناسایی‌شده است، این در حالی است که در مطالعه حاضر شناسایی عوامل‌ مؤثر بر ریسک ‌شکست‌ مناقصه با ‌استفاده از بررسی اسنادی و روش طراحی ‌آزمایش‌ها انجام‌شده است. با بررسی پیشینه تحقیق مشخص می‌شود که مطالعات گذشته یک یا ترکیبی از عواملی را که در این مطالعه مؤثر بر ریسک شناسایی‌شده است گزارش کرده‌اند و عوامل مؤثر بر ریسک رتبه‌بندی شده‌اند، این در حالی است که در این مطالعه علاوه بر رتبه‌بندی متغیرهای تأثیرگذار بر ریسک، شدت اثر آن ‌عوامل، به‌صورت ‌کم، متوسط و زیاد نیز دسته‌بندی‌شده است  و رابطه رگرسیونی بین متغیرها با در نظرگیری عوامل اصلی و روابط متقابل بین عوامل نیز گزارش‌شده است که این ‌موارد در مطالعات ‌گذشته دیده‌ نشده است. همچنین در مطالعات گذشته برای تحلیل ریسک از روش­هایی مانند تحلیل ‌درخت ‌خطا و... استفاده‌شده ولی در ‌این‌ مطالعه با ‌استفاده از مدل­ رگرسیونی و سیستم ‌استنتاج ‌فازی، تحلیل ‌ریسک انجام‌شده است. با ‌استفاده از معیار RMSE اعتبار این مدل‌ها موردبررسی قرارگرفته‌ شده ‌است. مقدار RMSE مدل ‌رگرسیونی برابر ‌با 0.57 و برای مدل ‌استنتاج ‌فازی برابر با 0.75 هست، معیار RMSE برای مدل رگرسیونی کم‌تر از سیستم ‌استنتاج ‌فازی هست، لذا نتایج ‌مدل رگرسیون نسبت به استنتاج ‌فازی بهتر هست. متغیرهای وضعیت ‌مالی ‌کارفرما با ضریب 1.1016، توان ‌مالی ‌پیمانکار با ضریب 0.8672،‌ تعدیل با ضریب 0.6328، روش ‌تأمین ‌مالی ‌پروژه با ضریب 0.4453، پیش‌پرداخت با ضریب 0.3203، استعداد ماشین‌آلات و تجهیزات با ضریب 0.1953 و اعضای کنسرسیوم با ضریب 0.1641 بر روی ریسک ‌شکست‌ ‌مناقصه مؤثر می­باشند و از میان این‌ عوامل متغیرهای توان‌ مالی ‌پیمانکار، تعدیل، وضعیت ‌مالی‌ کارفرما و روش ‌تأمین ‌مالی دارای شدت ‌اثر زیاد، متغیر پیش‌پرداخت دارای شدت ‌اثر متوسط و متغیر اعضا کنسرسیوم و وضعیت ‌ماشین‌آلات و تجهیزات دارای شدت‌ اثر کم بر ‌روی ریسک می­باشند، پیشنهاد می‌شود در مطالعات آتی، نتایج مدل طراحی آزمایش‌ها برای متغیرها باحالت‌های بیشتر از دو نیز بررسی شود و نتایج سیستم استنتاج ‌فازی در حالت‌های مختلف تابع ‌عضویت متغیرها و کشف روابط بین متغیرها ‌با استفاده از روش‌های مختلف داده‌کاوی موردبررسی قرار بگیرد و نتایج آن با روش‌ طراحی آزمایش‌ها مقایسه شود تا یک رویکرد منطبق با واقعیت حاصل گردد. ازجمله محدودیت‌های تحقیق به این موضوع اشاره می‌شود که در طراحی مدل با روش ‌طراحی‌ آزمایش­ها، تمام‌ عوامل با دو سطح در نظر گرفته‌شده ‌است و برخی عوامل می­توانند حالت­های بیشتری داشته باشد که به دلیل اقتصادی بودن به دوسطحی بودن تمام ‌عوامل اکتفا شده است. همچنین وقتی‌که تعداد‌ عوامل زیاد باشد، اجرای کامل تمام آزمایش‌ها مقرون‌به‌صرفه نیست و کسری از آزمایش‌ها انجام‌ می‌شود. همچنین دقت مدل‌های استنتاج ‌فازی متأثر از نوع ‌تابع‌ عضویت ‌متغیرها و نوع‌ قواعد‌ استنتاج‌ فازی است. در ‌این ‌مطالعه برای سادگی ‌مدل از تابع ‌عضویت‌ مثلثی و قواعد استنتاج ممدانی استفاده‌شده است.

 

تعارض منافع: نویسندگان هیچ‌گونه تعارض منافعی ندارند.

 

 


Referrence

Abkhoshk, E., Kor, M., & Rezai, B. (2010). A study on the effect of particle size on coal flotation kinetics using fuzzy logic. Expert Systems with applications, 37(7), 5201-5207. DOI:  doi:10.1016/j.eswa.2009.12.071

Alsaedi, M., Assaf, S., Hassanain, M. A., & Abdallah, A. (2019). Factors affecting contractors’ bidding decisions for construction projects in Saudi Arabia. Buildings, 9(2), 1-13. doi:10.3390/buildings9020033

Atashgar, K. (2019). Design of Experiment and Taguchi Method (DOE). Malek Ashtar University of Technology, 1, 1-436. [In Persian].

Azimian, M., Karbasian, M., & Atashgar, K. (2021). Designing a multi-objective mathematical model for determinining the reliable suppliers of one-shot systems based on risk assessment. Production & Operations Management, 12(2), 47-70‎. [In Persian]. doi:10.22108/jpom.2021.130857.1401

Bakhtiyari Dadgar, A., & Godarzi, M. (2016).Study on approaches and kinds multi-factor constracting in term of technical, financial and the way of paying. 3rd. international conference on modern research in civil engineering, architectural & urban development, 1-15. [In Persian].  SID.https://sid.ir/paper/853995/fa

Barati, F., & Nourollah, A. (2012). Generalized Resolution and Minimum Aberration for Nonregular Fractional Factorial Designs. Andishe-ye Amari, 16(2), 15-24. [In Persian]. https://andisheyeamari.irstat.ir/article-1-126-en.html

Binshakir, O., AlGhanim, L., Fathaq, A., AlHarith, A. M., Ahmed, S., & El-Sayegh, S. (2023). Factors Affecting the Bidding Decision in Sustainable Construction. Sustainability, 15(19), 1-15. doi.org/10.3390/su151914225

Esmaeilzadeh, M., Olfat, L., & Raeesi Vanai, I. (2021). Designing and regulating supplier development systems using ANFIS and meta-heuristic algorithms in the automotive industry. Production and operation management, 12(3), 93-117.doi:10.22108/jpom.2021.129317.1383

Esmailzadeh, N., & Ramezani, SH. (2021). A criterion for selecting a two level fractional factorial design. Journal of Advance Mathematical Modeling, 11(1), 61-68. [In Persian]. doi: 10.22055/jamm.2021.29978.1731

GraphPad Statistics (2022). Effect Size in mean comparison analyzes using SPSS software. Statistical tutorials and software guides. Retrieved 01, 13, 2023. https://graphpad.ir/effect-sizes-compare-means-spss.php

Hematiyan, H., Sarreshtedar, M., & Hadipour, H. (2011). Application of RSM, F- Regression and GA for evaluating of effective factors in vehichle brake drum assembeling process. Industrial management studies, 9(23), 163-186. [In Persian]. dor:20.1001.1.22518029.1390.9.23.7.8

Jafarzadeh Ghoushchi, S., Ab Rahman, M. N., Raeisi, D., Osgooei, E., & Jafarzadeh Ghoushji, M. (2020). Integrated decision-making approach based on SWARA and GRA methods for the prioritization of failures in solar panel systems under Z-information. Symmetry, 12(2), 310. doi:10.3390/sym12020310

Kameli, M. (2014). A review of the reasons for the price fluctuations offered by bidders in order to reduce the range of price changes. The first national congress of construction engineering and evaluation of construction projects, 52-60. [In Persian].  doi:10.22054/jiee.2016.1882

Khazaeni, G., & Khazaeni, A. (2022). Successful Tendering in Public Private Partnership, Cost Opportunity Analysis. Amirkabir Civil Engineering Journal, 54(2), 395-412. [In Persian]. doi: 10.22060/ceej.2021.18845.6977

Khoshdast, H., Soflaeian, A., & Shojaei, V. (2019). Coupled fuzzy logic and experimental design application for simulation of a coal classifier in an industrial environment. Physicochemical Problems of Mineral Processing, 55(2), 504-515.doi:10.5277/ppmp18161

Mohammadzadeh, A., & Eskandari, Y. (2012). Analysis of the the barriers in the Public Sector Tenders. Quantitative Researches in Management, 3(2), 101-120. [In Persian]. SID.https://sid.ir/paper/191971/en

Montgomery, D. C. (2017). Design and analysis of experiments. John wiley & sons, 1-688.

Niewerth, S., Vogt, P., & Thewes, M. (2020). Tender evaluation through efficiency analysis for public construction contracts. Frontiers of Engineering Management, 1-11. doi:10.1007/s42524-020-0119-z

Obodo, C. E., Xie, Z., Cobbinah, B. B., & Yari, K. D. Y. (2021). Evaluating the factors affecting contractors tender for project construction: an empirical study of small scale indigenous contractors in awka, Nigeria. Open Journal of Social Sciences, 9(7), 381-397.doi:10.4236/jss.2021.97028

Oo, B. L., Lim, B. T. H., & Runeson, G. (2023). Mark-up on construction projects: what have we learnt in the last 20 years?. Engineering, Construction and Architectural Management, 30(9), 4319-4338. doi:10.1108/ECAM-01-2022-0070

Rahimi, H., & Alizade, S. (2017).Essence of Price adjustment in Construction Contracts in Iran and Fidic. Private law research, 6(21), 147-175. [In Persian]. DOI: https://doi.org/10.22054/jplr.2018.8139

Saffari, H., Atashgar, K., Abbasi, M. (2021). Robust Optimization Model for Forward/Revers Logistics Network Using Experiment Design. Journal of Strategic Management in Industerial System, 16(56), 139-160 [In Persian]. doi:10.30495/imj.2021.684245

Sarker, S., Chowdury, M. S. U., & Deb, P. (2012). Study of influencing factors of tender evaluation: an evidential reasoning approach. International Journal of Research in Computer Science, 2(5), 15-30. doi:10.7815/ijorcs.25.2012.043

Zanjirchi, S.M., Azizi, F., & Amani, M. (2017).Developing a Model for Forcasting the Success of Construction Projects Integration Taguchi Design (DOE) and TAXONOMY. Amirkabir Civil Engineering Journal, 49(1), 185-196. [In Persian]. doi:10.22060/ceej.2016.703

Zhang, Y. (2020). Construction of bid evaluation index system in government public project green procurement in China based on DS evidence theory. Sustainability, 12(2), 1-15. doi:10.3390/su12020651

 

 

 

 

 

 

 

 

 

(149)

 

 

[1] .Ph.D. candidate ,Department of Industrial Engineering, Faculty of Management and Industrial Engineering, Malek Ashtar University of Technology, Tehran, Iran

[2] .Associate Professor, Department of Industrial Engineering, Faculty of Management and Industrial Engineering, Malek Ashtar University of Technology, Tehran, Iran.

*.Corresponding Author: mh_karimi@mut.ac.ir

[3] .Associate Professor, Department of Industrial Engineering, Faculty of Management and Industrial Engineering, Malek Ashtar University of Technology, Tehran, Iran.

[4]  . دانشجوی دکتری گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران، malekaee@mut.ac.ir.

[5]  . دانشیار گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران.

*. نویسنده مسؤول: mh_karimi@mut.ac.ir

[6]  . دانشیار گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران.

[7] 1. Montgomery

[8] 2.Sarker

[9] 1.Alsaedi etal

[10] 2.Niewerth etal

[11] 3.Zhang

[12] 4.Obodo etal

[13] 5. Oo etal

[14] 6. Binshakir

[15] 1.Adjust Sum of Squares

[16] 2.Adjust Mean Square

[17] .GraghPad

[18] . Esmaeilzadeh etal

[19] . Abkhoshk etal

[20] . Khoshdast etal

[21] . Jafarzadeh Ghoushchi etal

[22] . Root Means Square Error


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1404-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]