بهبود دقت پیش بینی پروژه های ساخت با استفاده از ادغام مدیریت ارزش کسب شده با روش های کمی پیش بینی در سری های زمانی. مورد مطالعاتی: پروژه های ساخت در شرکت بزرگ آذر آب اراک
الموضوعات :Mehrdad Khazenchin 1 , Amir abbas Shojaie 2
1 - Islamic Azad University- South Tehran Branch
2 - I.E. faculty member of Islamic Azad University- Tehran South Branch
الکلمات المفتاحية: هزینه های واقعی, رگرسیون, هزینه های برنامه ریزی شده, پیش بینی, مدیریت ارزش حاصله,
ملخص المقالة :
در این پژوهش دو پروژه در فاز ساخت شرکت آذر آب برای پیش بینی هزینه های ساخت در نظر گرفته شد و هزینه های واقعی پروژه های مذکور بعد از جمع آوری اطلاعات محاسبه گردید ، سپس شش مدل رگرسیونی در چهار دوره زمانی برای هر پروژه ارائه و سپس میانگین خطای مدل ها برای هر پروژه در چهار دوره محاسبه گردید تا مدل نهایی و مورد قبول برای هر پروژه مشخص گردد. نتایج نشان داد که مدلهای 2 و 3 درصد خطای پایین و قابل قبولی را نسبت به دیگر مدل ها دارند. وجود منغیر های موثر در مدل ها و همچنین با توجه به ماهیت پروژه ها نتیجه می گیریم مدل شماره 3 با درجه اطمینان قابل قبول تری هزینه های آتی پروژه ها را پیش بینی می کند. درمجموع مدل شماره 3 را به عنوان مدل برتر برای پیش بینی هزینه های آتی پروژه های مورد بحث انتخاب خواهیم کرد. با این حال یادآور می شویم که برای هر پروژه با توجه به ماهیت آن ممکن است یک معادله خاص دیگر، پیش بینی های دقیق تری را ارائه دهد.اما به طور کلی می توان بیان داشت که مدلهای رگرسیونی برای پیش بینی هزینه های دوره های مختلف پروژه با توجه به ماهیت آن کاربردی می باشد.
1- Abolhasani, M. (2010). Applyingthe Scheduling Method in Value Management. 6th International Project Management Conference.
2- Ahmadi, A., Eskandari, A.J., Martagiei, M., Hosseini, S.T. & Nozari, H. (2013). Improving Prediction of Project Execution Time Based on Value Information Management System. Journal of Managing Tomorrow, Twelfth Year, No. 37, 15-1.
3- Batselier ,Jordy, Vanhoucke, Mario (2017). Improving project forecast accuracy by integrating earned value management with exponential smoothing and reference class forecasting. International Journal of Project Management 35 , 28–4.
4- Brown, R. (1956). Exponential Smoothing for Predicting Demand. Technical Report, Arthur D. Little Inc., Cambridge, Massachusetts.
5- Brown, R. (1959). Statistical Forecasting for Inventory Control. McGraw-Hill, New York, New York.
6- Brown, R. (1963). Smoothing, Forecasting and Prediction of Discrete Time Series. Prentice-Hall, Englewood Cliffs, New Jersey.
7- Cioffi, D.F. (2006). A scientific notation and an improved formalism for earned value calculation. International Journal of Project Management 24 (2) ,pp.136-144.
8- Golabchi, M., Sepeti, M.H.& Tosi, H. (2008). Determining the Project Performance Coefficient in Managing Rated Value by Using Risk Management to Estimate the Final Results of Contractors' Work. Journal of Technical School, Vol. 41, No. Sixth, 796-787.
9- July. Mortaji, S., Noorossana, R. & Bagherpour, M. (2014). Project completion time and cost prediction using change point analysis. J. Manag. Eng. 31, 04014086.
10- Larqba, E., Salahshoor, J. & Adib, A. (2013). The Impact of Value Management Technique in Increasing the Capacity of Managing Development Projects. 7th National Congress on Civil Engineering, Shahid Nikbakht Engineering Faculty, 8-1.
11- Lipke W. & Vaughn J. (2000). Statistical process control meets Earned Value. Cross Talk The Journal Of defense software engineering, Jun:16-20.
12- Momeni, M. & Qiyomi, A. (2011). Statistical analysis with SPSS. Tehran, Ketabno Publishing.
13- Moslemi, L. & Geroyan, N. (2009). Prediction of Time and Cost of Completion of a Project with Value Management Technique. Kayson Quarterly, New Volume, No. 31, 6-1.
14- Muth, J. (1960). Optimal properties of exponentially weighted forecasts. J. Am. Stat. Assoc. 55, 299–306.
15- Rujirayanyong, T. (2009). A comparison of three completion date predicting methods for construction projects. J. Res. Eng. Technol. 6, 305–318.
16- Soltanpanah, H., Farooqi, H. & Abdi, Rohallah (2012). A Method for Calculating Value Gained in Risk in Fuzzy Conditions. Journal of Industrial Management Studies, Vol. 10, No. 26, 156 -139.
17- Vanhoucke, M. (2010). Measuring Time Improving Project Performance Using Earned Value Management. Volume 136 of International Series in Operations Research and Management Science. Springer.
_||_1- Abolhasani, M. (2010). Applyingthe Scheduling Method in Value Management. 6th International Project Management Conference.
2- Ahmadi, A., Eskandari, A.J., Martagiei, M., Hosseini, S.T. & Nozari, H. (2013). Improving Prediction of Project Execution Time Based on Value Information Management System. Journal of Managing Tomorrow, Twelfth Year, No. 37, 15-1.
3- Batselier ,Jordy, Vanhoucke, Mario (2017). Improving project forecast accuracy by integrating earned value management with exponential smoothing and reference class forecasting. International Journal of Project Management 35 , 28–4.
4- Brown, R. (1956). Exponential Smoothing for Predicting Demand. Technical Report, Arthur D. Little Inc., Cambridge, Massachusetts.
5- Brown, R. (1959). Statistical Forecasting for Inventory Control. McGraw-Hill, New York, New York.
6- Brown, R. (1963). Smoothing, Forecasting and Prediction of Discrete Time Series. Prentice-Hall, Englewood Cliffs, New Jersey.
7- Cioffi, D.F. (2006). A scientific notation and an improved formalism for earned value calculation. International Journal of Project Management 24 (2) ,pp.136-144.
8- Golabchi, M., Sepeti, M.H.& Tosi, H. (2008). Determining the Project Performance Coefficient in Managing Rated Value by Using Risk Management to Estimate the Final Results of Contractors' Work. Journal of Technical School, Vol. 41, No. Sixth, 796-787.
9- July. Mortaji, S., Noorossana, R. & Bagherpour, M. (2014). Project completion time and cost prediction using change point analysis. J. Manag. Eng. 31, 04014086.
10- Larqba, E., Salahshoor, J. & Adib, A. (2013). The Impact of Value Management Technique in Increasing the Capacity of Managing Development Projects. 7th National Congress on Civil Engineering, Shahid Nikbakht Engineering Faculty, 8-1.
11- Lipke W. & Vaughn J. (2000). Statistical process control meets Earned Value. Cross Talk The Journal Of defense software engineering, Jun:16-20.
12- Momeni, M. & Qiyomi, A. (2011). Statistical analysis with SPSS. Tehran, Ketabno Publishing.
13- Moslemi, L. & Geroyan, N. (2009). Prediction of Time and Cost of Completion of a Project with Value Management Technique. Kayson Quarterly, New Volume, No. 31, 6-1.
14- Muth, J. (1960). Optimal properties of exponentially weighted forecasts. J. Am. Stat. Assoc. 55, 299–306.
15- Rujirayanyong, T. (2009). A comparison of three completion date predicting methods for construction projects. J. Res. Eng. Technol. 6, 305–318.
16- Soltanpanah, H., Farooqi, H. & Abdi, Rohallah (2012). A Method for Calculating Value Gained in Risk in Fuzzy Conditions. Journal of Industrial Management Studies, Vol. 10, No. 26, 156 -139.
17- Vanhoucke, M. (2010). Measuring Time Improving Project Performance Using Earned Value Management. Volume 136 of International Series in Operations Research and Management Science. Springer.
