Comparing Effects of Economic and Legal/Institutional Causes on Total Duration and Forecasting Models Accuracy of Iranian Construction Projects

Subject Areas : Industrial Management

Farshad Peiman ¹ , Mohammad Khalilzadeh ^{2 *} , Nasser Shahsavari-Pour ³ , Mehdi Ravanshadnia ⁴

1 - Ph.D. Student, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 - Associate Professor, Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
3 - Professor, Department of Industrial Management, Vali-e-Asr University, Rafsanjan, Iran.
4 - Associate Professor, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

Received: 2024-08-01 Accepted : 2024-12-22 Published : 2024-10-27

Keywords: Artificial Intelligence, Estimation of Total Duration and Delay, External Legal/Institutional and Economic Causes, Iranian Construction Projects.,

Abstract :

The innovation of this paper is to compare the ranking of the most frequently cited external legal/institutional and economic causes affecting the total duration and delay of construction projects using two methods: Review previous research and review studies (only 7 works- from 2020) and Sensitivity analysis according to the results of the only ensemble-probabilistic prediction model: natural gradient boosting (NGBoost-2020). Being an ensemble due to its much higher estimation accuracy than single models and being probabilistic due to its suitability for delayed and unpredictable projects, especially in Iran's recent severe inflationary conditions, important features are together. The inputs to the NGBoost model include the presence or absence of the most frequent economic and legal/institutional causes (used simultaneously) in each of the 65 models of previous studies (only 15 studies- from 2020). its target also includes the percentage of prediction accuracy of that previous model. The most effective factors on duration (delays) by both methods of this article were found to be changes in government regulations, price fluctuations, slowness in issuing licenses, exchange fluctuations, and inflation, respectively. Another result was that the model of this paper achieved an accuracy of 96.83% for the testing set which was very close to the accuracy of 94.36% of a model with the aforementioned inputs and target of the delay value of Iran's dam construction projects. This means that the aforementioned factors have a huge impact on the delays of projects in Iran, the world, and the estimation accuracy of models.

References:

Duan, T., Avati, A., Ding, D. Y., Thai, K. K., Basu, S., Ng, A. & Schuler, A. (2020). NGBoost: Natural gradient boosting for probabilistic prediction. Proceedings of the 37th International Conference on Machine Learning (ICML), 13-18 July, Online (Virtual): Proceedings of Machine Learning Research (PMLR), 119, 2690-2700. Retrieved 11 December, 2024, from https://proceedings.mlr.press/v119/
Durdyev, S. & Hosseini, M. R. (2020). Causes of delays on construction projects: A comprehensive list. International Journal of Managing Projects in Business, 13(1), 20-46.
Egwim, C. N. (2024). Applied artificial intelligence for delay risk prediction of BIM-based construction projects. Dissertation of Ph.D., United Kingdom, Hertfordshire, University of Hertfordshire.
Egwim, C. N., Alaka, H., Toriola-Coker, L. O., Balogun, H. & Sunmola, F. (2021). Applied artificial intelligence for predicting construction projects delay. Machine Learning with Applications, 6, 100166.
Elmousalami, H. H. (2020). Artificial intelligence and parametric construction cost estimate modeling: State-of-the-art review. Journal of Construction Engineering and Management, 146(1), 03119008.
Firouzi, F., Esmaeilian, G. & Hezavehi, M. I. (2015). Fuzzy TOPSIS model of economic risk assessment for EPC projects of oil and gas. Journal of Strategic Management in Industrial Systems, 10(32), 55-66. (in persian).
Gondia, A., Siam, A., El-Dakhakhni, W. & Nassar, A. H. (2020). Machine learning algorithms for construction projects delay risk prediction. Journal of Construction Engineering and Management, 146(1), 04019085.
Gurgun, A. P., Koc, K. & Kunkcu, H. (2024). Exploring the adoption of technology against delays in construction projects. Engineering, Construction and Architectural Management, 31(3), 1222-1253.
Gómez-Cabrera, A., Gutierrez-Bucheli, L. & Muñoz, S. (2024). Causes of time and cost overruns in construction projects: A scoping review. International Journal of Construction Management, 24(10), 1107-1125.
Isah, M. A. & Kim, B. S. (2022). Assessment of risk impact on road project using deep neural network. KSCE Journal of Civil Engineering, 26(3), 1014-1023.
Juan, Y. K. & Liou, L. E. (2022). Predicting the schedule and cost performance in public school building projects in Taiwan. Journal of Civil Engineering and Management, 28(1), 51-67.
Khalilzadeh, M., Vasei, M., Seddighizade, D. & Azizian, A. (2015). Identifying the cause-and-effect relationship and ranking the obstacles to achieving the goals of public-private partnership investment projects (Case study: The partnership model of industrial development organizations in Iran). Journal of Strategic Management in Industrial Systems, 10(33), 17-33. (in persian).
Koc, K. (2023). Role of Shapley additive explanations and resampling algorithms for contract failure prediction of public–private partnership projects. Journal of Management in Engineering, 39(5), 04023031.
Lauble, S., Steuer, D. & Haghsheno, S. (2023). A comparative evaluation of decision trees and expert intuition to predict durations in the predesign phase. The 2023 European Conference on Computing in Construction (2023 EC³) and The 40th International CIB W78 Conference, 10–12 July, Heraklion, Crete, Greece: Conseil International du Bâtiment (CIB). Retrieved 11 December, 2024, from https://ec-3.org/publications/conferences/EC32023/papers/EC32023_161.pdf
Mahyari, H. (2007). Important cases of contracting claims. Tadbir Journal, 185, 59-62. (in persian).
Mavi, N. K., Brown, K., Fulford, R. & Goh, M. (2024). Forecasting project success in the construction industry using adaptive neuro-fuzzy inference system. International Journal of Construction Management, 24(14), 1550-1568.
Moghayedi, A. & Windapo, A. (2022). Modelling the uncertainty of cost and time in highway projects. Infrastructure Asset Management, 9(2), 73-88.
Ouansrimeang, S. & Wisaeang, K. (2024). Analyzing the critical delay factors for construction projects in the public sector using relative importance index and machine learning techniques. Journal of Infrastructure, Policy and Development, 8(8), 6208.
Purushothaman, M. B., San Pedro, L. N. R. & Hoseini, A. G. (2024). Construction projects: Interactions of the causes of delays. Smart and Sustainable Built Environment, ahead-of-print(ahead-of-print), doi: 10.1108/SASBE-11-2023-0334.
Sadeghi, V., Bahrampour, A. & Hosseini, S. A. (2023). Identifying the influencing factors of customer churn of Kurdistan Telecommunications Company and presenting a model for predicting churn using machine algorithms. Journal of Strategic Management in Industrial Systems, 18(65), 16-33. (in persian).
Sanni-Anibire, M. O., Zin, R. M. & Olatunji, S. O. (2022a). Causes of delay in the global construction industry: A meta analytical review. International Journal of Construction Management, 22(8), 1395-1407.
Sanni-Anibire, M. O., Zin, R. M. & Olatunji, S. O. (2022b). Machine learning model for delay risk assessment in tall building projects. International Journal of Construction Management, 22(11), 2134-2143.
Selcuk, O., Turkoglu, H., Polat, G. & Hajdu, M. (2022). An integrative literature review on the causes of delays in construction projects: Evidence from developing countries. International Journal of Construction Management, List of Latest Articles, doi: 10.1080/15623599.2022.2135939.
Senthil, J., Muthukannan, M., Urbański, M., Stępień, M. & Kądzielawski, G. (2021). MSCA based deep recurrent neural network for statistics risk management in construction projects. Acta Montanistica Slovaca, 26(3), 481-497.
Shirazi, D. H. & Toosi, H. (2023). Deep multilayer perceptron neural network for the prediction of Iranian dam project delay risks. Journal of Construction Engineering and Management, 149(4), 04023011.
Tariq, J. & Gardezi, S. S. (2023). Study the delays and conflicts for construction projects and their mutual relationship: A review. Ain Shams Engineering Journal, 14(1), 101815.
Yang, R., Feng, J., Tang, J. & Sun, Y. (2024). Risk assessment and classification prediction for water environment treatment PPP projects. Water Science & Technology, 89(5), 1264-1281.
Yaseen, Z. M., Ali, Z. H., Salih, S. Q. & Al-Ansari, N. (2020). Prediction of risk delay in construction projects using a hybrid artificial intelligence model. Sustainability, 12(4), 1514.

Full-Text:



 

 

 

 

 

مقایسه میزان اثرات علل اقتصادی و قانونی/نهادی
 بر مدت­زمان کل و دقت مدل­های پیش­بینی پروژه­های ساخت ایران

 

فرشاد پیمان

دانشجوی دکتری، گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

محمد خلیل­زاده (نویسنده مسئول)

دانشیار، گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

Email: [e-mail]

ناصر شهسواری­پور

استاد، گروه مدیریت صنعتی، دانشگاه ولی عصر (عج)، رفسنجان، ایران

مهدی روانشادنیا

دانشیار، گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

 

 

                     تاریخ دریافت: 11/05/1403  * تاریخ پذیرش 02/10/1403

 

         چکيده

با پیشرفت فناوری­های دیجیتال به عنوان محور توسعه صنعت 0/4، نیاز به توسعه زیرساخت­های تامین انرژی تجهیزات یک چالش مدیریتی ایجاد نموده است. این چالش در ارتباط با فناوری بلاکچین به عنوان سنگ بنای توسعه فناوری در بخش­های اقتصادی، صنعتی و سرمایه­گذاری که نیاز به منابع عظیم تامین انرژی پایدار دارد، دارای اهمیتی دوچندان است. با این وجود، تحقیقات اندکی به بررسی این موضوع از دیدگاه علم تصمیم­گیری پرداخته و راهکارهای موجود پاسخگوی نیاز مدیران به منظور ارائه استراتژی­های شفاف و قابل اعتماد نیست. در همین راستا، این پژوهش رویکردی ترکیبی مبتنی بر روش­های تصمیم­گیری و بهینه­سازی ریاضی چند هدفه توسعه داده است که در آن انواع منابع انرژی تجدیدپذیر با هدف توسعه سرمایه­گذاری سبز در ارزهای دیجیتال اولویت­بندی می­شوند. بدین منظور، در گام نخست مهمترین معیارهای مدیریت سرمایه­گذاری و توسعه انرژی­های تجدیدپذیر به کمک روش سوارا فازی وزن­دهی شده و در گام بعد، تمامی گزینه­های موجود شامل انرژی­های تجدیدپذیر خورشیدی، بادی، رویکاوری گرمایی، زیست توده و برقابی و غیره به کمک روش­های آیداس و ویکور فازی اولویت­بندی می­شوند. سپس با توسعه یک مدل بهینه­سازی چندهدفه مقدار سرمایه­گذاری در هر گزینه براساس توابع اقتصادی، زیست محیطی و اجتماعی به صورت بهینه تعیین می­شود. به منظور ارائه تمامی پاسخ­های پارتویی قابل حصول، روش محدودیت اپسیلون تقویت شده مورد استفاده قرار می­گیرد. مطابق با نتایج عددی می­توان مشاهده نمود که انرژی­های تجدیدپذیر خورشیدی، بادی، رویکاوری گرمایی، زیست توده و برقابی به عنوان انرژی­های تجدیدپذیر اولویت­دار انتخاب شده است. همچنین سهم سرمایه­گذاری در انرژی خورشیدی دارای بالاترین مقدار و برای انرژی برقابی در پایین مقدار قرار دارد. استفاده از نتایج این پژوهش می­تواند به عنوان یک ابزار تصمیم­گیری در مدیریت سرمایه­گذاری انرژی­های تجدیدپذیر در سایر حوزه­ها مورد استفاده قرار گیرد.

کلمات کلیدی: برآورد ‌مدت‌زمان کل و تأخیر، پروژه‌های ساخت ایران، علل قانونی/نهادی و اقتصادی خارجی، هوش مصنوعی.

 

 

 

1-        مقدمه

الف) بیان مسئله

طبق ادعای سازمان برنامه و بودجه در سال 1385، 90% طرح­های عمرانی، افزایش زمان (تأخیر¹) و هزینه داشته­اند و 60% پروژه­های نیمه­کاره، نیاز به طی 15 سال داشته­اند تا به اتمام برسند. گفتنی است که متوسط عمر پروژه­‌‌‌های عمرانی در ایران، 9 سال بوده است؛ که فاصله زیادی با متوسط جهانی دارد. طبق آمار سازمان مدیریت و برنامه­ریزی در سال 1385 نیز متوسط زمان اتمام پروژه­های ملی نزدیک به 22/2 برابر زمان برنامه­ریزی­شده پروژه­ها بوده است (Mahyari, 2007). شایان ذکر است که پس از گذشت 16 سال، متأسفانه پروژه­های ساخت ایران همچنان با مشکلات فوق­الذکر رو به رو هستند و به علت تورم² سنگین­تر، اهمیت بسیار بیشتری نیز پیدا کردند.

همراه با پیچیده­تر و پیشرفته­تر شدن پروژه­های عمرانی، شناسایی و ارزیابی انواع گوناگون ریسک­ها به منظور بکارگیری اقدامات مقابله­ای مناسب برای پاسخ­گویی به آنها، امری بسیار مهم است:

1. مثلأ فیروزی و همکاران (Firouzi et al., 2015) اقدام به رتبه­بندی³ ریسک­های اقتصادی برای پروژه­های طراحی و تدارکات و اجرا⁴ (EPC) با استفاده از تکنیک ترتیب اولویت بر اساس شباهت به راه حل ایده آل فازی⁵ (FTOPSIS) کرده­اند. نتایج نهایی نشان از قرارگیری عوامل (تغییرات افزایشی و نوسانی نرخ ارز⁶)، (افزایش تورمی قیمت مصالح) و (افزایش هزینه­ها نسبت به برنامه) به ترتیب در رتبه­های اول تا سوم داده­اند. 

2. همچنین خلیل‌زاده و همکاران (Khalilzadeh et al., 2015) از روش­های آزمون تصمیم­گیری و آزمایش ارزیابی⁷ فازی (FDEMATEL) و فرآیند تحلیل شبکه فازی⁸ (FANP) برای رتبه­بندی موانع ((درون سازمانی))، ((بخش غیردولتی)) و (فضای کسب و کار) در سر راه پروژه­های مشارکت دولتی-خصوصی⁹ (PPP) استفاده کرده­اند. نتایج نهایی نشان از برتری اثرگذاری (فضای کسب و کار) با گزینه­های (تغییر قوانین و مقررات دولتی¹⁰)، (تغییرات نرخ ارز)، (تورم) و (دشواری اخذ مجوزها) بر عدم تحقق اهداف پروژه­های PPP داده­اند.

طبق پاراگراف‌های قبلی، برآورد دقیق زمان و اثر بسیار زیاد و مستقیم ریسک­ها و علل اقتصادی و قانونی/نهادی¹¹ خارجی¹² (خارج از محدوده پروژه) در پروژه­های ساخت ایران، بسیار مهم است. تلاش­ها برای افزایش دقت برآورد مدت‌زمان کل (نهایی) و تأخیر این پروژه­ها از طریق درنظرگیری عدم قطعیت­ها¹³، ریسک­های پیچیده و شرایط بی­ثباتی موجود در این نوع پروژه­ها همچنان ادامه دارد.

از طرفی دیگر، روش­های مدل­سازی پیش­بینی گروهی¹⁴، تکنیک­هایی بسیار جدید، پرکاربرد و دقیق­تر از روش­های مدل­سازی برآورد منفرد¹⁵ در کلیه موضوعات حوزه مدیریت هستند:

1. مثلأ صادقی و همکاران (Sadeghi et al., 2023) اقدام به ارائه مدل­هایی گروهی و منفرد برای تخمین رویگردانی مشتریان مخابرات کردستان نموده­اند. روش­های مدل­سازی بکار رفته و بهینه بدست آمده توسط آنها عبارتند از: 3 مدل رگرسیونی، شبکه­های عصبی مصنوعی¹⁶ (ANN)، تقویت تطبیقی یا سازگار¹⁷ (AdaBoost) (بهینه با دقت 100%) و جنگل تصادفی¹⁸ (RF) (بهینه با دقت 100%).

شایان ذکر است که بکارگیری روش­های گروهی هوش مصنوعی¹⁹ (AI) برای تخمین زمان پایان و هزینه نهایی پروژه نیز عملی به‌روز و مهم است.

ب) اهداف اصلی، فرضیه و سؤالات تحقیق

1. نوآوری و 2 هدف اصلی این مقاله بر اساس شکاف­ها و کمبودهای تحقیقات قبلی به ترتیب عبارتند از: مقایسه رتبه‌بندی مؤثرترین و پر ارجاع‌ترین علل قانونی/نهادی و اقتصادی خارجی (خارج از محدوده پروژه) تأثیرگذار بر مدت‌زمان کل پروژه و ایجادکننده تأخیر با استفاده از دو روش مشتمل بر 1. بررسی تحقیقات مروری و پژوهشی بسیار معتبر یا پر ارجاع قبلی (شروع چاپ آثار با این موضوع از 2020) و 2. تحلیل حساسیت²⁰ (SA) انجام‌شده بر اساس نتایج تنها مدل پیش‌بینی گروهی – احتمالاتی یعنی تقویت کاهش شیب طبیعی²¹ (NGBoost-2020).

از روش اول (مربوط به هدف اول) به منظور شناسایی و یافتن مقدار تأثیر هر یک از عوامل نهادی/قانونی و اقتصادی خارجی بر مدت­زمان پایان (کل) و تأخیرات پروژه­های عمرانی کشورهای در حال توسعه (ایران و کشورهای بسیار مشابه­اش) و نهایتأ رتبه‌بندی رایج‌ترین (دارای بیشترین فراوانی) و مؤثرترین علل 2 گروه فوق‌الذکر استفاده می‌شود. از روش دوم (مربوط به هدف دوم) نیز به منظور یافتن اثر عوامل فوق‌الذکر بر دقت پیش­بینی مدل­های هوش مصنوعی [بر اساس نتایج تحلیل حساسیت یا SA] استفاده می‌شود. شایان ذکر است که برای بکارگیری روش دوم، کلیه آثار پژوهشی پیش‌بینی مدت‌زمان کل و میزان تأخیر با استفاده از مدل‌های دارای ورودی‌های همزمان مشتمل بر علل (ریسک‌های) نهادی/قانونی و اقتصادی خارجی (و سایر انواع ورودی) جمع‌آوری شده‌اند. پس برای رسیدن به هدف اول، کلیه آثار مروری (بررسی اثر عوامل) و پژوهشی (ارائه مدل­های برآورد) جمع‌آوری شده‌اند و برای دستیابی به هدف دوم نیز فقط از آثار پژوهشی جمع‌آوری‌شده مربوط به هدف اول استفاده شده است.

مجموعأ فقط 7 اثر مروری و 15 اثر پژوهشی تا اواخر سال 2024 میلادی یافت شدند. برای رسیدن به هدف دوم، بر اساس قرار گرفتن یا نگرفتن هر عامل در هر یک از 15 مرجع پژوهشی (ورودی‌های مدل این مقاله)، مدلی با استفاده از روش تقویت کاهش شیب طبیعی یا NGBoost-2020 (عدم استفاده تاکنون برای نیل به هدف دوم) برای پیش­بینی درصد دقت برآورد تأخیر و مدت­زمان کل (متغیر خروجی واقعی یا هدف²² مدل این مقاله) توسط هر یک از 65 مدل ارائه­شده در مراجع پژوهشی ساخته می­شود. پس از ارائه مدل، تحلیل حساسیتی بر اساس نتایج مجموعه آموزشی²³ و مجموعه آزمایشی²⁴ به 2 روش کاهش میانگین ناخالصی²⁵ (MDI) و توضیحات افزودنی شاپلی²⁶ (SHAP) در نرم­افزار Python 3.8.2 انجام می­شود.

2. دو سؤال اصلی این پژوهش عبارتند از: 1.. تأثیر عوامل اقتصادی اولأ بر مدت­زمان اتمام و تأخیر پروژه­های ساخت ایران و سایر کشورهای در حال توسعه و ثانیأ بر دقت مدل­های برآورد بیشتر است، یا علل قانونی/نهادی؟ 2.. روش تقویت کاهش شیب طبیعی با چه درصد خطایی قادر به پیش­بینی درصد دقت تخمین مدت­زمان کل و تأخیر توسط مدل­های ارائه­شده قبلی است؟

3. فرضیه اصلی این پژوهش عبارت است از: به نظر می­رسد که میزان اثر عوامل قانونی/نهادی و اقتصادی خارجی بر مدت­زمان و تأخیر، بسیار مشابه با میزان تأثیر عوامل مذکور بر دقت پیش­بینی مدل­های برآورد تأخیر و مدت­زمان باشد.

ج) مروری بر ادبیات موضوع و شکاف‌های تحقیقاتی

ج-1- مطالعات مروری ارزیابی علل اقتصادی و نهادی/قانونی تأخیرات

1. دوردیف و حسینی (Durdyev & Hosseini, 2020) اقدام به تهیه لیستی جامع از علل تأخیر شناسایی­شده در پروژه­های ساخت جهان طی سال­های 1985 تا 2018 بر اساس تنوع در مکان جغرافیایی و نوع پروژه­ها نموده­اند (بیشتر مطالعات از کشورهای در حال توسعه).

2. سانی انیبیره و همکاران (Sanni-Anibire et al., 2022a)، مروری بر علل بسیار رایج جهانی تأخیر در صنعت ساخت طی 15 سال گذشته بر اساس تنوع در قاره و کشور انجام پروژه و نوع پروژه انجام داده­اند و برای رتبه­بندی­شان از روش شاخص اهمیت نسبی²⁷ (RII) استفاده نموده­اند.

3. سلجوک و همکاران (Selcuk et al., 2022) اقدام به مروری بر ادبیات مربوط به علل بسیار مهم تأخیر پروژه­های عمرانی در کشورهای در حال توسعه مشهور نموده­اند.

4. طارق و گردیزی (Tariq & Gardezi, 2023)، مطالعه­ای مروری بر روی تأخیرهای پروژه­های عمرانی جهان انجام داده­اند. نهایتأ بررسی بر روی 60 مرجع انتخاب­شده بر اساس تنوع در کشور اجرای پروژه و نوع پروژه انجام شده است. رتبه­بندی عوامل نیز با روش جنکس²⁸ انجام گرفته است.

5. گورگون و همکاران (Gurgun et al., 2024)، تحقیقی مروری بر روی علل تأخیر پروژه‌های ساخت جهان با اهداف شناسایی علل تأخیر، فناوری‌های بکار رفته برای جلوگیری از تأخیر و دلایل عدم جلوگیری از ایجاد تأخیرات با وجود فناوری‌های پیشرفته انجام داده‌اند. بدین منظور آثار علمی چاپ‌شده از سال 1988 تا 2021 میلادی در مشهورترین پایگاه‌های علمی بررسی شده‌اند.

6. گومز کابررا و همکاران (Gómez-Cabrera et al., 2024)، اقدام به شناسایی علل تأخیر و افزایش هزینه‌های اضافی پروژه‌های عمرانی به طور جامع‌تری در سطح جهانی در طول سال‌های 1988 تا 2022 میلادی و از طریق جستجو در مشهورترین پایگاه‌های علمی دنیا نموده‌اند (به علت تمرکز تعداد بسیار زیادی از مطالعات قبلی صرفأ بر روی منطقه‌ای خاص، نوع خاصی از پروژه‌ها و یا صرفأ بر روی افزایش هزینه یا تأخیر). نهایتأ نتیجه‌گیری کرده‌اند که علل ایجاد افزایش هزینه و تأخیر، بسیار مشابه‌اند و در 6 گروه تقسیم می‌شوند.

7. پوروشوتامان و همکاران (Purushothaman et al., 2024) برای اولین بار، اقدام به شناسایی تعاملات بین علل تأخیر در پروژه‌های عمرانی کشورهای متنوعی از جهان کرده‌اند. نهایتأ 65 علت تأخیر شناسایی‌شده در بین سال‌های 2017 تا 2023 میلادی در مقاله مذکور به 8 دسته، تقسیم و سپس با درنظرگیری ارتباطات متقابلشان رتبه‌بندی شده‌اند. ضمنأ نتیجه‌گیری شده است که 44 تا از آنها دارای ارتباطات پیچیده‌ای با همدیگر هستند.

ج-2- تحقیقات ارائه مدل­های تخمین مدت‌زمان کل و تأخیر با ورودی­های نهادی/قانونی و اقتصادی

یک نکته: در مراجع مورد بررسی در این زیربخش، برای هر نوع ریسک شناسایی­شده طبق ادبیات قبلی به عنوان ورودی، یک سطح یا اثر کلی ریسک²⁹ (طیف پنج­گانه خیلی کم تا خیلی زیاد لیکرت³⁰) بر اساس نظرسنجی از خبرگان³¹ و ذی­نفعان (با توزیع پرسش­نامه) و با ضرب فراوانی وقوع یا احتمال³² ریسک در شدت پیامد³³ آن بر تأخیر تعریف شده است.

1. گوندیا و همکاران (Gondia et al., 2020) از 51 پروژه ساخت مصر برای ارزیابی کاربرد روش­های یادگیری ماشین³⁴ (ML) در تحلیل ریسک تأخیر استفاده کرده­اند. آنها برآورد را با روش­های بیزی ساده³⁵ (NB) (بهینه) و درخت تصمیم³⁶ (DT) و در قالب یک مسئله کلاسه­بندی³⁷ با ورودی­های³⁸ شامل 9 منبع ریسک­ انجام داده­اند.

2. یاسین و همکاران (Yaseen et al., 2020) از 40 پروژه ساخت عراق با انواع گوناگون به منظور آزمایش روشی مبتنی بر بهینه­سازی پارامترهای تنظیم³⁹ در تخمین تأخیر بر اساس 8 منبع ریسک ورودی استفاده کرده­اند. آنها برای برآورد از یک مدل ترکیبی هوش مصنوعی شامل جنگل تصادفی همراه با الگوریتم ژنتیک⁴⁰ (GA) استفاده نموده­اند. نتایج انتهایی نشان از عملکرد قوی­تر مدل ترکیبی نسبت به جنگل تصادفی و مدل­های 3 مطالعه قبلی (حداقل 5% دقت برآورد بیشتر) داده­اند.

3. مدل­های ارائه­شده برای مسئله کلاسه­بندی پیش­بینی تأخیرات پروژه­های ساخت نیجریه توسط اگویم و همکاران (Egwim et al., 2021) عبارتند از: یک مدل منفرد درخت تصمیم و 3 مدل بیز ساده یا NB؛ 6 مدل گروهی جنگل تصادفی، تقویت تطبیقی یا AdaBoost با مدل (یادگیرنده) پایه⁴¹ درخت رگرسیون و کلاسه­بندی⁴² (CART)، تقویت کاهش شیب⁴³ (GBoost)، تقویت کاهش شیب اضافی⁴⁴ (XGBoost)، اجماع خود راه­انداز یا بسته­سازی⁴⁵  (Bagging) و درختان اضافی⁴⁶ (ET) و نهایتأ یک مدل گروهی ترکیبی انباشتن⁴⁷. مدل انباشتن در 2 حالت تقسیم نمونه‌ها⁴⁸ (الگوها)⁴⁹ شامل نگهدارنده⁵⁰ و اعتبارسنجی متقابل K قسمت⁵¹ (K-Fold)، کم­خطاترین مدل بوده است.

4. سنتیل و همکاران (Senthil et al., 2021) از الگوریتم سینوس کسینوس اصلاح­شده⁵² (MSCA) مبتنی بر شبکه عصبی بازگشتی عمیق⁵³ (DRNN) مدلی ترکیبی برای پیش­بینی تأخیر 100 پروژه ساخت هند استفاده نموده­اند. نهایتأ نتایج قیاس مدل ترکیبی با 4 مدل متداول قبلی نشان از بیشتر بودن حداقل 5% دقت مدل ترکیبی جدید داده­اند.

5. آیسا و کیم (Isah & Kim, 2022) اقدام به ارزیابی اثر 5 دسته ریسک پیچیده بر 207 پروژه جاده­ای کره­جنوبی با استفاده از شبکه عصبی عمیق⁵⁴ (DNN) برای اولین بار کرده­اند. نتایج قیاس شبکه عصبی عمیق با 2 مدل رایج قبلی نشان از عملکرد بهتر شبکه عصبی عمیق داده­اند.

6. خوان و لیو (Juan & Liou, 2022) از ترکیب شبکه عصبی مصنوعی با قوانین انجمنی یا ارتباطی⁵⁵ (AR) (برای محدوده­بندی متغیرها) و دلفی فازی⁵⁶ (FD) (برای تحلیل پرسش­نامه­های 18 خبره) به منظور ارائه مدلی جامع ترکیبی جهت تخمین درصد افزایش زمان نهایی نسبت به زمان اولیه پروژه­های کمتر بررسی­شده و طولانی مدرسه­سازی دولتی تایوان استفاده کرده­اند. دقت پیش­بینی نهایی شبکه عصبی برای مجموعه آزمایشی، 21/84% بدست آمده است.

7. مقائدی و وینداپو (Moghayedi & Windapo, 2022) اقدام به مدل­سازی تأثیر تجمعی منابع مختلف عدم قطعیت مثل رویدادهای مخرب (نوآوری) بر زمان کل پروژه­های بزرگراهی آفریقای جنوبی با استفاده از سیستم استنتاج عصبی-فازی تطبیقی⁵⁷ (ANFIS) نموده­اند. نتایج نهایی نشان از کاهش چشمگیر 36 درصدی خطای تخمین زمان اتمام پروژه­های بزرگراهی با درنظرگیری عدم قطعیت (93/0% خطا) نسبت به حالت قطعی (92/36% خطا) داده­اند. ضمنأ تأثیر رویدادهای مخرب بر زمان، 73/43% بدست آمده است.

8. سانی انیبیره و همکاران (Sanni-Anibire et al., 2022b) از روش­های یادگیری ماشین منفرد شامل شبکه عصبی مصنوعی (بهینه برای مجموعه آزمایشی)، K نزدیک­ترین همسایه⁵⁸ (KNN) و ماشین بردار پشتیبان⁵⁹ (SVM) و روش‌های گروهی رأی­گیری⁶⁰ و انباشتن به منظور ارزیابی اثرات 5 کلاس ریسک ورودی بر میزان تأخیر پروژه­های ساختمان­سازی بلند مرتبه (برای اولین بار) در کشورهای عربی حوزه خلیج فارس استفاده کرده­اند.

9. لابل و همکاران (Lauble et al., 2023) از روش گروهی تقویت طبقه­بندی⁶¹ (CatBoost) با یادگیرنده پایه درخت رگرسیون و کلاسه­بندی به منظور قیاس با شهود متخصصین برای تخمین مدت­زمان پروژه‌های دولتی آمریکا در مرحله پیش­طراحی استفاده نموده­اند. مدل­سازی با ورودی­های شامل 10 ویژگی مبتنی بر پروژه (پروژه­محور، داخلی)، 4 ویژگی مربوط به تغییرات بودجه و مدت­زمان، 65 ویژگی اقتصادی و 2 شاخص جهانی نهادی انجام شده است. مقایسه نتایج نهایی در 4 حالت نشان از عملکرد خیلی بهتر تقویت طبقه­بندی از لحاظ دقت و نوسان در برآورد داده­اند. آن 4 حالت عبارتند از: با یا بدون ورودی­های مربوط به ویژگی­های تغییرات پروژه­ای و با یا بدون ورودی­های مرتبط با عوامل خارجی (به ترتیب، حالات اول تا چهارم). در بهترین حالت یعنی حالت اول، خطا نسبت به حالت چهارم، بیشتر از نصف شده است. ضمنأ در حالت سوم نسبت به حالت دوم، خطا به میزان 36/1% کاهش یافته است. این نتیجه نشان­دهنده اهمیت بیشتر عوامل خارجی نسبت به عوامل پروژه­محور نشان­دهنده تغییرات است.

10. شیرازی و طوسی (Shirazi & Toosi, 2023) از شبکه عصبی پرسپترون چندلایه عمیق⁶² (DMLP) برای تخمین تأخیر (استفاده برای اولین بار) در پروژه‌های سدسازی ایران به صورت مسئله کلاسه­بندی و با بکارگیری مهمترین ریسک‌ها در کنار 2 مشخصه پروژه­محور (درنظرگیری همزمان، برای اولین بار) شامل مدت­زمان برنامه­ریزی­شده⁶³ (PD) پروژه و نوع مصالح استفاده نموده­اند. نتایج نهایی قیاس شبکه عصبی پرسپترون چندلایه عمیق با مدل­های پرکاربرد قبلی مثل شبکه عصبی پرسپترون چندلایه سطحی⁶⁴ (SMLP) نشان از برتری مدل جدید داده­اند (برای کل مجموعه داده پس از استفاده به عنوان مجموعه آزمایشی به روش K(=5) قسمت). ضمنأ دقت شبکه عصبی پرسپترون چندلایه عمیق در 3 حالت همه ورودی­ها، عدم بکارگیری 2 مشخصه پروژه­محور و عدم بکارگیری جستجوی شبکه به ترتیب برابر با 36/94%، 70/83% و 48/80% بدست آمده است. تحلیل حساسیت نیز طبق خروجی­های جنگل تصادفی و با استفاده از روش امتیازبندی اهمیت ویژگی⁶⁵ (FIS) انجام شده است.

1. کک (Koc, 2023) برای اولین بار از 1.. روش تحلیل حساسیت یا SA دقیقی تحت عنوان توضیحات افزودنی شاپلی یا SHAP، 2.. الگوریتم‌های نمونه‌گیری مجدد⁶⁶ (مورد استفاده برای جبران تعداد کم پروژه‌های شکست‌خورده در میان کلیه پروژه‌های مدل‌سازی) و 3.. روش هوش مصنوعی جنگل تصادفی یا RF برای پیش‌بینی وقوع شکست (فسخ) قرارداد پروژه‌های مشارکت دولتی-خصوصی یا PPP اجراشده در بین سال‌های 1990 تا 2021 میلادی در سراسر جهان استفاده نموده‌اند. نتایج نهایی نشان از برتری روش نمونه‌گیری ترکیبی ماشین بردار پشتیبان یا SVM و اقلیت مصنوعی⁶⁷ (SMOTE) با دقت یا Precision برابر با 80/94% داده‌اند.

12. اگویم (Egwim et al., 2024) اقدام به تخمین وقوع یا عدم وقوع تأخیر در انواع گوناگونی از پروژه‌های ساخت کشورهای مختلف جهان با استفاده از 9 گروه ریسک تأخیر (به عنوان ورودی‌ها) نموده است. از روش محدوده بین چارکی⁶⁸ (IQR) برای حذف داده‌های پرت⁶⁹ استفاده شده است. روش‌های مدل‌سازی منفرد یا Single مورد استفاده و دقتشان عبارتند از: درخت تصمیم یا DT (58%)، رگرسیون لجستیک⁷⁰ (LR) (67%)، K نزدیک­ترین همسایه یا KNN (63%)، ماشین بردار پشتیبان یا SVM (63%)، شبکه عصبی پرسپترون یا MLP (75%)، شبکه عصبی تابع پایه شعاعی⁷¹ (RBFN) (75%) و شبکه عصبی کاملأ متصل⁷² (FCNN) (79%). روش‌های گروهی یا Ensemble بکار رفته نیز عبارتند از: جنگل تصادفی یا RF (63%)، تقویت کاهش شیب یا GBoost (67%)، تقویت کاهش شیب اضافی یا XGBoost (67%)، درختان اضافی یا ET (75%)، تقویت تطبیقی یا سازگار یا AdaBoost (63%)، بیزی ساده یا NB (71%) و تقویت کاهش شیب سبک⁷³ (LGBoost) (67%). پس مدل بهینه، FCNN بدست آمده است. ضمنأ استفاده نویسنده از توضیحات افزودنی شاپلی یا SHAP سبب افزایش تفسیرپذیری و شفافیت توضیحات مربوط به مدل بهینه‌اش شده است.

13. ماوی و همکاران (Mavi et al., 2024) اقدام به پیش‌بینی موفقیت انواع متنوعی از پروژه‌های ساخت متوسط و بزرگ در استرالیا و نیوزلند در مراحل اولیه و قبل از شروع پروژه با استفاده از سیستم استنتاج عصبی-فازی تطبیقی یا ANFIS و اعتبارسنجی متقابل K قسمت یا K-Fold نموده‌اند. 5 خروجی مدل پیش‌بینی بر خلاف همه مطالعات قبلی شامل میانگین 19 معیار موفقیت (تقسیم‌شده در 5 گروه) بوده است. 9 ورودی آن نیز میانگین 53 عامل موفقیت (تقسیم‌شده در 9 گروه) بوده‌اند. شایان ذکر است که میزان اثرگذاری عوامل بر موفقیت پروژه و میزان موفقیت پروژه در هر معیار خاص توسط 142 مدیر پروژه، بر اساس یک پروژه اخیرأ پایان‌یافته آنها و در بازه‌ای بین 0 تا 100 تعیین شده است. نهایتأ مدل ANFIS با مدل‌های رایج در این حوزه شامل رگرسیون لجستیک یا LR، درخت تصمیم یا DT، جنگل تصادفی یا RF و ماشین بردار پشتیبان یا SVM مقایسه شده است؛ که مقادیر قدرمطلق میانگین درصد خطا⁷⁴ (MAPE) برای مجموعه آزمایشی به ترتیب برابر با 57/2% (بهینه)، 66/4%، 40/5%، 89/3% و 44/3% بدست آمده‌اند.

14. اوانسریمانگ و ویسایانگ (Ouansrimeang & Wisaeang, 2024) اقدام به مقایسه 4 الگوریتم یادگیری ماشین بسیار محبوب شامل شبکه عصبی عمیق یا DNN، شبکه عصبی یا ANN، درخت تصمیم یا DT و بیزی ساده یا NB با روش رتبه‌بندی شاخص اهمیت نسبی یا RII (روشی بسیار پرکاربرد برای رتبه‌بندی علل تأخیر پروژه‌های ساخت از طریق اختصاص وزن بر اساس نظرات خبرگان در پرسش‌نامه‌ها) در پیش‌بینی وقوع یا عدم وقوع تأخیر (با هدف شناسایی و رتبه‌بندی علل تأخیر بر اساس وزن اختصاص‌ داده‌شده طبق نظرات خبرگان در پرسش‌نامه‌ها) در پروژه‌های ساخت دولتی کشور در حال توسعه تایلند به طور جامع‌تری نسبت به تحقیقات قبلی نموده‌اند. درصد دقت یا Accuracy هر 5 روش به ترتیب 79/90% (بهینه)، 26/90%، 26/85%، 68/68% و 70/77% بدست آمده است.

15. یانگ و همکاران (Yang et al., 2024) اقدام به ارائه اولین مدل با روش گروهی انباشتن یا Stacking (دارای مدل پایه ماشین بردار پشتیبان یا SVM) جهت پیش‌بینی طبقه‌بندی ریسک‌های پروژه‌های پروژه­های مشارکت دولتی-خصوصی یا PPP تصفیه آب با استفاده از 2 گروه ریسک‌های اولیه (17 ریسک مشترک با ادبیات قبلی) و 12 ریسک جدید منحصر به هر پروژه در هر کشور (با شرایط اقتصادی و اجتماعی منحصر بفرد) و هر نوع محیط زیست منحصر بفرد (یک شکاف دیگر ادبیات قبلی) نموده‌اند. آنها مدل خود را جهت مقایسه با روش‌های برتر قبلی در این حوزه شامل درخت رگرسیون و کلاسه­بندی یا CART، K نزدیک­ترین همسایه یا KNN، بیزی ساده یا NB، SVM و تجزیه و تحلیل تشخیص خطی⁷⁵ (LDA) بر روی پروژه کل سیستم تصفیه آب شهر جیوجیانگ چین (شروع پروژه از 2018 میلادی) آزمایش کرده‌اند. درصدهای دقت یا Accuracy بدست آمده برای هر مدل به ترتیب فوق عبارتند از: 25/90% (بهینه)، 51/82%، 32/85%، 78/87%، 67/84% و 69/84%.

ج-3- خلاصه و نتایج مهم مرتبط با بررسی کلیه تحقیقات قبلی

خلاصه پیشینه مرتبط با اهداف اصلی این مقاله، در جدول شماره (1) قابل مشاهده است:

جدول شماره (1): خلاصه بخش مروری بر ادبیات موضوع کلیه کشورها (بیشتر در حال توسعه)

مرجع (سال چاپ)	تعداد پروژه­ها یا تعداد مراجع و کشورهای بررسی­شده	تعداد علل و ریسک­های تأخیر شناسایی­شده	ریسک­های اقتصادی خارجی و (رتبه)	ریسک­های قانونی و نهادی خارجی و (رتبه)
(Durdyev & Hosseini, 2020)	97 مرجع (جهان- بیشتر در حال توسعه)	149	تورم	کندی صدور مجوزها76
(Sanni-Anibire et al., 2022a)	63 مرجع (جهان)	36	نوسانات قیمت­ها77 (18)	کندی صدور مجوزها (27) و تغییر قوانین دولتی (33)
(Selcuk et al., 2022)	70 مرجع (33 کشور در حال توسعه)	30	تورم، نوسانات (افزایش) ارز (20)	کندی صدور مجوزها (21)
(Tariq & Gardezi, 2023)	172 مرجع (جهان)	43	تورم و نوسانات قیمت­ها (11)	کندی صدور مجوزها (11)
(Gurgun et al., 2024)	208 مقاله (جهان)	79	نوسانات قیمت­ها	کندی صدور مجوزها و تغییر قوانین دولتی
(Gómez-Cabrera et al., 2024)	73 مرجع (جهان)	93	تورم و نوسانات قیمت­ها	کندی صدور مجوزها
(Purushothaman et al., 2024)	47 مرجع (جهان)	65	تورم و نوسانات قیمت­ها	کندی صدور مجوزها (6) و تغییر قوانین دولتی (14)
(Gondia et al., 2020)	51 پروژه (مصر)	59	نوسانات قیمت­ها	کندی صدور مجوزها و تغییر قوانین دولتی
(Yaseen et al., 2020)	40 پروژه (عراق)	37	تورم	تغییر قوانین دولتی
(Egwim et al., 2021)	120 پرسش­نامه (نیجریه)	24	تورم (2) و نوسانات قیمت­ها (20)	تغییر قوانین دولتی (8)
(Senthil et al., 2021)	100 پروژه (هند)	10 منبع ریسک	تورم و نوسانات قیمت­ها	کندی صدور مجوزها
(Isah & Kim, 2022)	207 پروژه (کره جنوبی)	14	تورم و نوسانات (افزایش) ارز	کندی صدور مجوزها و تغییر قوانین دولتی
(Juan & Liou, 2022)	62 پروژه (تایوان)	36	-	کندی صدور مجوزها (10)
(Moghayedi & Windapo, 2022)	یک مطالعه موردی (آفریقای جنوبی)	76	نوسانات قیمت­ها و نوسانات نرخ ارز	تغییر قوانین دولتی
(Sanni-Anibire et al., 2022b)	48 پرسش­نامه (کشورهای عربی حوزه خلیج فارس)	36	نوسانات قیمت­ها	تغییر قوانین دولتی (جزء 18 ریسک اول) و کندی صدور مجوزها
(Lauble et al., 2023)	367 پروژه (آمریکا)	65	شاخص­های جهانی اقتصاد کلان	تعداد مجوزهای ساختمانی و شاخص­های جهانی دیگر (نهادی)
(Shirazi & Toosi, 2023)	53 پروژه (ایران)	65	تورم (65)	کندی صدور مجوزها (7) و تغییر قوانین دولتی (36)
(Koc, 2023)	11055 پروژه (217 کشور جهان)	51	تورم (11) و نوسانات نرخ ارز (10)	تغییر قوانین دولتی
(Egwim, 2024)	324 پرسش‌نامه (جهان)	52	تورم (31) و نوسانات قیمت­ها (7)	کندی صدور مجوزها (12) و تغییر قوانین دولتی (14)
(Mavi et al., 2024)	142 پرسش‌نامه (استرالیا و نیوزلند)	53	-	تغییر قوانین دولتی (3)
(Ouansrimeang & Wisaeang, 2024)	380 پرسش‌نامه (تایلند)	24	تورم (12)	کندی صدور مجوزها (19)
(Yang et al., 2024)	پروژه کلی PPP تصفیه آب یک شهر (چین)	29	تورم	تغییر قوانین دولتی

 

در حوزه بررسی­شده مقاله حاضر بر اساس جدول شماره (1)، تنها 22 مرجع و آن هم اخیرأ (تعداد بسیار کمی مرجع و شروع چاپ از سال 2020) در انتشارات پر ارجاع جهان چاپ شده‌اند (غالبأ از کشورهای در حال توسعه خصوصأ قاره­های آفریقا و آسیا). از این 22 مرجع، 15 مطالعه در مورد ارائه مدل‌های پیش­بینی و 7 پژوهش به صورت مروری و تحلیلی هستند. این نتیجه در کنار تأکید مراجع مروری بررسی علل تأخیر (4 مرجع مروری اول مورد بررسی در این مقاله) بر عدم وجود هیچ­گونه اتفاق نظری میان پژوهشگران بر سر طبقه‌بندی، تعداد و نوع علل نشان از اهمیت زیاد موضوع می­دهند.

ج-4- شکاف­های تحقیقات قبلی

در بین 22 تحقیق یافت­شده، دو شکاف عمده وجود دارد: 1. عدم بررسی آثار مطرح مروری و پژوهشی به منظور شناسایی و رتبه‌بندی رایج‌ترین (دارای بیشترین فراوانی) و مؤثرترین علل اقتصادی خارجی و علل قانونی/نهادی خارجی (همزمان در کنار هم) اثرگذار بر مدت‌زمان کل و تأخیر پروژه‌های عمرانی و 2. عدم بکارگیری تنها مدل گروهی- احتمالاتی یعنی تقویت کاهش شیب طبیعی یا NGBoost برای تعیین میزان اثر عوامل فوق‌الذکر به طور همزمان.

شایان ذکر است که با توجه به بهینه شدن 4 روش مبتنی بر تقویت در اکثریت غالب تحقیقات بکارگیری این روش­ها یعنی در (Egwim et al., 2021) و (Lauble et al., 2023)، روش NGBoost برای برآورد درصد دقت مدل­های پیشین تخمین تأخیر و مدت­زمان کل پروژه­ها بسیار مناسب است. علت انتخاب مدل NGBoost، تنها روش مدل‌سازی دارای دو مزیت همزمان 1. گروهی یا Ensemble بودن (ارائه نتایج برآورد دقیق‌تر در قیاس با مدل‌های منفرد یا Single به دلیل بکارگیری ترکیبی بهینه از مقادیر خروجی برآوردشده چند مدل منفرد) و 2. احتمالاتی یا Probabilistic بودن (ارائه نتایج برآورد در بستر احتمالاتی یعنی به صورت میانگین یا Mean توزیع نرمال) است. لذا برای درنظرگیری شرایط نامشخص، همراه با تغییرات زیاد و محیط ناپایدار پروژه­های عمرانی کشورهای در حال توسعه مثل ایران، بسیار مناسب است.

ضمنأ از 22 تحقیق یافت­شده، فقط مرجع (Shirazi & Toosi, 2023) در مورد تأخیر پروژه­های ساخت ایران (53 پروژه سدسازی) بوده است؛ که دقت 36/94 درصدی از مدل شبکه عصبی پرسپترون چندلایه عمیق یا DMLP با ورودی­های مشتمل بر 65 ریسک خارجی از جمله ریسک­های قانونی/نهادی و اقتصادی برای برآورد میزان تأخیر بدست آمده است. نکته بسیار مهم در رابطه با شکاف دوم مطالعات قبلی، نیاز به مقایسه این میزان دقت با دقت مدل NGBoost است؛ که بتوان راجع به میزان و ترتیب اثرگذاری ریسک­های مذکور بر خود تأخیر و مدت­زمان کل پروژه‌های ساخت ایران در قیاس با جهان و همچنین در قیاس با اثرگذاری‌شان بر دقت مدل­های برآورد نتیجه­گیری کرد.

همچنین در مرجع (Shirazi & Toosi, 2023)، ریسک­های کندی صدور مجوزها، تغییرات قوانین و مقررات دولتی و تورم در بین 65 ریسک ورودی مدل شبکه عصبی پرسپترون چندلایه عمیق یا DMLP به ترتیب رتبه­های 7، 36 و 65 را کسب نموده­اند. لذا یکی از نتیجه­گیری‌های بسیار مهم مربوط به شکاف اول مطالعات قبلی عبارت است از: در قیاس بین عوامل اقتصادی با قانونی/نهادی خارجی برای پروژه­های عمرانی ایران، علل نهادی/قانونی پیشتازند (به ترتیب فوق­).

2- روش­شناسی پژوهش

الف) بررسی اثر علل نهادی/قانونی و اقتصادی خارجی بر اساس رتبه­بندی آنها در مطالعات قبلی

به منظور تعیین میزان اثر و اهمیت عوامل اقتصادی و نهادی/قانونی خارجی بر تأخیر و مدت­زمان کل پروژه­های ساخت کشورهای جهان (بیشتر در حال توسعه)، ابتدا رایج­ترین و مؤثرترین عوامل بدست آمده در 22 پژوهش قبلی جمع­آوری شده­اند و سپس رتبه آنها از 12 مرجع دارای نتایج رتبه­بندی، استخراج گردیده است.

بر اساس رتبه­ها، محاسبه شده است که هر عامل، جزء چند درصد عوامل متداول برتر در هر یک از 12 پژوهش قرار گرفته است. نهایتأ از میانگین درصدهای بدست آمده برای هر عامل، رتبه آن عامل در میان مجموع همه عوامل ذکرشده در 12 تحقیق، محاسبه شده است. درصدهای برتر مربوط به 2 گروه اقتصادی و نهادی/قانونی خارجی نیز از میانگین درصدهای برتر عوامل مربوط به هر گروه بدست آمده است.

ب) پیش­بینی درصد دقت مدل­های قبلی با استفاده از تقویت کاهش شیب طبیعی و تحلیل حساسیت

ب-1- معرفی روش­های انتخابی مدل­سازی، نرمال­سازی داده­ها⁷⁸ و تحلیل حساسیت

1. روش گروهی تقویت کاهش شیب طبیعی یا NGBoost (2020)، توسعه­­یافته توسط دوان و همکاران (Duan et al., 2020) و بر اساس اولین روش مجموعه روش­های مدل­سازی تقویت یعنی تقویت کاهش شیب یا همان GBoost (2001) است. در این روش، خروجی تخمین­زده­شده به صورت 2 مشخصه اصلی توزیع نرمال یعنی میانگین و انحراف معیار یا Standard Deviation ارائه می­گردد. برای بهینه­سازی مدل­های متوالی مرتبط با NGBoost نیز از روش­های قوانین امتیاز⁷⁹ مثل روش تابع برآورد حداکثر شانس⁸⁰ (MLE) استفاده می­شود. شایان ذکر است که یادگیرنده پایه مدل گروهی NGBoost، همانند بسیاری از مدل­های تقویت ارائه­شده در تحقیقات قبلی، مدل ضعیف درخت رگرسیون و کلاسه­بندی یا CART انتخاب شده است؛ که نمونه­ها را بر اساس مشابهت محدوده مقادیر ورودی­ها طبقه­بندی کرده و سپس درخت­های تصمیم را ترسیم می­نماید.

2. نرمال­سازی داده­ها با توجه به مقادیر 0 و 1 ورودی­ها و مقادیر درصدی متغیر خروجی واقعی، لزومی ندارد.

3. برای تحلیل حساسیت یا SA یعنی تعیین میزان اثر هر یک از ورودی­ها بر خروجی واقعی مدل NGBoost، از 2 روش کاهش میانگین ناخالصی یا MDI و توضیحات افزودنی شاپلی یا SHAP (روش‌هایی بسیار پر کاربرد در Python) استفاده می­گردد. بدین طریق تأثیر و اهمیت هر یک از عوامل اقتصادی و نهادی/قانونی خارجی بر دقت پیش­بینی مدل­های هوش مصنوعی قبلی معلوم می­شود. شایان ذکر است که علت انتخاب SHAP طبق مرجع بسیار معتبر (Koc, 2023) شامل 2 مورد است: 1.. عملکرد دقیق‌تر آن به دلیل درنظرگیری اثر متقابل⁸¹ ورودی‌ها بر همدیگر در تعیین میزان اثرگذاری هر یک بر متغیر خروجی واقعی (یعنی درنظرگیری اثرات پیچیده‌تری از ورودی‌ها در تحلیل) و 2.. افزایش تفسیرپذیری⁸² و شفافیت⁸³ مدل‌های جعبه سیاه (مدل‌های فاقد تحلیل اثر).

ب-2- انتخاب متغیرها و نمونه­ها و بررسی داده‌های پرت⁸⁴ 

1. متغیرهای ورودی مدل NGBoost، استفاده (عدد 1) یا عدم استفاده (عدد 0) از متداول­ترین علل نهادی/قانونی و اقتصادی بکار گرفته‌شده به عنوان ورودی‌های مدل(‌ها) در 15 اثر پژوهشی پیش­بینی مدت­زمان کل و تأخیر پروژه‌های ساخت در نظر گرفته شده­اند. خروجی واقعی آن نیز درصد دقت برآورد مدل(های) ارائه­شده در هر یک از 15 اثر پژوهشی در نظر گرفته شده است.

2. تعداد کل نمونه­ها (الگوها) برابر با 65 است؛ یعنی مجموعأ 65 مدل در 15 تحقیق یافت­شده ارائه شده­اند. کشورهای مورد مطالعه در 15 پژوهش انجام­شده در بین سال­های 2020 تا 2024 میلادی، در جدول شماره (1) مشخص شده­اند (غالبأ در حال توسعه). فقط یک تحقیق با اطلاعات پروژه­های ایران (سدسازی) انجام شده است. کمترین و بیشترین مقادیر متغیر خروجی واقعی (درصد دقت یا Accuracy یا Precision) نیز به ترتیب برابرند با 50/43% و 07/99%. شایان ذکر است که درصد دقت مدل­های رگرسیونی از فرمول (MAPE – 100) بدست آمده است.

3. تعداد تکرارها در هر 10% فاصله بین مقادیر خروجی واقعی عبارتند از: (50-40%)=4، (60-50%)=3، (70-60%)=12، (80-70%)=17، (90-80%)=14 و (100-90%)=15. لذا مقادیر درصد دقت متنوع­اند و داده پرت وجود ندارد.

ب-3- تقسیم­بندی الگوها (نمونه­ها) و معیارهای انتخاب الگوهای آزمایشی

1. تعداد و درصد نمونه­های مجموعه­های آزمایشی و آموزشی به ترتیب برابر با 13 (20%) و 52 (80%) انتخاب شده است. 2. معیارهای انتخاب الگوهای آزمایشی (مدل‌های استفاده‌شده در مطالعات قبلی که برای مجموعه آزمایشی مدل این مقاله انتخاب شده‌اند) نیز عبارتند از: 1.. تنوع کشورها (از 4 کشور- همه الگوها از یک کشور نباشند)؛ 2.. تنوع روش­های مدل­سازی (حداقل 10 روش- همه مدل‌ها با یک روش ساخته نشده نباشند)؛ 3.. انتخاب قطعأ یک مدل از مرجع (Shirazi & Toosi, 2023) در مجموعه آزمایشی برای بررسی دقیق‌تر اثر عوامل و دقت مدل NGBoost برای ایران؛ 4.. انتخاب تنها مدل مرجع (Juan & Liou, 2022) در مجموعه آزمایشی با هدف عدم وجود مدلی از مرجع مذکور در مجموعه آموزشی جهت سنجش دقیق‌تر قابلیت تعمیم مدل NGBoost)؛ 5.. انتخاب چندین مدل از مراجع چاپ‌شده در سال 2024 در مجموعه آزمایشی به منظور سنجش قابلیت تعمیم مدل NGBoost برای نمونه‌های جدیدتر و 6.. تصادفی بهینه یعنی با درنظرگیری 5 شرط بالا، تغییر مجموعه هر یک از نمونه‌ها تا آخرین حد ممکن تا بهترین نتیجه برای نمونه­های هر 2 مجموعه آموزشی و آزمایشی حاصل گردد.

ب-4- معیارهای ارزیابی عملکرد و محدوده‌بندی‌های کیفی مقادیر آنها

1. معیارهای ارزیابی دقت و خطای مدل NGBoost عبارتند از: خطای جذر میانگین مربعات⁸⁵ (RMSE) [رابطه (1)]، ضریب همبستگی⁸⁶ (R) و ضریب تعیین⁸⁷ (R²) [رابطه (2)]، خطای قدرمطلق میانگین⁸⁸ (MAE) [رابطه (3)] و قدرمطلق میانگین درصد خطا یا MAPE [رابطه (4)].

2. محدوده­بندی­هایی برای سنجش دقیق‌تر مدل­ها در مقاله پر استناد و کاملأ مشابه (Elmousalami, 2020) استفاده شده است. این محدوده­بندی برای معیار MAPE عبارت است از: زیر 10% (عالی یا Excellent)، بین 10% تا 20% (خوب یا Good)، بیشتر از 20% تا 50% (قابل قبول یا Acceptable) و بیشتر از 50% (بی­دقت یا Inaccurate).

این محدوده­بندی برای معیار R² نیز 9/0 و بیشتر (خیلی خوب یا Very Good)، 8/0 تا 89/0 (خوب یا Good)، 50/0 تا 79/0 (رضایت­بخش یا Satisfactory) و کمتر از 50/0 (ضعیف یا Poor). این محدوده­بندی برای معیار R، حداقل 80/0 (همبستگی زیاد یا High Correlation) و برابر با 30/0 (همبستگی پایین یا Low Correlation) است.

که در آنها،  مقدار خروجی واقعی نمونه iام،  مقدار تخمینی مدل برای خروجی الگوی iام،  میانگین ساده مقادیر ،  میانگین ساده مقادیر  و n تعداد نمونه­های یک مجموعه (آموزشی یا آزمایشی) است.

3- نتایج و بحث

الف) بررسی اثر علل نهادی/قانونی و اقتصادی خارجی با استفاده از رتبه­بندی آنها در مطالعات قبلی

طبق جدول شماره (1) و نتایج بدست آمده از همه کشورها (بیشتر در حال توسعه)، مهمترین علل اقتصادی خارجی تأخیر شامل 1. تورم، 2. نوسانات قیمت­ها و 3. نوسانات نرخ ارز هستند. همچنین رایج‌ترین علل قانونی/نهادی خارجی تأخیر شامل 4. کندی صدور پروانه­های ساخت و 5. تغییر مقررات دولتی هستند. شکل شماره (1)، رتبه­بندی هر یک از 5 علت متداول موجود در 12 مطالعه دارای رتبه­بندی را با هدف مقایسه میزان اهمیت و اثر 5 علت نشان می‌دهد.

مطابق با شکل شماره (1) و طبق میانگین رتبه­های اثرگذاری بدست آمده، درصدهای قرارگیری هر یک از 5 علت به ترتیب پاراگراف قبلی، جزء رایج‌ترین عوامل برتر (با بیشترین تأثیر) حدودأ عبارتند از: (67، 26، 6، 100، 22، 50 و 60)، (50، 26، 59 و 13)، (67 و 20)، (75، 70، 26، 28، 11، 79، 23 و 9) و (92، 24، 50، 55، 27، 22 و 6). پس 5 علت به ترتیب پاراگراف قبلی و بر اساس میانگین درصدهای فوق‌الذکر، جزء 47%، 37%، 44%، 40% و 39% اول رایج­ترین و مؤثرترین علل تأخیرات پروژه­های عمرانی ایران و کشورهای بسیار مشابه­اش قرار می‌گیرند [شکل شماره (2)]. بر این اساس و از محاسبه میانگین درصدهای برتر هر یک از علل مربوط به 2 گروه عوامل اقتصادی و قانونی/نهادی، آن 2 گروه به ترتیب جمله فوق، جزء 43% و 40% علل برتر مؤثر بر تأخیرات قرار می­گیرند [شکل شماره (2)].

بر اساس شکل شماره (2)، تأثیرگذارترین علل بر مدت­زمان کل و تأخیر پروژه­های عمرانی جهان (بیشتر در حال توسعه) به ترتیب شامل نوسانات قیمت­ها، تغییر مقررات، کندی صدور پروانه­ها، نوسانات نرخ ارز و تورم هستند (نتیجه اول هدف اصلی اول). همچنین تأثیرگذارترین گروه علل شامل نهادی/قانونی در قیاس با گروه علل اقتصادی هستند. پس علل نهادی/قانونی از لحاظ رتبه­بندی گروهی، 3% تأثیر و اهمیت بیشتری نسبت به عوامل اقتصادی در مورد افزایش تأخیرات پروژه­های ایران و سایر کشورهای بسیار مشابه­اش دارند (نتیجه دوم هدف اصلی اول). ضمنأ مهمترین ریسک­های نهادی/قانونی و اقتصادی در مقاله (Shirazi & Toosi, 2023) بر اساس رتبه آنها میان 65 ریسک و در مقایسه با یکدیگر نیز به ترتیب شامل کندی صدور پروانه‌ها، تغییر مقررات و تورم هستند. لذا نتیجه سوم هدف اصلی اول عبارت است از: میزان اهمیت و اثر این ریسک­ها در ایران، بسیار مشابه با سایر کشورهای جهان (بیشتر در حال توسعه) است.

 

 

شکل شماره (1)- تعداد کل علل و رتبه 5 علت اقتصادی و نهادی/قانونی رایج ذکرشده در 12 مطالعه دارای رتبه‌بندی

 

 

شکل شماره (2): درصدهای قرارگیری هر علت و دو گروه علل رایج در میان مؤثرترین عوامل تأخیر

 

ب) پیش­بینی درصد دقت مدل­های قبلی با استفاده از تقویت کاهش شیب طبیعی و تحلیل حساسیت

پس از تنظیم فراپارامترها⁸⁹ از طریق روش سعی و خطا و اتمام مراحل ساخت و آزمایش مدل NGBoost در نرم‌افزار Python، مقادیر بهینه تنظیمات مشخص گردید. فراپارامترهای اثرگذار و مقادیر بهینه­شان عبارتند از: random_state = 0، n_estimators = 50، minibatch_frac = 1.0 و learning_rate = 0.1. مقادیر معیارهای ارزیابی نیز در جدول شماره (2) و شکل شماره (3) نمایش داده شده است. مقادیر خروجی برآوردشده و قدرمطلق میانگین درصد خطا یا MAPE برای نمونه­های آزمایشی نیز در جدول شماره (3) و شکل شماره (4) نشان داده شده است.

1. بر اساس جدول شماره (2) و شکل شماره (3) می­توان نتیجه گرفت که عملکرد آموزش مدل در حد خوب و با همبستگی متوسط است. لذا مدل، بیش از حد⁹⁰ بر روی نمونه­های آموزشی متمرکز نشده است و قابلیت تعمیم آن برای مجموعه آزمایشی در حد عالی و با همبستگی زیاد بدست آمده است.

جدول شماره (2): نتایج مدل تقویت کاهش شیب طبیعی و درجه­بندی کیفی نتایج [طبق مقاله (Elmousalami, 2020)]

	رابطه (1)
	رابطه (2)
	رابطه (3)
	رابطه (4)

نام معیار ارزیابی نام مجموعه	RMSE (%)	R²	درجه R² طبق (Elmousalami, 2020)	R	درجه R طبق (Elmousalami, 2020)	MAE (%)	MAPE (%)	درجه MAPE طبق (Elmousalami, 2020)
آموزشی	74/10	501/0	بین 5/0 تا 79/0؛ رضایت­بخش	708/0	کمتر از 8/0 و بیشتر از 3/0؛ همبستگی متوسط	68/7	53/11	بین 10% تا 20%؛ خوب
آزمایشی	23/3	781/0	بین 5/0 تا 79/0؛ رضایت­بخش	884/0	بیشتر از 8/0؛ همبستگی زیاد	45/2	17/3	کمتر از 10%؛ عالی

 

 

شکل شماره (3): مقادیر معیارهای ارزیابی دقت مدل تقویت کاهش شیب طبیعی برای مجموعه‌های آموزشی و آزمایشی

 

جدول شماره (3): مقادیر هدف و خروجی برآوردشده مدل تقویت کاهش شیب طبیعی برای مجموعه آزمایشی و درجه­بندی کیفی MAPE

ورودی­ها/هدف نام و مرجع مدل	خروجی واقعی (هدف) (%)	خروجی برآوردشده مدل (%)	MAPE (%)	درجه MAPE طبق (Elmousalami, 2020)
جنگل تصادفی یا RF؛ (Egwim et al., 2021)	50/72	83/73	84/1	کمتر از 10%؛ عالی
درختان اضافی یا ET؛ (Egwim et al., 2021)	76	83/73	85/2	عالی
تقویت تطبیقی یا AdaBoost؛ (Egwim et al., 2021)	50/74	83/73	89/0	عالی
بیزی ساده گؤسی91 (GNB)؛ (Egwim et al., 2021)	76	83/73	85/2	عالی
بیزی ساده چند جمله­ای92 (MNB)؛ (Egwim et al., 2021)	75	83/73	56/1	عالی
شبکه عصبی-قوانین انجمنی-دلفی فازی یا ANN-AR-FD؛ (Juan & Liou, 2022)	21/84	57/76	07/9	عالی
بیزی ساده یا NB؛ (Shirazi & Toosi, 2023)	94/87	60/89	89/1	عالی
رگرسیون لجستیک یا LR؛ (Egwim, 2024)	67	51/68	25/2	عالی
بیزی ساده گؤسی یا GNB؛ (Egwim, 2024)	71	51/68	51/3	عالی
تقویت کاهش شیب اضافی یا XGBoost؛ (Egwim, 2024)	67	51/68	25/2	عالی
شبکه عصبی تابع پایه‌ای شعاعی یا RBF؛ (Egwim, 2024)	75	51/68	65/8	عالی
انباشتن تحلیل تشخیص خطی یا SLDA؛ (Yang et al., 2024)	69/84	91/84	26/0	عالی
انباشتن بیزی ساده یا SNB؛ (Yang et al., 2024)	78/87	91/84	27/3	عالی

 

 

شکل شماره (4): مقادیر قدرمطلق میانگین درصد خطا یا MAPE مدل تقویت کاهش شیب طبیعی برای مجموعه آزمایشی

 

2. مطابق با جدول شماره (3) و شکل شماره (4)، عملکرد و قابلیت تعمیم مدل NGBoost برای همه 13 نمونه آزمایشی در حد عالی یا Excellent است. شایان ذکر است که شروط تنوع تعداد مراجع، سال چاپشان (2021 تا 2024 - بکارگیری حدودأ نیمی از نمونه‌های آزمایشی یعنی 6 مدل قبلی از سال 2024 به منظور سنجش قابلیت تعمیم مدل NGBoost برای داده‌های جدیدتر)، تعداد کشورها و تعداد روش­های مدل­سازی در انتخاب مدل‌های مجموعه آزمایشی رعایت شده است. همچنین شرط قرار دادن مدلی در مجموعه آزمایشی از یک مرجع فاقد مدل در مجموعه آموزشی برای اندازه‌گیری درجه بالاتری از قابلیت تعمیم مدل NGBoost برای داده‌های بدون مورد مشابه در آموزش رعایت شده است. مقدار معیار MAPE برای تنها مدل با شرط فوق [ارائه‌شده در مرجع (Juan & Liou, 2022)] در محدوده عالی یا Excellent بدست آمده است. پس نتایج کاملأ قابل اعتماد و قابلیت تعمیم مدل NGBoost بسیار بالا است.

3. مقدار معیار درصد خطا یا MAPE برای نمونه آزمایشی مربوط به مرجع (Shirazi & Toosi, 2023) با موضوع برآورد تأخیر پروژه­های سدسازی ایران، 89/1% (یعنی دقت 11/98%) بدست آمده است؛ که این مقدار و MAPE کل مجموعه آزمایشی (17/3% یعنی دقت 83/96%) به دقت 36/94 درصدی مدل بهینه مقاله فوق­الذکر یعنی شبکه عصبی پرسپترون چندلایه عمیق یا DMLP، بسیار نزدیک هستند. لذا نتیجه اول هدف دوم شامل وجود اثر بسیار زیاد متداول‌ترین عوامل اقتصادی و نهادی/قانونی خارجی نامبرده هم بر مدت­زمان کل و تأخیر پروژه­های ایران و مشترکأ سایر کشورهای جهان (بیشتر در توسعه) و هم بر دقت برآورد مدل­های قبلأ ارائه­شده است.

نمودار همبستگی بین مقادیر خروجی واقعی و خروجی برآوردشده مجموعه­های آموزشی و آزمایشی در شکل شماره (5) موجود است. نمودار میله­ای (مستطیلی) نتایج تحلیل حساسیت به روش کاهش میانگین ناخالصی یا MDI برای 2 مجموعه آموزشی و آزمایشی و روش توضیحات افزودنی شاپلی یا SHAP برای مجموعه مهمتر آزمایشی (نمودارهای خروجی Python) نیز به ترتیب در شکل شماره (6)، شکل شماره (7) و شکل شماره (8) نشان داده شده­اند:

 

 

شکل شماره (5): نمودار همبستگی مجموعه­های آموزشی و آزمایشی مدل تقویت کاهش شیب طبیعی (خروجی Python)

 

 

شکل شماره (6): میزان اثر عوامل اقتصادی و قانونی/نهادی بر دقت برآورد مدل­های مجموعه آموزشی (خروجی روش MDI در Python)

 

  

شکل شماره (7): میزان اثر عوامل اقتصادی و قانونی/نهادی بر دقت برآورد مدل­های مجموعه آزمایشی (خروجی روش MDI در Python)

 

  

شکل شماره (8): میزان اثر عوامل اقتصادی و قانونی/نهادی بر دقت برآورد مدل­های مجموعه آزمایشی (خروجی روش SHAP در Python)

 

طبق شکل شماره (5)، همبستگی‌های بدست آمده برای مجموعه‌های آموزشی و آزمایشی به ترتیب در حد متوسط و زیاد هستند. لذا مجددأ نتیجه‌گیری می‌شود که عملکرد مدل در هر دو مجموعه از لحاظ همبستگی کاملأ قابل اعتماد است.

4. مطابق با نتایج روش تحلیل حساسیت کاهش میانگین ناخالصی یا MDI برای مجموعه‌های آموزشی و آزمایشی در شکل شماره (6) و شکل شماره (7)، مهمترین علل رایج مؤثر بر دقت برآورد مدل­های پیش­بینی تأخیر و مدت­زمان کل به ترتیب شامل 1..تغییرات قوانین دولتی، 2.. نوسانات قیمت­ها، 3.. کندی صدور مجوزها، 4.. نوسانات نرخ ارز و 5.. تورم هستند. شایان ذکر است که یکسان شدن نتایج تحلیل حساسیت مجموعه آموزشی با مجموعه آزمایشی نشان‌دهنده 1.. تقسیم‌بندی دقیق و صحیح الگوهای آموزشی و آزمایشی، 2.. عملکرد کاملأ قابل اعتماد مدل تقویت کاهش شیب طبیعی در برآورد و 3.. نتایج دقیق و بسیار قابل اعتماد تحلیل حساسیت یا SA است. تفاوت نتایج MDI با نتایج روش توضیحات افزودنی شاپلی یا SHAP برای مجموعه مهمتر آزمایشی نیز در جابجایی رتبه‌های 1 و 2 و همچنین رتبه‌های 4 با 5 است؛ یعنی نتایج بسیار مشابه 2 روش متفاوت تحلیل حساسیت که این نتیجه بار دیگر، 3 نشانه فوق‌الذکر را اثبات می‌کند. همچنین تفاوت نتایج MDI و نتایج SHAP با نتایج بررسی تحقیقات مروری و پژوهشی بسیار معتبر یا پر ارجاع قبلی به ترتیب صرفأ در جابجایی رتبه‌های 1 و 2 و نیز رتبه‌های 4 و 5 است. لذا نتیجه دوم هدف دوم شامل اثبات قطعی رتبه اثرگذاری بی‌نهایت مشابه هر یک از 5 عامل نهادی/قانونی و اقتصادی 1.. هم بر خود تأخیر و مدت­زمان کل و 2.. هم بر دقت تخمین مدل­های قبلی است.

ج) نتیجه‌گیری و پیشنهادات آینده

1. طبق نتایج روش بررسی تحقیقات مروری و پژوهشی بسیار معتبر یا پر ارجاع قبلی (تحقیقات بررسی‌کننده اثر عوامل اقتصادی و قانونی/نهادی خارجی به طور مشترک و همزمان بر مدت‌زمان کل و تأخیر پروژه‌های ساخت)، مهمترین و رایج‌ترین عوامل شامل 3 عامل اقتصادی و 2 علت نهادی/قانونی هستند.

2. بر اساس نتایج روش فوق، میزان اهمیت و اثر ریسک­های فوق‌الذکر در ایران، بی‌نهایت مشابه با سایر کشورهای جهان (بیشتر در حال توسعه) است.

3. همچنین طبق نتایج روش فوق، علل نهادی/قانونی از لحاظ رتبه­بندی گروهی، 3% تأثیر و اهمیت بیشتری بر مدت­زمان کل و تأخیر در قیاس با عوامل اقتصادی دارند.

4. بی‌نهایت مشابهت میان 1.. نتایج مدل جدید تقویت کاهش شیب طبیعی یا NGBoost-2020، 2.. نتایج دو روش انتخابی برای تحلیل حساسیت (شامل کاهش میانگین ناخالصی یا MDI و توضیحات افزودنی شاپلی یا SHAP) و 3.. نتایج روش بررسی تحقیقات مروری و پژوهشی بسیار معتبر یا پر ارجاع قبلی با همدیگر نشان از قابلیت تعمیم بسیار بالای مدل NGBoost و همچنین کاملأ دقیق و قابل اعتماد بودن کل نتایج این مقاله دادند.

5. رتبه‌بندی 5 عامل (علت، ریسک) بر اساس برآیند کلیه نتایج روش‌های ذکرشده در نتیجه 4 عبارت است از: 1 و 2.. تغییرات قوانین دولتی و نوسانات قیمت­ها؛ 3.. کندی صدور پروانه‌های ساخت؛ 4 و 5.. نوسانات نرخ ارز و تورم.

6. نتایج مدل جدید NGBoost نشان دادند که تعمیم بسیار بالایی برای نمونه‌های جدیدتر (سال 2024) نیز دارد.

7. ضمنأ نشان دادند که قادر است درصد دقت مدل‌های پیش‌بینی مدت‌زمان کل و تأخیر ارائه‌شده در مراجع قبلی را با دقتی برابر با 38/96% (در محدوده عالی یا Excellent طبق مرجعی جدید و پر استناد) تخمین بزند.

8. با توجه به نزدیکی فوق‌العاده زیاد دقت 38/96 درصدی مدل جدید NGBoost به دقت 36/94 درصدی مدلی بهینه در تنها اثر کار شده بر روی پروژه‌های عمرانی ایران (سدسازی)، این نتایج بدست آمد: 1.. اثر عوامل نامبرده بر خود تأخیر و مدت‌زمان کل پروژه‌های ساخت ایران و مشترکأ سایر کشورهای جهان (بیشتر در حال توسعه)، بسیار زیاد و ترتیب اثرگذاری نیز فوق‌العاده مشابه است (نتیجه قیاس اثرگذاری در ایران با جهان). 2.. اثر عوامل نامبرده بر دقت برآورد مدل‌های قبلأ ارائه‌شده نیز بسیار زیاد و ترتیب اثرگذاری نیز فوق‌العاده مشابه با اثر بر خود تأخیر و مدت‌زمان کل است.

شکاف­ها و کمبودهای مطالعات بسیار کم انجام­شده از سال 2020 تا 2024 و عدم اتفاق نظر پژوهشگران بر سر تعداد و نوع علل تأخیر طبق نتایج روش تحلیل آثار (پیشنهادات کارهای آینده برای بکارگیری همزمان عوامل اقتصادی و نهادی/قانونی خارجی برای برآورد مدت‌زمان کل و تأخیر) عبارتند از: 1. عدم وجود پژوهش­های بررسی همزمان اثر شاخص­های اقتصادی و قانونی سازمان­ها و نهادهای ملی و عمرانی کشورهای مختلف؛ 2. نیاز به بکارگیری روش­های مدل­سازی گروهی یا Ensemble متنوع­تر با ورودی­هایی مشترک از 2 گروه عوامل مذکور برای تخمین مدت­زمان کل و تأخیر (به ویژه از مجموعه تقویت یا Boosting که در حوزه مورد بررسی این مقاله، نتایج بسیار خوبی داده‌اند).

4-       منابع

Duan, T., Avati, A., Ding, D. Y., Thai, K. K., Basu, S., Ng, A. & Schuler, A. (2020). NGBoost: Natural gradient boosting for probabilistic prediction. Proceedings of the 37th International Conference on Machine Learning (ICML), 13-18 July, Online (Virtual): Proceedings of Machine Learning Research (PMLR), 119, 2690-2700. Retrieved 11 December, 2024, from https://proceedings.mlr.press/v119/

Durdyev, S. & Hosseini, M. R. (2020). Causes of delays on construction projects: A comprehensive list. International Journal of Managing Projects in Business, 13(1), 20-46.

Egwim, C. N. (2024). Applied artificial intelligence for delay risk prediction of BIM-based construction projects. Dissertation of Ph.D., United Kingdom, Hertfordshire, University of Hertfordshire.

Egwim, C. N., Alaka, H., Toriola-Coker, L. O., Balogun, H. & Sunmola, F. (2021). Applied artificial intelligence for predicting construction projects delay. Machine Learning with Applications, 6, 100166.

Elmousalami, H. H. (2020). Artificial intelligence and parametric construction cost estimate modeling: State-of-the-art review. Journal of Construction Engineering and Management, 146(1), 03119008.

Firouzi, F., Esmaeilian, G. & Hezavehi, M. I. (2015). Fuzzy TOPSIS model of economic risk assessment for EPC projects of oil and gas. Journal of Strategic Management in Industrial Systems, 10(32), 55-66. (in persian).

Gómez-Cabrera, A., Gutierrez-Bucheli, L. & Muñoz, S. (2024). Causes of time and cost overruns in construction projects: A scoping review. International Journal of Construction Management, 24(10), 1107-1125.

Gondia, A., Siam, A., El-Dakhakhni, W. & Nassar, A. H. (2020). Machine learning algorithms for construction projects delay risk prediction. Journal of Construction Engineering and Management, 146(1), 04019085.

Gurgun, A. P., Koc, K. & Kunkcu, H. (2024). Exploring the adoption of technology against delays in construction projects. Engineering, Construction and Architectural Management, 31(3), 1222-1253.

Isah, M. A. & Kim, B. S. (2022). Assessment of risk impact on road project using deep neural network. KSCE Journal of Civil Engineering, 26(3), 1014-1023.

Juan, Y. K. & Liou, L. E. (2022). Predicting the schedule and cost performance in public school building projects in Taiwan. Journal of Civil Engineering and Management, 28(1), 51-67.

Khalilzadeh, M., Vasei, M., Seddighizade, D. & Azizian, A. (2015). Identifying the cause-and-effect relationship and ranking the obstacles to achieving the goals of public-private partnership investment projects (Case study: The partnership model of industrial development organizations in Iran). Journal of Strategic Management in Industrial Systems, 10(33), 17-33. (in persian).

Koc, K. (2023). Role of Shapley additive explanations and resampling algorithms for contract failure prediction of public–private partnership projects. Journal of Management in Engineering, 39(5), 04023031.

Lauble, S., Steuer, D. & Haghsheno, S. (2023). A comparative evaluation of decision trees and expert intuition to predict durations in the predesign phase. The 2023 European Conference on Computing in Construction (2023 EC³) and The 40th International CIB W78 Conference, 10–12 July, Heraklion, Crete, Greece: Conseil International du Bâtiment (CIB). Retrieved 11 December, 2024, from https://ec-3.org/publications/conferences/EC32023/papers/EC32023_161.pdf

Mahyari, H. (2007). Important cases of contracting claims. Tadbir Journal, 185, 59-62. (in persian).

Mavi, N. K., Brown, K., Fulford, R. & Goh, M. (2024). Forecasting project success in the construction industry using adaptive neuro-fuzzy inference system. International Journal of Construction Management, 24(14), 1550-1568.

Moghayedi, A. & Windapo, A. (2022). Modelling the uncertainty of cost and time in highway projects. Infrastructure Asset Management, 9(2), 73-88.

Ouansrimeang, S. & Wisaeang, K. (2024). Analyzing the critical delay factors for construction projects in the public sector using relative importance index and machine learning techniques. Journal of Infrastructure, Policy and Development, 8(8), 6208.

Purushothaman, M. B., San Pedro, L. N. R. & Hoseini, A. G. (2024). Construction projects: Interactions of the causes of delays. Smart and Sustainable Built Environment, ahead-of-print(ahead-of-print), doi: 10.1108/SASBE-11-2023-0334.

Sadeghi, V., Bahrampour, A. & Hosseini, S. A. (2023). Identifying the influencing factors of customer churn of Kurdistan Telecommunications Company and presenting a model for predicting churn using machine algorithms. Journal of Strategic Management in Industrial Systems, 18(65), 16-33. (in persian).

Sanni-Anibire, M. O., Zin, R. M. & Olatunji, S. O. (2022a). Causes of delay in the global construction industry: A meta analytical review. International Journal of Construction Management, 22(8), 1395-1407.

Sanni-Anibire, M. O., Zin, R. M. & Olatunji, S. O. (2022b). Machine learning model for delay risk assessment in tall building projects. International Journal of Construction Management, 22(11), 2134-2143.

Selcuk, O., Turkoglu, H., Polat, G. & Hajdu, M. (2022). An integrative literature review on the causes of delays in construction projects: Evidence from developing countries. International Journal of Construction Management, List of Latest Articles, doi: 10.1080/15623599.2022.2135939.

Senthil, J., Muthukannan, M., Urbański, M., Stępień, M. & Kądzielawski, G. (2021). MSCA based deep recurrent neural network for statistics risk management in construction projects. Acta Montanistica Slovaca, 26(3), 481-497.

Shirazi, D. H. & Toosi, H. (2023). Deep multilayer perceptron neural network for the prediction of Iranian dam project delay risks. Journal of Construction Engineering and Management, 149(4), 04023011.

Tariq, J. & Gardezi, S. S. (2023). Study the delays and conflicts for construction projects and their mutual relationship: A review. Ain Shams Engineering Journal, 14(1), 101815.

Yang, R., Feng, J., Tang, J. & Sun, Y. (2024). Risk assessment and classification prediction for water environment treatment PPP projects. Water Science & Technology, 89(5), 1264-1281.

Yaseen, Z. M., Ali, Z. H., Salih, S. Q. & Al-Ansari, N. (2020). Prediction of risk delay in construction projects using a hybrid artificial intelligence model. Sustainability, 12(4), 1514.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Comparing Effects of Economic and Legal/Institutional Causes on Total Duration and Forecasting Models Accuracy of Iranian Construction Projects

 

Farshad Peiman

Ph.D. Student, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

Mohammad Khalilzadeh (Corresponding Author)

Associate Professor, Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

Email: [e-mail]

Nasser Shahsavari-Pour

Professor, Department of Industrial Management, Vali-e-Asr University, Rafsanjan, Iran.

Mehdi Ravanshadnia

Associate Professor, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

 

Abstract

The innovation of this paper lies in its comparison of the most frequently cited external legal/institutional and economic causes affecting the total duration and delays of construction projects. This analysis employs two methods: A review of previous research, focusing on seven studies from 2020. Second, a sensitivity analysis based on the results of an ensemble-probabilistic prediction model: Natural Gradient Boosting (NGBoost-2020). The ensemble approach offers superior estimation accuracy compared to single models, while the probabilistic nature of NGBoost makes it well-suited for managing delays and uncertainties, particularly in light of Iran's recent severe inflationary conditions. The inputs for the NGBoost model include the presence or absence of the most common economic and legal/institutional causes, analyzed across 65 models from previous studies (limited to 15 studies from 2020). The target variable consists of the prediction accuracy percentage from those prior models. The analysis identified several key factors influencing project duration and delays, including: changes in government regulations, price fluctuations, delays in license issuance, exchange rate fluctuations, and inflation. Additionally, the model presented in this paper achieved an accuracy of 96.83% for the testing set, which is closely aligned with the 94.36% accuracy of a previous model concerning the delays in Iran's dam construction projects. This suggests that these factors substantially impact project delays, both in Iran and worldwide, as well as the estimation accuracy of predictive models.

Keywords: Artificial Intelligence, Estimation of Total Duration and Delay, External Legal/Institutional and Economic Causes, Iranian Construction Projects.

 

 

 

 

 

---

[1] . Time Overrun (Delay)

[2] . Inflation

[3] . Ranking

[4] . Engineering, Procurement, and Construction (EPC)

[5] . Technique for Order of Preference by Similarity to Ideal Solution of Fuzzy (FTOPSIS)

[6] . Exchange Rate

[7] . Decision Making Trial and Evaluation Laboratory of Fuzyy (FDEMATEL)

[8] . Analytic Network Process of Fuzzy (FANP)

[9] . Public-Private Partnership (PPP)

[10] . Changing government laws and regulations

[11] . Legal/Institutional

[12] . External Causes (Factors)

[13] . Uncertainty

[14] . Ensemble

[15]  .Single

[16]  . Artificial Neural Network (ANN)

[17]  . Adaptive Boosting (AdaBoost)

[18]  . Random Forest (RF)

[19]  . Artificial Intelligence (AI)

[20] . Sensitivity Analysis (SA)

[21] . Natural Gradient Boosting (NGBoost-2020)

[22] . Actual Output or Target Variable

[23] . Training Dataset (Set)

[24] . Testing Dataset (Set)

[25] . Mean Decrease in Impurity (MDI)

[26] . SHapley Additive Explanations (SHAP)

[27] . Relative Importance Index (RII)

[28] . Jenks

[29] . Risk Level or Overall Impact

[30] . Likert-Type Scale

[31] . Experts

[32] . Occurrence Frequency or Probability or Likelihood

[33] . Severity of Consequence

[34] . Machine Learning (ML)

[35] . Naïve Bayes (NB)

[36] . Decision Tree (DT)

[37] . Classification

[38] . Input Variables

[39] . Optimization of Setting Parameters (Tuning)

[40] . Genetic Algorithm (GA)

[41] . Base Model (Learner)

[42] . Classification and Regression Tree (CART)

[43] . Gradient Boosting (GBoost)

[44] . Extreme Gradient Boosting (XGBoost)

[45] . Bootstrap Aggregating (Bagging)

[46] . Extra Trees (ET)

[47] . Stacking

[48] . Sample

[49] . Pattern

[50] . Hold-Out

[51] . Cross-Validation (K-Fold)

[52] . Modified Sine Cosine Optimization Algorithm (MSCA)

[53] . Deep Recurrent Neural Network (DRNN)

[54] . Deep Neural Network (DNN)

[55] . Association Rules (AR)

[56] . Fuzzy Delphi (FD)

[57] . Adaptive Neuro-Fuzzy Inference System (ANFIS)

[58] . K-Nearest Neighbors (KNN)

[59] . Support Vector Machine (SVM)

[60] . Voting

[61] . Categorical Boosting (CatBoost)

[62] . Deep Multilayer Perceptron Neural Network (DMLP)

[63] . Planned Duration (PD)

[64] . Shallow Multilayer Perceptron Neural Network (SMLP)

[65] . Feature Importance Scores (FIS)

[66] . Resampling

[67] . Synthetic Minority Oversampling Technique (SMOTE)

[68] . Interquartile Range (IQR)

[69] . Outlier

[70] . Logistic Regression (LR)

[71] . Radial Basis Function Network (RBFN)

[72] . Fully Connected Neural Network (FCNN)

[73] . Light Gradient Boosting (LGBoost)

[74] . Mean Absolute Percentage Error (MAPE)

[75] . Linear Discriminant Analysis (LDA)

[76] . Delay (Slow) due to Permits (Permissions) and Approvals (Licences) Issues

[77] . Price Fluctuations

[78] . Data Normalization

[79] . Scoring Rule

[80] . Maximum Likelihood Estimation Function (MLE)

[81] . Interrelations

[82] . Interpretability

[83] . Transparency

[84] . Outlier

[85] . Root Mean Squared Error (RMSE)

[86] . Coefficient of Correlation (R)

[87]  . Coefficient of Determination (R²)

[88] . Mean Absolute Error (MAE)

[89] . Hyperparameters

[90] . Overfitting

[91] . Gaussian Naïve Bayes (GNB)

[92] . Multinomial Naïve Bayes (MNB)

---