ارزیابی و پیش بینی عملکرد پروژه‌های مبتنی بر عملکرد با استفاده از تکنیک‌های تصمیم‌گیری چند معیاره و شبکه‌های عصبی بازگشتی گیتی
محورهای موضوعی : پژوهش های مدیریت راهبردی
جعفر قیدرخلجانی
1
*
,
علیرضا جباری
2
1 - دانشیار مهندسی صنایع، گروه مهندسی صنایع،مجتمع دانشگاهی مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران.
2 - فارغ التحصیل کارشناسی ارشد، مدیریت پروژه و ساخت، دانشگاه تربیت مدرس،تهران، ایران
کلید واژه: ارزیابی عملکرد پروژه, پیشرفت فیزیکی پروژه, رتبه‌بندی پروژه, تصمیم‌گیری چند معیاره , پیش‌بینی عملکرد پروژه,
چکیده مقاله :
ارزیابی عملکرد پروژه‌ها به عنوان یک جنبه حیاتی در مدیریت پروژه‌ها شناخته شده است. این مطالعه با هدف ارائه یک مدل جامع برای ارزیابی و پیش‌بینی عملکرد پروژه‌های مبتنی بر عملکرد انجام شده است. در این مطالعه، ابتدا عوامل مؤثر بر عملکرد پروژه‌ها از طریق مرور ادبیات شناسایی شدند و سپس پرسشنامه‌ای جامع طراحی و بین خبرگان و متخصصین حوزه مدیریت پروژه توزیع شد. این پرسشنامه شامل مجموعه‌ای از سوالات بود که به بررسی معیارهای مختلف ارزیابی عملکرد پروژه‌ها می‌پرداخت. داده‌های جمع‌آوری شده از این پرسشنامه با استفاده از تحلیل عاملی و رگرسیون چندگانه تحلیل شدند تا روابط و وابستگی‌های بین معیارها مشخص شود. سپس از تکنیک‌های تصمیم‌گیری چند معیاره مانند تاپسیس و تحلیل سلسله مراتبی برای رتبه‌بندی پروژه‌ها بر اساس معیارهای شناسایی شده استفاده شد. این تکنیک‌ها به شناسایی و وزن‌دهی دقیق‌تر به معیارهای کلیدی کمک کردند و به ترتیب اهمیت پروژه‌ها را رتبه‌بندی نمودند. نتایج حاصل از این رتبه‌بندی به عنوان ورودی به شبکه‌های عصبی بازگشتی گیتی داده شدند تا با استفاده از الگوهای یادگیری ماشینی، عملکرد آینده پروژه‌ها پیش‌بینی شود. این شبکه‌های عصبی با بهره‌گیری از داده‌های آموزشی قادر به تحلیل و پیش‌بینی دقیق‌تر عملکرد پروژه‌ها بودند. استفاده از ترکیب تحلیل‌های آماری و تکنیک‌های هوش مصنوعی در این مدل، دقت و کارایی ارزیابی‌ها را افزایش داد و به مدیران پروژه در تصمیم‌گیری‌های بهتر و بهینه‌تر کمک کرد. نتایج نشان داد که این مدل می‌تواند به طور مؤثری در ارزیابی و پیش‌بینی عملکرد پروژه‌ها مفید باشد و بهبود مستمر فرآیندهای مدیریتی و عملکردی را تسهیل نماید.
Szilágyi, I., Sebestyén, Z., & Tóth, T. (2020). Project ranking in petroleum exploration. The Engineering Economist, 65(1), 66-87.
Macura, D. (2019). Rail Projects Ranking under Fuzzy Environment: Serbian Rail Projects Case Study. International journal of transport economics: Rivista internazionale di economia dei trasporti: XLVI, 4, 2019, 91-112.
Bonnafous, A., & Jensen, P. (2005). Ranking transport projects by their socioeconomic value or financial internal rate of return?. Transport policy, 12(2), 131-136.
Vaseghi, F., & Vanhoucke, M. (2023). A comparison of activity ranking methods for taking corrective actions during project control. Computers & Industrial Engineering, 183, 109505.
Mandic, D., Jovanovic, P., & Bugarinovic, M. (2014). Two-phase model for multi-criteria project ranking: Serbian Railways case study. Transport Policy, 36, 88-104.
Foster, J. E., & Mitra, T. (2003). Ranking investment projects. Economic Theory, 22, 469-494.
Goletsis, Y., Psarras, J., & Samouilidis, J. E. (2003). Project ranking in the Armenian energy sector using a multicriteria method for groups. Annals of operations research, 120, 135-157.
Walczak, D., & Rutkowska, A. (2017). Project rankings for participatory budget based on the fuzzy TOPSIS method. European Journal of Operational Research, 260(2), 706-714.
Rafeh, A., Qureshi, M. U., Hameed, A., & Rasool, A. M. (2023). Ranking and grouping of critical success factors for stakeholder management in construction projects. Journal of Asian Architecture and Building Engineering, 22(6), 3569-3582.
Yan, J., Dagang, T., & Yue, P. (2007). Ranking environmental projects model based on multicriteria decision-making and the weight sensitivity analysis. Journal of Systems Engineering and Electronics, 18(3), 534-539.
Shaktawat, A., & Vadhera, S. (2021). Ranking of hydropower projects based on sustainability criteria in India using multicriteria decision making methods. Croatian Operational Research Review, 75-90.
Dandage, R., Mantha, S. S., & Rane, S. B. (2018). Ranking the risk categories in international projects using the TOPSIS method. International journal of managing projects in business, 11(2), 317-331.
Su, L., & Li, H. (2021). Project procurement method decision-making with spearman rank correlation coefficient under uncertainty circumstances. International Journal of Decision Support System Technology (IJDSST), 13(2), 1-29.
Prascevic, N., & Prascevic, Z. (2017). Application of fuzzy AHP for ranking and selection of alternatives in construction project management. Journal of civil engineering and management, 23(8), 1123-1135.
Al Nahyan, M. T., Hawas, Y. E., Raza, M., Aljassmi, H., Maraqa, M. A., Basheerudeen, B., & Mohammad, M. S. (2018). A fuzzy-based decision support system for ranking the delivery methods of mega projects. International Journal of Managing Projects in Business, 11(1), 122-143.
Zdravkovic, J., & Bogdanovic, D. (2022). DEVELOPING AN MCDA MODEL FOR CHOOSING CRITERIA USED IN PROJECT RANKING. Economic Computation & Economic Cybernetics Studies & Research, 56(3).
Razavi Toosi, S. L., Samani, J. M., & Koorehpazan Dezfuli, A. (2010, April). Ranking water transfer projects using fuzzy methods. In Proceedings of the Institution of Civil Engineers-Water Management (Vol. 163, No. 4, pp. 189-197). Thomas Telford Ltd.
Radhakrishnan, P., Arrow, H., & Sniezek, J. A. (1996). Hoping, Performing, learning, and Predicting: Changes in the Accuracy of Self-Evaluations of Peformance. Human Performance, 9(1), 23-49.
Pan, Y., Zhang, C. C., Lee, C. C., & Lv, S. (2024). Environmental performance evaluation of electric enterprises during a power crisis: Evidence from DEA methods and AI prediction algorithms. Energy Economics, 130, 107285.
Maabreh, M., & Almasabha, G. (2024). Machine Learning Regression Algorithms for Shear Strength Prediction of SFRC-DBs: Performance Evaluation and Comparisons. Arabian Journal for Science and Engineering, 49(4), 4711-4727.
Yin, M., Huo, L., Li, N., Zhu, H., Zhu, Z., & Hu, J. (2024). Packaging performance evaluation and freshness intelligent prediction modeling in grape transportation. Food Control, 110684.
Ovcina, A., & Arslanagic-Kalajdzic, M. (2024). The Role of Monitoring and Evaluation and Project Implementation Management System for Non-Profit Project Performance in Developing Countries. South East European Journal of Economics and Business, 19(1), 63-76.
Dandage, R., Mantha, S. S., & Rane, S. B. (2018). Ranking the risk categories in international projects using the TOPSIS method. International Journal of Managing Projects in Business, 11(2), 317-331. https://doi.org/10.1108/IJMPB-02-2017-0019
Macura, D. (2019). Rail Projects Ranking under Fuzzy Environment: Serbian Rail Projects Case Study. International Journal of Transport Economics, 46(4), 91-112. https://doi.org/10.19272/201905704005
Vaseghi, F., & Vanhoucke, M. (2023). A comparison of activity ranking methods for taking corrective actions during project control. Computers & Industrial Engineering, 183, 109505. https://doi.org/10.1016/j.cie.2023.109505
Omidi, M., Omidi, N., Shiri, A., & Mohammadipour, R. (1395). Expanding the Application Models Box Jenkins, Artificial Neural Network and Adjusted Exponential forecasting Social Phenomena (Case study: forecasting of marriage and divorce in Ilam). Future study Management, 104(26), 25-37. http://sanad.iau.ir/fa/Article/786378
Rodi, A. T., Shahin, A., & Tabatabae, A. N. (1398). Provide a model for developing organizational agility in the country's mining industry. Future study Management, 117(30), 41-56. http://sanad.iau.ir/fa/Article/784932
Tahanian, A., Haleh, H., Etebari, F., & Vahdani, B. (1400). Ranking Agility Factors in Project-Oriented Organizations Based on Project Management critical success factors and Sustainability Factors Applying Two-Step QFD: Case Study: Large projects of Isfahan Municipality. Journal of Human Capital Empowerment, 4(4), 301-318. http://sanad.iau.ir/fa/Article/1038490