برآورد هزینه کل نهایی پروژههای ساخت با استفاده از مدل گروهی تقویت طبقهبندی و تحلیل حساسیت

در این مقاله، مدلی برای پیشبینی هزینه تکمیل (CAC) پروژههای ساخت ارائه شده است؛ که با استفاده از روش گروهی تقویت طبقهبندی (CatBoost) در نرمافزار Python ساخته شده است (نوآوری مقاله). ورودیهای مدل، ۶ متغیر بدون واحد هستند؛ که بر اساس متغیرهای اصلی و شاخصهای عملکردی (PI) روش مدیریت ارزش حاصله (EVM) ساخته شدهاند. متغیر خروجی مدل نیز نسبت هزینه تکمیل (CAC) به بودجه مصوب پروژه (BAC) انتخاب شده است. در انتها این نتیجه بدست آمده است که مدل گروهی تقویت طبقهبندی (CatBoost) با ۶% خطا در کل، قادر است بدون وابستگی به نوع پروژه، واحد پول کشورها یا واحد زمان، هزینه تکمیل (CAC) را به طور دقیقتری نسبت به ۹ رابطه متداول روش مدیریت ارزش حاصله (EVM) با خطای کل حداقل ۱۵/۱۳% و مدل شبکه عصبی مصنوعی (ANN) قبلا ارائهشده با ۷۶/۶% خطا در کل، تخمین بزند. شایان ذکر است که با توجه به اینکه تعداد نمونههای با خروجی (CAC/BAC)≤۱ (پروژههای دچار نشده به هزینههای اضافی یا Overruns) که در ساخت مدل مورد استفاده قرار گرفتهاند، بسیار کم است؛ دقت مدل برای این نوع پروژهها از دقت رابطه بهینه ارزش حاصله کمتر است. پس نتیجهگیری میشود که مدل ارائهشده در این مقاله، بسیار مناسب و دارای عملکرد بسیار قویتری نسبت به روابط برآورد ارزش حاصله برای پروژههای دارای هزینههای اضافی یا Overruns (دارای افزایش هزینه) در کشورهای در حال توسعه است. ضمنا نتایج تحلیل حساسیت به روش توضیحات افزودنی شاپلی (SHAP) نشان از اهمیت بیشتر ورودیهای متاثر از هزینه در قیاس با ورودیهای متاثر از زمان دادهاند.

کلیدواژه ها:

برآورد هزینه تکمیل کل ، پروژههای ساخت ، مدیریت ارزش حاصله ، روش تقویت طبقهبندی ، روش شاپلی