کاربرد الگوریتم های یادگیری ماشین برای پیش بینی ریسک های مالی و مدیریتی در پروژه های عمرانی

صنعت ساخت وساز، به ویژه در اجرای مگاپروژه های زیرساختی، ذاتا در معرض سطوح بالایی از ریسک های مالی و مدیریتی قرار دارد. روش های سنتی مدیریت ریسک مانند ماتریس احتمال_ اثر یا تکنیک های تصمیم گیری چندمعیاره اغلب ایستا، ذهنی و ناکافی برای تحلیل روابط پیچیده میان متغیرهای پروژه هستند. این پژوهش چارچوبی داده محور مبتنی بر الگوریتم های یادگیری ماشین پیشنهاد می کند که با هدف پیش بینی و کاهش ریسک های مالی و مدیریتی در پروژه های عمرانی طراحی شده است. چارچوب پیشنهادی شامل سه لایه است: (۱) لایه داده، شامل داده های تاریخی و لحظه ای پروژه مانند انحرافات هزینه، تاخیرهای زمانی، دعاوی قراردادی و تغییرات جریان نقدینگی؛ (۲) لایه مدل سازی، شامل الگوریتم های یادگیری نظارت شده نظیر جنگل تصادفی (Random Forest)، XGBoost، ماشین های بردار پشتیبان (SVM) و شبکه های عصبی مصنوعی (ANN) همراه با تکنیک های ترکیبی (Ensemble) برای افزایش دقت پیش بینی؛ و (۳) لایه تصمیم گیری، که پیش بینی های احتمالی ریسک و راهبردهای کاهش مبتنی بر سناریو را ارائه می دهد. داده های تجربی بیش از پنجاه پروژه زیرساختی برای آموزش و اعتبارسنجی مدل ها به کار گرفته شد. نتایج نشان می دهد که مدل های ترکیبی به طور مداوم عملکردی برتر از الگوریتم های منفرد داشته و در پیش بینی ریسک های پراثر، دقتی بالاتر از ۸۵ درصد کسب کرده اند. تحلیل حساسیت نیز نشان داد که نوسانات ارزی، تغییرات طراحی و ضعف در هماهنگی مدیریتی از مهم ترین پیش بین های بی ثباتی مالی و مدیریتی هستند. این پژوهش چارچوبی مقیاس پذیر و هوشمند برای مدیریت ریسک ارائه می دهد که شفافیت هزینه ها را ارتقا داده، تصمیم گیری پیش نگرانه را تقویت می کند و ابزار موثری در اختیار ذی نفعان پروژه قرار می دهد تا از زیان های مالی جلوگیری کرده و عملکرد پروژه را بهبود بخشند.

کلیدواژه ها:

پروژه های عمرانی ، مدیریت ریسک مالی ، چارچوب داده محور ، یادگیری ماشین ، عملکرد پروژه