مدیریت ریسک در پروژه های عمرانی شهری: چالش های نظارتی در شهرداری اراک با استفاده از مدل های یادگیری ماشین

در سیستم های مدیریت شهری، پروژه های عمرانی به عنوان بزرگ ترین سرمایه گذاری های مالی و فنی، همواره با ریسک های متعددی از جمله تاخیر در اجرا، افزایش هزینه، کاهش کیفیت و نقض قراردادها همراه هستند. شهرداری اراک، به عنوان یکی از نهادهای کلیدی در توسعه زیرساخت های شهری منطقه غرب کشور، در سال های اخیر با تاخیرهای مکرر و افزایش هزینه های پروژه های عمرانی مواجه شده است. با این حال، روش های نظارتی فعلی عمدتا تحلیل های توصیفی و واکنشی بر پایه گزارش های دستی و کاغذی استوارند و از توانایی پیش بینی و شناسایی زودهنگام ریسک ها برخوردار نیستند. این پژوهش با هدف شناسایی، اولویت بندی و پیش بینی ریسک های کلیدی در پروژه های عمرانی شهرداری اراک با استفاده از مدل های پیشرفته یادگیری ماشین به ویژه XGBoost انجام شده است. روش تحقیق ترکیبی (کمی-کیفی) بوده و داده ها از ۶۲ پروژه عمرانی اجرایی در دوره ۱۳۹۷ تا ۱۴۰۳ جمع آوری شده اند که شامل متغیرهای کمی (مانند بودجه اولیه، هزینه نهایی، تاریخ شروع و پایان، تعداد تغییر طرح، تعداد شکایات شهروندی) و کیفی (مانند نوع پیمانکار، پیچیدگی فنی، موقعیت جغرافیایی، سابقه نظارتی) می شوند. پس از پیش پردازش داده ها، مدل های XGBoost، Random Forest و Logistic Regression برای پیش بینی دو خروجی کلیدی تاخیر بیش از ۶ ماه و افزایش هزینه بیش از ۲۰٪ آموزش داده شدند. نتایج نشان می دهد که مدل XGBoost با دقت ۹۱.۳٪، حساسیت ۸۹.۷٪ و AUC ۰.۹۴۲، عملکرد بهتری نسبت به سایر مدل ها داشته است. مهم ترین متغیرهای تاثیرگذار شناسایی شده عبارتند از: تعداد تغییرات طرح (SHAP value: ۰.۳۸)، سابقه تاخیر پیمانکار (SHAP value: ۰.۳۲)، پیچیدگی فنی پروژه (SHAP value: ۰.۲۵)، و وضعیت نظارتی شهرداری (SHAP value: ۰.۱۹). تحلیل کیفی نیز نشان داد که ضعف در سیستم های نظارتی بلادرنگ، عدم اشتراک گذاری داده ها بین بخش ها، و تمرکز بر نظارت نهایی به جای نظارت فرآیندی، از موانع اصلی به کارگیری روش های پیش بینانه هستند. در نتیجه، این پژوهش چارچوبی عملیاتی را پیشنهاد می کند که شامل: ایجاد سامانه هوشمند پیش بینی ریسک (PRISMA)، یکپارچه سازی داده های پروژه ها در یک پلتفرم مرکزی، آموزش کارشناسان نظارتی در علوم داده، و استفاده از تفسیرپذیری مدل های XGBoost برای ارائه گزارش های شفاف به شورای نظارتی است. این چارچوب نه تنها به کاهش تاخیر و هزینه های اضافی کمک می کند، بلکه با ایجاد شفافیت و مسئولیت پذیری، به سمت تحقق اهداف توسعه پایدار (SDG ۱۶: صلح، عدالت و نهادهای قوی) و اصول حکمرانی خوب (Good Governance) در شهرداری ها گام برمی دارد.

کلیدواژه ها:

مدیریت ریسک پروژه ، یادگیری ماشین ، XGBoost ، شهرداری اراک ، پیش بینی تاخیر ، پیش بینی افزایش هزینه ، تفسیرپذیری مدل ، حکمرانی خوب ، شفافیت مالی ، مدیریت پروژه شهری