رویکرد ترکیبی مدل سازی معادلات ساختاری و جنگل تصادفی برای شناسایی و پیش بینی محدودیت های زمانی در عملکرد پروژه های ساختمانی

‬ محدودیت های زمانی از مهم ترین چالش های مدیریت پروژه های ساختمانی محسوب می شوند که معمولا موجب تاخیر در برنامه ریزی، افزایش هزینه ها، کاهش کیفیت و نارضایتی ذینفعان می گردند. مطالعه حاضر چارچوبی نوآورانه را با تلفیق دو رویکرد مدل سازی معادلات ساختاری (SEM) و یادگیری ماشین (جنگل تصادفی) ارائه می دهد تا عوامل کلیدی موثر بر عملکرد زمانی پروژه های ساختمانی را شناسایی و پیش بینی نماید. نتایج تحلیل SEM نشان داد که شش عامل اساسی شامل شرایط محیطی، ذینفعان، مقررات، سیاست ها، مدیریت و باورهای سنتی، تاثیر منفی و معناداری بر عملکرد پروژه دارند که در این میان سیاست ها و مدیریت اثرات برجسته تری از خود نشان دادند. مدل SEM توانست ۶۷ درصد از واریانس عملکرد پروژه ها را توضیح دهد که بیانگر قدرت تبیینی بالای آن است.در مرحله بعد، مدل یادگیری ماشین جنگل تصادفی با دقت بیش از ۸۷ درصد موفق به پیش بینی به موقع یا تاخیر پروژه ها شد که اهمیت عوامل شناسایی شده را تایید می کند. تحلیل اهمیت ویژگی ها در این مدل، یافته های SEM را تائید کرده و بر نقش برجسته سیاست ها، مدیریت و مقررات تاکید دارد. این رویکرد ترکیبی، ضمن ارائه درک علی دقیق، ابزاری قدرتمند برای پیش بینی عملکرد پروژه ها در مراحل اولیه تصمیم گیری فراهم می آورد.نوآوری روش شناسی این پژوهش در ادغام مدل سازی علی و پیش بینی محور است که چارچوبی جامع برای تحلیل سیستماتیک پروژه های ساختمانی ارائه می دهد. یافته ها برای مدیران پروژه و سیاستگذاران به ویژه در شرایطی مانند ایران که چالش های نهادی و مدیریتی وجود دارد، حائز اهمیت است و می تواند زمینه ساز تصمیم گیری داده محور و بهبود موفقیت پروژه ها گردد.

کلیدواژه ها:

محدودیت های زمانی ، مدیریت پروژه های ساختمانی ، مدل سازی معادلات ساختاری ، یادگیری ماشین ، پیش بینی عملکرد پروژه