پیش بینی تاخیر در پروژه های ساختمانی دولتی ایران با استفاده از الگوریتم های یادگیری ماشین (LightGBM، XGBoost و (ANN

مدیریت تاخیر در پروژه های ساختمانی دولتی یکی از چالش های اساسی در کشورهای در حال توسعه، به ویژه ایران، به شمار می رود نوسانات اقتصادی، دیوان سالاری پیچیده و تحریم های بین المللی سبب شده اند تا روش های سنتی تحلیل تاخیر کارایی لازم را نداشته باشند هدف از این پژوهش توسعه و ارزیابی مدل های یادگیری ماشین برای پیش بینی درصد تاخیر و شناسایی مهم ترین عوامل موثر بر آن است بدین منظور، داده های ۱۴۷ پروژه ساختمانی دولتی از سه استان تهران، خراسان رضوی و اصفهان طی سال های ۱۳۹۵ تا ۱۴۰۲ گردآوری شد ۱۸ عامل اصلی تاخیر با روش دلفی و بررسی مستندات استخراج گردید سه الگوریتم LightGBM، XGBoost و شبکه عصبی مصنوعی (ANN) آموزش داده شدند عملکرد مدل ها با اعتبارسنجی متقابل ۱۰ بخشی و معیارهای RMSE، R و MAE مقایسه گردید نتایج نشان داد که XGBoost با ۴/۱۲ RMSE بهترین عملکرد را دارد تحلیل SHAP نشان داد که نوسان قیمت مصالح (۲۱/۵٪)، تاخیر در پرداخت ها (۱۹/۳) و کمبود نیروی ماهر (۱۱/۷) مهم ترین عوامل پیش بینی کننده هستند این مدل می تواند به عنوان ابزار کمک تصمیم گیری در سامانه های پایش پروژه های دولتی به کار رود R=.

کلیدواژه ها:

تاخیر ، پروژه ، پروژه های ساختمانی ، دولتی ، یادگیری ماشین ، XGBoost ، پیش بینی تاخیر