ارائه مدلی برای پیش بینی هزینه و زمان نهایی پروژه ها با رویکرد فراابتکاری

نویسندگان

1 استاد، دانشگاه شهید بهشتی.

2 دانشجوی دکتری، دانشگاه تهران.

3 کارشناسی ارشد، دانشگاه شهید بهشتی.

چکیده

در مدیریت پروژه­های ساخت‌وساز، موفقیت در کنترل هزینه و زمان پروژه­ها برای کمک به پیمانکاران امری حیاتی است. افزایش هزینه و زمان پروژه­ها از برنامه تعریف‌شده، ممکن است به کاهش سود و حتی برخی اوقات به شکست پروژه­ها منجر شود. پیش­بینی هزینه و زمان نهایی پروژ­ها، یکی از اقداماتی است که برای کنترل هزینه و زمان پروژه­ها مورد توجه قرار می­گیرد. در این تحقیق، مدل شبکه­های عصبی برای پیش­بینی هزینه و زمان نهایی پروژه­ها توسعه یافته و برای متغیر­های ورودی شبکه­های عصبی، از دو مجموعه متغیر «ارزش کسب‌شده» و «محیطی» استفاده شده است. در این تحقیق، عملکرد تکنیک ارزش کسب‌شده با شبکه‌های عصبی مقایسه شده و به‌طور جداگانه تأثیر هریک از این مجموعه داده­ها بر عملکرد مدل در پیش­بینی هزینه و زمان نهایی، مورد بررسی قرار گرفته است. نتایج تحقیق نشان می­دهند که عملکرد شبکه‌های عصبی بهتر از مدیریت ارزش کسب‌شده است و با استفاده از شبکه­های عصبی مبتنی‌بر داده­های ارزش کسب‌شده و محیطی می­توان به نتایج بهتری، در مقایسه با شبکه­های عصبی مبتنی‌بر داده­های ارزش کسب‌شده، رسید.

کلیدواژه‌ها


عنوان مقاله [English]

A Comparison of the Neural Network Approach and the Earned Value Management in Predicting Final Cost and Duration of Projects

نویسندگان [English]

  • Akbar Alem Tabriz 1
  • Mojtaba Farrokh 2
  • Ehsan Ahmadi 3
1 Professor, Shahid Beheshti University.
2 M.S., Shahid Beheshti University.
3 M.S., Shahid Beheshti University.
چکیده [English]

In construction project management, success in the controlling of projects’ final cost .Also duration is a critical issue that can help managers. The main purpose of the management of construction projects is to ensure that the projects can be performed according to the defined budget. Cost and duration overrun may lead to profits cut and sometimes even can cause project failure. To solve this problem, this study employs the earned value technique and the neural networks to form models EAC-ANN and EAC (t) -ANN for final cost and duration prediction. For input variables in neural network, two sets of variables have been employed, including the earned values variables and composite ones. Composite variables also include the earned value variables and environmental ones. Then the performance of the earned value techniques in predicting final cost and duration is considered. Moreover, the influence of each data set in neural network models on the cost and duration prediction performance is compared separately to yield a better model. The results show that the neural networks outperform earned value management technique. Furthermore, using a neural network based on the composite data can lead to better performance than the one based on the earned value data.

کلیدواژه‌ها [English]

  • Estimate at Completion
  • Earned Value Management
  • Neural Networks
  • Earned Value variables
  • Environmental Variables