چکیده:
تحلیل واکنش درست به ریسک یکی از فرایندهای مهم مدیریت پروژه است. هدف از انجام این پژوهش، دستهبندی ریسکهای پروژه شهرسازی است. بدینمنظور، پس از شناسایی ریسکهای پروژه شهرسازی، برای ارزیابی ریسکها مهمترین شاخصهای با تأیید خبرگان توسعه داده شده است که عبارتاند از: میزان تأثیر بر زمان؛ هزینه و کیفیت؛ احتمال وقوع؛ اثرات زیستمحیطی؛ تأثیرات ایمنی؛ اهمیت ریسک؛ میزان مدیریتپذیری ریسک و استراتژی پاسخ به ریسک؛ سپس ارزیابی ریسکها با استفاده از شاخصهای مدنظر انجام شد. تمامی مراحل تحلیل با استفاده از روش استاندارد دادهکاوی کرسیپ اجرا و سطوح اهمیت ریسک، مدیریتپذیری ریسک و استراتژی پاسخ با استفاده از الگوریتمهای دادهکاوی پیشنهادی به تفکیک پیشبینی شدند. یافتههای پژوهش نشان میدهند که الگوریتمهای دستهبندی در مدیریت ریسک از عملکرد مطلوبی برخوردارند. الگوریتم دستهبندی لجستیک، میزان اهمیت و مدیریتپذیری ریسک را بهترتیب با نرخ صحت 88/0 و 9/0 پیشبینی کرده است؛ همچنین الگوریتم دستهبندی بیزی نیز در پیشبینی استراتژی پاسخ به ریسک توانسته است با نرخ صحت 84/0 عملکرد بهتری نسبت به سایر الگوریتمها نشان دهد. برای بررسی بیشتر الگوریتمهای مورداستفاده، نتایج با یکی از روشهای متداول، یعنی روش تاپسیس، مقایسه شد که الگوریتمهای دادهکاوی در مقایسه با روش تاپسیس نتیجه بهتری ارایه دادند.
Analysis of the right response to risk is one of the important processes in project management. The purpose of this research is to categorize the risks of the urban projects. To this end, after identifying the risks of the urban project, the most important indicators are developed in line with experts’ opinions to evaluate risks. These include impact on time, cost, quality, probability of occurrence, environmental impact, safety effects, importance of risk, risk manageability and risk response strategy. Then, the risk assessment is performed using the desired indicators. All steps are implemented according to CRISP-DM standard methodology and the importance of risk, risk manageability, and risk response strategy are predicted by data mining algorithms. The results show that classification algorithms performed in risk management successfully. Importance of risk and risk manageability are predicted by logistic regression whose accuracy rates are respectively equal 0.88 and 0.9. For risk response strategy, the Naïve Bayes algorithm performed better than other algorithms with an accuracy rate of 0.84. For further investigation of the used algorithms, the results are compared with one of the MCDM methods, the TOPSIS method. Data mining algorithms performed better than the TOPSIS method.
خلاصه ماشینی:
بدين منظور، پس از شناسايي ريسک هاي پروژه شهرسازي، براي ارزيابي ريسک ها مهمترين شاخص هاي با تأييد خبرگان توسعه داده شده است که عبارت اند از: ميزان تأثير بر زمان ؛ هزينه و کيفيت ؛ احتمال وقوع ؛ اثرات زيست محيطي؛ تأثيرات ايمني ؛ اهميت ريسک ؛ ميزان مديريت پذيري ريسک و استراتژي پاسخ به ريسک ؛ سپس ارزيابي ريسک ها با استفاده از شاخص هاي مدنظر انجام شد.
براي اين منظور، با استفاده از الگوريتم هاي داده کاوي، هر سه معيار اهميت ريسک ، مديريت پذيري ريسک و استراتژي پاسخ به ريسک تعيين و پيش بيني شده است ؛ سپس شاخص هاي تأثيرگذار بر پيش بيني با استفاده از ابزار انتخاب مشخصه ١تعيين و توانايي الگوريتم هاي مختلف مقايسه شده اند.
در ادامه ، مدل توسعه يافته تحليل ريسک هاي پروژه هاي شهرسازي با توجه به بررسي يک نمونه موردي واقعي ارائه ميشود؛ بنابراين پژوهش پيش رو بر اساس ابعاد زير داراي نوآوري است : ـ استفاده از الگوريتم هاي داده کاوي: با توجه به جدول ١، در هيچ يک از مقاله ها از الگوريتم هاي داده کاوي براي تعيين اهميت ، مديريت پذيري و استراتژي پاسخ به ريسک استفاده نشده و قابليت اين الگوريتم ها با توجه به شاخص هاي به دست آمده اثبات شده است .
CRoss Industry Standard Process for Data Mining (CRISP-DM) يک نماي کلي از چرخه زندگي يک پروژه داده کاوي را نشان ميدهد و شامل فازهاي پروژه است از جمله [٤٥]: (رجوع شود به تصویر صفحه) شکل ١.