بررسی مولفه های اصلی در هنگام جذب پیمانکاران جزء جهت حفظ کیفیت و کاهش زمان پروژه با استفاده از شبکه‌های عصبی

نوع مقاله: مقاله پژوهشی

نویسنده

خواجه نصیرالدین طوسی

چکیده

پروژه های عمرانی شاخص های اساسی در رشد و توسعه ملی یک کشور می باشند. در یک طرح عمرانی بیشترین مقدار سرمایه گذاری در مرحله ی اجرای پروژه صورت می پذیرد. یکی از علل اصلی از بین رفتن منابع مالی و شکست در پروژه های عمرانی انتخاب نادرست پیمانکاران جزء در پروژه ها می باشد. انتخاب پیمانکار، جزء تصمیمات کلیدی مدیران و تصمیم گیرندگان به شمار میرود. در حال حاضر یک روش کارآمد و مبتنی بر اصول مدیریت نوین برای انتخاب پیمانکار وجود نداشته و توجه ای به روش علمی و تکنیک های مناسب نمی گردد. بدیهی است که شاخص های کمی و کیفی متعددی درتعین صلاحیت پیمانکاران ازجمله توانایی انجام کار، بنیه اقتصادی کافی، کیفیت وغیره که برای کارفرمایان حایز اهمیت می باشد مطرح می گردد. هدف از این پژوهش به حداقل رساندن ضرر و زیان های ناشی از انتخاب نامناسب پیمانکاران جزء و ارائه روش مناسب برای انتخاب پیمانکاران جزء می باشد.
در این پژوهش پس از مطالعات کتب و مجلات و مقالات مرتبط با نحوه و شاخص های مهم در ارزیابی و انتخاب پیمانکاران جزء شناسایی مـی گـردد و پـس از آن تعداد 33 معیار فرعی از 6 معیار اصلی انتخاب می گردد. سپس این معیارهای با استفاده از پرسشنامه ای در اختیار صاحبان فن و خبرگان فعال و مهندسین با تجارب مختلف در پروژه های عمرانی کشور قرار گرفته و با استفاده از پرسشنامه اول در نرم افزار آماری Spss مورد بررسی و تجزیه و تحلیل قرار می گیرد. که از میان 33 معیار ، 20 معیار با بیشترین اوزن بعنوان معیار های مورد گزینش در پرسشنامه دوم قرار گرفته و شبکه (RBF) در محیط Matlab اجرا می گردد. با استفاده از توانایی بالای شبکه عصبی در پیش بینی ، بهترین معیارهای انتخاب پیمانکاران جزء بصورت جدولی آماده گشته که از میان این 20 معیار ، 10 معیار اول از لحاظ امتیاز ( میزان کاهش زمان و حفظ کیفیت پروژه ) انتخاب می شوند. که می توان از آنها بعنوان نتایج نهایی این تحقیق خواهند بود.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Principal Components When Selecting Subcontractors to Preserve Quality and Reduce Project Time Using Neural Networks

نویسنده [English]

  • Mohammad Fereshtiyan
Khaje nasir
چکیده [English]

Construction projects are key indicators of a country's national growth and development. In a development project, the largest amount of investment is made during the project implementation phase. One of the main reasons for the loss of financial resources and failure in construction projects is the incorrect selection of minor contractors in the projects. The selection of a contractor is one of the key decisions of managers and decision makers. At present, there is no efficient method based on the principles of modern management for selecting a contractor, and no attention is paid to scientific methods and appropriate techniques. It is obvious that there are several quantitative and qualitative indicators in determining the qualifications of contractors, including the ability to do the job, sufficient economic strength, quality, etc., which are important for employers. The purpose of this study is to minimize the losses caused by improper selection of component contractors and to provide a suitable method for selecting component contractors.In this research, after studying books, journals and articles related to important methods and indicators in evaluating and selecting contractors, it is identified and after that, 33 sub-criteria are selected from 6 main criteria. Then, these criteria are provided to the owners of active technicians and experts and engineers with different experiences in the country's development projects using a questionnaire and are examined and analyzed using the first questionnaire in Spss statistical software. Out of 33 criteria, 20 criteria with the highest weight as criteria were selected in the second questionnaire and the network (RBF) is implemented in Matlab environment. Using the high ability of the neural network in prediction, the best criteria for selecting component contractors are prepared in a table, of which the first 10 criteria are selected in terms of score (time reduction and project quality maintenance). Which can be considered as the final results of this research.

کلیدواژه‌ها [English]

  • Subcontractors
  • Selecting contractors
  • Neural Networks
  • Artificial Neural Networks