طبقه‌بندی سابقه پرداخت کارفرمایان ساخت براساس تحلیل پیمانکار با استفاده از درخت رگرسیون و الگوریتم‌ خوشه‌بندی

نوع: Type: thesis

مقطع: Segment: masters

عنوان: Title: طبقه‌بندی سابقه پرداخت کارفرمایان ساخت براساس تحلیل پیمانکار با استفاده از درخت رگرسیون و الگوریتم‌ خوشه‌بندی

ارائه دهنده: Provider: Nima Hojat

اساتید راهنما: Supervisors: S Mahdi Hosseinian

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: Javad Taherinejad and Mohsen Babaei

زمان و تاریخ ارائه: Time and date of presentation: 2024

مکان ارائه: Place of presentation: Faculty of Engineering

چکیده: Abstract: پیچیدگی‌های رفتار پرداخت کارفرمایان در صنعت ساخت به مدت طولانی نادیده گرفته شده است، که مانع از درک جامعی از پویایی‌ پرداخت می‌شود. این مطالعه یک چارچوب نوآورانه برای ارزیابی رفتار پرداخت کارفرمایان، با بهره‌گیری از الگوریتم‌های نظارت‌شده و بی‌نظارت را معرفی می‌کند. با استفاده از درخت‌های رگرسیون و خوشه‌بندی کامینز (K-means)، از چهار متغیر مستقل کلیدی استفاده می‌شود: درصد پرداخت نهایی، حداکثر پرداخت در یک بازه زمانی، میانگین زمان تأخیر و میانگین تعداد بازه‌های پرداخت. توسط تجزیه و تحلیل جامع، کارفرمایان به نه گروه متمایز تقسیم می‌شوند، که هر کدام دارای ویژگی‌های منحصربه‌فرد در رفتار پرداختی هستند. مجموعه آموزش، با تمرکز بر روش‌های متنوع پرداخت در هشت هفته پس از ارسال صورت‌وضعیت‌ها، نشان می‌دهد که هیچ یک از کارفرمایان به میزان ۱۰۰٪ از مبلغ صورت‌وضعیت‌ها را پرداخت نکرده‌اند، اما تعدادی از کارفرمایان به طور پیوسته بیش از ۹۰٪ از مبلغ صورت‌وضعیت را پرداخت کرده‌اند. بنابراین، دو مجموعه آموزش مشخص می‌شود: کارفرمایانی که حداقل ۹۰٪ را پرداخت می‌کنند (مجموعه داده پرداخت کامل) و کارفرمایانی که کمتر از ۹۰٪ از مبلغ صورت‌وضعیت‌ها را پرداخت می‌کنند (مجموعه داده پرداخت ناقص). استفاده از درخت تصمیم منجر به معرفی متغیر MARK می‌شود که امکان ارزیابی پیمانکاران از رفتار پرداخت کارفرما را فراهم می‌کند، در حالی که خوشه‌بندی K-means، خوشه‌ها را بر اساس شباهت داده بدون نتایج پیش‌فرض مشخص می‌کند. ارزیابی ۳۲ پروژه ساخت نشان می‌دهد که درصد دقت درخت تصمیم برای پیش‌بینی گروه‌های کارفرمایان ۸۸٪ است، در حالی که مدل K-means توانسته است تمامی کارفرمایان را با موفقیت طبقه‌بندی کند. یک رویکرد پیشنهادی این است که هر دو مدل را ترکیب کنیم تا دقت و قابلیت اعتماد در پیش‌بینی رفتار پرداخت کارفرمایان را افزایش دهیم. مشارکت اصلی این مطالعه در ارائه یک چارچوب نوآورانه است که با استفاده از ترکیب الگوریتم‌های نظارت‌شده و بی‌نظارت، رفتار پرداخت کارفرمایان را ارزیابی می‌کند. این مطالعه شامل بینش‌های ارزشمندی برای پیمانکاران است که پیش‌بینی رفتار پرداخت کارفرما را در زمان مناقصه‌ فراهم می‌کند و تصمیم‌گیری‌های مبتنی بر ریسک را در طول فرایند مناقصه تسهیل می‌کند و پیش‌بینی فرایند مالی را بهبود می‌بخشد. همچنین، به کارفرمایان پروژه فرصتی برای بهینه‌سازی رفتارها و روش‌های پرداخت خود از طریق مقایسه با همتایانشان در صنعت ساخت ارائه می‌دهد.