@article { author = {Parchami Jalal, Majid and shakiba zahed, hadi and Ghaaderi, Mohammad Amin}, title = {Comparative Comparison of Contractors' Evaluation Criteria, Sub-Criteria and Indicators in Water Industry Tender Using Questionnaire and Text Mining}, journal = {Amirkabir Journal of Civil Engineering}, volume = {53}, number = {6}, pages = {2335-2352}, year = {2021}, publisher = {Amirkabir University of Technology}, issn = {2588-297X}, eissn = {2588-2988}, doi = {10.22060/ceej.2020.17388.6547}, abstract = {The efficiency of contractors selection in infrastructure projects is always one of the main concerns of employers. The purpose of this study is to propose a new method for the specification of evaluation criteria, according to the type of project under assignment and prioritization, and to determine the proposed score of the evaluation criteria of the contractors using two different methods. The first involves statistical analysis of the questionnaires, and the second involves the text mining of the interviews. For this purpose, after library studies, fieldwork, and questionnaire design, questionnaires were given to experts in the industry, and their statistical analysis identified important criteria and sub-criteria and then interviewed another group of experts. Using the text mining and clustering of interview texts, the criteria and indices of contractors' evaluation were identified, and the results of these two methods were compared with the bidding law implementing regulations in Iran. SPSS software was used to analyze the interviews, and the K-means algorithm was used for interviews text mining. The findings of the study indicate that the results of the text mining and questionnaire are in agreement, and It can be concluded that the identified criteria have acceptable accuracy and generalization capability, and organizations can use these criteria and evaluation indicators to select the most suitable contractor in the tenders. Identified Criteria, in addition to covering all the criteria introduced in the Bidding Law Implementing Regulations, also include two new criteria, namely Claim Management and Safety Management & Quality Control.}, keywords = {Construction Evaluation Criteria,Text Mining,Data Mining,clustering,Tender}, title_fa = {مقایسه تطبیقی معیارها، زیرمعیارها و شاخص‌های ارزیابی پیمانکاران در مناقصات صنعت آب با استفاده از ابزار پرسشنامه و متن‌کاوی}, abstract_fa = {همواره کارآمدی روش واگذاری طرح‌های زیر بنایی به پیمانکاران یکی از دغدغه‌های اصلی کارفرمایان می‌باشد. هدف از این پژوهش، پیشنهاد روشی جدید برای اختصاصی نمودن معیارهای ارزیابی، با توجه به نوع پروژه‌ی تحت واگذاری و اولویت‌بندی و تعیین امتیاز پیشنهادی معیارهای ارزیابی پیمانکاران با استفاده از دو روش مختلف می­‌باشد، روش اول شامل تحلیل­‌های آماری بر روی پرسشنامه­‌ها و روش دوم شامل متن کاوی مصاحبه­‌ها است. برای این منظور، پس از مطالعات کتابخانه‌ای، میدانی و طراحی پرسشنامه، پرسشنامه­‌ها در اختیار خبرگان این صنعت قرار گرفت و با تحلیل آماری آن‌ها، معیارها و زیرمعیارهای مهم تعیین شد و سپس با گروهی دیگر از خبرگان به صورت باز مصاحبه انجام شد. با متن­کاوی متون مصاحبه­‌ها و خوشه­‌بندی آن‌ها، معیارها و شاخص­‌های ارزیابی پیمانکاران شناسایی شده و نتایج این دو روش با آیین نامه اجرایی بند “ج” ماده 12 قانون برگزاری مناقصات، مقایسه گردید. برای تحلیل پرسشنامه­‌ها از نرم افزار SPSS و برای متن کاوی مصاحبه­‌ها از الگوریتم K-means بهره گرفته شده است. یافته­‌های پژوهش بیانگر همسویی نتایج متن­کاوی و پرسشنامه می­‌باشد. از همسویی نتایج متن­کاوی و پرسشنامه می­‌توان نتیجه گرفت که معیارهای شناسایی شده از دقت و قابلیت تعمیم قابل قبولی برخوردارند و سازمان‌ها می‌­توانند از این معیارها و شاخص­های ارزیابی برای انتخاب مناسب‌ترین پیمانکار در مناقصات استفاده کنند. معیارهای شناسایی شده توسط ابزار متن­کاوی و پرسشنامه، علاوه بر پوشش تمامی معیارهای معرفی شده در آیین نامه اجرایی قانون برگزاری مناقصات، دو معیار جدید تحت عنوان مدیریت دعاوی و بهداشت، ایمنی و محیط زیست و کنترل کیفیت را نیز شامل می­‌شوند.}, keywords_fa = {Construction Evaluation Criteria,Text Mining,Data Mining,clustering,Tender}, url = {https://ceej.aut.ac.ir/article_3848.html}, eprint = {https://ceej.aut.ac.ir/article_3848_1d985255db5241c9f119452c32040c52.pdf} }