تحلیل ریسک تاخیر پروژه‌‌های انبوه‌‌سازی مسکن با استفاده از یک روش بهبود یافته ترکیبی مبتنی بر شبکه بیزین

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

پروژه‌های انبوه‌سازی مسکن به دلیل حجم بالای سرمایه‌گذاری و نقش کلیدی در توسعه، از اهمیت بالایی برخوردارند. با این حال، این پروژه‌ها با چالش‌های متعددی از جمله تاخیر در اجرا مواجه هستند. تاخیر در پروژه‌های انبوه‌سازی مسکن می‌تواند منجر به افزایش هزینه‌ها، نارضایتی مشتریان و از دست رفتن فرصت‌های اقتصادی شود. در این مقاله، به بررسی ریسک‌های تاخیر در پروژه‌های انبوه سازی مسکن با استفاده از روشی نوآورانه پرداخته شده است. این روش، ترکیبی از شبکه بیزین (BBNs)، مدلسازی ساختاری تفسیری (ISM) و آزمایش و ارزیابی تصمیم‌گیری (DEMATEL) است. این روش بر روی یکی از پروژه‌های انبوه سازی مسکن پرند به عنوان مطالعه موردی اعمال گردید که نتایج به دست آمده نشان داد که در این پروژه در حالت عادی احتمال شدت بالای تاخیر 68 درصد بوده است. از طرفی عوامل مرتبط با مسائل مالی و اقتصادی با احتمال شدت بالای وقوع 60 درصد رخ خواهند داد. همچنین تاخیر در پرداخت‌های انجام شده توسط مالک هم با احتمال وقوع 65 درصد، از جایگاه ویژه‌ای برخوردار است. تجربه ناکافی مشاور، انتخاب پیمانکاران نامناسب، در دست داشتن چند پروژه همزمان و سوء مدیریت سه عامل اثرگذار دیگر  هستند که با احتمال شدت متوسط وقوع بیش از 50 درصد اتفاق می‌افتند. از طرفی مدل ارائه شده، عوامل مرتبط با پیمانکار را که از منابع مهم تاخیر است، با احتمال شدت متوسط وقوع بیش از 40 درصد را نشان می‌دهد. همچنین عوامل مربوط به مشاور نیز باتوجه به نقش مهم آن، با احتمال شدت متوسط وقوع بیش از 40 درصد نشان داده شده‌اند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Enhanced Bayesian Network Approach to Delay Risk Analysis in Mass Housing Construction

نویسندگان [English]

  • Ali Akbar Shirzadi Javid
  • Mohammad Hosein Madihi
  • Ehsan Nafari
Associate Professor, School of Civil Engineering, Iran University of Science and Technology
چکیده [English]

Housing mass construction projects are vital for urban development but often face delays that lead to increased costs and missed opportunities. This study addresses delay risks using an integrated approach combining Bayesian Belief Networks (BBNs), Interpretive Structural Modeling (ISM), and the DEMATEL method. BBNs identify and model risk relationships, while the Ranked Node Method optimizes parametric analysis by reducing time and effort. ISM establishes risk hierarchies, and DEMATEL analyzes cause-and-effect relationships. Applied to a Parand mass housing project, the methodology revealed a 68% probability of significant delays, with financial and economic risks having a 60% likelihood. Payment delays by the owner showed a 65% probability, while factors like inexperienced consultants, unsuitable contractors, and mismanagement each had over 50% severity probabilities. Contractor- and consultant-related issues also contributed, each with average probabilities exceeding 40%. These findings highlight the importance of addressing financial inefficiencies and enhancing project management practices. The proposed method enhances delay risk modeling precision while minimizing required information, offering a practical and efficient solution for managing delays in mass housing projects.

کلیدواژه‌ها [English]

  • Risk Assessment
  • Delay
  • Decision Making Trial and Evaluation Laboratory (DEMATEL)
  • Interpretive Structural Modeling (ISM)
  • Bayesian Belief Network (BBN)
  • Housing Mass

مراجع

[1] R.C. de Azevedo, L. Ensslin, A.E. Jungles, A review of risk management in construction: opportunities for improvement, Modern Economy 5 (04) (2014) 367.
[2] Project Management Institute, Construction Extension to the PMBOKʼ Guide, Project Management Institute, 2016.
[3] F. Antoniou, Delay risk assessment models for road projects, Systems 9 (3) (2021) 70.
[4] A.H. Alavifar, S. Motamedi, Identification, evaluation and classification of time delay risks of construction project in Iran, in: International Conference on Industrial Engineering and Operations Management, 2014.
[5] G. Young, Y. Chen, M. Yang, Concentrations, distribution, and risk assessment of heavy metals in the iron tailings of Yeshan National Mine Park in Nanjing, China, Chemosphere 271 (2021) 129546.
[6] G. Dehdasht, et al., DEMATEL-ANP risk assessment in oil and gas construction projects, Sustainability 9 (8) (2017) 1420.
[7] P. Boateng, Z. Chen, S.O. Ogunlana, An Analytical Network Process model for risks prioritisation in megaprojects, International Journal of Project Management 33 (8) (2015) 1795–1811.
[8] C.-N. Huang, J.J. Liou, Y.-C. Chuang, A method for exploring the interdependencies and importance of critical infrastructures, Knowledge-Based Systems 55 (2014) 66–74.
[9] A. Valipour, et al., A fuzzy analytic network process method for risk prioritization in freeway PPP projects: an Iranian case study, Journal of Civil Engineering and Management 21 (7) (2015) 933–947.
[10] H.P. Chandra, Structural equation model for investigating risk factors affecting project success in Surabaya, Procedia Engineering 125 (2015) 53–59.
[11] A. Adeleke, A.Y. Bahaudin, A.M. Kamaruddeen, Organizational internal factors and construction risk management among Nigerian construction companies, Global Business Review 19 (4) (2018) 921–938.
[12] M. Eybpoosh, I. Dikmen, M. Talat Birgonul, Identification of risk paths in international construction projects using structural equation modeling, Journal of Construction Engineering and Management 137 (12) (2011) 1164–1175.
[13] F. Afzal, et al., Integrated priority decision index for risk assessment in chaos: cost overruns in transport projects, Engineering, Construction and Architectural Management 27 (4) (2020) 825–849.
[14] J. Wang, H. Yuan, System dynamics approach for investigating the risk effects on schedule delay in infrastructure projects, Journal of Management in Engineering 33 (1) (2017) 04016029.
[15] M. Khanzadi, E. Eshtehardian, M. Mokhlespour Esfahani, Cash flow forecasting with risk consideration using Bayesian Belief Networks (BBNS), Journal of Civil Engineering and Management 23 (8) (2017) 1045–1059.
[16] G.K. Balta, I. Dikmen, M. Birgonul, Bayesian network based decision support for predicting and mitigating delay risk in TBM tunnel projects, Automation in Construction 129 (2021) 103819.
[17] V. Khodakarami, A. Abdi, Project cost risk analysis: A Bayesian networks approach for modeling dependencies between cost items, International Journal of Project Management 32 (7) (2014) 1233–1245.
[18] M.H. Madihi, A.A. Shirzadi Javid, F. Nasirzadeh, Enhancing risk assessment: an improved Bayesian network approach for analyzing interactions among risks, Engineering, Construction and Architectural Management (2023), https://doi.org/10.1108/ECAM-07-2023-0774.
[19] H. Shakeri, M. Khalilzadeh, Analysis of factors affecting project communications with a hybrid DEMATEL-ISM approach (A case study in Iran), Heliyon 6 (8) (2020).
[20] M. Qin, X. Wang, Y. Du, Factors affecting marine ranching risk in China and their hierarchical relationships based on DEMATEL, ISM, and BN, Aquaculture 549 (2022) 737802.
[21] F. Li, et al., Analysis on accident-causing factors of urban buried gas pipeline network by combining DEMATEL, ISM and BN methods, Journal of Loss Prevention in the Process Industries 61 (2019) 49–57.
[22] M. Yazdi, et al., Improved DEMATEL methodology for effective safety management decision-making, Safety Science 127 (2020) 104705.
[23] N.E. Fenton, M. Neil, J.G. Caballero, Using ranked nodes to model qualitative judgments in Bayesian networks, IEEE Transactions on Knowledge and Data Engineering 19 (10) (2007) 1420–1432.
نشریه مهندسی عمران امیرکبیر
دوره 57، شماره 3
1404
صفحه 529-548

فایل ها

هم رسانی

ارجاع به این مقاله

آمار