ارائه مدل تحليل ريسك‌ در پروژه‌‌هاي شهرسازي مبتني بر تكنيك داده‌كاوي با مطالعه موردي

Presentation of Risks Analysis Model in Urban Projects Based on Data Mining Technique with Case Study

تحليل واكنش درست به ريسك يكي از فرايندهاي مهم مديريت پروژه است. هدف از انجام اين پژوهش، دسته‌بندي ريسك­‌هاي پروژه شهرسازي است. بدين‌منظور، پس از شناسايي ريسك‌­هاي پروژه شهرسازي، براي ارزيابي ريسك­‌ها مهم‌ترين شاخص‌هاي با تأييد خبرگان توسعه داده شده است كه عبارت‌اند از: ميزان تأثير بر زمان؛ هزينه و كيفيت؛ احتمال وقوع؛ اثرات زيست‌محيطي؛ تأثيرات ايمني؛ اهميت ريسك؛ ميزان مديريت‌­پذيري ريسك و استراتژي پاسخ به ريسك؛ سپس ارزيابي ريسك‌ها با استفاده از شاخص‌هاي مدنظر انجام شد. تمامي مراحل تحليل با استفاده از روش استاندارد داده‌كاوي كرسيپ اجرا و سطوح اهميت ريسك، مديريت‌پذيري ريسك و استراتژي پاسخ با استفاده از الگوريتم‌هاي داده‌كاوي پيشنهادي به تفكيك پيش‌بيني شدند. يافته‌‌هاي پژوهش نشان مي‌دهند كه الگوريتم‌هاي دسته‌بندي در مديريت ريسك از عملكرد مطلوبي برخوردارند. الگوريتم دسته‌بندي لجستيك، ميزان اهميت و مديريت‌پذيري ريسك را به‌­ترتيب با نرخ صحت 0/88 و 0/9 پيش‌بيني كرده ‌است؛ همچنين الگوريتم دسته‌بندي بيزي نيز در پيش‌بيني استراتژي پاسخ به ريسك توانسته است با نرخ صحت 84/0 عملكرد بهتري نسبت به ساير الگوريتم‌ها نشان دهد. براي بررسي بيشتر الگوريتم‌­هاي مورد­استفاده، نتايج با يكي از روش‌­هاي متداول، يعني روش تاپسيس، مقايسه شد كه الگوريتم‌هاي داده‌كاوي در مقايسه با روش تاپسيس نتيجه بهتري ارايه 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.