بهبود دقت پيش بيني پروژه هاي ساخت با استفاده از ادغام مديريت ارزش كسب شده با روش هاي كمي پيش بيني در سري هاي زماني. مورد مطالعاتي: پروژه هاي ساخت در شركت بزرگ آذر آب اراك

Improve the accuracy of project construction forecasts by integrating managed value management with quantitative predictive methods in time series. Case study: Construction projects at AzarAB Company Arak

در اين پژوهش دو پروژه در فاز ساخت شركت آذر آب براي پيش بيني هزينه هاي ساخت در نظر گرفته شد و هزينه هاي واقعي پروژه هاي مذكور بعد از جمع آوري اطلاعات محاسبه گرديد ، سپس شش مدل رگرسيوني در چهار دوره زماني براي هر پروژه ارائه و سپس ميانگين خطاي مدل ها براي هر پروژه در چهار دوره محاسبه گرديد تا مدل نهايي و مورد قبول براي هر پروژه مشخص گردد. نتايج نشان داد كه مدلهاي 2 و 3 درصد خطاي پايين و قابل قبولي را نسبت به ديگر مدل ها دارند. وجود منغير هاي موثر در مدل ها و همچنين با توجه به ماهيت پروژه ها نتيجه مي گيريم مدل شماره 3 با درجه اطمينان قابل قبول تري هزينه هاي آتي پروژه ها را پيش بيني مي كند. درمجموع مدل شماره 3 را به عنوان مدل برتر براي پيش بيني هزينه هاي آتي پروژه هاي مورد بحث انتخاب خواهيم كرد. با اين حال يادآور مي شويم كه براي هر پروژه با توجه به ماهيت آن ممكن است يك معادله خاص ديگر، پيش بيني هاي دقيق تري را ارائه دهد.اما به طور كلي مي توان بيان داشت كه مدلهاي رگرسيوني براي پيش بيني هزينه هاي دوره هاي مختلف پروژه با توجه به ماهيت آن كاربردي مي باشد.

In this research, two projects were considered during the construction phase of Azar AB Company to predict construction costs and actual costs of these projects were calculated after data collection, then six regression models were presented in four time periods for each project and then The average model error for each project was calculated in four periods to determine the final and acceptable model for each project. The results showed that models 2 and 3 percent have lower and acceptable errors than other models. The existence of effective modules in models as well as in terms of the nature of projects, we conclude that Model No. 3 predicts the future costs of projects with a reasonable degree of certainty. In sum, we will select Model No. 3 as the top model to predict the future costs of the projects in question. However, we recall that for each project, depending on its nature, another particular equation may provide more accurate predictions. But in general it can be said that regression models are used to predict the costs of different periods The project is applicable to its nature.