ارائه مدل ترکیبی هوشمند تعیین روش مشارکت عمومی- خصوصی صنعت آب و فاضلاب ایران بر مبنای الگوریتمهای جمعی درختی
الموضوعات : مدیریت شهری
ملیحه اسکندری
1
,
سید محمد تقی تقوی فرد
2
,
ایمان رئیسی وانانی
3
,
سروش قاضی نوری
4
1 - دانشگاه علامه طباطبائی
2 - دانشگاه علامه طباطبائی
3 - دانشگاه علامه طباطبایی
4 - علامه طباطبایی
الکلمات المفتاحية: دادهکاوی پیشبینی حذف داده پرت روشهای ترکیبی شاخص سود اطلاعاتی گرادیان بوستینگ جنگل تصادفی,
ملخص المقالة :
دسترسی به آب سالم و دفع بهداشتی فاضلاب از ارکان توسعه هر کشور است و ضروری است که این طرحها در کوتاهترین زمان تکمیل گردد. با توجه به ظهور انواع روشهای مشارکتی، انتخاب روش مناسب، یکی از مسائل مهم بوده و این صنعت نیازمند مدلی جهت تصمیمگیری در خصوص نحوه و روش سرمایهگذاری در منطقه و یا طرح خاص است. با توجه به وجود پایگاه داده از پروژههای مشارکتی در بخش آب و فاضلاب، میتوان با استفاده از اطلاعات بهدستآمده و الگوریتمهای کشف الگو و تصمیمگیری دادهکاوی، مدل سرمایهگذاری و روش مناسب اجرای پروژه را پیشبینی نمود. این تحقیق با استفاده از دادههای ۱۷۶ پروژه و بهره گیری از فرآیند کریسپ در دادهکاوی انجام شده است. پس از تشریح و درک داده، مراحل پاکسازی و حذف داده پرت اجرا و در مرحله دستهبندی با تکنیک های درختی و یادگیری ماشین، طبقهبندی موفقیت و شکست پروژهها و تحلیل های لازم انجام گرفته و شاخصهای مشارکت عمومی- خصوصی به ترتیب اولویت استخراج گردید. بر مبنای یافتههای مدلسازی، روش ترکیبی COF5 جهت حذف داده پرت و شاخص آنتروپی برای انتخاب ویژگی و روش استکینگ با دقت ۸۶.۲۷٪، مدل پیشنهادی جهت پیشبینی موفقیت پروژهها هستند . با توجه به مدل پیشنهادی، میتوان علاوه بر معرفی قالب قراردادی مناسب اجرای هر گروه از پروژههای بخش آب و فاضلاب، میزان موفقیت هر طرح را در هر یک از قالب های قراردادی پیشبینی و تأثیر بهبود هر یک از شاخصها را بررسی نمود.
1. AKINTOYE, A., HARDCASTLE, C., BECK, M., CHINYIO, E. & ASENOVA, D. 2003. Achieving best value in private finance initiative project procurement. Construction management and economics, 21, 461-470.
2. AL-RADAIDEH, Q. A. & AL NAGI, E. 2012. Using data mining techniques to build a classification model for predicting employees performance. International Journal of Advanced Computer Science and Applications, 3.
3. ALEGRE, H. & ASSOCIATION, I. W. 2006. Performance indicators for water supply services, IWA publishing.
4. ALI, M. & QAMAR, A. M. Data analysis, quality indexing and prediction of water quality for the management of rawal watershed in Pakistan. Eighth International Conference on Digital Information Management (ICDIM 2013), 2013. IEEE, 108-113.
5. AZHAR, S. A. S., JOHAR, H., BAKI, S. R. M. S. & TAHIR, N. M. Optimization of water quality monitoring based on fuzzy algorithms. 2013 IEEE Conference on Systems, Process & Control (ICSPC), 2013. IEEE, 283-288.
6. BEIKZADEH, M. R., PHON-AMNUAISUK, S. & DELAVARI, N. 2008. Data mining application in higher learning institutions. Informatics in Education-An International Journal, 31-54.
7. BöHL, C. G. P. 2007. Development of a knowledge based decision support system for private sector participation in water and sanitation utilities, Oldenbourg Industrieverlag.
8. CHEN, W.-S. & DU, Y.-K. 2009. Using neural networks and data mining techniques for the financial distress prediction model. Expert Systems with Applications, 36, 4075-4086.
9. CHENG, H., LU, Y.-C. & SHEU, C. 2009. An ontology-based business intelligence application in a financial knowledge management system. Expert Systems with Applications, 36, 3614-3622.
10. COMPANY, N. W. A. W. 2009. National Wastewater Financing and investment strategy. Ministry of Energy.
11. CUI, C., LIU, Y., HOPE, A. & WANG, J. 2018. Review of studies on the public–private partnerships (PPP) for infrastructure projects. International Journal of Project Management, 36, 773-794.
12. DELMON, J. 2015. Creating a Framework for Public-Private Partnership Programs: A Practical Guide for Decision-makers, World Bank.
13. FREUND, Y. & SCHAPIRE, R. E. A desicion-theoretic generalization of on-line learning and an application to boosting. European conference on computational learning theory, 1995. Springer, 23-37.
14. GOLABCHI, M. N. 2015. Selecting the best PPP method in rail projects by using AHP methods. Journal of Transportation Engineering, 6.
15. HALL, D., LOBINA, E. & MOTTE, R. D. L. 2005. Public resistance to privatisation in water and energy. Development in practice, 15, 286-301.
16. HODGE, G. A., GREVE, C. & BOARDMAN, A. 2010. International handbook on public–private partnerships, Edward Elgar Publishing.
17. JENABI, G. & MIRROSHANDEL, S. A. 2014. Using data mining techniques for improving customer relationship management. European Online Journal of Natural and Social Sciences: Proceedings, 2, pp. 3143-3149.
18. KIRIMI, J. M. & MOTURI, C. A. 2016. Application of Data Mining Classification in Employee Performance Prediction. International Journal of Computer Applications, 146, 28-35.
19. LAVRAČ, N., BOHANEC, M., PUR, A., CESTNIK, B., DEBELJAK, M. & KOBLER, A. 2007. Data mining and visualization for decision support and modeling of public health-care resources. Journal of biomedical informatics, 40, 438-447.
20. LI, B., AKINTOYE, A., EDWARDS, P. J. & HARDCASTLE, C. 2005. Critical success factors for PPP/PFI projects in the UK construction industry. Construction management and economics, 23, 459-471.
21. LI, X., ZHU, Z. & PAN, X. 2010. Knowledge cultivating for intelligent decision making in small & middle businesses. Procedia Computer Science, 1, 2479-2488.
22. MARZOUK, M. & FAYEZ, E. 2018. Public Private Partnership Projects: Concessionaire Performance Measurement. Journal of Al Azhar University Engineering Sector, 13, 466-480.
23. MCQUAID, R. W. & SCHERRER, W. 2010. Changing reasons for public–private partnerships (PPPs). Public Money & Management, 30, 27-34.
24. MUTULA, S. M. & VAN BRAKEL, P. 2006. E-readiness of SMEs in the ICT sector in Botswana with respect to information access. The electronic library, 24, 402-417.
25. OGWUELEKA, T. C. & OGWUELEKA, F. N. 2010. Data mining application in predicting Cryptosporidium spp. oocysts and Giardia spp. cysts concentrations in rivers. Journal of Engineering Science and Technology, 5, 342-349.
26. QIAO, L., WANG, S. Q., TIONG, R. L. & CHAN, T.-S. 2001. Framework for critical success factors of BOT projects in China. The Journal of Structured Finance, 7, 53-61.
27. QIU, Y., LI, J., HUANG, X. & SHI, H. 2018. A Feasible Data-Driven Mining System to Optimize Wastewater Treatment Process Design and Operation. Water, 10, 1342.
28. RIBEIRO, D., SANFINS, A. & BELO, O. Wastewater treatment plant performance prediction with support vector machines. Industrial Conference on Data Mining, 2013. Springer, 99-111.
29. ROKACH, L. 2010. Ensemble-based classifiers. Artificial Intelligence Review, 33, 1-39.
30. SACHS, T., TIONG, R. & QING WANG, S. 2007. Analysis of political risks and opportunities in public private partnerships (PPP) in China and selected Asian countries: Survey results. Chinese Management Studies, 1, 126-148.
31. SALMAN, A. F., SKIBNIEWSKI, M. J. & BASHA, I. 2007. BOT viability model for large-scale infrastructure projects. Journal of Construction Engineering and Management, 133, 50-63.
32. SUN, J., WANG, R., WANG, X., YANG, H. & PING, J. 2014. Spatial cluster analysis of bursting pipes in water supply networks. Procedia Engineering, 70, 1610-1618.
33. WEN, Y. Y., HUANG, W. M., WU, J., CHEN, Y. & SONG, J. Q. Water consumption analysis system based on data mining. Applied Mechanics and Materials, 2013. Trans Tech Publ, 1093-1097.
34. YU, I., KIM, K., JUNG, Y. & CHIN, S. 2007. Comparable performance measurement system for construction companies. Journal of Management in Engineering, 23, 131-139.
35. YUAN, J., SKIBNIEWSKI, M. J., LI, Q. & ZHENG, L. 2009. Performance objectives selection model in public-private partnership projects based on the perspective of stakeholders. Journal of Management in Engineering, 26, 89-104.
36. YUAN, J., WANG, C., SKIBNIEWSKI, M. J. & LI, Q. 2011. Developing key performance indicators for public-private partnership projects: questionnaire survey and analysis. Journal of Management in Engineering, 28, 252-264.
37. ZHANG, X. 2005. Critical success factors for public–private partnerships in infrastructure development. Journal of construction engineering and management, 131, 3-14.