بهبود دقت پیش بینی پروژه های ساخت با استفاده از ادغام مدیریت ارزش کسب شده با روش های کمی پیش بینی در سری های زمانی. مورد مطالعاتی: پروژه های ساخت در شرکت بزرگ آذر آب اراک

در این پژوهش دو پروژه در فاز ساخت شرکت آذر آب برای پیش بینی هزینه های ساخت در نظر گرفته شد و هزینه های واقعی پروژه های مذکور بعد از جمع آوری اطلاعات محاسبه گردید ، سپس شش مدل رگرسیونی در چهار دوره زمانی برای هر پروژه ارائه و سپس میانگین خطای مدل ها برای هر پروژه در چهار دوره محاسبه گردید تا مدل نهایی و مورد قبول برای هر پروژه مشخص گردد. نتایج نشان داد که مدلهای 2 و 3 درصد خطای پایین و قابل قبولی را نسبت به دیگر مدل ها دارند. وجود منغیر های موثر در مدل ها و همچنین با توجه به ماهیت پروژه ها نتیجه می گیریم مدل شماره 3 با درجه اطمینان قابل قبول تری هزینه های آتی پروژه ها را پیش بینی می کند. درمجموع مدل شماره 3 را به عنوان مدل برتر برای پیش بینی هزینه های آتی پروژه های مورد بحث انتخاب خواهیم کرد. با این حال یادآور می شویم که برای هر پروژه با توجه به ماهیت آن ممکن است یک معادله خاص دیگر، پیش بینی های دقیق تری را ارائه دهد.اما به طور کلی می توان بیان داشت که مدلهای رگرسیونی برای پیش بینی هزینه های دوره های مختلف پروژه با توجه به ماهیت آن کاربردی می باشد.

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

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.