شبیه‌سازی ریسک و بازده سرمایه‌گذاری پروژه‌های ساخت مسکن با استفاده از روش‌های هوش مصنوعی

احسان اشتهاردیان¹ محمد باقر نوبخت² محسن فسنقری³

1) استادیار دانشکده عمران گرایش مهندسی ساخت دانشگاه آزاد واحد علوم تحقیقات
2) استاد دانشکده عمران گرایش مهندسی ساخت دانشگاه آزاد واحد علوم تحقیقات
3) کارشناس ارشد عمران، گرایش مهندسی ساخت دانشگاه آزاد واحد علوم تحقیقات

محل انتشار : کنگره بین المللی عمران ، معماری و شهرسازی معاصر جهان در دبی(dubaiconf.ir)
چکیده :
صاحب‌نظران بر این باورند چیزی را می‌توان مدیریت کرد که آن را به‌دقت شناخت. پیش‌بینی یکی از ابزارهایی است که برای تعیین روند پیشرفت و به‌تبع آن تصمیم‌گیری‌های مدیریتی استفاده می‌گردد. در بخش پروژه‌های عمرانی مسکن ریسک‌هایی از قبیل میزان اقبال و توازن مقدار عرضه و تقاضا در زمان اتمام پروژه، افزایش و کاهش نرخ ارز و قیمت مصالح و غیره وجود دارد. این متغیرها روابطی پیچیده با یکدیگر داشته که به‌راحتی قابل‌تحلیل نیست. روابط بین متغیرها تا حد معمول با محاسبات و قیود ریاضی قابل انجام خواهد بود ولی با پیچیده شدن این روابط نیاز به عملگرهایی هوشمند برای تحلیل دقیق و دریافت خروجی مسئله خواهد بود. ابزارهای مختلفی برای نیل به این مهم وجود دارد که در این میان یکی از قدرتمندترین آن‌ها شبکه‌ی عصبی فازی تطبیقی است. در این پژوهش به شبیه‌سازی ریسک و بازده سرمایه‌گذاری در پروژه‌های ساخت مسکن می‌پردازیم. برای انجام آن در ابتدا متغیرهای مداخله‌گر در این حوزه با استناد به نظر خبرگان و مطالعه‌ی ادبیات پژوهش گردآوری شناسایی شد. در ادامه با گردآوری مقادیر عددی مربوط به متغیرها، سری‌های زمانی از منابع موثق در بازه‌ی زمانی سال‌های 1357 تا 1392 گردآوری شد. در ادامه با استفاده از روش‌های تحلیل و الگوریتم‌های مختلف بهینه‌سازی درروش شبکه‌ی عصبی فازی تطبیقی داده‌ها مورد ارزیابی قرار گرفت. در این گام از دو روش، خوشه‌بندی کاهشی و میانگین فازی C استفاده شد. هر یک از دو روش با استفاده از دو رویکرد بهینه‌سازی پس انتشار و ترکیبی مورد ارزیابی قرار گرفت و درنهایت مقادیر خطا و قابلیت اتکا در پنج روش حل این مسئله با یکدیگر مقایسه شد. نتیجه ی نهایی حاکی از برتری روش میانگین فازی C با الگوریتم بهینه سازی ترکیبی نسبت به دیگر روش ها بود.
کلمات کلیدی : پیش‌بینی قیمت مسکن بازده سرمایه‌گذاری مسکن شبکه‌ی عصبی فازی تطبیقی خوشه‌بندی کاهشی میانگین فازی C