WSPOMAGANIE DECYZJI WYKONAWCY BUDOWLANEGO Z ZASTOSOWANIEM SZTUCZNEJ INTELIGENCJI

Odpowiednia selekcja przetargów, do których startuje przedsiębiorstwo budowlane jest ważna w aspekcie kreowania jego pozycji na rynku. By wspomóc procesu myślowy decydenta i zwiększyć skuteczności decyzji opracowuje się modele wspomagające podejmowanie decyzji. W pracy zaproponowano sztuczne sieci neuronowe do budowy modelu wspomagającego decyzje przetargową wykonawcy. Zaproponowany model klasyfikacyjny generuje odpowiedź w formie zalecenia przystąpienia do przetargu bądź rezygnacji z udziału. Model w postaci sieci dwuwarstwowej jednokierunkowej o strukturze MLP 15-2-2 z dwoma neuronami w warstwie ukrytej, osiągnął dobrą jakość działania i prawidłowo sklasyfikował 88,64% przypadków, a pole pod krzywą ROC (współczynnik AUC) wyniosło 0,92578. 

Pełny tekst (pdf)

[1] Ahmad I., Minkarah I., Questionnaire survey on bidding in construction, Journal of Management in Engineering, 4, 3, 1988, 229-243.

[2] Anysz H., Foremny A., Kulejewski J., Estimating potential losses of the client in public procurement in case of collusion utilizing a MLP neural networks, Technical Transactions Civil Engineering, 1-B/2014, s. 105-118.

[3]  Drew D., Lo H. P., Applying a random coefficients logistic model to contractors’ decision to bid, Construction Management and Economics, 25, 2007, s. 387–398.

[4]  El-Mashaleh M. S., Decision to bid or not to bid, a data envelopment analysis approach. Canadian Journal of Civil Engineering, 37, 2010, s. 37–44.

[5]  Juszczyk M., Leśniak A.: Przegląd możliwości zastosowania sztucznych sieci neuronowych w zarządzaniu kosztami przedsięwzięć budowlanych, Przegląd Naukowy – Inżynieria i Kształtowanie Środowiska, 55, 2012, s. 55-64.

[6]  Kapliński O., Tupenaite L., Review of the multiple criteria decision making methods, intelligent and biometric systems applied in modern construction economics, Transformation in Business & Economics, 10, 1, 2011, s. 166-181.

[7]  Leśniak A., Plebankiewicz E., Modeling the decision-making process concerning participation in construction bidding, Journal of Management in Engineering, 31, 2, 2015, s. 04014032. DOI: 10.1061 / (ASCE)ME.1943-5479.0000237.

[8]  Leśniak A., Application of artificial neural networks in indirect cost estimation, International Conference on Numerical Analysis And Applied Mathematics 2013 (ICNAAM-2013), Rhodes, Greece, AIP Publishing, 1558, 2013, s. 1312-1316.

[9]  Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa 1997.

[10]  Panek T., Zwierzchowski J., Statystyczne metody wielowymiarowej analizy porównawczej. Teoria i zastosowania, OW SGH, Warszawa, 2013.

[11]  Plebankiewicz E., Model strategii przetargowej wykonawcy budowlanego z zastosowaniem teorii zbiorów rozmytych, praca doktorska, Politechnika Krakowska, Kraków 2001.

[12]  Plebankiewicz E., Leśniak A., Overhead costs and profit calculation by polish contractors, Technological and Economic Development of Economy, 19, 1, 2013, s. 141-161.

[13]  Sagan A., Krzywe operacyjno-charakterystyczne w ewaluacyjnych badaniach marketingowych, Zeszyty naukowe UE w Krakowie, 864, 2011, s. 5-17.

[14]  Schabowicz K., Hoła B., Application of artificial neural networks in predicting earthmoving machinery effectiveness ratios, Archives of Civil and Mechanical Engineering, 8, 4, 2008, s. 73-84.

[15]  Shash A.A., Factors considered in tendering decisions by top UK contractors, Construction Management and Economics, 11, 1993, s. 111-118.

[16]  Wanous M., Boussabaine H.A., Lewis J., A neural network bid/no bid model: The case for contractors in Syria, Construction Management and Economics, 21, 7, 2003, s. 737-744.