Wspomaganie decyzji wykonawcy budowlanego z zastosowaniem sztucznej inteligencji

• Autorzy: Leśniak A.

Identyfikatory

DOI

10.7862/rb.2016.22

Warianty tytułu

EN

Supporting contractors’ decision using artificial intelligence

• Języki publikacji: PL

Abstrakty

PL

Odpowiednia selekcja przetargów, do których startuje przedsiębiorstwo budowlane jest ważna w aspekcie kreowania jego pozycji na rynku. By wspomóc proces 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.

EN

An appropriate selection of tenders in which the company wishes to participate plays an important part in establishing its position in the market and contributes to the contractor’s success. Efficiency of bidding decisions can be improved by applying decision support models. The paper presents a model based on an artificial neural network designed to support contractors’ bidding decisions. The network solved the problem of classification. The best network proved to be the MLP 15-2-2 one which generated the most efficient classification, namely the 88,64% of correctly identified cases that did not participate in the training process. The area under the ROC curve (the coefficient AUC) reached the value 0,92578.

Słowa kluczowe

PL

oferta; wybór; decyzja ofertowa; podejmowanie decyzji; wsparcie decyzji; sztuczna inteligencja; sieć neuronowa sztuczna; model klasyfikacyjny

EN

tender; selection; bidding decision; decision making; decision support; artificial intelligence; artificial neural network; classification model

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Czasopismo Inżynierii Lądowej, Środowiska i Architektury / Journal of Civil Engineering, Environment and Architecture
• Rocznik: 2016
• Tom: z. 63, nr 1/I
• Strony: 189--196
• Opis fizyczny: Bibliogr. 16 poz., il., tab.

Twórcy

autor

Leśniak A.

• Politechnika Krakowska, Wydział Inżynierii Lądowej

Bibliografia

• [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.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.