The Relative Importance Index of Public Sector Construction Innovation Delay Causes

Abstract

The purpose of this study was to investigate the causes of project delays in public construction projects in Thailand, a developing country where increased construction durations often lead to higher costs. The research focused on 30 state construction projects experiencing delays, categorized into four types of delay causes: contractor-related, client-related, project management-related, and external factors. This was achieved through a survey-based approach aimed at prioritizing the significance of delay causes using the Relative Importance Index (RII). The findings revealed that financial issues among contractors, such as financial liquidity, had the highest importance index at 0.777. Following closely was labor-related issues, such as labor shortages during harvesting seasons or festivals, with an importance index of 0.773. Additionally, advanced data mining techniques were employed to compare the Relative Importance Index (RII) with four algorithms: Decision Trees (DT), Deep Learning, Neural Networks, and Naïve Bayes. The analysis indicated that Deep Learning provided the highest accuracy (90.79%) in predicting delay causes in public sector construction innovations, followed by Neural Networks at 90.26%. Decision Trees ranked third with an accuracy of 85.26%. These results underscored the critical impact of contractor financial flexibility and labor availability on project execution, crucial considerations for public sector agencies. The application of advanced data mining techniques enabled efficient prediction and analysis, offering substantial benefits to stakeholders involved in project management.

การศึกษานี้มีวัตถุประสงค์เพื่อค้นหามูลเหตุความล่าช้าของโครงการก่อสร้างภาครัฐในประเทศไทย ซึ่งเป็นประเทศกำลังพัฒนาทำให้การเพิ่มขึ้นของระยะเวลาก่อสร้างทำให้ต้นทุนสูงขึ้น การค้นหามูลเหตุความล่าช้าที่เกิดขึ้นกับโครงการก่อสร้างในประเทศไทยจึงมีความสำคัญอย่างยิ่ง โดยศึกษาจากโครงการก่อสร้างภาครัฐที่ประสบปัญหาความล่าช้า จำนวน 30 โครงการ โดยแบ่งกลุ่มมูลเหตุความล่าช้าออกเป็น 4 ประเภท ได้แก่ มูลเหตุความล่าช้าจากกลุ่มผู้รับจ้าง มูลเหตุความล่าช้าจากกลุ่มผู้ว่าจ้าง มูลเหตุความล่าช้าจากกลุ่มผู้ควบคุมงาน และมูลเหตุความล่าช้าจากกลุ่มปัจจัยภายนอก โดยใช้แบบสอบถามสำรวจผลลัพธ์นำไปสู่การจัดลำดับความสำคัญของมูลเหตุความล่าช้าในงานก่อสร้าง โดยใช้วิธีการจัดลำดับความสำคัญ (RII) ผลการศึกษาพบว่า มูลเหตุความล่าช้าจากกลุ่มผู้รับจ้างมีปัญหาเกี่ยวกับการเงินของผู้รับจ้าง เช่น สภาพคล่องทางการเงิน มีค่าดัชนีความสำคัญ 0.777 รองลงมาคือ ปัญหาเกี่ยวกับแรงงาน เช่น ขาดแรงงานในช่วงฤดูเก็บเกี่ยวหรือช่วงเทศกาล มีค่าดัชนีความสำคัญ 0.773 นอกจากนี้ยังใช้การวิเคราะห์ด้วยเทคนิคเหมืองข้อมูลเพื่อเปรียบเทียบดัชนีความสำคัญสัมพัทธ์ (Relative Importance Index: RII) และอัลกอริทึม 4 วิธี ได้แก่ ต้นไม้การตัดสินใจ (Decision Tree: DT) การเรียนรู้เชิงลึก (Deep Learning) เครือข่ายประสาทเทียม (Neural Network) และหลักการความน่าจะเป็นนาอีฟ เบย์ (Naïve Bayes) ผลการวิเคราะห์พบว่า วิธีการเรียนรู้เชิงลึก ให้ค่าความถูกต้องต่อการพยากรณ์มูลเหตุความล่าช้าในนวัตกรรมการก่อสร้างภาครัฐมากที่สุด เท่ากับ 90.79% รองลงมาคือวิธีโครงข่ายประสาทเทียม ให้ค่าความถูกต้องต่อการพยากรณ์มูลเหตุความล่าช้าในนวัตกรรมการก่อสร้างภาครัฐ เท่ากับ 90.26% อันดับที่ 3 คือ วิธีต้นไม้ตัดสินใจ ให้ค่าความถูกต้องต่อการพยากรณ์มูลเหตุความล่าช้าในนวัตกรรมการก่อสร้างภาครัฐ เท่ากับ 85.26% ผลการศึกษาแสดงให้เห็นว่า สภาพคล่องทางการเงิน ต้นทุน ของผู้รับจ้างมีผลต่อการดำเนินการก่อสร้างที่สำคัญที่หน่วยงานภาครัฐต้องพิจารณาอย่างรอบครอบ รวมถึงแรงงานของผู้รับจ้างที่เป็นสิ่งขับเคลื่อนให้สามารถดำเนินได้ในแต่ละโครงการ การใช้เทคนิคเหมืองข้อมูลขั้นสูงทำให้สามารถพยากรณ์และวิเคราะห์ผลลัพธ์ได้อย่างมีประสิทธิภาพ เพื่อประโยชน์ต่อผู้มีส่วนเกี่ยวข้องในการบริหารโครงการก่อสร้าง