基于聚类和机器学习的方法对泰国灌溉建设项目进行风险优先级排序

《Irrigation and Drainage》：Clustering and Machine Learning-Based Risk Prioritization for Irrigation Construction Projects in Thailand

泰国灌溉工程面临业主规划不清、审批延迟、施工方安全疏漏等风险。通过460份问卷分析结合机器学习聚类、热图及预测模型，识别五大关键风险并验证模型有效性，建议优化前期规划、审批流程和施工监管。

　　

摘要

en此链接指向英文部分 fr此链接指向法文部分

泰国的建筑行业持续发展，但灌溉项目仍面临延误、成本超支和纠纷，这些问题源于风险管理不足。本研究识别、优先考虑并分析了影响灌溉建设项目绩效的关键风险。通过对460名受访者的调查数据进行分析，使用概率-影响矩阵得出风险评分，并结合机器学习技术（如聚类分析、相关性热图和预测建模）进行进一步研究。研究发现的主要风险包括：（1）业主规划不充分且不明确；（2）业主在暂停工作时出现失误；（3）材料审批流程延迟；（4）承包商在安全方面疏忽；（5）承包商违约。聚类分析显示利益相关者对风险的认知存在差异，而相关性热图则凸显了与业主相关的风险之间的强烈关联性。逻辑回归和随机森林模型能够几乎完美地区分高风险项目和低风险项目，这进一步证明了基于调查的指标的预测价值。研究建议加强前期规划、简化审批流程、明确承包商责任，并说明如何通过将定量评分与数据驱动的分析相结合来提升风险评估能力，从而支持泰国灌溉基础设施的可持续发展。

摘要

en此链接指向英文部分 fr此链接指向法文部分

泰国的建筑行业实现了稳定增长，但灌溉项目仍存在延误、成本超支和纠纷，这些问题与风险管理不善密切相关。本研究分析了影响灌溉基础设施建设项目绩效的关键风险。通过对460名受访者的调查数据进行分析，利用概率-影响矩阵计算风险评分，并结合机器学习技术（如聚类分析、相关性热图和预测建模）进行补充研究。研究发现的主要风险包括：（1）业主规划不充分；（2）业主在暂停工作时出现失误；（3）材料审批流程延迟；（4）承包商在安全方面的疏忽；（5）承包商违约。聚类分析显示不同利益相关者对风险的认知存在差异，相关性热图揭示了与业主相关的风险之间的紧密关联性。逻辑回归和随机森林模型能够准确区分高风险项目和低风险项目，进一步证明了基于调查的指标的预测价值。研究建议加强前期规划、简化审批流程、明确承包商责任，并说明如何通过整合定量评分与数据驱动的分析来提升风险管理能力，从而支持泰国灌溉基础设施的可持续发展。

数据可用性声明

本研究所需的数据可向相应作者索取。由于隐私或伦理限制，这些数据并未公开。