دانلود رایگان ترجمه مقاله بهبود دقت پیش بینی پروژه با ادغام مدیریت ارزش و پیش بینی کلاس مرجع – الزویر 2017

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده

1-مقدمه

2-توسعه XSM

2.1.محدودیت های روش های پیش بینی مدیریت ارزش کسب شده قدیمی

2-2 استخراج فرمول های XSM

2-2-1 پیش بینی زمان: XSM(t)

2-2-2 پیش بینی هزینه: XSM($)

2-2-3 کاربرد دینامیک XSM

3.رویکرد ارزیابی

3-1 داده های پروژه

3-3 رویکرد دینامیک

3-4 ارزیابی صحت پیش بینی

4.نتایج و بحث

4-1 پیش بینی زمان: XSM(t)

4-1-1 رویکرد استاتیک: XSM(t)- βopt, XSM(t)- βopt,oa, XSM(t)- βopt,rc

4-1-2 رویکرد دینامیک: XSM(t)- βdyn

4-2 پیش بینی هزینه: XSM($)

4-2-1 رویکرد استاتیک: XSM($)- βopt, XSM($)- βopt,oa, XSM($)- βopt,r

4-2-2 رویکرد دینامیک:

5-نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1- مقدمه
پیش بینی مدت زمان و هزینه واقعی یک پروژه در حال انجام، یک بعد ضروری از مدیریت پروژه است. یکی از رایج ترین و بهترین رویکرد ها برای دست یابی به این پیش بینی ها، بر مبنای روش مدیریت ارزش کسب شده(EVM) است. به منظور اطمینان از قابلیت درک مستقل این مقاله، یک خلاصه مختصری ازتعاریف و فرمول های کلیدی EVM در جدول 1 گنجانده شده است.
شاخص های زیر خط میانی درجدول 1 را می توان برای نشان دادن عملکرد هزینه و زمان بندی پروژه در یک نقطه خاص در طی اجرای پروژه( یعنی در یک دوره ردیابی یا پایش خاص) مورد استفاده قرار داد. به طور ویژه، یک واریانس زمان بندی SV یا SV(t) b0 (N0) و یک شاخص عملکرد زمان بندیSPI یا SPI(t) b1 (N1) بیان می دارد که پروژه از زمان بندی عقب( یا جلوتر) است. به طور مشابه، در رابطه با هزینه پروژه، یک واریانس هزینه CV b0 (N0) و شاخص عملکرد هزینه CPI b1 (N1) نشان دهنده پروژه ای است که دارای بودجه بیش تر( یا کم تر) می باشد. وقتی که واریانس های زمان بندی یا هزینه برابر با صفر باشند، پروژه به ترتیب از نظر زمان بندی یا بودجه مشکلی ندارد. این با شاخص های عملکرد هزینه یا زمان بندی ای که برابر با 1 هستند متناظر است.
مطلوبیت و اطمینان پذیری مدیریت ارزش کسب شده به عنوان روشی برای ارزیابی عملکردهزینه فعلی پروژه و پیش بینی هزینه واقعی آن از زمان ظهور این روش در 1960 میلادی، مورد تایید قرار گرفته است. با این حال عملکرد EVM برای بعد زمانی تنها پس از معرفی مفهوم زمان بندی کسب شده(ES)توسط لیپک(2003) به طور قابل توجهی بهبود یافته است. مطالعه اخیر( باتسلیر و واهوک 2015 ب) صریحا نشان داده است که در زمان پیاده سازی ES، پیش بینی زمان مدیریت ارزش کسب شده اساسا دارای سطح دقت و صحت یکسانی با پیش بینی هزینه EVM است. از این روی، روش EVM( مدیریت ارزش کسب شده) می تواند یک مبنای ارزشمند و عملی برای پیش بینی هر دو هزینه و مدت زمان پروژه قلمداد شود.

به علاوه، در طی سال های اخیر، چندین نسخه از رویکرد های پیش بینی EVM سنتی، در منابع و مطالعات پیشنهاد شده است( کیم و رینشمیدت 2010، لیپک 2011، الشائر 2013، خاموشی و گل افشانی 2014، مورتاجی و همکاران 2014، باگرین و همکاران 2015، چن و همکاران 2016). این فهرست از منابع آنقدر جامع نیست که بتواند یک دیدگاه کامل را در اختیار بگذارد و توصیف نسخه های موجود EVM و نیز مقایسه کمی همه این روش ها( از جمله روش توسعه یافته در این مقاله) در حیطه این مطالعه نمی گنجد. مطالعه ما یک موضوع مبرهن را برای تحقیقات آینده مشابه با مطالعه انجام شده توسط باتزیلر و واتهوک(2015 پ) تعریف می کند که در آن سه نسخه پیش بینی EVM( لیپک 2011، الشر 2013، خاموشی و گل افشانی 2014) مقایسه و ترکیب می شوند.
دیگر روش رایج و با عملکرد خوب برای انجام پیش بینی بر اساس داده های سری های زمانی، هموار سازی نمایی می باشد. این روش در اواخر دهه 1950 و اوایل 1960( براون 1956، 1959، 1963، هالت 1957، هالت و همکاران 1960، مات 1960، وینترز 1960) ظهور کرده است و مبنای برخی از موفق ترین روش های پیش بینی تاکنون بوده است. ویژگی اصلی یک روش هموار سازی نمایی این است که پیش بینی های تولید شده بر مبنای میانگین های وزنی مشاهدات گذشته است و با طولانی تر شدن مشاهدات، اوزان به طور نمایی ، تجزیه می شوند. به علاوه، این روش امکان پیش بینی داده داده های سری های زمانی را داده و به این ترتیب می توان یک روند کلی و یا یک روند تغییرات فصلی را نشان داد. برای کسب اطلاعات کلی در خصوص منابع، فرمول ها، تغییرات، کاربرد ها و پیشرفت هموار سازی نمایی، به مقاله گاردنر (2006). با این وجود، فرمول های مربوط به مطالعه انجام شده در این مقاله،در بخش های بعدی ارایه خواهند شد.
اگرچه روش هموار سازی نمایی عمدتا در زمینه های مالی و اقتصادی استفاده می شود با این حال این روش را می توان به هر مجموعه گسسته ای از اندازه گیری های دارای تکرار به کار برد( یعنی به هر سری زمانی). اگرچه داده های مسیر یابی( ردیابی) جمع اوری شده در طی پیشرفت پروژه،موسوم به سری های زمانی هستند، هموار سازی نمایی را نیز می توان برای پیش بینی مدت زمان پروژه و هزینه پروژه استفاده کرد. هموار سازی نمایی به طور مستقیم این پتانسیل را نشان می دهد. در واقه پیش بینی EVM متعارف، اهمیت( یا زون) برابری را به همه مشاهدات گذشته نسبت می دهد، در حالی که رویکرد هموار سازی نمایی، امکان کاهش تدریجی اوزان مشاهدات قدیمی تر را می دهد. کاهش تدریجی اوزان مشاهدات قدیمی تر، یک ویژگیبسیار مفید در زمینه مدیریت پروژهاست زیرا امکان پوشش دادن و توجیه اثرات هر دو بهبود عملکرد طبیعی و اقدامات مدیریتی اصلاحی که در طی روند پروژه رخ می دهند را فراهم می اورد.( بخش 2.1 را برای مشاهده یک بحث عمیق تر، ببینید).
از این روی، یک رویکرد پیش بینی جدید برای پیش بینی هزینه و مدت زمان پروژه براساس تلفیق شاخص های EVM شناخته شده در روش پیش بینی هموار سازی نمایی،در این مقاله توسعه یافته است. از این به بعد، این رویکرد جدید را XSM می نامیم که عبارت اختصاری برای روش مبتنی بر هموار سازی نمایی است. به علاوه، توجه داشته باشید که مفهوم کلی XSM اشاره به هر دو بعد پیش بینی زمانی و مکانی برای مولفه های مختلف XSM دارد که در این مقاله معرفی شده و در پیوست الف بحث خواهد شد.
رئوس کلی مطالب این مقاله را می توان به صورت زیر خلاصه سازی کرد. استخراج فرمول های XSM و توضیح کاربرد آن ها( استاتیک/دینامیک) موضوع بخش 2 می باشد و پس از آن یک بحث کیفی در خصوص هدف استفاده از روش های پیش بینی EVM فعلی و دلیل مناسب بودن روش هموار سازی نمایی برای این منظور ارایه می شود. به علاوه،در همین بخش، ارتباط بین EVMو روش های پیش بینی EVM قدیمی تبیین می شود.سپس بخش 3، یک رویکرد ارزیابی را برای XSM بر اساس مقایسه صحت با روش های پیش بینی EVM برتر ارایه می کند. به علاوه، در بخش 3-2 پیشنهاد می شود تا روش پیش بینی کلاس مرجع(RCF)که در آن یک کلاس مرجع از پروژه های تاریخی مشابه به عنوان مبنایی برای پیش بینی پروژه مورد نظر استفاده می شود، در روش XSM گنجانده شود. در بخش 4، نتایج ارزیابی برای پیش بینی زمان و نیز پیش بینی هزینه ارایه و بحث می شود. به علاوه هر دو رویکرد استاتیک و دینامیک XSM ارزیابی خواهد شد. در نهایت، بخش 5 مربوط به نتیجه گیری کلی و ارایه پیشنهاداتی برای مسیر های تحقیقاتی آینده است.

بخشی از مقاله انگلیسی:

1. Introduction

Forecasting an ongoing project’s actual duration and cost is an essential aspect of project management. One of the most widely used and best performing approaches for obtaining such forecasts is that based on the earned value management (EVM) methodology. To ensure the standalone comprehensibility of this paper, a concise summary of EVM’s key definitions and formulas is included in Table 1. The metrics below the middle line in Table 1 can be used to indicate a project’s schedule and cost performance at a certain point during project execution (i.e. at a certain tracking period). More specifically, a schedule variance SV or SV(t) b0 (N0) and a schedule performance index SPI or SPI(t) b1 (N1) express that the project is behind (ahead of) schedule. Similarly, regarding project cost, a cost variance CV b0 (N0) and a cost performance index CPI b1 (N1) reflect a project that is over (under) budget. When the schedule or cost variances are equal to zero, the project is right on schedule or on budget, respectively. This corresponds with schedule or cost performance indices that are equal to unity. The utility and reliability of EVM as a method for evaluating a project’s current cost performance and forecasting its actual cost has been endorsed ever since the introduction of the technique in the 1960s. The performance of EVM for the time dimension, however, only got the necessary boost from the introduction of the extending concept of earned schedule (ES) by Lipke (2003). A recent study (Batselier and Vanhoucke, 2015b) explicitly showed that, when implementing ES, EVM time forecasting is at virtually the same accuracy level as EVM cost forecasting. Therefore, the EVM technique can indeed be deemed a viable and valuable basis for the forecasting of both project duration and cost. Furthermore, multiple extensions of the traditional EVM forecasting approaches have been proposed in literature the past several years (Kim and Reinschmidt, 2010; Lipke, 2011; Elshaer, 2013; Khamooshi and Golafshani, 2014; Mortaji et al., 2014; Baqerin et al., 2015; Chen et al., 2016). This list is obviously not exhaustive, as to provide a complete overview and description of the existing EVM extensions is beyond the scope of this study, and so is the quantitative comparison of all those techniques (including the one developed in this paper). The latter defines an evident subject for future research, similar to the study performed by Batselier and Vanhoucke (2015c), in which three EVM forecasting extensions (Lipke, 2011; Elshaer, 2013; Khamooshi and Golafshani, 2014) are compared and combined. Another widely used and well-performing technique for making forecasts based on time series data is exponential smoothing. This technique arose in the late 1950s and early 1960s (Brown, 1956, 1959, 1963; Holt, 1957; Holt et al., 1960; Muth, 1960; Winters, 1960) 1 and has formed the basis for some of the most successful forecasting methods ever since. The main feature of an exponential smoothing method is that the produced forecasts are based on weighted averages of past observations, moreover, with the weights decaying exponentially as the observations age. Furthermore, the technique enables forecasting for time series data that display a trend and/or seasonality. For more background information regarding the origins, formulations, variations, applications, and state-of-the-art of exponential smoothing, the reader is referred to Gardner (2006). Nevertheless, the formulations relevant to the study in this paper will also be presented in later sections. Although the technique of exponential smoothing is mainly used in financial and economic settings, it can in fact be applied to any discrete set of repeated measurements (i.e. to any time series). Since the tracking data gathered during project progress constitute a time series, exponential smoothing can also be applied to forecast project duration and project cost. Intuitively, this shows potential. Indeed, traditional EVM forecasting assigns equal importance (or weight) to all past observations, whereas the exponential smoothing approach makes it possible to gradually decrease the weights of older observations. The latter could be a very useful feature in a project management context, as it allows to account for the effect of both natural performance improvement and corrective management actions that might occur during the course of a project (see Section 2.1 for a more elaborate discussion). Therefore, a novel forecasting approach for both project duration and project cost based on the integration of well-known EVM metrics in the exponential smoothing forecasting technique is developed in this paper. From now on, this novel approach will be referred to as the XSM, which is an acronym for eXponential Smoothing-based Method. Moreover, note that the general notation of XSM refers to both the time and cost forecasting dimension of the novel technique. As an overview, all notations for the different components of the XSM that will be introduced and discussed later in this paper are presented in Appendix A. The outline of this paper can be summarized along the following lines. The derivation of the XSM formulations and explanation of their application (static/dynamic) will be the subject of Section 2, preceded by a qualitative discussion on the motivation for adapting the current EVM forecasting methods and why the exponential smoothing technique is appropriate for this. Furthermore, in the same section, we will make the link between the XSM and the established EVM forecasting methods. Section 3 then proposes an evaluation approach for the XSM, based on accuracy comparison with the known EVM top forecasting techniques. Furthermore, the proposition to incorporate the reference class forecasting (RCF) technique – in which a relevant reference class of similar historical projects is used as a basis for making forecasts for the considered project – into the XSM methodology is made in Section 3.2. In Section 4, the results of the evaluation are presented and discussed, for time forecasting as well as for cost forecasting. Moreover, both a static and a dynamic approach to the XSM will be assessed. Finally, Section 5 draws more general conclusions and suggests several future research actions.