التنبؤ بتكلفة الإنشاءات مع مراعاة عدم اليقين وقابلية التفسير باستخدام نموذج تعلم احتمالي هجيني

لماذا يهم سعر المبنى قبل بنائه

قبل أن تلتقي المجرفة بالأرض، يجب على المالكين والمقاولين تقدير التكلفة الحقيقية للمشروع. إذا كان ذلك التقدير خاطئًا، تُهدَر الميزانيات، وتتأخر الجداول الزمنية، ويتآكل الثقة بين الأطراف. تقدم هذه الورقة طريقة جديدة لتوقع تكاليف البناء لا تسعى فقط إلى الدقة، بل تُبلّغ أيضًا مدى الثقة في التوقع وتوضح لماذا يرى النموذج أن المشروع سيكون مكلفًا أو رخيصًا. هذا المزيج من الدقة والصدق بشأن عدم اليقين والتفسيرات الواضحة هو ما يجعل هذا العمل مهمًا لأي شخص يهتم بكيفية استخدام البيانات والذكاء الاصطناعي لجعل المشاريع الكبيرة أقل خطورة.

المشكلة مع طرق تقدير التكلفة التقليدية

عقود من الزمن اعتمدت تقديرات تكاليف البناء على حكم الخبراء والإحصاءات البسيطة. تستند هذه الأساليب بشدة إلى المشاريع السابقة وخبرة البشر. هي سهلة الفهم، لكنها تتعثر عندما تصبح المشاريع أكثر تعقيدًا، أو عندما تكون الأسواق متقلبة، أو عندما تتفاعل عوامل عديدة بطرق متشابكة. تفترض الأدوات الإحصائية الكلاسيكية علاقات خطية بين المدخلات والتكاليف، رغم أن المشاريع الحقيقية تتأثر بقفزات في أسعار المواد، وخيارات التصميم، وظروف الموقع، وأسواق العمل المتغيرة. العديد من نماذج التعلم الآلي الأحدث تستطيع التقاط هذه الأنماط الفوضوية، لكنها غالبًا ما تعمل كصناديق سوداء وتنتج عادة تقديرًا وحيدًا دون الإشارة إلى مدى الخطأ المحتمل لهذا التقدير.

نموذج هجيني جديد لتوقعات أذكى

يقترح المؤلفون نظام تعلم هجيني يُدعى NGBoost‑ETR يحاول معالجة ثلاث مشكلات معًا: الدقة، وعدم اليقين، والشفافية. في جوهره تقنية تُعرف بالتعزيز الطبيعي للتدرج (NGBoost)، والتي صُممت لإصدار ليس مجرد تقدير للتكلفة، بل منحنى احتمالي كامل حول ذلك التقدير. بدلاً من القول «البلاطة ستكلف 17 دولارًا للمتر المربع»، يُعبر النموذج فعليًا عن أن «17 هو القيمة الأكثر احتمالًا، لكن هذا هو نطاق ارتفاعها أو انخفاضها المحتمل عمليا». لجعل NGBoost أكثر فاعلية على بيانات البناء، يستبدل المؤلفون أشجاره البسيطة التقليدية بمتعلم أشجار أقوى يُسمى Extra Trees Regression، وهو جيد بشكل خاص في التقاط العلاقات غير الخطية بين مدخلات مثل نوع البلاطة، ومساحة الطابق، والأحمال، وأسعار وحدات المواد.

كيف اختبر النموذج في العالم الحقيقي

للاختبار العملي، درّب الباحثون نموذجهم واختبروه على 4,477 سجلًا حقيقيًا من RSMeans، وهي قاعدة بيانات تكلفة أمريكية مستخدمة على نطاق واسع لمكونات المباني. يصف كل سجل تجميعية أرضية هيكلية—مثل البلاطات أحادية الاتجاه، البلاطات المسطحة، أو البلاطات الوافل—مع مساحتها والأحمال المتوقعة وتكلفة وحدة الخرسانة والقوالب. قورنت أداءات النموذج مع 10 طرق تعلم آلي شائعة و9 هجائن NGBoost أخرى. أظهرت مقاييس الدقة القياسية أن NGBoost‑ETR أنتج بعضًا من أفضل التنبؤات النقطية، مع أخطاء متوسطة صغيرة جدًا على بيانات غير مرئية. وبقدر أهمية ذلك، قيّم الفريق أيضًا مدى تطابق النطاقات المتوقعة من النموذج مع الواقع، باستخدام مجموعة مكونة من ستة مقاييس لعدم اليقين تحكم كلًا من تكرار وقوع التكلفة الفعلية داخل النطاق المتوقع ومدى ضيق ذلك النطاق.

رؤية العوامل التي تحرك التكلفة

وبما أن صانعي القرار يتحفظون على الثقة في صندوق أسود، يدمج المؤلفون قابلية التفسير في تصميمهم باستخدام SHAP، وهي تقنية حديثة تعطي لكل مدخل درجة مساهمة في كل تنبؤ. هذا يمكّن المستخدمين من رؤية، على سبيل المثال، مقدار تأثير ارتفاع أسعار القوالب، أو نوع معين من البلاطات، أو مساحة نهرية كبيرة في رفع أو خفض التوقع لمشروع فردي. عبر مجموعة البيانات، تبرز تكلفة القوالب كالمحرك الأكثر تأثيرًا لإجمالي التكلفة، تليها نوع البلاطة والمساحة. بربط هذه التفسيرات مباشرة بتقدير التكلفة المركزي للنموذج، يمكن للممارسين فحص ما إذا كانت التنبؤات تتماشى مع معارفهم الميدانية وتعديل التصاميم أو التفاوضات بناءً على ذلك.

ما الذي يعنيه هذا للمشاريع المستقبلية

بشكل عام، يوفر إطار NGBoost‑ETR توقعات تكلفة دقيقة جدًا، ونطاقات عدم يقين ضيقة نسبيًا لكنها متسقة، ورؤى واضحة حول أي المتغيرات ذات الأهمية الأكبر. قدمت بعض النماذج المتنافسة تغطية أعلى قليلًا للتكاليف الحقيقية، لكنها فعلت ذلك بتوقع نطاقات واسعة بشكل غير واقعي قليلة الفائدة عمليًا. النموذج الجديد بدلاً من ذلك يحقق توازنًا: قد يخطئ في الوصول إلى التكلفة الدقيقة أكثر قليلًا من طريقة تحفظية للغاية، ولكن عندما يقدم نطاقًا فإنه يكون مضغوطًا بما يكفي ليُعلم وضع الميزانيات والمزايدات وتخطيط المخاطر في العالم الواقعي. للقرّاء غير المتخصصين، الخلاصة الأساسية أن هذا البحث يحول تقدير تكاليف البناء من تخمينات مبنية على خبرة إلى "تنبؤ جوي" أكثر صدقًا لميزانيات المشاريع—يخبرك ليس فقط بما المرجح أن يحدث، بل بمقدار الثقة في ذلك.

الاستشهاد: Chen, L., Khalid, O.W., Tiang, JJ. et al. Uncertainty aware and explainable construction cost prediction using a hybrid probabilistic learning model. Sci Rep 16, 10973 (2026). https://doi.org/10.1038/s41598-026-44904-8

الكلمات المفتاحية: توقع تكلفة البناء, التعلم الآلي الاحتمالي, إدارة مخاطر المشاريع, الذكاء الاصطناعي القابل للتفسير, التخطيط للبنية التحتية