Combination of Multiple Linear Regression and Earned Value Management in the Projects Cost Forecasting in Syria

Cost analysis of a construction project is one of the most important and vital problems facing planning. Due to its nature, the construction sector is a highly competitive field and estimation work is of vital importance. Recently, the Syrian Arab Republic has been seeking to start a serious urban renewal movement in parallel with its economic development, but construction projects in Syria generally suffer from shortcomings in their performance in terms of completing the works included in the project within the planned cost limits. Therefore, the aim of this work is to establish a linear model that will reduce the error variance and improve the accuracy of the standard EAC (cost estimate at completion). The EVM (earned value management) dataset is used for the study. The study consists of 34 real-world reinforced concrete multi-story detached housing projects for a total of 805 observations. The quantity of variables, the priority of potential EVM variables in the regression model, and model suitability diagnostics are evaluated using multiple linear regression analysis.

Анализ затрат на строительный проект - одна из важнейших и жизненно необходимых задач, стоящих перед планированием. По своей природе строительный сектор является высококонкурентной сферой, и сметные работы имеют жизненно важное значение. В последнее время Сирийская Арабская Республика стремится начать серьёзное движение за обновление городов параллельно с экономическим развитием, но строительные проекты в Сирии, как правило, страдают от недостатков в плане выполнения работ в рамках запланированных затрат. Таким образом, цель этой работы - создать линейную модель, которая уменьшит дисперсию ошибок и повысит точность стандартной оценки по завершении строительства (ОПЗ). Для исследования используется набор данных УОО (урправления освоенным объемом). Исследование состоит из 34 реальных проектов многоэтажных жилых домов из железобетона, в общей сложности 805 наблюдений. Количество переменных, приоритет потенциальных переменных УОО в регрессионной модели и диагностика пригодности модели оцениваются с помощью множественного линейного регрессионного анализа.