DOI: https://doi.org/10.1080/09537287.2025.2583300
تاريخ النشر: 2025-11-05
المؤلف: Udechukwu Ojiako وآخرون
الموضوع الرئيسي: إدارة أداء مشاريع البناء
نظرة عامة
تناقش ورقة البحث قيود إدارة المخاطر التقليدية في معالجة التعقيدات والشكوك المتأصلة في أنظمة البنية التحتية الحرجة، مما يدفع نحو التحول نحو المرونة، وخاصة في الكشف المبكر عن التهديدات والوقاية منها. تقدم الدراسة نموذج مرونة مدعوم بالشبكات العصبية يعزز كفاءة التدريب والأداء التنبؤي مع دمج تقنيات أهمية الميزات المعروفة. لا يحسن هذا النموذج الدقة وقابلية التفسير فحسب، بل يحدد أيضًا العوامل الرئيسية التي تؤثر على نجاح المشروع، حيث تظهر “المرونة التشغيلية” كأهم محدد. تقدم النتائج رؤى عملية للمديرين، مما يسهل اتخاذ قرارات مستنيرة والتعرف على التهديدات في وقت مبكر.
في الختام، تؤكد الورقة على ضعف البنية التحتية الحرجة أمام الاضطرابات وضرورة تنمية المرونة كقدرة تنظيمية أساسية للحفاظ على الوظائف وسط هذه التحديات. يتم تسليط الضوء على دمج أدوات التعلم الآلي (ML) في تخطيط البنية التحتية والعمليات كوسيلة لدعم التحليل القائم على البيانات وتعزيز عمليات اتخاذ القرار. من خلال استخدام تقنيات التعلم الآلي المعتمدة على الشبكات العصبية وطرق أهمية الميزات مثل SHAP وLIME وPERM/PFI، تحقق الدراسة بشكل تجريبي من العلاقات بين عوامل المرونة ونجاح المشروع. تساهم هذه الأبحاث في الخطاب النظري حول المرونة في البنية التحتية الحرجة بينما تقدم إطارًا عمليًا لمديري المشاريع والمهنيين في مجال المرونة لتعزيز مرونة البنية التحتية بشكل استباقي في بيئة متزايدة التعقيد.
مقدمة
تسلط مقدمة الورقة الضوء على الطلب العالمي المتزايد على أنظمة البنية التحتية الحرجة المعقدة والمترابطة التي تعتبر ضرورية لوظائف المجتمع ورفاهيته. تواجه هذه الأنظمة، التي تشمل الأصول المادية والافتراضية، مخاطر كبيرة بسبب ترابطها وطبيعة التهديدات المتطورة مثل الإرهاب والأوبئة وتغير المناخ. تؤكد الورقة على عدم كفاية أساليب إدارة المخاطر التقليدية، التي تعتمد غالبًا على التقييمات الثابتة والعمليات المدفوعة بالامتثال، في مواجهة هذه التحديات الديناميكية. بدلاً من ذلك، تدعو إلى إطار عمل يركز على المرونة ويعطي الأولوية للاستعداد والاستجابة والتكيف والتعافي.
تهدف الدراسة إلى تطوير نموذج مرونة تم التحقق منه تجريبيًا باستخدام تقنيات التعلم الآلي المعتمدة على الشبكات العصبية لتعزيز سلامة العمليات للبنية التحتية الحرجة. يسعى هذا النموذج إلى معالجة قيود نماذج المرونة التقليدية من خلال الاستفادة من القدرات التكيفية للشبكات العصبية لإدارة مجموعات البيانات المعقدة وتقديم رؤى تنبؤية. السؤال البحثي الذي يوجه الدراسة هو كيف يمكن استخدام نماذج التعلم الآلي المعتمدة على الشبكات العصبية بشكل فعال لتعزيز مرونة البنية التحتية الحرجة. ستتناول الأقسام اللاحقة من الورقة مفهوم المرونة، وتراجع الأدبيات ذات الصلة بالتعلم الآلي، وتحدد منهجية البحث، وتقدم النتائج التي تربط بين عوامل المرونة الرئيسية ونجاح المشروع، مما يساهم في تحسين الاستراتيجيات لإدارة الاضطرابات في أنظمة البنية التحتية الحرجة.
الطرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في الأسئلة البحثية. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم العلاقات بين المتغيرات. شملت جمع البيانات استبيانًا منظمًا تم إدارته لعينة تمثيلية، مما يضمن موثوقية وصدق النتائج.
تضمن التحليل استخدام نماذج الانحدار لتقييم تأثير المتغيرات المستقلة على المتغير التابع، مع تحديد مستويات الدلالة عند p < 0.05. بالإضافة إلى ذلك، استخدم الباحثون اختبارات تشخيصية مختلفة للتحقق من الافتراضات المتعلقة بالطبيعية والتجانس، مما يضمن قوة النتائج. بشكل عام، تم تصميم الإطار المنهجي لتوفير فهم شامل للظواهر قيد التحقيق، مما يساهم في مجموعة المعرفة الحالية في هذا المجال.
النتائج
في قسم النتائج، تم تقسيم مجموعة البيانات إلى تقسيم 80/20 لتدريب واختبار نموذج الشبكة العصبية، على التوالي. تم تحسين النموذج بناءً على الحد الأدنى من متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE). لتقييم الأهمية النسبية لكل متغير مدخل بالنسبة للمخرجات، تم استخدام ثلاث طرق معروفة لأهمية الميزات: SHAP (SHapley Additive exPlanations)، وأهمية الميزات بالتبديل (PERM/PFI)، وشرح النماذج القابلة للتفسير محليًا (LIME). تم إجراء هذا التحليل عبر خمسة تقسيمات مختلفة لمجموعة البيانات.
لكل من نماذج المدخلات والمخرجات الثمانية، تم تحديد الأهمية النسبية للمدخلات باستخدام كل طريقة، بالإضافة إلى متوسط عام عبر الطرق الثلاث. تم التأكد من أن مجموع قيم الأهمية النسبية لجميع المدخلات داخل نموذج يساوي 1، مع تواجد جميع القيم بين 0 و1. تم تحديد المدخلات ذات الدرجات الأعلى من الأهمية النسبية على أنها أكثر تأثيرًا، بينما يمكن أن يظهر التأثير العام لمدخل على المخرج إما إيجابيًا أو سلبيًا.
المناقشة
في هذا القسم، تركز المناقشة على دمج تقنيات التعلم الآلي (ML)، وخاصة الشبكات العصبية، لتعزيز مرونة البنية التحتية الحرجة. يؤكد المؤلفون على أهمية فهم اعتماد الميزات من خلال طرق مثل SHapley Additive exPlanations (SHAP)، وLocal Interpretable Model-agnostic Explanations (LIME)، وPermutation Feature Importance (PERM/PFI). توفر هذه التقنيات مجتمعة رؤى قوية حول عملية اتخاذ القرار في النموذج، مما يسهل فهمًا أعمق لكيفية مساهمة عوامل مختلفة في المرونة.
يتم استكشاف مفهوم المرونة من خلال طبيعته متعددة الأبعاد، التي تشمل الاستعداد والاستجابة والتكيف والتعافي. يبرز المؤلفون أن المرونة ليست مجرد توقع التهديدات، بل تتضمن أيضًا القدرة على الاستجابة بفعالية والتكيف مع الظروف المتغيرة. هذا مهم بشكل خاص للمنظمات، التي يجب أن تتعافى من الاضطرابات ولكن أيضًا تحول عملياتها لتعزيز المرونة المستقبلية. تحدد المناقشة أيضًا فجوة في الأدبيات بشأن تطبيق نماذج التعلم الآلي المعتمدة على الشبكات العصبية لتحسين المرونة، مشيرة إلى أن النماذج الحالية غالبًا ما تعتمد على بيانات ما بعد الاضطراب، مما يحد من قابليتها العملية. تهدف الدراسة إلى معالجة هذه الفجوة من خلال استخدام مجموعة بيانات شاملة لتطوير نموذج قابل للتعميم يلتقط التفاعلات المعقدة وغير الخطية بين عوامل المرونة، مما يساهم في تحسين اتخاذ القرار في مشاريع البنية التحتية الحرجة.
القيود
تقدم الدراسة عدة قيود تؤثر على نتائجها وقابليتها للتطبيق. أولاً، تركز فقط على بُعد الاستعداد في المرونة، والذي، على الرغم من كونه حاسمًا لتنفيذ المشروع، يحد من إمكانية تطوير نموذج تعلم آلي (ML) قائم على الشبكات العصبية شامل للمرونة في البنية التحتية. يجب على الأبحاث المستقبلية استكشاف أبعاد مرونة إضافية لتعزيز الرؤى، حيث أن المرونة بطبيعتها ديناميكية وقد تتطلب نماذج متميزة لأبعاد مختلفة (Wang et al., 2024). ثانيًا، يثير الاعتماد على البيانات الثانوية من Al-Mazrouie et al. (2021) مخاوف بشأن توقيت مجموعة البيانات والتحقق من علاقات العوامل، على الرغم من أن الدراسة تستند إلى إطار عمل تم التحقق منه مسبقًا. يمكن أن يؤدي تحديث مجموعة البيانات ودمج التحقق من الخبراء إلى تحسين قوة النماذج المستقبلية.
علاوة على ذلك، يحد تركيز الدراسة على نوع واحد من البنية التحتية—المطارات—من قابلية تعميم نتائجها. يمكن أن يؤدي توسيع مجموعة البيانات لتشمل مجالات بنية تحتية متنوعة (مثل الموانئ الجافة ومحطات الطاقة) وقطاعات (مثل سلاسل الإمداد) إلى تعزيز البحث بين التخصصات (AlMalki وDurugbo، 2024؛ Hajoary et al.، 2024؛ Stentoft et al.، 2021). بالإضافة إلى ذلك، بينما يوفر دمج تقنيات أهمية الميزات في التعلم الآلي (SHAP وLIME وPERM/PFI) رؤى قيمة، فإن متطلبات الموارد الخاصة بها وقابليتها للأخطاء التقريبية تبرز الحاجة إلى تحسينات حسابية أو طرق بديلة. أخيرًا، تظل الأبعاد السلوكية للتعلم الآلي في مرونة البنية التحتية غير مستكشفة بشكل كافٍ، مما يشير إلى أن فهم العوامل البشرية يمكن أن يعزز بشكل كبير اتخاذ القرار واستدامة أنظمة البنية التحتية الحرجة (Bokrantz et al.، 2024؛ Scholten et al.، 2023).
DOI: https://doi.org/10.1080/09537287.2025.2583300
Publication Date: 2025-11-05
Author(s): Udechukwu Ojiako et al.
Primary Topic: Construction Project Management and Performance
Overview
The research paper discusses the limitations of traditional risk management in addressing the complexities and uncertainties inherent in critical infrastructure systems, prompting a shift towards resilience, particularly in early threat detection and prevention. The study introduces a neural network-enabled resilience model that enhances training efficiency and predictive performance while incorporating established feature importance techniques. This model not only improves accuracy and interpretability but also identifies key factors influencing project success, with ‘Operational resilience’ emerging as the most significant determinant. The findings offer practical insights for managers, facilitating informed decision-making and earlier threat recognition.
In conclusion, the paper emphasizes the vulnerability of critical infrastructure to disruptions and the necessity of cultivating resilience as a core organizational capability to maintain functionality amid such challenges. The integration of machine learning (ML) tools into infrastructure planning and operations is highlighted as a means to support data-driven analysis and enhance decision-making processes. By employing neural network-based ML techniques and feature importance methods like SHAP, LIME, and PERM/PFI, the study empirically validates correlations between resilience factors and project success. This research contributes to the theoretical discourse on resilience in critical infrastructure while providing a practical framework for project managers and resilience professionals to proactively enhance infrastructure resilience in an increasingly complex environment.
Introduction
The introduction of the paper highlights the increasing global demand for complex, interconnected critical infrastructure systems that are essential for societal functions and well-being. These systems, which include both physical and virtual assets, face significant risks due to their interdependencies and the evolving nature of threats such as terrorism, pandemics, and climate change. The paper emphasizes the inadequacy of traditional risk management approaches, which often rely on static assessments and compliance-driven processes, in addressing these dynamic challenges. Instead, it advocates for a resilience-focused framework that prioritizes readiness, response, adaptation, and recovery.
The study aims to develop an empirically validated resilience model utilizing neural network-based machine learning (ML) techniques to enhance the operational integrity of critical infrastructure. This model seeks to address the limitations of conventional resilience models by leveraging the adaptive capabilities of neural networks to manage complex datasets and provide predictive insights. The research question guiding the study is how neural network-based ML models can be effectively employed to strengthen the resilience of critical infrastructure. The subsequent sections of the paper will delve into the resilience concept, review relevant ML literature, outline the research methodology, and present findings that correlate key resilience factors with project success, ultimately contributing to improved strategies for managing disruptions in critical infrastructure systems.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to assess the relationships between variables. Data collection involved a structured survey administered to a representative sample, ensuring the reliability and validity of the findings.
The analysis included the use of regression models to evaluate the impact of independent variables on the dependent variable, with significance levels set at p < 0.05. Additionally, the researchers employed various diagnostic tests to check for assumptions related to normality and homoscedasticity, ensuring the robustness of the results. Overall, the methodological framework was designed to provide a comprehensive understanding of the phenomena under investigation, contributing to the field's existing body of knowledge.
Results
In the results section, the dataset was divided into an 80/20 split for training and testing a neural network model, respectively. The model was optimized based on the minimum Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). To assess the relative importance of each input variable in relation to the outputs, three established feature importance methods were employed: SHAP (SHapley Additive exPlanations), Permutation Feature Importance (PERM/PFI), and Local Interpretable Model-agnostic Explanations (LIME). This analysis was conducted across five different splits of the dataset.
For each of the eight input-output models, the relative importance of inputs was quantified using each method, as well as an overall average across the three methods. It was ensured that the sum of the relative importance values for all inputs within a model equaled 1, with all values ranging between 0 and 1. Inputs with higher relative importance scores were identified as more influential, while the overall impact of an input on the output could manifest as either positive or negative.
Discussion
In this section, the discussion centers on the integration of machine learning (ML) techniques, specifically neural networks, to enhance the resilience of critical infrastructure. The authors emphasize the importance of understanding feature dependencies through methods like SHapley Additive exPlanations (SHAP), Local Interpretable Model-agnostic Explanations (LIME), and Permutation Feature Importance (PERM/PFI). These techniques collectively provide robust insights into the model’s decision-making process, facilitating a deeper comprehension of how various factors contribute to resilience.
The concept of resilience is explored through its multidimensional nature, encompassing readiness, response and adaptation, and recovery. The authors highlight that resilience is not merely about anticipating threats but also involves the capacity to respond effectively and adapt to changing conditions. This is particularly relevant for organizations, which must not only recover from disruptions but also transform their operations to enhance future resilience. The discussion also identifies a gap in the literature regarding the application of neural network-based ML models for resilience optimization, noting that existing models often rely on post-disruption data, which limits their practical applicability. The study aims to address this gap by employing a comprehensive dataset to develop a generalizable model that captures complex, nonlinear interactions among resilience factors, ultimately contributing to improved decision-making in critical infrastructure projects.
Limitations
The study presents several limitations that impact its findings and applicability. Firstly, it concentrates solely on the readiness dimension of resilience, which, while crucial for project implementation, restricts the potential for developing a comprehensive neural network-based machine learning (ML) model for infrastructure resilience. Future research should investigate additional resilience dimensions to enhance insights, as resilience is inherently dynamic and may require distinct models for different dimensions (Wang et al., 2024). Secondly, the reliance on secondary data from Al-Mazrouie et al. (2021) raises concerns about the dataset’s timeliness and validation of factor relationships, despite the study’s foundation on a pre-validated framework. Updating the dataset and incorporating expert validation could improve the robustness of future models.
Moreover, the study’s focus on a single infrastructure type—airports—limits the generalizability of its findings. Expanding the dataset to include various infrastructure domains (e.g., dry ports, power plants) and sectors (e.g., supply chains) could foster interdisciplinary scholarship (AlMalki and Durugbo, 2024; Hajoary et al., 2024; Stentoft et al., 2021). Additionally, while the integration of ML feature importance techniques (SHAP, LIME, PERM/PFI) offers valuable insights, their resource demands and susceptibility to approximation errors highlight the need for computational refinements or alternative approaches. Finally, the behavioral dimensions of ML in infrastructure resilience remain underexplored, suggesting that understanding human factors could significantly enhance decision-making and the sustainability of critical infrastructure systems (Bokrantz et al., 2024; Scholten et al., 2023).