Ihku-allianssissa valmistuu monia kiinnostavia opinnäytetöitä. Juttusarjan kolmannessa osassa esitellään Hanna Sandellin pro gradun ”Forecasting Indirect Costs in Finnish Public Transport Infrastructure Projects: Applications with Machine Learning Models” tuloksia.
Ihku-allianssissa on valmistunut uusi mielenkiintoinen opinnäytetyö. Helsingin yliopiston valtiotieteellisen tiedekunnan opiskelija Hanna Sandellin poikkitieteellisessä gradussa yhdistyvät taloustiede sekä koneoppiminen. Katso video YouTubesta.
Opinnäytetyössä tutkittiin mahdollisia keinoja mallintaa tilaajan hanketehtävien kustannuksia. Tilaajan hanketehtävillä tarkoitetaan rakennuskustannusten lisäksi tilaajille koituvia epäsuoria kustannuksia, esimerkiksi suunnittelu- ja rakennuttamiskustannuksia. Näiden kustannusten osuus voi olla jopa 20% hankkeen kokonaiskustannuksista. Tavoitteena oli mallintaa kyseisten kustannuserien laskentaa selvittämällä ja mallintamalla erilaisten muuttujien vaikutukset tilaajan hanketehtäviin.
Tutkimuksen kohteena olivat tilaajien hanketehtävien mallintaminen sekä niihin vaikuttavat muuttujat
Suurten infrahankkeiden määrä on lisääntynyt voimakkaasti viime vuosina ja kustannusarvioiden luotettavuudesta aiheutuvat ongelmat ovat korostuneet. Epätarkkuus vaikuttaa paitsi tuottavuuden arvioimiseen käytettävän kustannus-hyötyanalyysin tarkkuuteen, myös rajallisten resurssien allokoitumiseen. Kustannusarvioiden nykyisen ohjeistuksen mukaan hanketehtävät arvioidaan hankkeelle sovittuja prosenttiosuuksia käyttäen. Nykyinen laskentamalli ei kuitenkaan kykene ottamaan huomioon hankkeisiin liittyviä yksilöllisiä ominaisuuksia ja olosuhteita ja tarve paremmalle arviointimenetelmälle on kasvanut. Vastaavaa tutkimusta ei Suomessa ole tehty aiemmin.
Tärkeimpiä tutkimuskysymyksiä olivat:
- Onko koneoppimisen menetelmillä mahdollista ennustaa tilaajan hanketehtäviä (tilaajatehtäviä) nykyistä ohjeistusta paremmin?
- Mitkä muuttujat vaikuttavat tilaajan hanketehtäviin?
Tutkimuksessa hyödynnettiin kahta yleisesti käytettyä koneoppimismallia: keinotekoista neuroverkkoa ja usean muuttujan lineaarista regressiomallia.
Gradussa keskityttiin hankkeiden myöhäisten vaiheiden suunnittelun ja rakennuttamisen kustannuksiin. Hyödynnetty aineisto koostuu hankkeiden perustiedoista sekä suunnittelu- ja rakennuttamiskustannusten toteutumatiedoista.
Tilaajatehtävien laskentaan käytetään nykyisin Liikenneviraston aikaisen väylähankkeiden kustannushallinnan ohjeistuksen mukaisesti vakioprosentteja hankkeen ominaisuuksista riippumatta. Esimerkiksi rakennussuunnittelu on 4 % hankkeen kokonaiskustannuksista riippumatta hankkeen kustannuksiin vaikuttavista muuttujista.
Tosiasiassa Hannan työssä käsitellyt muuttujat – hankkeiden tyyppi (esim. tie- tai ratahanke), euromääräinen koko sekä toteutusympäristön haastavuus vaikuttavat kiistatta hanketehtävien kustannuksiin. Muuttujamaailmaa rajattiin asiantuntijahaastatteluiden avulla.
Tutkimus tarjoaa Ihkulle ennustemalleja tilaajatehtävien ennakoimiseen
Tärkeimpänä antina tutkimus toi alustavat ennustemallit tilaajatehtävien ennakoimiseen. Tutkimuksen mukaan nämä mallit ennustavat suunnittelu- ja rakennuttamiskustannuksia nykyisin käytössä olevaa ohjeistusta tarkemmin. Lisäksi tutkimus auttoi tunnistamaan tilastollisesti merkittäviä muuttujia, jotka vaikuttavat tilaajan hanketehtävien kustannuksiin.
Alustavissa malleissa käytettyjä muutamaa muuttujaa tarkastelemalla ei pystytä mallintamaan kaikkia tilaajatehtäviin vaikuttavia ominaisuuksia, mutta otannan kasvaessa ja tiedon lisääntyessä malleja pystytään parantamaan.
Hannan työ jatkuu Ihku-allianssissa, jossa hän työstää gradussa laatimiaan malleja eteenpäin entistä tarkemmiksi. Gradussa määritetyt mallit luovat pohjan ja laskentalogiikan jatkokehitykselle. Jatkokehityksessä muuttujien vaikutusta kuvaavien prosenttiyksiköiden arvoja voidaan tarkentaa uuden datan avulla esimerkiksi keräämällä myöhäisempien suunnitteluvaiheiden toteumatietoja vanhoista hankkeista. Lisäksi samankaltaisia malleja kehitetään tie- ja ratahankkeiden lisäksi myös muille hanketyypeille, esim. katu- ja siltahankkeille.
Tutkimus tarjoaa vahvaa näyttöä siitä, että dataa hyödyntämällä saadaan arvokasta tietoa kustannusarvioiden tarkentamiseen ennustemalleilla. Tilaajatehtävien ennustamista on siis mahdollista kehittää ja nykyistä ohjeistusta tarkentaa. Tilaajatehtäviin vaikuttavia muuttujia tarkastelemalla on mahdollista siirtyä vakioprosenteista tarkempiin, hankkeen erityisominaisuudet huomioiviin mallinnuksiin ja kustannusarvioihin.
