Ανάλυση δημοσίων διαγωνισμών μακράς διάρκειας για την ανίχνευση του χρονικού κινδύνου με χρήση τεχνικών μηχανικής μάθησης και επιχειρησιακή προσομοίωση - Λειτουργική αρχιτεκτονική έγκαιρης προειδοποίησης με Streamlit και FastAPI

Abstract

Η παρούσα Μεταπτυχιακή Διπλωματική Εργασία εξετάζει τη χρονική συμπεριφορά των δημόσιων διαγωνισμών στο στάδιο πριν από την ανάθεση (pre-award stage), με έμφαση στον έγκαιρο εντοπισμό και την ποσοτικοποίηση του κινδύνου μεγάλης χρονικής καθυστέρησης. Στο πλαίσιο αυτό, αναπτύσσεται ένα ολοκληρωμένο σύστημα έγκαιρης προειδοποίησης (early-warning framework), το οποίο συνδυάζει τεχνικές Μηχανικής Μάθησης με προσομοίωση επιχειρησιακών διαδικασιών βασισμένη σε BPMN. Η έρευνα οργανώνεται γύρω από τέσσερα βασικά ερευνητικά ερωτήματα, τα οποία αφορούν: (i) τους παράγοντες που επηρεάζουν τη χρονική διάρκεια και τον κίνδυνο καθυστέρησης των δημόσιων διαγωνισμών στο στάδιο πριν την ανάθεση, (ii) τη δυνατότητα αξιοποίησης δεδομένων μεγάλης κλίμακας για την αξιόπιστη διάκριση διαφορετικών χρονικών καθεστώτων υπό συνθήκες έντονης ετερογένειας, (iii) τη λειτουργική υπεροχή μιας διαχωριστικής αρχιτεκτονικής πρόβλεψης δύο σταδίων έναντι ενιαίων προσεγγίσεων παλινδρόμησης, και (iv) τον μετασχηματισμό των προγνωστικών αποτελεσμάτων σε επιχειρησιακά ερμηνεύσιμα σενάρια μέσω προσομοίωσης διαδικασιών. Η εμπειρική ανάλυση βασίζεται σε πολυκρατικό σύνολο δεδομένων άνω των 8,6 εκατομμυρίων δημόσιων διαγωνισμών της περιόδου 2009–2024 και αναδεικνύει ότι οι διάρκειες παρουσιάζουν έντονη δεξιά ασυμμετρία, βαριά ουρά (heavy-tailed distribution) και επαναλαμβανόμενες αιχμές σε θεσμικά χρονικά ορόσημα (365, 720 και 1.440 ημέρες). Τα ευρήματα αυτά κατα-δεικνύουν ότι η αξιολόγηση προγνωστικών μοντέλων αποκλειστικά με μετρικές μέσου σφάλμα-τος είναι ανεπαρκής, καθώς αποκρύπτει συστηματικές αστοχίες κοντά σε κρίσιμα χρονικά κατώφλια που σχετίζονται άμεσα με τη λήψη αποφάσεων. Για την αντιμετώπιση του προβλήμα-τος, προτείνεται μια διαχωριστική αρχιτεκτονική πρόβλεψης δύο σταδίων (2-stage), η οποία συνδυάζει έναν ταξινομητή πρώτου σταδίου για την εκτίμηση της πιθανότητας υπέρβασης των 720 ημερών και δύο εξειδικευμένους παλινδρομητές για σύντομες και μακρές διάρκειες, αντί-στοιχα. Η προσέγγιση αυτή αξιολογείται συγκριτικά έναντι μονοσταδιακών μοντέλων παλινδρόμησης και αποδεικνύεται λειτουργικά ανώτερη ως προς τη βαθμονόμηση του χρονικού κινδύνου. Το τελικό μοντέλο επιτυγχάνει MAE = 229,6 ημέρες στο πλήρως μη παρατηρημένο σύνολο ελέγχου (2023) και σχεδόν μηδενική απόκλιση στην πρόβλεψη του ποσοστού long διαδικασιών (ΔLong≥720 ≈ +0,1 ποσοστιαίες μονάδες), εξαλείφοντας τη δομική μεροληψία που παρατηρείται σε μονοσταδιακές προσεγγίσεις. Τέλος, τα αποτελέσματα της προγνωστικής ανάλυσης μετασχηματίζονται σε early-warning δείκτες κινδύνου, οι οποίοι ενσωματώνονται σε BPMN προσομοίωση στο Bizagi, επιτρέποντας τη διερεύνηση επιχειρησιακά ερμηνεύσιμων σεναρίων. Η ανάλυση αναδεικνύει σημαντικές συστημικές επιπτώσεις των υψηλού κινδύνου χρονικών καθεστώτων, όπως δραστική μείωση του ποσοστού ολοκλήρωσης και πολλαπλασιασμό του χρόνου κύκλου της διαδικασίας. Συνολικά, η εργασία μετατρέπει την πρόβλεψη διάρκειας από μηχανισμό σημειακής εκτίμησης σε λειτουργικό εργαλείο έγκαιρης προειδοποίησης, υποστηρίζοντας τεκμηριωμένες αποφάσεις σε περιβάλλοντα δημόσιας διοίκησης και διαχείρισης επιχειρησιακών διαδικασιών.