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

Αρσενούδη, Αλεξάνδρα

dc.contributor.advisor	Βασιλακόπουλος, Γεώργιος
dc.contributor.author	Αρσενούδη, Αλεξάνδρα
dc.date.accessioned	2026-02-27T10:44:19Z
dc.date.available	2026-02-27T10:44:19Z
dc.date.issued	2026-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18937
dc.description.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.	el
dc.format.extent	222	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	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	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Title: «Analyzing Long-Duration Public Procurement Procedures for Temporal Risk Detection through Machine Learning and Business Process Simulation: An Operational Early-Warning Archi-tecture with Streamlit and FastAPI» This Master’s Thesis investigates the temporal behavior of public procurement procedures during the pre-award stage, with a particular focus on the early identification and quantification of the risk of severe time delays. To this end, the study develops an integrated early-warning framework that combines Machine Learning techniques with BPMN-based business process simulation. The research is structured around four core research questions addressing: (i) the factors influencing the duration and delay risk of public procurement procedures at the pre-award stage, (ii) the po-tential of large-scale data to reliably distinguish between different temporal regimes under condi-tions of high heterogeneity, (iii) the operational superiority of a two-stage discriminative prediction architecture compared to single-stage regression approaches, and (iv) the transformation of pre-dictive outputs into operationally interpretable scenarios through process simulation. The empirical analysis is based on a multi-country dataset comprising more than 8.6 million public procurement procedures from the period 2009–2024. The results show that procedure durations exhibit pronounced right skewness, heavy-tailed distributions, and recurring spikes at institutional-ly significant temporal thresholds). These findings indicate that evaluating predictive models solely using mean-error metrics is insufficient, as such metrics obscure systematic failures near critical time thresholds that are directly relevant to decision-making. To address this limitation, a two-stage discriminative prediction architecture is proposed, combining a first-stage classifier that es-timates the probability of exceeding 720 days with two specialized regressors for short and long durations, respectively. This approach is evaluated against single-stage regression models and is shown to be operationally superior in terms of temporal risk calibration. The final model achieves a Mean Absolute Error (MAE) of 229.6 days on a fully unseen test set (2023) and near-zero deviation in predicting the proportion of long procedures (ΔLong≥720 ≈ +0.1 percentage points), effectively eliminating the structural bias observed in single-stage approaches. Finally, the predictive results are transformed into early-warning risk indicators, which are embed-ded in a BPMN-based simulation implemented in Bizagi, enabling the exploration of operationally interpretable scenarios. The analysis highlights significant systemic effects associated with high-risk temporal regimes, including a sharp decline in completion rates and a substantial increase in overall process cycle time. Overall, the thesis reframes duration prediction from a point-estimation mechanism into a functional early-warning tool, supporting evidence-based decision-making in public administration and business process management contexts.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Δημόσιες συμβάσεις	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Πρόβλεψη διάρκειας	el
dc.subject.keyword	Προσομοίωση BPMN	el
dc.subject.keyword	Σύστημα έγκαιρης προειδοποίησης	el
dc.subject.keyword	Διαχείριση κινδύνου	el
dc.subject.keyword	LightGBM	el
dc.subject.keyword	FastAPI	el
dc.subject.keyword	Streamlit	el
dc.date.defense	2026-02-25

Files in this item

Name:: Arsenoudi_ME2405.pdf
Size:: 7.777Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα