Machine Learning based Project Management Framework for Private Participation in Infrastructure Projects

Abstract

Infrastructure projects are generally large and need huge financial resources and technical expertise. In developing countries, the public sector usually lacks financial resources and technical capabilities to fulfil the current growing need of infrastructure development. Therefore, the public sector looks for partnership with the private sector to secure financing resources and technical capabilities under certain types of contracts. Recently, the concept of Private Participation in Infrastructure (PPI) projects became more common in developing countries for infrastructure development. The PPI project is a form of public private partnership in which private investors contribute equity to the project. Governments grant the rights to the private parties for building and operating an infrastructure facility for a certain time. In return, private partiesreceive a defined share in revenues. PPI investment across the world is continuously increasing, particularly in developing countries. The analysis of the World Bank data also shows an increasing trend in infrastructure investments under PPI projects. PPI projects are complex due to involvement of several stakeholders having conflicting interestssuch as governments, sponsors, financial institutions. These projects are usually of larger size in developing countries, which have higher levels of risk, uncertainty, and sunk cost. Further, data also show that around 90% of PPI projects in developing countries are carried out by foreign sponsors who may suffer due to liability of foreignness. Therefore, these projects face more challenges as compared to other types of projects. The failure of these projects would have drastic financial consequences for the partner organizations and economies of the countries. Therefore, more effort is required to improve the performance of PPI projects in developing countries. This study is an effort to improve the management of PPI projects in developing countries. This study develops a new data mining-based framework, which resolves the issue of missing values, the curse of dimensionality, the issue of imbalanced classes, and selects appropriate classification algorithms from a group of classifiers (random forest, logistic regression, and support vector machines). The results suggest multivariate imputation by chained equations(MICE) for imputation, Boruta as feature selection technique, and logistic regression as the right classifier to predict success of PPI projects. This framework was needed to make the PPI dataset (gathered from the World Bank maintained PPI database) useful for analysis and to predict the likelihood of the success of PPI projects in developing countries. This study also proposes an enhanced NTCP (novelty, technology, complexity and pace) model by including extrinsic factors based on exhaustive literature review and statistical analysis of the PPI projects using logistics regression, F-test, and Student’s t test. As PPI projects face unique challenges in developing countries including political uncertainty, corruption, poor macroeconomic conditions, unpredictability in policies etc. Therefore, in addition to project characteristics (NTCP model), the contexts of the developing countries (extrinsic factors) are also important to understand for successful execution of PPI projects. PPI projects follow two types of proposal i.e. solicited proposal and unsolicited proposal (USP). In solicited proposals, the public sector initiates the projects, and performs the economic, social, and financial feasibility studies of the projects. On the other hand, in USP, the private sector initiates, identifies, and prioritizes projects for the public sector. Most countries have unclear and ambiguous procedures in execution and approvals of USP that increases the chances of project failure. Further, the USP has several other issues including lack of transparency, issue of intellectual property rights, vulnerability to abuse of power and corruption etc. Despite challenges, the USPs are reality and have continuously increased in developing countries. In USP, the private sector helps the governments to identify the infrastructure gaps, presents innovative ideas, and provide financial support. However, there are few academic inquiries and empirical evidence related to unsolicited PPI projects in the literature. Therefore, there is a need to investigate the relationship between USP and the performance of PPI projects. This study explores the relationship between the USP and the performance of PPI projects. First, we applied the Chi-square test to check whether the impact of USP on the success of PPI projects is significant or not. The result of the Chi-square test indicates a significant impact of the USP on the success of PPI projects in developing countries. Secondly, we applied hierarchical logistic regression to investigate the relationship between USP and the performance of PPI projects with more detail. Further, we also calculated the average marginal effects to quantify the amount of impact of USP on the performance of PPI projects. The model consists of 18 control variables, three moderators namely control of corruption, presence of local sponsor, and project size, and one independent variable (the USP). The results indicate that the USP has a significant and negative effect on the success of PPI projects. The results also suggest that presence of local sponsors and stronger control of corruption in the host country improves the performance of PPI projects. This study compares the impacts of variables (identified as significant in previous studies) separately on solicited PPI projects and unsolicited PPI projects. We applied logistics regression to compare the impact of the identified variables on the success of solicited and unsolicited projects. The results show that a number of variables mainly related to the institutional factors have significant impact on the success of USP projects, whereas the impact of these variables are insignificant for solicited projects. This study has multifaceted implications. Firstly, it identifies appropriate machine learning techniques for feature selection, imputation, oversampling and classification for PPI dataset. The identification of the appropriate techniques allows more accurate prediction of project success. Higher predictability of the project success reduces uncertainty associated with PPI projects in developing countries. It will help both private parties and governments to make better decisions related to investments in PPI projects. Secondly, this study presents an enhanced NTCP model, which will help the project managers and practitioners to understand the country context as well as the project characteristics. Thirdly, it quantifies the risks in unsolicited PPI projects. Further, it suggests the importance of strict control of corruption in the host country and the need for understanding the country’s local context (presence of local sponsor) in unsolicited PPI projects. Fourthly, this study finds that the level of impacts of several variables previously identified as significant for the success of PPI projects change according to the mode of project proposals. These findings will help the practitioners to adopt appropriate proactive project management approaches based on project characteristics and external situations.

|인프라 프로젝트 (Infrastructure projects)는 일반적으로 규모가 크며 막대한 재정 자원과 기술 전문 지식이 필요하다. 개발 도상국(Developing countries)에서 공공 부문은 일반적으로 인프라 개발의 현재 증가하는 요구를 충족시키기 위해 재정 자원과 기술 능력이 부족하다. 따라서 공공 부문 (Public sector)은 특정 유형의 계약에 따라 자금 조달 자원 및 기술 역량을 확보하기 위해 민간 부문 (Private sector)과의 파트너십을 찾는다. 최근 인프라 개발에 대한 민간 참여(Private partnership in infrastructure(PPI))의 개념은 개발 도상국에서 인프라 개발을 위해 더욱 보편화되었다. 이 프로젝트는 개인 후원자들이 프로젝트에 지분을 기부하는 공공 민간 파트너십 (Public private partnership)의 한 형태이다. 정부는 특정 시간 동안 인프라 시설을 건설하고 운영하기 위해 민간 당사자 (Private party)에게 권리를 부여한다. 보답으로, 민간 당사자는 수익에 정의 된 점유율을받을 수 있다. 전 세계에 특히 개발도상국에 대한투자가 지속적으로 증가하고 있다. 세계은행 (World Bank) 데이터 분석 결과 인프라 투자 (Infrastructure investment)가 증가하는 추세가 나타나고 있다. 정부, 후원자,금융기관 (Financial institutions) 등 상충되는 이득를 가진 여러 이해관계자들 (Stakeholders)의 참여로 인해 PPI 프로젝트는 복잡하다. 이러한 프로젝트는개발 도상국에서 일반적으로규모가 크며 위험 (Risk),불확실성 (Uncertainty) 및 침몰 비용 (Sunk cost)이 더 높이다. 또한,개발도상국의 PPI 프로젝트의 약 90%가외국 스폰서들에 의해 수행되고 있어서 외국의 책임 (Liability of foreignness)때문에 고통을 겪을 수있다. 따라서 이러한 프로젝트는 다른 유형의 프로젝트에 비해 더 많은 도전에 직면 해 있다. 이 프로젝트의 실패는 국가의 파트너 조직과 경제에 급격한 재정적 결과를 초래할 것이다. 따라서 개발도상국에서 PPI프로젝트의 성과를 향상시키기 위해서는 더 많은 노력이 필요하다. 이 연구는 개발 도상국의 PPI 프로젝트 관리를 개선하기위한 노력이다. 이 연구는 새로운 데이터 마이닝 기반 프레임 워크 (Data mining-based framework)를 개발 하고 누락 된 값 (Missing values), 고차원수 (High dimensionality), 불균형 클래스 (Imbalanced class)의 문제 문제를 해결 하며 적절 한 분류 알고리즘(Random forest, Logistic regression, Support vector machine) 선택 한다. 결과에 대치 방법으로 Multivariate imputation by chained equations(MICE), 특정 선댁 기술으로 Boruta, 그리고 로지스틱 회귀 분석 (Logistic Regression) 프로젝트의 성공을 예측 하기 위해체인되었다. 이프레임워크는 세계은행에서수집한데이터세트(PPI dataset) 를분석하기위해서 유용하고 개발도상국에서 PPI 프로젝트의 성공 가능성을 예측하기 위해 필요했다. 이 연구는 로지스틱 회귀, F-test 및 Student’s t-test 를 이용한 PPI project 에 대한 철저한 문헌 검토 및 로지스틱 회귀, F-test 및 Student’s t-test 를 이용하고 외적 요인들을 포함함으로써 향상된 NTCP (novelty, technology, complexity and pace) 모델을 제안한다. 정치적 불확실성,부패,열악한 거시 경제 상황, 정책의 예측 불가능 성 등 개발 도상국에서 독특한 도전에 직면 해 있다. 따라서 개발도상국의 상황(외적 요인)은 프로젝트의 성공적인 실행을 위해 이해해야 한다. PPI프로제트는 요청 된 제안 (Solicited proposal) 및 요청되지 않은 제안(Unsolicited proposal (USP)) 두 가지 제안이 있다. 요청 된 제안에서 공공 부문은 프로젝트를 시작하고 프로젝트의 경제적, 사회적 및 재정적 타당성 조사 (Economic, social and financial feasibility studies)를 수행한다. 다른 한편으로, USP 에서 민간 부문은 공공 부문 위해 프로젝트를 시작,식별 및 우선 순위를 지정한다. 대부분의 국가는 USP 를 실행 및 승인 불분명하고 모호한 절차를 가지고있기 때문 프로젝트 실패의 가능성을 증가하다. 또한 투명성 부족,지적 재산권 문제,권력 남용 및 부패에 대한 취약성 등 여러 가지 문제가 있다. 도전에도 불구하고, USP 는 현실과 개발 도상국에서 지속적으로 증가하고있다. 민간 부문은 정부가 인프라 격차 (Infrastructure gap)을 파악하고 혁신적인 아이디어를 제시하며 재정 지원을 제공 할 수 있도록 지원하다. 그러나 문헌에는 원치 않는 PPI 프로젝트와 관련된 학문적 문의 및 경험적 증거 (Empirical evidences)는 거의 없다. 따라서 프로젝트 성과와 프로젝트 성과 간의 관계를 조사할 필요가 있다. 이 연구는 PPI 프로젝트 성과와 USP 관계를 탐구한다. 먼저 카이제곱 검정 (Chi-square test)을 적용하여 USP 에서 성공사례에 미치는 영향이 중요한지 여부를 확인했다. 카이제곱 검정의 결과는 개발도상국에서 PPI 프로젝트의 성공에 대한 USP 는 중대한 영향을 나타낸다. 두 번째로,계층적 로지스틱 회귀 (Hierarchical logistic regression)을 적용하여 프로젝트 성과와 USP 간의 관계를 더 자세히 조사했다. 또한,우리는평균 한계 효과 (Average marginal effect)를 계산하여 USP 에서는 프로젝트 성과에 미치는 영향의 양을 정량화했다. 이 모델은 18 개의 동제 변수 (Control variables),3 개의 중재자(Moderators),즉 부패 통제 (Control of corruption), 지역 후원자의 존재 (Presence of local sponsor) 및 프로젝트 규모 (Project size),그리고 하나의 독립 변수 (Independent variables)로 구성되다. 결과는 PPI 프로젝트의 성공에 대한 USP 는 중대한 영향을 나타낸다. 또한 지역 스폰서의 존재와 개최국에서의 부패에 대한 강력한 통제가 PPI 프로젝트의 성과를 향상 시킨다는 것을 시사한다. 이 연구는 요청 된 프로젝트 및 요청되지 않은 프로젝트에 대한 변수(이전 연구에서 중대 한 것으로 확인 됨)의 영향을 별도로 비교한다. 우리는 요청 및 요청하지 않는 프로젝트의 성공에 식별 된 변수의 영향을 비교하기 위해 로지스틱 회귀를 적용했다. 결과는 주로 제도적 요인과 관련된 여러 변수가 프로젝트 성공에 큰 영향을 미치는 반면,이러한 변수의 영향은 요청 된 프로젝트에 중요하지 않다는 것을 보여준다. 이 연구는 다각적 인 의미(Multi-faceted implications)를 가지고 있다. 첫째, 적절한 기계 학습 기술, 특정 선댁 기술 (Feature selection technique), 대치 기술 (Imputation technique), 및 오버샘플링(Oversampling) 기술을 식별한다. 적절한 기술을 식별하면 프로젝트 성공을 더 정확하게 예측할 수 있다. 프로젝트 성공의 예측 가능성이 높으면 개발도상국의 PPI 프로젝트와 관련된 불확실성이 줄어든다. 그것은 개인 당사자 (Private party) 와 정부 모두 PPI 프로젝트에 대한 투자와 관련된 더 나은 결정을 내리는 데 도움이 될 것이다. 둘째,이 연구는 프로젝트 관리자와 실무자 (Practitioners)가 프로젝트 특성뿐만 아니라 국가 상황을 이해하는 데 도움이 될 것이다. 셋째, USPPPI 프로젝트의 위험을 정량화한다. 또한,주최국에서의 부패에 대한 엄격한 통제의 중요성과 USPPPI 프로젝트에서의 국가의 현지 상황(현지 스폰서의 존재)을 이해할 필요성을 시사한다. 넷째,이 연구는 프로젝트 제안 방식에 따라 프로젝트 성공에 중요한 것으로 이전에 확인 된 여러 변수의 영향 수준이 변경된다는 것을 발견했다. 이러한 결과는 실무자가 프로젝트 특성 및 외부 상황에 따라 적절한 사전 예방 적 프로젝트 관리 접근 방식 (Appropriate proactive project management approaches)을 채택하는 데 도움이된다.