Xác định khả năng thắng thầu, giá dự thầu hợp lý trong đấu thầu cạnh tranh bằng phương pháp mạng Bayesian belief networks và lý thuyết trò chơi

Lựa chọn giá dự thầu hợp lý và xác định khả năng thắng thầu là một trong những vấn đề mang tính sống còn đối với các nhà thầu. Đây là một vấn đề rất khó vì trong hoạt động đấu thầu có sự đa dạng và phức tạp. Các nghiên cứu trước chỉ dựa vào dữ liệu quá khứ để đưa ra quyết định; tuy nhiên, dữ liệu quá khứ chỉ là một nhân tố ảnh hưởng đến quyết định tham gia dự thầu cần thêm các dữ liệu thông tin tổng hợp khác. Bài báo này trình bày phương pháp sử dụng mạng bayesian belief networks (BBNs) và lý thuyết trò chơi để xác định khả năng thắng thầu trong đấu thầu cạnh tranh. Để thực hiện các mục tiêu trên, Kết quả nghiên cứu đã tiến hành thu thập dữ liệu và phân tích, để đưa ra các nhân tố ảnh hưởng có thể đánh giá được bản thân và các đối thủ sẽ có xu hướng lựa chọn giá dự thầu. Đồng thời, mô hình cũng đánh giá sự tương tác của nhà thầu với các đối thủ tiềm năng để xác định giá dự thầu hợp lý, cũng như xác suất thắng thầu lớn nhất.

Applying Bayesian Belief Networks to Assess Alpine Grassland Degradation Risks: A Case Study in Northwest Sichuan, China

Grasslands are crucial components of ecosystems. In recent years, owing to certain natural and socio-economic factors, alpine grassland ecosystems have experienced significant degradation. This study integrated the frequency ratio model (FR) and Bayesian belief networks (BBN) for grassland degradation risk assessment to mitigate several issues found in previous studies. Firstly, the identification of non-encroached degraded grasslands and shrub-encroached grasslands could help stakeholders more accurately understand the status of different types of alpine grassland degradation. In addition, the index discretization method based on the FR model can more accurately ascertain the relationship between grassland degradation and driving factors to improve the accuracy of results. On this basis, the application of BBN not only effectively expresses the complex causal relationships among various variables in the process of grassland degradation, but also solves the problem of identifying key factors and assessing grassland degradation risks under uncertain conditions caused by a lack of information. The obtained result showed that the accuracies based on the confusion matrix of the slope of NDVI change (NDVIs), shrub-encroached grasslands, and grassland degradation indicators in the BBN model were 85.27, 88.99, and 74.37%, respectively. The areas under the curve based on the ROC curve of NDVIs, shrub-encroached grasslands, and grassland degradation were 75.39% (P < 0.05), 66.57% (P < 0.05), and 66.11% (P < 0.05), respectively. Therefore, this model could be used to infer the probability of grassland degradation risk. The results obtained using the model showed that the area with a higher probability of degradation (P > 30%) was 2.22 million ha (15.94%), with 1.742 million ha (78.46%) based on NDVIs and 0.478 million ha (21.54%) based on shrub-encroached grasslands. Moreover, the higher probability of grassland degradation risk was mainly distributed in regions with lower vegetation coverage, lower temperatures, less potential evapotranspiration, and higher soil sand content. Our research can provide guidance for decision-makers when formulating scientific measures for alpine grassland restoration.