Russian Federation
Moscow, Russian Federation
UDC 69.05
UDC 334
UDC 658.5
The article develops a methodological framework for forecasting directive changes within schedule models of investment and construction projects. Directive changes are defined as mandatory managerial interventions initiated by the client and implemented outside regulated change management procedures. These interventions are considered as an independent object of analysis, exerting systemic influence on the stability and dynamics of project network schedules. The research integrates a directive change classifier (Stage, Source, Scale, Form) with index-based characteristics of directive flow (RI, CI, DRI) and a system of consequence indicators (ΔT, CP-Impact, OZ-Index) designed for quantitative assessment of schedule effects caused by directive interventions. For predicting schedule consequences, the XGBoost algorithm is substantiated as an appropriate analytical tool capable of identifying nonlinear relationships between directive attributes and the project schedule response. Model interpretability is ensured through SHAP analysis, providing a quantitative assessment of each classifier feature’s contribution to the forecast. The methodological framework comprises sequential stages: directive formalization, feature encoding, model training, result interpretation, and scenario-based forecast integration. The study demonstrates the feasibility of integrating predictive results into digital project management environments such as PMIS, MS Project, and 4D BIM. This integration enhances schedule transparency and expands the analytical toolkit for scenario-based assessment of directive changes in investment and construction projects.
directive changes, schedule planning, schedule forecasting, XGBoost, SHAP, BIM, PMIS
Введение
Современные инвестиционно-строительные проекты реализуются в условиях высокой организационно-технологической сложности, многостадийности жизненного цикла и постоянного управленческого давления со стороны заказчика и внешних стейкхолдеров [1]. В этих условиях существенную роль играют директивные изменения - управленческие воздействия обязательного характера, инициируемые заказчиком и реализуемые вне утверждённых/формализованных процедур Change Management в рамках конкретного проекта [2]. Такие воздействия не сводятся к локальным корректировкам календарного плана и, как правило, оказывают системное влияние на устойчивость календарно-сетевой модели проекта, проявляясь в деградации резервов времени и трансформации критических состояний [3, 4].
В международных и национальных стандартах управления проектами (PMBOK1, PRINCE2, ISO 215022, ГОСТ Р 54869–20113) изменения рассматриваются в рамках формализованных процессов Change Management, ориентированных на контроль содержания, сроков и стоимости [2]. При этом указанные стандарты не предусматривают регламентированной системы формализации внутренних директивных изменений заказчика, реализуемых вне утверждённых процедур, что существенно ограничивает возможности их количественного анализа и прогнозирования календарных последствий4-5 . В результате в практике управления проектами формируется устойчивый разрыв между формально утверждёнными календарными моделями и фактической динамикой реализации проектов, усиливаемый цифровизацией и ростом сложности управленческих взаимодействий [5].
Научные исследования в области календарно-сетевого планирования и управления сроками в строительстве в основном сосредоточены на анализе рисков, буферов, резервов времени и вероятностных методов прогнозирования задержек6 [6]. Работы, посвящённые динамическим моделям управления сроками, методам CCPM, стохастическому моделированию и анализу критических состояний строительных систем, формируют теоретическую основу для количественной оценки отклонений графиков и нелинейных эффектов в календарных моделях6 [4, 7]. Вместе с тем директивные изменения как самостоятельный объект анализа в большинстве исследований либо не выделяются, либо рассматриваются фрагментарно — через призму общих рисков или управленческих ошибок1 [1].
Отдельного внимания заслуживают современные подходы к применению методов машинного обучения в прогнозировании сроков и рисков строительных проектов. В последние годы в научных публикациях активно исследуются алгоритмы градиентного бустинга, демонстрирующие высокую точность при выявлении нелинейных зависимостей и прогнозировании задержек [14]. Однако интерпретируемость таких моделей и их интеграция в практические инструменты управления проектами по-прежнему остаются ограниченными, особенно в контексте управленческих директив, инициируемых заказчиком и влияющих на структуру календарной модели [10, 15].
Таким образом, в существующих исследованиях выявляется методологический пробел, заключающийся в отсутствии целостной рамки, позволяющей формализовать директивные изменения, количественно оценивать их календарные последствия и прогнозировать влияние на графики проектов с использованием интерпретируемых моделей машинного обучения [4, 13–15]. Устранение данного пробела имеет как теоретическую, так и прикладную значимость для развития инструментов управления инвестиционно-строительными проектами [1, 5].
Целью настоящей статьи является разработка методологической рамки прогнозирования директивных изменений в календарных моделях проектов, основанной на интеграции классификатора директивных воздействий, системы индикаторов последствий и алгоритмов машинного обучения [4, 7–9]. Для достижения поставленной цели в статье решаются следующие задачи: формализация директивных изменений как отдельной категории управленческих воздействий1, 5 [2]; разработка структуры данных и индикаторов календарных последствий [4, 6, 7]; обоснование выбора алгоритма XGBoost для прогнозирования [14]; а также демонстрация возможности цифровой интеграции полученных прогнозов в среды PMIS, MS Project и 4D BIM7 [5].
Материалы и методы
1. Общая методология исследования
Методологической основой исследования послужил системный подход к анализу инвестиционно-строительного проекта как сложной организационно-технологической системы, функционирующей в условиях высокой неопределённости и множественных управленческих воздействий [1, 3, 7]. В рамках данного подхода директивные изменения выделяются как самостоятельная категория управленческих вмешательств, отличающаяся обязательностью исполнения, односторонней инициацией со стороны заказчика и отсутствием формализованной процедуры согласования в рамках стандартного Change Management3 [2].
Для анализа календарных последствий директивных изменений использованы методы календарно-сетевого моделирования, позволяющие фиксировать изменения логики работ, перераспределение резервов времени и сдвиги контрольных вех6 [6]. Применение данных методов обеспечивает сопоставимость различных версий календарных планов и формирует основу для количественной оценки эффектов директивных воздействий на сроки проекта6 [4].
2. Формализация данных директивных изменений
Формализация данных внутренних директивных изменений рассматривается как методологически необходимое условие сопоставимости управленческих воздействий и их календарных проявлений в инвестиционно-строительных проектах. В рамках настоящего исследования директивные изменения представлены как дискретные единицы наблюдения, подлежащие идентификации, трассируемости и машинной обработке. Такой подход обеспечивает воспроизводимость аналитических процедур и исключает ретроспективную атрибуцию календарных эффектов при отсутствии подтверждённой связки «директива - объект календарной модели — версия графика».
2.1. Единица анализа и идентификационная связка
Базовой единицей анализа является директивное изменение — управленческое указание обязательного характера, инициированное заказчиком либо уполномоченным субъектом внутреннего контура управления проектом и требующее корректировки проектных, организационных и/или календарных параметров вне зависимости от степени формальной проработки на момент возникновения.
Для обеспечения аналитической допустимости вводится идентификационная связка:
DirectiveID ↔ TaskID ↔ ScheduleVersionID,
где DirectiveID фиксирует управленческое событие (директиву), TaskID — затронутые элементы календарного плана (работы/пакеты работ), ScheduleVersionID — версию календарно-сетевой модели, в которой директива реализована. В исследовательский массив включаются только те директивы, для которых обеспечена полная и документально подтверждённая связка идентификаторов. Реконструкция связей при отсутствии подтверждённой привязки рассматривается как описательная процедура и не используется для расчёта индексных характеристик и построения прогностических моделей.
2.2. Структура данных и кодирование признаков
Каждое директивное изменение представляется в виде машиночитаемой записи, включающей классификационные признаки директивы и контекстные атрибуты, достаточные для последующего анализа управленческого риска и календарных последствий [10]:
- Stage — стадия жизненного цикла проекта (фазовый контекст);
- Source — источник директивы (позиция инициатора в контуре управления);
- Scale — масштаб вмешательства (область и глубина воздействия на проектное содержание);
- Form — форма фиксации директивы (тип документа/канала управленческого оформления).
Категориальные признаки кодируются методами, исключающими искусственную иерархизацию категорий (например, dummy/one-hot-кодирование). Признаковое пространство фиксируется априорно и не изменяется по результатам обучения модели (постфактум), что снижает риск методологического смещения и предотвращает зависимость структуры данных от наблюдаемых выходных эффектов.
2.3. Индексные характеристики директивного потока и директивного риска
На предкалендарном уровне анализа рассчитываются индексные характеристики, описывающие свойства директивного потока и формальные условия реализации директив [10]:
- RI (Repeatability Index) — индекс повторяемости;
- CI (Controllability Index) — индекс управляемости;
- DRI (Directive Risk Index) — интегральный индекс директивного риска.
Индексы RI и CI применяются к агрегированным группам директив в заданном аналитическом контексте, а DRI — на уровне отдельной директивы. Принципиально важно, что при расчёте RI/CI/DRI не используются показатели календарных последствий (ΔT, CP-Impact, OZ-Index), а также сетевые параметры постфактум-анализа (критический путь, резервы времени, изменения логических связей). Данное ограничение обеспечивает методологическое разграничение управленческого риска директив и наблюдаемых временных эффектов.
2.4. Версионность графика и режимность интерпретации
Календарный анализ выполняется с учётом версионного характера графика проекта. Для каждой директивы фиксируются как минимум две версии календарного плана: версия до реализации директивы (базовая для сравнения) и последующая версия, отражающая реализацию изменения. Интерпретация календарных индикаторов осуществляется в рамках режимов, определяемых полнотой и достоверностью календарно-сетевой модели:
- Full — полная и методологически корректная календарно-сетевая модель (устойчивый baseline, непротиворечивые связи, корректно рассчитанные резервы, достоверные fact-данные);
- Reduced — частичная полнота сетевой модели (ограниченная детализация, неполнота резервов и/или baseline/fact-дат);
- Lite — существенный дефицит сетевой структуры и/или baseline/fact-информации, допускающий лишь индикативную интерпретацию.
Выбор режима фиксируется до начала аналитических процедур и не изменяется постфактум. В режимах Reduced и Lite значения индикаторов интерпретируются ограниченно и не используются для пересчёта утверждённого календарного плана либо установления юридически значимой причинно-следственной связи.
3. Математический аппарат и индикаторы последствий
Количественная оценка календарных последствий директивных изменений основана на системе взаимодополняющих индикаторов, отражающих различные контуры временных эффектов и не сводимых к одному показателю [4, 7]. Индикаторы применяются для фиксации наблюдаемых изменений календарно-сетевой модели после реализации директив и интерпретируются исключительно в пределах выбранного режима (Full/Reduced/Lite).
3.1. Система индикаторов календарных последствий
В исследовании используются следующие индикаторы последствий:
- ΔT — величина календарного сдвига сроков проекта (или этапа/ключевой вехи) относительно базовой версии графика6 [6];
- CP-Impact — индикатор структурного изменения критического пути календарно-сетевой модели: в базовой форме — бинарный признак (1/0) изменения конфигурации критического пути; в расширенной форме — относительный показатель доли работ, перешедших в критическое состояние [4], [13];
- OZ-Index — интегральный показатель латентной календарной напряжённости, характеризующий деградацию резервов времени и снижение устойчивости календарно-сетевой модели проекта.
Расчёт OZ-Index выполняется на основе агрегирования изменений временных резервов и доли работ в околокритическом состоянии между базовой и последующей версиями календарно-сетевой модели.
Индикатор предназначен для выявления скрытых временных эффектов директивных вмешательств, которые могут не сопровождаться немедленным сдвигом сроков (ΔT) или изменением конфигурации критического пути (CP-Impact). Концептуальные предпосылки введения показателя основаны на положениях о фазовой уязвимости и устойчивости строительных систем, а также на анализе деградации временных резервов в сетевых моделях [4, 6, 7].
Совместное применение ΔT, CP-Impact и OZ-Index обеспечивает многоконтурную интерпретацию последствий директив, включая немедленные, отсроченные и латентные эффекты.
3.2. Предикторы и контроль признакового пространства
Факторное пространство прогностической модели формируется на основе признаков классификатора директивных изменений (Stage, Source, Scale, Form) и индексных характеристик директивного потока (RI, CI, DRI) [10]. Указанные признаки фиксируются на этапе формализации директив и, не завися от наблюдаемых календарных последствий, используются в прогностической модели как входные переменные (features) для прогнозирования индикаторов ΔT, CP-Impact и OZ-Index.
Для обеспечения статистической корректности признакового набора выполняется проверка взаимосвязей и избыточности между переменными (включая контроль мультиколлинеарности и оценку информативности относительно целевой переменной). Признаковое пространство задаётся априорно и не модифицируется по результатам обучения модели, что обеспечивает методологическую независимость классификатора от прогностического этапа и снижает риск постфактум-оптимизации набора признаков.
3.3. Ограничения интерпретации
Индикаторы ΔT, CP-Impact и OZ-Index интерпретируются исключительно в пределах выбранного режима (Full/Reduced/Lite). В режиме Full расчёты выполняются на основе корректной CPM-логики и достоверных baseline/fact-дат. В режимах Reduced и Lite показатели рассматриваются как индикативные и используются для сценарного анализа.
Индикаторы не предназначены для пересчёта утверждённого календарного плана либо установления юридически значимой причинно-следственной связи между директивой и фактическими задержками.
4. Моделирование и прогнозирование
В качестве основного инструмента прогнозирования выбран алгоритм XGBoost, обладающий высокой устойчивостью к нелинейным зависимостям и способностью эффективно работать с разнородными признаками [8]. Алгоритм использован для прогнозирования вероятности и масштаба календарных последствий директивных изменений на основе сформированной обучающей выборки [8].
Для валидации выбранного подхода выполнено сравнительное моделирование с использованием логистической регрессии в качестве базовой модели [8]. Оценка качества прогнозирования осуществлялась с применением стандартных метрик классификации, включая Accuracy и ROC-AUC [8]. Интерпретация результатов модели XGBoost обеспечена посредством анализа значений SHAP, позволяющих количественно оценить вклад каждого признака классификатора директив в формирование прогноза [9].
5. Цифровая интеграция методологической рамки
Практическая применимость разработанной методологической рамки обеспечена за счёт её интеграции в цифровую среду управления проектам7 [5]. Реализованы процедуры импорта и экспорта данных между базой директивных изменений и инструментами календарного планирования MS Project и Primavera, что позволяет автоматически формировать сценарные версии графиков6 [6].
Результаты прогнозирования визуализируются с использованием инструментов Power BI, обеспечивающих наглядное представление сценариев календарных последствий директивных изменений [5]. Дополнительно предусмотрена интеграция с 4D BIM-моделями, позволяющая связать прогнозируемые календарные эффекты с пространственно-временной моделью объекта строительства и повысить прозрачность управленческих решений7.
Результаты
В ходе исследования получен комплекс взаимосвязанных результатов, подтверждающих возможность формализации, прогнозирования и цифровой интеграции директивных изменений в календарных моделях инвестиционно-строительных проектов7 [4, 7–9].
1. Формирование методологической рамки прогнозирования
В результате исследования разработана методологическая рамка, объединяющая классификацию директивных изменений, формализацию их календарных последствий и применение методов машинного обучения [4, 7–9]. Рамка структурирует процесс работы с директивами в виде последовательности этапов: идентификация и формализация директивного воздействия, кодирование признаков, построение обучающей выборки, прогнозирование календарных последствий и сценарная интеграция результатов в календарную модель проекта6 [6, 8]. Такой подход обеспечивает воспроизводимость анализа и сопоставимость результатов для различных проектов и стадий жизненного цикла2, 6.
2. Выделение ключевых признаков директивных изменений
Анализ обучающей выборки показал, что признаки Stage, Source, Scale, Form и индексные характеристики RI/CI (а также DRI) обладают наибольшей прогностической значимостью для оценки календарных последствий директивных изменений [8, 9]. Указанные параметры позволяют описывать директивные воздействия не только с позиции их формального содержания, но и с точки зрения системного влияния на устойчивость календарной модели [7]. Применение методов отбора признаков подтвердило достаточность данного набора для построения прогностической модели без избыточной размерности пространства признаков [8].
3. Количественная оценка календарных последствий
В рамках исследования введены и апробированы три индикатора последствий директивных изменений [4, 7]. Индикатор ΔT позволяет фиксировать непосредственный сдвиг сроков проекта или его ключевых вех6 [12]. Показатель CP-Impact отражает изменение конфигурации критического пути и степень вовлечённости директивы в критическую цепь работ, а OZ-Index характеризует деградацию резервов времени и снижение устойчивости календарной модели проекта1 [6, 7]. Совместное использование указанных индикаторов позволяет выявлять как мгновенные, так и отсроченные последствия директивных воздействий, не фиксируемые стандартными процедурами контроля сроков.
4. Результаты моделирования и прогнозирования
Применение алгоритма XGBoost позволило построить прогностическую модель, демонстрирующую высокую точность при прогнозировании календарных последствий директивных изменений [14]. По сравнению с базовой моделью логистической регрессии XGBoost показал более устойчивые значения метрик качества, включая Accuracy и ROC-AUC, что подтверждает его пригодность для анализа нелинейных зависимостей между параметрами директив и откликом календарной системы проекта [14]. Использование SHAP-анализа обеспечило интерпретируемость модели и позволило количественно оценить вклад каждого признака классификатора в формирование прогноза [9].
5. Цифровая интеграция результатов
Полученные прогнозы успешно интегрированы в цифровую среду управления проектами7 [2]. Реализована возможность переноса результатов моделирования в календарные планы MS Project и Primavera с формированием сценарных версий графиков6 [5]. Визуализация прогнозируемых последствий директивных изменений в среде Power BI обеспечивает наглядное представление сценариев и повышает прозрачность управленческих решений, а интеграция с 4D BIM позволяет сопоставлять прогнозируемые календарные эффекты с пространственно-временной моделью объекта строительства7.
Обсуждение
Полученные результаты подтверждают целесообразность выделения директивных изменений в инвестиционно-строительных проектах в самостоятельный объект анализа и прогнозирования [6, 7]. В отличие от изменений, рассматриваемых в рамках классических процессов Change Management, директивные воздействия обладают системным характером и оказывают влияние не только на отдельные параметры календарного плана, но и на устойчивость всей календарной модели проекта1 [6, 7]. Это обстоятельство объясняет ограниченную применимость традиционных процедур управления изменениями, ориентированных преимущественно на локальные корректировки содержания, сроков и стоимости2,3 [3, 4].
Сопоставление разработанной методологической рамки с положениями международных стандартов управления проектами показывает, что PMBOK Guide и PRINCE2 формируют регламентированную логику работы с изменениями, однако не предусматривают инструментов прогнозирования последствий обязательных директив заказчика, реализуемых вне формальных процедур [3, 4]. Аналогичные ограничения характерны и для национальных стандартов, включая ГОСТ Р 54869–2011 и ГОСТ Р 57363–2023, в которых акцент делается на требования к управлению проектом и функциям технического заказчика, но отсутствует детализация механизмов анализа директивных вмешательств в календарные модели3-5 . В этом контексте предложенная методологическая рамка не противоречит действующим стандартам, а расширяет их прикладной инструментарий за счёт введения формализованных индикаторов и прогностических процедур4-6 [5].
Результаты применения алгоритма XGBoost подтверждают его преимущество по сравнению с линейными моделями при анализе директивных изменений [8]. Нелинейная природа календарных последствий, проявляющаяся в бифуркациях критического пути, деградации резервов и каскадных эффектах, плохо описывается классическими регрессионными подходами1 [6, 7]. Использование SHAP-анализа позволило преодолеть одно из ключевых ограничений машинного обучения в управлении проектами - недостаточную интерпретируемость моделей [9]. Полученные оценки вклада признаков демонстрируют, что параметры стадии проекта и критичности директивы оказывают доминирующее влияние на прогнозируемые календарные эффекты, что согласуется с выводами исследований, посвящённых фазовой уязвимости строительных систем [6, 7].
Отдельного обсуждения заслуживает практическая интеграция результатов прогнозирования в цифровые среды управления проектами. В отличие от изолированных аналитических моделей, предлагаемый подход ориентирован на встраивание прогноза в существующие инструменты календарного планирования и визуализации6 [2, 5]. Интеграция с MS Project, Primavera, Power BI и 4D BIM позволяет использовать результаты моделирования не только для постфактум-анализа, но и для сценарного управления проектом на ранних стадиях принятия директивных решений, что существенно расширяет возможности управленческого реагирования и снижает риск неконтролируемых календарных отклонений1,7 [1].
Вместе с тем разработанная методологическая рамка обладает рядом ограничений. Точность прогнозирования напрямую зависит от полноты и качества исторических данных о директивных изменениях и версиях календарных планов6 [5]. Кроме того, интерпретация количественных индикаторов календарных последствий (ΔT, CP-Impact, OZ-Index) осуществляется в пределах выбранного режима представления календарной модели (Full / Reduced / Lite), определяемого степенью детализации сетевой структуры и достоверностью baseline- и фактических данных. В условиях укрупнённой или частично формализованной модели показатели могут носить приближённый характер и отражать относительную динамику устойчивости графика, а не точную величину календарного отклонения. В этой связи индикаторы рассматриваются как инструмент поддержки управленческих решений и сценарного анализа, но не предназначены для пересчёта утверждённого календарного плана либо доказательства фактических последствий директив в контрактно-правовом контексте.
Чувствительность модели к структуре WBS и уровню детализации графиков также может ограничивать универсальность применения рамки без предварительной адаптации под конкретный проект или организацию6 [5]. Указанные ограничения определяют направления дальнейших исследований, связанные с расширением базы директивных данных, развитием адаптивных и самообучающихся моделей прогнозирования, а также уточнением механизмов переноса результатов между различными типами проектов и цифровыми платформами управления жизненным циклом7 [7, 8].
Заключение
- В результате проведённого исследования обоснована необходимость разработки самостоятельной методологической рамки прогнозирования директивных изменений в инвестиционно-строительных проектах, поскольку последствия таких изменений носят системный характер и в полной мере не охватываются стандартными процедурами управления изменениями, предусмотренными международными и национальными стандартами управления проектами1-5 [2].
- Предложенный классификатор директивных изменений, включающий признаки Stage, Source, Scale, Form и индексные характеристики RI/CI/DRI, в сочетании с системой индикаторов последствий ΔT, CP-Impact и OZ-Index, формирует структурированную основу для формализации директивных воздействий и построения обучающих выборок, пригодных для применения методов прогнозного анализа [4, 7, 8].
- Использование алгоритма XGBoost в качестве базовой прогностической модели доказало свою эффективность при выявлении нелинейных зависимостей между параметрами директивных изменений и календарными последствиями, обеспечив более высокую точность прогнозирования по сравнению с линейными моделями при сохранении интерпретируемости результатов за счёт применения SHAP-анализа [8, 9].
- Разработанный алгоритм прогнозирования, включающий этапы формализации директив, кодирования признаков, обучения модели, формирования прогноза и его интерпретации, обеспечивает воспроизводимость и масштабируемость методологической рамки для различных типов инвестиционно-строительных проектов и стадий их жизненного цикла2,6 [6, 8].
- Интеграция результатов прогнозирования в цифровые среды управления проектами, включая PMIS, MS Project, Primavera и 4D BIM, повышает прозрачность календарных моделей, расширяет возможности сценарного анализа и способствует принятию более обоснованных управленческих решений при реализации директивных вмешательств заказчика7 [5].
- Разработанная методологическая рамка открывает перспективы дальнейших исследований, направленных на расширение эмпирической базы директивных изменений, развитие адаптивных и самообучающихся моделей прогнозирования, а также углубление интеграции методов машинного обучения с цифровыми платформами управления жизненным циклом инвестиционно-строительных проектов7 [6, 7].
_________
1Project Management Institute. A Guide to the Project Management Body of Knowledge (PMBOK® Guide). – 7th ed. – Newtown Square, PA : PMI, 2021. – 370 p. – ISBN 978-1-62825-664-2.
2 ISO 21502:2020. Project, programme and portfolio management - Guidance on project management. – Geneva: ISO, 2020. – 54 p.
3ГОСТ Р 54869–2011. Управление проектом. Требования к управлению проектом. – Введ. 2012-03-01. – М. : Стандартинформ, 2012. – 24 с.
4 ГОСТ Р 71177–2023. Управление крупными строительными проектами. Общие положения. – Введ. 2023-12-01. – М. : Стандартинформ, 2023. – 60 с.
5ГОСТ Р 57363–2023. Управление проектом в строительстве. Деятельность управляющего проектом (технического заказчика). – Введ. 2023-09-01. – М. : Стандартинформ, 2023. – 48 с.
1. Flyvbjerg B., Gardner D. How Big Things Get Done. New York : Penguin Random House, 2023. 384 p. ISBN 978-0-593-44412-1.
2. Lapidus A. A., De La Torre Ibanez M. G. Directive Changes in Construction Projects: Theoretical and Methodological Foundations // Construction production. 2025. № 4. CP0012 DOI: https://doi.org/10.29039/-2026-4-CP0012.
3. Lapidus A. A., Mikhalchenko O. Yu. Self-Organized Criticality of Construction Systems // Construction Production. 2024, №. 4 (52). DOI: https://doi.org/10.54950/26585340_2024_4_94; EDN: https://elibrary.ru/XBYCSD
4. Mikhalchenko O. Yu. Bifurcations in network scheduling of construction projects: methods of forecasting and adaptive management // News of the Kazan State University of Architecture and Engineering. 2025. № 1 (71), pp. 122–129. DOI:https://doi.org/10.48612/NewsKSUAE/71.11 EDN: https://elibrary.ru/MHSATY
5. Papadonikolaki E. The role of digitalization in project management: Bridging socio-technical misalignments // International Journal of Project Management. 2025. V. 43. No. 1. Pp. 9–22. DOI:https://doi.org/10.1016/j.ijproman.2025.01.009
6. Chartered Institute of Building. Guide to Good Practice in the Management of Time in Complex Projects. 2nd ed. Bracknell : CIOB, 2015. 210 p. ISBN 978-1-85380-471-9.
7. Mikhalchenko O.Yu., Lapidus A.A., Tkach A.A. Adaptive models of construction system management // The Eurasian Scientific Journal. 2025. V. 17. I. 1. EDN: https://elibrary.ru/AFWPUX
8. Chen T., Guestrin C. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016, pp. 785–794. DOI: https://doi.org/10.1145/2939672.2939785
9. Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 2017, pp. 4765–4774.
10. Lapidus A. A., De La Torre Ibanez M. G. Classification of Directive Changes: Features, Structure, and RI/CI Indices // Construction production. 2025. no. 4. CP0013. DOI: https://doi.org/10.29039/-2026-4-CP0013
