Russian Federation
Moscow, Moscow, Russian Federation
Russian Federation
Russian Federation
Russian Federation
UDC 69.003
UDC 338.51
The article addresses the issue of uncertainty in forecasting the cost of construction and installation works (CIW) in investment construction projects under conditions of high price volatility, regional market differentiation, organizational fragmentation of business processes, and insufficient formalization of pricing procedures. An analysis of external and internal factors affecting the accuracy of cost forecasts is carried out. Particular attention is given to macroeconomic, logistics-related, seasonal, design and technological, organizational and process-related, and information-based sources of uncertainty. A significant share of forecasting errors is caused not only by market volatility, but also by imperfections in baseline data, the subjectivity of expert assessments, weak coordination between departments, and the absence of a unified digital environment for cost formation. The purpose of the study is to identify and systematize uncertainty factors affecting the accuracy of forecasting the cost of construction and installation works, as well as to substantiate approaches to their reduction based on digitalization and the use of intelligent data analysis methods. The objectives of the study include analyzing the key uncertainty factors, comparing cost forecasting methods, and developing practical recommendations for improving forecast accuracy. The paper systematizes uncertainty factors by project life cycle stages and by levels of managerial influence. A comparison of traditional and intelligent cost forecasting methods is performed. The necessity of transitioning from classical cost estimation analysis to a digital cost management framework is substantiated. The practical significance of the study lies in the development of a set of recommendations aimed at reducing uncertainty in forecasting the cost of CIW, including the standardization of baseline data, improvement of the transparency of procedures for reviewing commercial proposals, digitalization of cost change approval processes, implementation of price monitoring systems, and the use of predictive analytics in the management of investment construction projects.
life cycle management, investment construction project, construction and installation works, cost forecasting, uncertainty, pricing, construction digitalization, artificial intelligence
Введение
Управление стоимостью инвестиционно-строительных проектов в последние годы становится одной из наиболее сложных функций проектного менеджмента в строительной отрасли. Это связано с одновременным воздействием макроэкономической нестабильности, колебаний цен на строительные ресурсы, дефицита трудовых ресурсов, усложнения проектных решений и возрастающих требований к срокам и качеству реализации объектов. В таких условиях прогнозирование стоимости строительно-монтажных работ перестает быть классической сметной процедурой и превращается в многоуровневую аналитическую задачу, требующую учета большого числа различных факторов на различных этапах жизненного цикла объекта [1].
Актуальность исследования определяется тем, что именно на предпроектном этапе закладываются ключевые бюджетные ориентиры проекта, а значит — формируются условия его финансовой устойчивости, инвестиционной привлекательности и управляемости на последующих этапах жизненного цикла. [2-3] Ошибки в оценке стартовой стоимости, неучтенные изменения внешней среды, а также низкое качество исходных данных могут приводить к перерасходу, сдвигу сроков, пересмотру договорных обязательств и конфликтам между участниками проекта. Следовательно, анализ факторов неопределенности в прогнозировании стоимости строительно-монтажных работ (СМР) имеет не только теоретическое, но и практическое значение [4-5].
В научной и практической среде подчеркивается, что традиционные методы стоимостной оценки уже недостаточны для условий высокой изменчивости строительного рынка [5]. Цифровая трансформация строительства, внедрение технологий информационного моделирования и искусственного интеллекта, использование облачных платформ, общих сред данных и аналитики больших данных создают новые предпосылки для повышения качества прогнозов [6-7]. Одновременно сами цифровые инструменты не ликвидируют проблему неопределенности автоматически, если организационное и информационное обеспечение проекта остаются несогласованными [8].
Целью данной работы является выявление, систематизация и интерпретация факторов неопределенности, влияющих на прогнозирование стоимости СМР при реализации инвестиционно-строительных проектов, а также обоснование подходов к снижению неопределенности на основе цифровизации, формализации бизнес-процессов и применения интеллектуальных методов прогнозирования.
Материалы и методы
Экспериментальная основа исследования — это материалы прикладного анализа, посвященного разработке комплекса инструментов и методики прогнозирования себестоимости строительных работ, а также анализ внутренних регламентов ценообразования и практики их применения в строительной компании. В исследовании были использованы результаты анализа отечественных и зарубежных практик прогнозирования стоимости строительства, данные о региональных особенностях экономики Екатеринбурга, Москвы и Московской области, а также описание действующих бизнес-процессов формирования и изменения стоимости работ.
Для оценки точности моделей прогнозирования использовались показатели MAPE, R², MAE и RMSE. В прикладной части исследования были рассмотрены модели ARIMA, SARIMA, LSTM и гибридные комбинации, а также программная реализация системы прогнозирования затрат на монолитные работы. Методологическую основу работы составили сравнительный анализ методов прогнозирования и экономико-математического моделирования [9-10].
Параметр оценки точности прогноза MAPE рассчитывается по формуле (1):
| $MAPE=\frac{1}{n}\sum_{i=0}^n\left|\frac{A_{i}-F_{i}}{A_{i}}\right|{\cdot100\%}$ | (1) |
Ai — фактическое значение себестоимости;
Fi — прогнозируемое значение себестоимости;
n — количество периодов.
Применительно к задачам строительства данный показатель адаптирован для сопоставления качества моделей в условиях неоднородности затратных статей и проектов. Однако данный показатель не раскрывает причины ошибок прогноза, что и обусловливает необходимость более глубокого анализа причин и источников неопределенности.
Результаты
Проблемы в прогнозировании стоимости СМР представляет собой состояние неполноты, изменчивости или неоднозначности информации, при котором невозможно оценить будущие затраты с заданным уровнем точности. А для инвестиционно-строительных проектов данное явление носит системный характер. Стоимость формируется под влиянием одновременно внешних рынков, регуляторной среды, проектных решений, закупочных процедур и особенностей исполнения договоров. Следовательно, ошибка прогноза возникает не в одной точке, а по всем этапам жизненного цикла объекта.
Целесообразно выделять как минимум три уровня неопределенности:
- Первый уровень — внешняя неопределенность, связанная с рыночной и макроэкономической средой.
- Второй уровень — внутренняя организационно-процессная неопределенность, возникающая внутри компании или проекта.
- Третий уровень — методическая неопределенность, обусловленная ограничениями применяемых методов прогнозирования, качеством обучающих данных и архитектурой аналитического инструментария.
Такой подход позволяет перейти от локальной сметной ошибки к комплексному представлению о стоимостном риске как результате взаимодействия среды, процессов и моделей [9-10]. Следовательно, система прогнозирования стоимости должна объединять данные о рынке, состоянии проекта, истории реализации и параметрах объекта в единой цифровой среде.
I. Внешние факторы неопределенности в прогнозировании стоимости СМР
Наиболее чувствительными для стоимости строительно-монтажных работ являются цены на строительные материалы, валютный курс, логистические затраты, сезонные колебания цен и стоимость привлечения подрядных организаций. Проведенный анализ показал, что цена на импортируемые материалы способна оказывать влияние на себестоимость работ до 25 %1, курс USD — до 15 %, затраты на логистику — до 10 %2, сезонные колебания стоимости материалов — до 7 %, а трудозатраты при привлечении подрядных организаций — до 30 % 3.
Приведенные данные показывают, что наибольшая неопределенность связана не только с ценами на ресурсы, но и с рынком подрядных работ [11]. Это имеет принципиальное значение, так как в традиционных моделях управления стоимостью основное внимание уделяется материалам и оборудованию, в то время как трудовые и подрядные компоненты могут формировать еще более существенные отклонения. Для инвестиционно-строительных проектов такая ситуация особенно критична на стадии строительства, где любое нарушение быстро отражается на затратах [12].
Существенное значение также имеет и региональное разграничение. Один и тот же проект в разных субъектах РФ может иметь разную структуру стоимости из-за доступности инфраструктуры, уровня конкуренции подрядчиков, транспортной системы, локальных особенностей поставок и других рыночных различий. Поэтому универсальные стоимостные модели без региональной настройки оказываются ограниченно применимыми [13-14].
II. Внутренние организационно-процессные факторы неопределенности
Если внешняя среда создает базовую установку фактора неопределенности, то внутренняя система управления стоимостью определяет, насколько этот фактор будет усилен или сглажен [14]. Анализ регламентов ценообразования показал, что неопределенность в прогнозировании стоимости СМР во многом определяется качеством исходных данных, степенью формализации внутренних процедур, полнотой коммерческих предложений и прозрачностью взаимодействия подразделений (Таблица 1).
Таблица 1.
Структура факторов неопределенности
в прогнозировании стоимости СМР
|
Внешняя среда |
Внутренняя среда проекта |
Аналитическая среда |
|---|---|---|
|
|
|
Неопределенность в прогнозировании стоимости СМР формируется на всех этапах ценообразования [15]. При определении стартовой стоимости она связана с неточностью ведомостей объемов работ (ВОР), дефицитом актуальных расценок и использованием калькуляций, усиливающих субъективность оценки. При мониторинге рыночных цен — с трудностью проверки достоверности прайс-листов и коммерческих предложений по уникальным позициям. При конкурсных закупках — с недостаточной формализацией критериев анализа отклонений предложений от стартовой стоимости и зависимостью экспертных выводов от индивидуального опыта специалиста; при внеконкурсных закупках — с укрупненным характером коммерческих предложений (КП), затрудняющим проверку структуры затрат; а при изменении договорной стоимости — со сложностью подтверждения дополнительных расходов, многоступенчатым согласованием и использованием внутренних ценовых баз, не всегда отражающих текущую рыночную конъюнктуру, что в совокупности повышает риск удорожания и управленческих конфликтов [16-17] (Таблица 2).
Таблица 2.
Исходные данные
|
Этап процесса |
Источник |
Возможное |
Степень влияния |
|---|---|---|---|
|
Формирование |
Неточность ВОР |
Систематическое искажение |
Очень высокая |
|
Отсутствие актуальных расценок |
Рост доли калькуляций и |
Высокая |
|
|
Конкурсная закупка |
Непрозрачность и неполнота КП |
Ошибочный выбор подрядчика |
Высокая |
|
Размытые критерии |
Различие решений при |
Средняя/высокая |
|
|
Внеконкурсная закупка |
Укрупненный формат |
Невозможность точной проверки |
Высокая |
|
Изменение стоимости |
Неполный пакет |
Задержки согласования, |
Высокая |
|
Сквозное управление |
Отсутствие единой |
Потери данных, |
Очень высокая |
III. Методическая неопределенность и выбор методов прогнозирования
Точность прогнозирования стоимости СМР определяется не только качеством исходных организационных данных, но и способностью математической модели адекватно отражать сезонные, трендовые, нелинейные и кризисные изменения в динамике затрат: SARIMA эффективна при устойчивой структуре временного ряда и выраженной сезонности, однако хуже реагирует на структурные разрывы, вызванные валютными колебаниями, логистическими сбоями и внешними шоками, тогда как LSTM лучше улавливает сложные нелинейные зависимости и позволяет учитывать широкий спектр макроэкономических и проектных факторов, хотя требует значительного объема качественных исторических данных и корректной настройки архитектуры. Таким образом, наибольший потенциал для задач строительного прогнозирования демонстрируют гибридные и ансамблевые модели, в частности комбинация SARIMA и LSTM, объединяющая преимущества статистического и нейросетевого подходов.
Сравнение моделей прогнозирования показывает, что традиционные статистические методы целесообразны при относительно стабильной динамике показателей, а модели, учитывающие сезонность, обеспечивают более надежные результаты в условиях циклических колебаний [11]. Нейросетевые подходы демонстрируют более высокую точность при наличии достаточного объема качественных данных, поскольку лучше улавливают сложные нелинейные зависимости [11]. Вместе с тем наиболее эффективными являются гибридные модели, сочетающие преимущества статистического и нейросетевого анализа, что делает их наиболее перспективными для прогнозирования стоимости строительно-монтажных работ в изменяющихся условиях строительства [11].
Полученные результаты подтверждают, что модельная неопределенность не ликвидируется выбором «самой сложной» модели. Наоборот, чем сложнее алгоритм, тем выше чувствительность к качеству данных, полноте признаков и устойчивости процедур обучения. Следовательно, в задачах управления стоимостью целесообразно анализировать не преимущество отдельного метода, а необходимость построения адаптивной методики, в которой выбор модели зависит от длительности прогноза, структуры данных и типа затратной статьи (Рис.1).
Рис. 1. Логика накопления неопределенности по этапам формирования стоимости
Выводы
Проведенный анализ показывает, что неопределенность в прогнозировании стоимости СМР имеет интеграционный характер. Неопределенность возникает одновременно из-за внешних экономических колебаний, внутренних дисфункций в управлении проектом и ограничений аналитических моделей. Это означает, что традиционный сметный подход, основанный преимущественно на использовании нормативных расценок и экспертной корректировке, уже не обеспечивает достаточного качества прогнозов в условиях современной строительной экономики.
Перспективы снижения неопределенности связаны не только с улучшением математических моделей, но и с совершенствованием бизнес-процессов. Таким образом, качество прогноза определяется качеством организационной структуры проекта и качеством алгоритма.
Наиболее перспективным представляется интегральный подход, объединяющий технологии информационного моделирования, общие среды данных, BPMN-моделирование процессов и интеллектуальную аналитику. Такой подход отвечает современной логике управления жизненным циклом объекта строительства, в которой стоимость рассматривается как динамический, постоянно обновляемый параметр, а не как единичный результат сметного расчета.
Нейросетевые алгоритмы способны обеспечивать более высокую точность, однако без прозрачной связи с факторами принятия решений их применение в корпоративной среде может наталкиваться на барьеры. Поэтому развитие систем прогнозирования стоимости должно сопровождаться не только ростом точности, но и развитием инструментов объяснимой аналитики, визуализации факторов отклонения и отслеживания управленческих решений.
Практический вывод состоит в том, что управление стоимостью СМР должно быть переосмыслено как функция управления жизненным циклом строительного объекта. Стоимость становится динамически наблюдаемым параметром, а неопределенность — управляемой категорией, которая может быть снижена за счет стандартизации данных, цифровизации процессов, формализации экспертных процедур и развития интеллектуальной поддержки принятия решений.
____
1Цены, инфляция // Федеральная служба государственной статистики. [Электронный ресурс]. URL: https://rosstat.gov.ru/statistics/price (дата обращения: 14.03.2026).
2Методика определения дополнительных затрат при производстве работ в зимнее время, утвержденная приказом Минстроя России от 25.05.2021 № 325/пр (с учетом изменений) // ФГИС ЦС. [Электронный ресурс]. URL: https://fgiscs.minstroyrf.ru/frsn/standard/methodical/3cb85504-9ff7-4562-bd29-250e76d36fc8?ysclid=mmqowjnreb3327262 (дата обращения: 14.03.2026).
3Стратегический план развития Екатеринбурга // Екатеринбург.рф [Электронный ресурс]. URL: https://xn--80acgfbsl1azdqr.xn--p1ai/%D0%BE%D1%84%D0%B8%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE/%D1%81%D1%82%D1%80%D0%B0%D1%82%D0%B5%D0%B3%D0%B8%D1%8F?ysclid=mmqoxntlo3131408751 (дата обращения: 14.03.2026).
1. Bokov, S. S., & Illarionova, L. A. (2024). Cloud technologies as a tool for the implementation of information modeling technologies (IMT) in the construction industry. Science and Technology of Transport, 1, 51–57. EDN: https://elibrary.ru/YFYJIZ
2. Mironova, L. I., Fomin, N. I., Vinokurov, D. S., & Ogorodnikova, S. S. (2022). Modern digital technologies and the possibility of their application in the process of digital transformation of the construction industry. Russian Journal of Construction Science and Technology, 8(1), 55–65. https://doi.org/10.15826/rjcst.2022.1.005 EDN: https://elibrary.ru/FHJLWR
3. Suntsov, M. V., Rubtsov, A. I., & Ivanov, D. A. (2024). Cloud BIM technology as a means of collaboration and project integration in “smart” cities. Construction Economics, 4, 378–381. EDN: https://elibrary.ru/UKYCRP
4. Evtushenko, S. I., & Puchenkov, I. S. (2021). Creation of a building information model in a common data environment. Construction and Architecture, 9(1), 46–50. https://doi.org/10.29039/2308-0191-2021-9-1-46-50 EDN: https://elibrary.ru/PBMPCM
5. Sirotskiy, A. A. (2023). Consolidation of information models of construction facilities into a unified big data space. Construction and Architecture, 11(3), 11. https://doi.org/10.29039/2308-0191-2023-11-3-11-11 EDN: https://elibrary.ru/EHDHXE
6. Bovsunovskaya, M. P., & Voronin, I. A. (2024). Quantitative assessment of elements of digital information models for construction cost calculations. FES: Finance. Economy. Strategy, 21(10), 44–49. EDN: https://elibrary.ru/EERITM
7. Biryukov, Yu. A., & Titeev, I. S. (2023). Methods for assessing the efficiency of building reconstruction. Military Engineer, 1(27), 46–55. EDN: https://elibrary.ru/MALFCB
8. Lapteva, S. I., & Solovyov, V. V. (2023). Economic assessment of design solutions in the construction of transport facilities. Economics and Entrepreneurship, 1(150), 1155–1158. https://doi.org/10.34925/EIP.2023.150.1.234. EDN: https://elibrary.ru/MZOEEU
9. AlTalhoni, A., Liu, H., & Abudayyeh, O. (2024). Forecasting construction cost indices: Methods, trends, and influential factors. Buildings, 14, Article 3272. https://doi.org/10.3390/buildings14103272. EDN: https://elibrary.ru/YEEMXK
10. Pessoa, A., Sousa, G., Maués, L. M. F., Alvarenga, F., & Santos, D. G. (2021). Cost forecasting of public construction projects using multilayer perceptron artificial neural networks: A case study. Ingeniería e Investigación, 41. https://doi.org/10.15446/ing.investig.v41n3.87737. EDN: https://elibrary.ru/TWBPGU
11. Kudryavtsev, A. A., Zheleznov, M. M., Filatov, V. V., & Adamtsevich, L. A. (2025). Capabilities of information and simulation mathematical modeling technologies for forecasting work costs at the construction stage. Construction and Architecture, 13(2/47), 7. https://doi.org/10.29039/2308-0191-2025-13-2-7-7 EDN: https://elibrary.ru/APZQIT
12. Vladimirova, I. L., Kosareva, Yu. Yu., Kallaur, G. Yu., & Tsygankova, A. A. (2021). Accuracy of cost estimation of a development project throughout its life cycle. Vestnik of the Plekhanov Russian University of Economics, 18(6/120), 5–16. https://doi.org/10.21686/2413-2829-2021-6-5-16 EDN: https://elibrary.ru/DATYXG
13. Dzhumagalieva, N. Kh., Nabiev, R. M., & Amiralieva, D. M. (2025). Current challenges and development prospects of residential and civil construction in Russia: Organizational, economic, and technological aspects. Regional Problems of Economic Transformation, 8(178), 134–146. https://doi.org/10.26726/rppe2025v8mcapf EDN: https://elibrary.ru/FTLWZZ
14. Penzov, D. I. (2025). Transformation of the methodology for cost management of urban real estate facilities in the context of their life cycle: The Moscow experience. Bulletin of Eurasian Science, 17(S2). EDN: https://elibrary.ru/KPVYDW
15. Seregina, N. Yu., Serbin, S. A., & Fomin, N. I. (2024). Ensuring the permissible relative error of the result of assessing the reliability of estimated cost determination during the examination of design documentation by obtaining quantities of works and materials from a digital information model: The case of school projects. Bulletin of Eurasian Science, 16(6). EDN: https://elibrary.ru/LSLRUE
16. Kolomiets, A. G., & Kolesnikov, A. I. (2023). Methodological approaches to improving the accuracy of cost estimation of investment construction projects. Modern Science: Actual Problems of Theory and Practice. Series: Economics and Law, 10, 38–43. https://doi.org/10.37882/2223-2974.2023.10.14 EDN: https://elibrary.ru/VFNWMS
17. Gureev, M. V., & Makarov, A. N. (2024). A model for forecasting material resources and estimated cost at the early stages of the life cycle of construction facilities. Vestnik MGSU, 19(11), 1835–1849. https://doi.org/10.22227/1997-0935.2024.11.1835-1849 EDN: https://elibrary.ru/ZCNAQS
18. Leontyev, A. A., Dyachkova, P. A., & Khromova, V. V. (2024). Cost management of an investment construction project in modern economic conditions. Economics and Business: Theory and Practice, 12-3(118), 15–19. https://doi.org/10.24412/2411-0450-2024-12-3-15-19 EDN: https://elibrary.ru/FSLHTO
