Россия
1, г. Москва и Московская область, Россия
УДК 69.05 Строительная площадка. Оборудование, организация и технология строительства. Индустриальное строительство. Монтаж. Испытания на строительной площадке. Строительные повреждения. Срок службы сооружений. Уход за сооружениями
УДК 334 Формы организаций и сотрудничества в экономике
УДК 658.5 Организация производства (производственного процесса). Производственное планирование. Конструирование. Контроль на производстве
В статье разработана методологическая рамка прогнозирования директивных изменений в календарных моделях инвестиционно-строительных проектов. Под директивными изменениями понимаются управленческие воздействия обязательного характера, инициируемые заказчиком и реализуемые вне регламентированных процедур управления изменениями. Данные воздействия рассматриваются как самостоятельный объект анализа, обладающий системным влиянием на устойчивость и динамику календарно-сетевых моделей проектов. В основу исследования положена интеграция классификатора директивных изменений (Stage, Source, Scale, Form) и индексных характеристик директивного потока (RI, CI, DRI) с системой индикаторов последствий (ΔT, CP-Impact, OZ-Index), предназначенных для количественной оценки календарных эффектов директивных вмешательств. Для прогнозирования календарных последствий директивных изменений обоснован выбор алгоритма XGBoost, позволяющего выявлять нелинейные зависимости между параметрами директив и откликом календарной системы проекта. Интерпретация результатов моделирования выполнена с использованием SHAP-анализа, обеспечивающего количественную оценку вклада каждого признака классификатора в формирование прогноза. Методологическая рамка включает последовательные этапы: формализация директив, кодирование признаков, обучение модели, интерпретация результатов и сценарная интеграция прогноза. Обоснована возможность цифровой интеграции результатов прогнозирования в среды управления проектами PMIS, MS Project и 4D BIM, что повышает прозрачность календарных моделей и расширяет инструментарий сценарного анализа директивных изменений в инвестиционно-строительных проектах.
директивные изменения, календарное планирование, прогнозирование сроков, 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. Лапидус А. А., Де Ла Торре Ибаньес М. Х. Директивные изменения в строительных проектах: теоретико-методологические основы // Строительное производство. 2025. №. 4. CP0012. DOI: https://doi.org/10.29039/-2026-4-CP0012
3. Лапидус А. А., Михальченко О. Ю. Самоорганизованная критичность строительных систем // Строительное производство. 2024. № 4 (52). DOI: https://doi.org/10.54950/26585340_2024_4_94 EDN: https://elibrary.ru/XBYCSD
4. Михальченко О. Ю. Бифуркации в календарно-сетевом планировании строительных проектов: методы прогнозирования и адаптивного управления // Известия КГАСУ. 2025. № 1 (71). С. 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. Vol. 43, No. 1. P. 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. Михальченко О. Ю., Лапидус А. А., Ткач, А. А. Адаптивные модели управления строительной системой // Вестник Евразийской науки. 2025. Т. 17. № 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. P. 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. P. 4765–4774.
10. Лапидус А. А., Де Ла Торре Ибаньес М. Х. Классификация директивных изменений: признаки, структура и индексы RI/CI // Строительное производство. 2025. №. 4. CP0013. DOI: https://doi.org/10.29039/-2026-4-CP0013
