Комментировать

Управление стоимостью строительства на ранних этапах жизненного цикла объекта

Гуреев М. В.,
генеральный директор ООО «Скрипт»,
основатель платформы KVANT

В предлагаемой статье рассмотрены практические вопросы управления стоимостью строительства на основе применения технологии машинного обучения, решения задач по прогнозированию с заданными диапазонами точности и анализу больших объемов данных, определению сложных нелинейных зависимостей между исходными параметрами проекта и объемами материальных ресурсов и оборудования, а также его стоимостью и продолжительностью.

Не секрет, что к ключевым факторам управления инвестиционно-строительным циклом объекта, относится управление сроками и стоимостью и, в частности, управление количественными показателями объемов материальных ресурсов и оборудования, необходимых для строительства. Эти данные формируют финансовую модель любого проекта, сравниваются с ограничениями, накладываемыми исходно-разрешительной документацией и,
в целом, являются главным инструментарием инвестора-застройщика от планирования проекта до сдачи его в эксплуатацию.

Но вот парадокс – принципиальные управленческие решения, позволяющие обосновать выводы о целесообразности инвестиционного проекта, будущем объекте строительства и экономической эффективности строительства, формируются на ранних стадиях жизненного цикла объекта капитального строительства (далее — ОКС). Как правило, все ключевые риски неверно принятых решений сконцентрированы именно на этом этапе. При этом данные,
на которые эти решения опираются, имеют весьма широкий диапазон погрешности.

На сегодняшний день существует несколько подходов к оценке стоимости строительства для жилых зданий. В частности, Минстроем России используются Укрупненные нормативы цены строительства[1]. В общем виде, основанная на нормативных способах оценка стоимости строительства, и ее погрешность, в зависимости от различных этапов жизненного цикла
(идея проекта, Обоснование Инвестиций – ОБИН, проект, рабочий проект, исполнительная документация), обобщена Счётной палатой Российской Федерации[2] (рис.1).

Рис.1. Существующая точность оценки стоимости строительства на различных этапах жизненного цикла объекта (Минстрой России)

Очевидно, традиционные способы оценки стоимости строительства на ранних этапах жизненного цикла здания в основном опираются на методы экспертных оценок или на анализ стоимости по аналогии. Эти методы варьируются по степени точности, зависящей от доступности данных, опыта оценщиков и специфики проекта.

Управление стоимостью расходной части проекта на ранних этапах зачастую опирается на один базовый параметр – общую площадь объекта. Такой подход, с одной стороны, предполагает уровень неопределенности, представленной на рис.1, а с другой стороны, не дает возможность опираться на физические объемы материальных ресурсов и оборудования. Тогда как-это ключевые параметры, прямо или косвенно влияющие на процессы управления в инвестиционно-строительном цикле.

Возникает закономерный вопрос: «Как определить диапазон точности, присущий этапу рабочей документации, на ранних этапах девелоперского проекта для минимизации риска ошибок бюджетирования?»

Для ответа на этот вопрос целесообразно использовать технологии машинного обучения как элемент искусственного интеллекта (далее – ИИ). Эти технологии применимы для решения задачи по прогнозированию с заданными диапазонами точности в короткий срок в различных отраслях экономики. Модели ИИ имеют значительные перспективы для повышения точности оценки стоимости строительства на ранних этапах. Алгоритмы машинного обучения позволяют анализировать большие объемы данных, выявляя сложные нелинейные зависимости между исходными параметрами проекта и объемами материальных ресурсов и оборудования, а также его стоимостью и продолжительностью.

Таким образом, базовой задачей является создание (на основе накопленного инженерно-проектного опыта) моделей ИИ, прогнозирующих (фактически создающих по аналогии с процессом проектирования) требуемые проектные решения с высокими диапазонами точности. Используя статистику с применением глубокой аналитики по сотням проектов, относящихся к одному классу строительства, нам удалось решить поставленную задачу.
Была проведена комплексная научно-исследовательская работа по созданию прогнозных моделей, включавшая в себя:

1) Подготовку данных.

В основу легла проектная документация 2015-2023 годов по жилым зданиям различных регионов России. Сначала был осуществлен перевод всей необходимой информации в машиночитаемый формат. Отдельно был изучен и рассмотрен вопрос классификации строительной информации. В качестве базового был рассмотрен Классификатор строительных ресурсов (КСР) на базе ФГИС ЦС, как отправной точки для дальнейшей работы. Для целей создания моделей ИИ содержащаяся в нем классификация нуждалась в значительном укрупнении.

Таким образом, наработки по КСР были использованы для создания собственного классификатора строительной информации, содержащего минимально исчерпывающий для принятия управленческих решений диапазон классов для каждого раздела проектной документации. Таких классов в итоге получилось чуть меньше 400 – это параметры, которые впоследствии стали прогнозными значениями для любого объекта (выходные параметры объекта). С другой стороны, был подготовлен перечень, именуемый «Опросный лист», содержащий около 60 показателей — количественно-качественные входные параметры, влияющие на характеристики проектируемого объекта (технико-экономические показатели, отдельные архитектурные, объемно-планировочные и технические решения – входные параметры), который впоследствии требовалось заполнять, для работы моделей ИИ и получения прогнозных значений.

Далее, этап нормализации предполагал последовательную проверку каждого раздела каждого комплекта проектной документации на предмет правильности и корректности принятых проектных решений, для выявления ошибок, искажений, поскольку верифицированные и нормализованные данные необходимы для подготовки обучающей (на которой в последующем производилось обучение моделей ИИ) и тестовой (на которой производилась оценка точности работы моделей) выборки.

2) Проверку верности гипотезы.

На основе коэффициента корреляции Пирсона было проведено сравнение входных и выходных параметров объектов. По результатам оценки, для большинства значимых классов выходных параметров коэффициент корреляции с параметрами Опросного листа расположился в диапазоне 0,42-0,98 (величина коэффициента корреляции фактически показывает степень зависимости, а именно – 0,31-0,7 умеренная связь, 0,71-0,99 сильная связь). Таким образом была подтверждена гипотеза о наличии значимой линейной взаимосвязи выделенных входных и выходных параметров объектов строительства.

3) Обучение моделей ИИ.

Процесс обучения представлял из себя классическую для машинного обучения последовательность шагов, опиравшийся на выбор моделей машинного обучения, подходящих под поставленные задачи, их обучение и последующее сравнение полученных результатов по наборам параметров, таких как коэффициент детерминации, среднеквадратичная ошибка и др., а также последующей проверки качества обучения моделей на подготовленной для этого тестовой выборке.

После выбора базового ансамбля моделей, был проведен дополнительный анализ ее результатов, включая проверку на точность прогнозов по выходным параметрам (табл.1).

Табл. 1. Сравнительный анализ результатов работы ансамбля моделей

Среднее значение отношения фактических (проектные значения из тестовой выборки) к прогнозным значениям моделей ИИ для классов, содержащих объемы материалов и оборудования составило 0,813 в меньшею сторону и 1,205 в большую сторону (установлено для класса «арматура»). А, например, среднее значение отношения фактических к прогнозным значениям для общей сметной стоимости строительства объекта составило 0,927 в меньшую сторону и 1,035 в большую сторону. Таким образом, диапазон погрешности при определении сметной стоимости составил + 8%, что в свою очередь (рис.1) приближено к точности, соответствующей этапу «Рабочая документация».

В качестве исходных данных, которые необходимо заполнить пользователю для формирования прогноза, используется набор из нескольких десятков параметров, подготовить которые не составляет труда еще на этапе инициации проекта. Требуемый Опросный лист можно сформировать на любой стадии реализации проекта: как на этапе идеи, так и на этапе более глубокой проработки проекта.

Созданная технология позволяет не только осуществить расчет стоимости строительства в привычном представлении (сводный сметный расчет), разделенный на главы, но и провести анализ затрат материальных ресурсов и оборудования, необходимых для строительства, представленный в форме спецификаций (ведомостей объемов работ) по соответствующим разделам проектной документации. Кроме того, на базе прогнозов материальных ресурсов и собственного справочника базовых цен появляется возможность оценить реальную стоимость строительства с привязкой к объемам – расчет стоимости строительства ресурсным методом. Дополнительным бонусом возможно получить расчет параметров для получения технических условий в соответствующих организациях – мощности по электричеству, теплу, данные по водоснабжению и другие.

В целях формирования общей сметной стоимости, технология позволяет (на базе методов ИИ и лежащих в их основе математических регрессионных моделей) обосновать результаты сводного сметного расчета с разбивкой по главам с использованием индексов сметной стоимости строительства, публикуемых Минстроем России, и определить стоимость в различные промежутки времени для различных регионов России. Кроме того, технология позволяет:

  • девелоперам провести оценку стоимости строительства на ранних этапах жизненного цикла проекта; выбрать оптимальные технические решения в течение нескольких часов без дополнительных затрат и сформировать общую стоимости строительства с учетом специфики проекта.
  • техническим заказчикам получить объективную и обоснованную оценку стоимости строительства при оценке объемов финансировании, а также сложности и продолжительности работ.
  • генеральным подрядчикам актуализировать бюджет строительства с привязкой к текущим ценам, получить расчеты стоимости на основании прогнозных объемов, а не удельных показателей объектов-аналогов и сформировать общую стоимость строительства с учетом специфики проекта.

Накопленный опыт позволяет оценить значительный потенциал применения методов ИИ в строительной отрасли не только для расчета необходимых ресурсов, но и в целях повышения эффективности всего процесса строительства. Первый важный шаг в этом направлении сделан. В настоящее время реализованы модели для жилых многоквартирных домов и параллельно разрабатываются модели ИИ для других типов объектов строительства. Безусловно, значительный потенциал развития технология имеет (и фактически применима) для любых типов бюджетных объектов строительства.


[1] Приказ Минстроя России от 21.02.2024 г. № 128/пр «Об утверждении укрупненных нормативов цены строительства» Укрупненные нормативы цены строительства. НЦС 81-02-01-2024. Сборник № 01. Жилые здания».
[2] Бюллетень Счетной палаты Российской Федерации, 2021, No 6. Ценообразование в строительстве.

#стоимость строительства #технологии #жизненный цикл
Комментировать

Комментарии

Комментировать

Вам может быть интересно

21
#цифровизация

«Ростелеком» представил технологии для «умного» кампуса в НГУ

"Ростелеком" представил инновационное комплексное решение по проектированию и строительству "умных" кампусов. Презентация состоялась в рамках рабочего визита министра экономического развития РФ Максима Решетникова в Новосибирский государственный университет (НГУ)
18
#технологии

«Умное стекло» в окнах заменит Wi-Fi

Замена произойдет при помощи солнечного света. Так, исследователи из Университета науки и технологий имени короля Абдуллы (ОАЭ) создали прототип оконного стекла, которое способно служить системой связи в солнечный день
9
#консорциум

«Альфа-Банк», «Сбер» и «Т-Банк» подписали меморандум о создании консорциума для разработки новых платежных решений

Партнеры намерены создавать высокотехнологичные платежные инструменты, единый QR-код будет первым таким решением