Russian Federation
Moscow, Moscow, Russian Federation
UDC 69.05
UDC 334
UDC 658.5
This article develops a methodological framework for forecasting directive changes in schedule models of investment and construction projects. Directive changes are understood as mandatory managerial interventions initiated by the client and implemented outside formalized change management procedures. Such interventions are considered as an independent object of analysis exerting a systemic influence on the stability and dynamics of project schedule-network models. The study is based on the integration of a directive change classifier and index-based characteristics of the directive flow with a system of consequence indicators intended for the quantitative assessment of the schedule effects caused by directive interventions. The XGBoost algorithm is proposed as the core forecasting instrument due to its ability to identify nonlinear relationships between directive parameters and the response of the project scheduling system. Interpretation of the forecasting results is supported through SHAP analysis, enabling a quantitative assessment of the contribution of each classifier feature to the generated forecast. The proposed methodological framework includes sequential stages of directive formalization, feature encoding, model training, interpretation of results, and scenario-based integration of forecasts into project schedule models. The article also substantiates the possibility of digital integration of forecasting results into PMIS, MS Project, and 4D BIM environments, thereby increasing the transparency of schedule models and expanding the analytical capabilities of scenario-based assessment of directive changes in investment and construction projects.
directive changes, internal directive interventions, schedule-network models, schedule forecasting, phase vulnerability, XGBoost, SHAP, PMIS, BIM, critical path, project lifecycle management
Введение
Современные инвестиционно-строительные проекты реализуются в условиях высокой организационно-технологической сложности, многостадийности жизненного цикла и интенсивного управленческого взаимодействия 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, потенциально способны оказывать 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, обладающие потенциалом выявления нелинейных зависимостей и прогнозирования задержек [8]. 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 [9, 10].
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, 7-9]. 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 [8]; 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 предусматривается использование методов календарно-сетевого моделирования, позволяющих анализировать изменения логики работ, перераспределение резервов времени и сдвиги контрольных вех6 [6]. Применение данных методов формирует основу для сопоставления 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.
Таблица 1
Пример прослеживаемости директивного воздействия
|
DirectiveID |
TaskID |
Версия графика (до) |
Версия графика (после) |
ΔT |
CP-Impact |
OZ-Index |
|
D-0157 |
A-342 |
V12 |
V13 |
+5 дней |
1 |
1.42 |
|
D-0184 |
B-210 |
V13 |
V14 |
0 |
0 |
0.86 |
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).
- Type — тип директивного изменения.
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 предкалендарной чувствительности
На предкалендарном уровне анализа рассчитывается система индексных показателей, предназначенных для формализованного описания структуры директивного потока, условий реализации воздействий и признаков потенциальной календарной чувствительности проекта. Система включает [10]:
- RI — индекс повторяемости;
- CI — индекс структурной сложности условий реализации;
- DII — индекс директивного воздействия;
- PSII — индекс потенциального календарного воздействия;
- ILCV — индекс латентной календарной уязвимости.
Расчёт индикаторов выполняется исключительно на основе классификационных признаков директивных воздействий без использования календарных параметров (Delay, ΔT, CP-Impact, OZ), критического пути, резервов времени и изменений логических связей календарной модели.
Такое разграничение обеспечивает методологическую независимость предкалендарного анализа от результатов календарной диагностики и исключает смешение управленческих характеристик директивных воздействий с наблюдаемыми календарными последствиями.
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:
- Полный режим (Full) — полная и методологически корректная календарно-сетевая модель (устойчивый baseline, непротиворечивые связи, корректно рассчитанные резервы, достоверные fact-данные);
- Ограниченный режим (Reduced) — частичная полнота сетевой модели (ограниченная детализация, неполнота резервов и/или baseline/fact-дат);
- Упрощённый режим (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 предназначены для формализованного описания 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 ресурсно-календарной перегрузки, 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, Type) и предкалендарные признаки (RI, CI, DII, PSII, ILCV). Указанные признаки и индикаторы фиксируются до этапа календарной диагностики и рассматриваются как входные переменные модели для прогнозирования календарных показателей ΔT, CP-Impact и OZ.
Для обеспечения статистической корректности признакового набора предусматривается 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. Подход к моделированию и прогнозированию
В качестве основного инструмента прогнозирования выбран алгоритм XGBoost, обладающий высокой устойчивостью к нелинейным зависимостям и способностью эффективно работать с разнородными признаками [8]. Алгоритм рассматривается в качестве базового инструмента прогнозирования вероятности и масштаба календарных последствий директивных изменений на основе сформированной обучающей выборки [8].
Для проверки применимости выбранного подхода предусматривается сравнительное моделирование с использованием логистической регрессии в качестве базовой модели [8]. Оценка качества прогнозирования предусматривается с использованием стандартных метрик классификации, включая Accuracy и ROC-AUC [8]. Для обеспечения интерпретируемости прогностической модели предусматривается использование SHAP-анализа, позволяющего количественно оценивать вклад признаков классификатора директивных изменений в формирование прогноза [9].
5. Цифровая интеграция методологической рамки
Практическая применимость разработанной методологической рамки предполагается за счёт её интеграции в цифровую среду управления проектами7 [5]. Предусматриваются 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].
Предлагаемый подход допускает визуализацию результатов прогнозирования 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 разработки методологической рамки
В ходе исследования сформирована методологическая рамка, обеспечивающая возможность формализации директивных изменений, построения прогностических процедур и последующей интеграции результатов анализа в цифровые среды управления инвестиционно-строительными проектами7 [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 проекта [6, 8]. Предложенный подход формирует воспроизводимую основу для последующего анализа директивных изменений в проектах различного типа и масштаба2, 6.
2. Формирование признакового пространства директивных изменений
В рамках разработанной методологической рамки сформировано признаковое пространство, включающее параметры Stage, Source, Scale, Form, Type, а также предкалендарные индексные характеристики RI, CI, DII, PSII и ILCV [8, 9]. Указанные признаки предназначены для формализованного описания директивных воздействий и последующего применения в прогностических моделях оценки календарных последствий. Использование структурированного признакового пространства обеспечивает сопоставимость директивных изменений и создаёт предпосылки для построения моделей прогнозного анализа без избыточной размерности данных [8].
3. Формализация индикаторов календарных последствий
В рамках исследования предложена система индикаторов календарных последствий директивных изменений, включающая ΔT, CP-Impact и OZ-Index [4, 7]. Индикатор ΔT предназначен для фиксации сдвига сроков проекта или его ключевых вех. Показатель CP-Impact отражает изменение конфигурации критического пути и степень вовлечённости директивного воздействия в критическую цепь работ, а OZ-Index характеризует деградацию резервов времени и снижение устойчивости календарной модели проекта1 [6, 7]. Совместное использование указанных индикаторов формирует основу для многоконтурной интерпретации календарных последствий директивных воздействий, включая непосредственные, отсроченные и латентные эффекты, не фиксируемые стандартными процедурами календарного контроля.
4. Подход к моделированию и прогнозированию
В рамках разработанной методологической рамки в качестве базового алгоритма прогнозирования календарных последствий директивных изменений выбран XGBoost, позволяющий учитывать нелинейные зависимости между параметрами директивных воздействий и откликом календарной системы проекта [8].
Предлагаемый подход предусматривает построение прогностической модели на основе сформированной обучающей выборки директивных изменений и последующую оценку качества прогнозирования с использованием метрик Accuracy и ROC-AUC [8]. В качестве базовой модели сравнения рассматривается логистическая регрессия.
Для обеспечения интерпретируемости результатов предусматривается применение SHAP-анализа, позволяющего оценивать вклад отдельных признаков классификатора в формирование прогноза календарных последствий [9].
5. Цифровая интеграция результатов
Полученные прогнозы могут быть интегрированы в цифровую среду управления проектами7 [2]. Предлагаемый подход допускает перенос 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. Техническая реализация предложенного подхода возможна в виде аналитического модуля в составе PMIS- и BIM-сред с использованием Autodesk Revit API, Primavera P6 SDK и механизмов интеграции CDE-платформ, обеспечивающих автоматизированную передачу данных между системой регистрации директивных воздействий, календарной моделью и модулем прогнозирования.
Обсуждение
Предложенная методологическая рамка подтверждает 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 потенциально оказывают влияние не только на отдельные параметры календарного плана, но и на устойчивость календарно-сетевой модели проекта [6, 7]. Это обстоятельство объясняет ограниченную применимость традиционных процедур управления изменениями, ориентированных преимущественно на локальные корректировки содержания, сроков и стоимости [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 модели [5]. В этом контексте предложенная методологическая рамка не противоречит действующим стандартам, а расширяет их прикладной инструментарий за счёт введения формализованных индикаторов и прогностических процедур [5].
Выбор алгоритма XGBoost обусловлен его способностью учитывать нелинейные зависимости между параметрами директивных изменений и потенциальными календарными последствиями [8]. Нелинейная природа календарных эффектов, проявляющаяся в изменении критического пути, деградации резервов времени и каскадных отклонениях, ограничивает применимость исключительно линейных моделей [6, 7]. Для обеспечения интерпретируемости прогностической модели предусматривается использование SHAP-анализа, позволяющего количественно оценивать вклад отдельных признаков классификатора директивных изменений в формирование прогноза [9].
Отдельного обсуждения заслуживает практическая интеграция предложенного подхода в цифровые среды управления проектами. В отличие от изолированных аналитических моделей, разработанная методологическая рамка ориентирована на встраивание прогнозных процедур в существующие инструменты календарного планирования и визуализации [2, 5]. Интеграция с MS Project, Primavera, Power BI и 4D BIM потенциально позволяет использовать результаты прогнозирования не только для постфактум-анализа, но и для сценарного управления проектом на ранних стадиях принятия директивных решений, расширяя возможности управленческого реагирования и снижая риск неконтролируемых календарных отклонений [1].
Вместе с тем разработанная методологическая рамка обладает рядом ограничений. Потенциальная точность прогнозирования напрямую зависит от полноты и качества исторических данных о директивных изменениях и версиях календарных планов [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 организацию [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 циклом [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, Type и индексные характеристики RI, CI, DII, PSII, ILCV, 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].
- Выполнено методологическое обоснование применения алгоритма XGBoost в качестве базовой прогностической модели для анализа нелинейных зависимостей между параметрами директивных изменений и потенциальными календарными последствиями [8]. Для обеспечения интерпретируемости результатов предусмотрено использование SHAP-анализа, позволяющего количественно оценивать вклад отдельных признаков в формирование прогноза [9].
- Разработанный подход к прогнозированию, включающий этапы формализации директив, кодирования признаков, подготовки обучающей выборки, построения модели и интерпретации результатов, формирует воспроизводимую методологическую основу для последующего применения методов машинного обучения в анализе календарных последствий директивных изменений2,6 [6, 8].
- Предложенная методологическая рамка допускает интеграцию в цифровые среды управления проектами, включая PMIS, MS Project, Primavera и 4D BIM, что создаёт предпосылки для развития инструментов сценарного анализа и поддержки управленческих решений при реализации директивных вмешательств заказчика7 [5].
- Разработанная методологическая рамка определяет направления дальнейших исследований, связанные с расширением эмпирической базы директивных изменений, проведением полномасштабной валидации прогностических моделей, развитием адаптивных и самообучающихся алгоритмов, а также углублением 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
