ЗАРУБЕЖНЫЙ ОПЫТ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ СТРОИТЕЛЬСТВА

 

УДК 338.242

  • Голубова Ольга Сергеевна – кандидат экономических наук, доцент кафедры экономики, организации строительства и управления недвижимостью. Белорусский национальный технический университет (220013, г. Минск, пр. Независимости, 65, Республика Беларусь). E-mail: v.holubava@gmail.com

  • Нгуен Тхи Тху Нган – аспирант кафедры экономики, организации строительства и управления недвижимостью. Белорусский национальный технический университет (220013, г. Минск, пр. Независимости, 65, Республика Беларусь). E-mail: nguyennatalia13@gmail.com

DOI: https://doi.org/10.52065/2520-6877-2023-268-1-3

Ключевые слова: прогнозирование стоимости строительства, искусственная нейронная сеть, использование искусственной нейронной сети для прогнозирования стоимости.

Для цитирования: Голубова О. С., Нгуен Т. Т. Н. Зарубежный опыт использования искусственной нейронной сети для прогнозирования стоимости строительства // Труды БГТУ. Сер. 5, Экономика и управление. 2023. № 1 (268). С. 22–30. DOI: https://doi.org/10.52065/2520-6877-2023-268-1-3.

Аннотация

Прогнозирование стоимости строительства имеет большое значение для определения потребности в инвестициях, оценки экономической эффективности их использования. Точность прогнозирования стоимости строительства обеспечивает стабильность планирования затрат, надежность исполнения договоров подряда, рациональность использования финансовых ресурсов страны. Поэтому разработка и применение новых инновационных для Республики Беларусь методов прогнозирования стоимости строительства на основе искусственной нейронной сети является актуальным и важным направлением исследования.

В статье на основании проработки научных источников сформулированы основные преимущества искусственных нейронных сетей, заключающиеся в их информационности, устойчивости к шумам во входных параметрах, адаптированности к изменениям окружающей среды, надежности и обучаемости. Преимущества искусственных нейронных сетей создали основу для их применения при прогнозировании оценочной стоимости объектов недвижимости и стоимости строительства.

Обзор работ зарубежных авторов подтверждает, что для построения нейросетевых моделей прогнозирования стоимости строительства достаточной является выборка, содержащая до 100 объектов. Погрешность прогнозирования стоимости строительства с использованием искусственный нейронных сетей составляет меньше 20%. Такая точность оценки стоимости строительства на ранних стадиях проработки проекта является допустимой. В целях прогнозирования стоимости строительства, обеспечивающего точность и оперативность оценки, существует потребность в разработке искусственных нейросетевых моделей, адаптированных для условий хозяйствования Республики Беларусь.

Скачать

Список литературы

  1. Бурова И. В. Использование регрессионного анализа в оценке стоимости объектов регионального рынка недвижимости // Региональные проблемы преобразования экономики. 2020. № 2 (112). С. 39–45. DOI: 10.26726/1812-7096-2020-02-39-45.
  2. Ясницкий В. Л. Нейросетевое моделирование в задаче массовой оценки жилой недвижимости города Перми // Фундаментальные исследования. 2015. № 3–10. С. 650–653.
  3. Боровиков В. П. Нейронные сети. STATISTICA Neural Networks: методология и технология современного анализа данных / под ред. В. П. Боровикова. 2-е изд., перераб. и доп. М.: Горячая линия – Телеком, 2008. 392 с.
  4. Нгуен Т. Т. Н. Нейронные сети – новый инструмент экономического анализа строительных предприятий республики Беларусь // Экономика, организация строительства и управление недвижимостью: сб. материалов науч.-техн. конф. профессорско-преподавательского состава БНТУ в рамках 19-й Междунар. науч.-техн. конф. «Наука – образованию, производству, экономике» и 74-й науч.-техн. конф. ППС БНТУ, 13 мая 2021 г. / редкол.: О. С. Голубова [и др.]; сост. Н. А. Пашкевич. Минск: БНТУ, 2021. С. 63.
  5. Elhag T. M., Boussabaine A. H. An artificial neural system for cost estimation of construction projects. URL: https://www.arcom.ac.uk/-docs/proceedings/ar1998-219-226_Elhag_and_Boussabaine.pdf (date of access: 13.02.2023).
  6. Günaydın H. M., Doğan S. Z. A neural network approach for early cost estimation of structural systems of buildings // International Journal of Project Management. URL: https://doi.org/10.1016/j.ijproman.2004.04.002 (date of access: 13.02.2023).
  7. Neural network model incorporating a genetic algorithm in estimating construction cost / G. H. Kim [et al.] // Building and Environment. 2004. Vol. 39, No. 11. P. 1333–1340. DOI:10.1016/j.buildenv.2004.03.009.
  8. Cheng M. Y., Tsai H. C., Sudjono E. Conceptual cost estimates using evolutionary fuzzy hybrid neural network for projects in construction industry // Expert Systems with Applications. 2010. Vol. 37. P. 4224–4231. DOI: https://doi.org/10.1016/j.eswa.2009.11.080.
  9. Luu T. V., Phan V. K. Using Matlab to train ANNs in the problem of apartment construction costs // Tap chi khoa hoc Science magazine. URL: https://journalofscience.ou.edu.vn/index.php/tech-vi/article/view/1278 (date of access: 13.02.2023).
  10. Arafa M., Alqedra M. Early stage cost estimation of buildings construction projects using artificial neural networks // Journal of Artificial intelligence. 2011. Vol. 4, No. 1. P. 63–75. DOI:10.3923/jai.2011.63.75.
  11. ElSawy H., Hosny H., Razek M. A. Neural network model for construction projects site overhead cost estimating in Egypt // International Journal of Computer Science Issues. 2011. Vol. 8, Issue 3. P. 273–283.
  12. Feng G., Li L. Application of genetic algorithm and neural network in construction cost estimate // International Conference on Computer and Information Application. URL: https://www.atlantis-press.com/article/4202.pdf (date of access:13.02.2023).
  13. Bala K., Bustani S. A., Shehu W. B. Artificial neural networks in construction engineering and management // International Journal of Architecture, Engineering and Construction. 2017. Vol. 6, No. 1. P. 50–60. DOI:10.7492/IJAEC.2017.006.
  14. Roxas C. L. C., Ongpen J. M. C. An artificial neural network approach to structural cost estimation of building projects in the Philippines // DLSU Research Congress. Manila, 2014. URL: https://www.dlsu.edu.ph/wpcontent/uploads/dlsu-research-congress-proceedings/2014/SEE-I-005-FT.pdf (date of access: 13.02.2023).
  15. El-Sawalhi N. I., Shehatto O. Neural network model for building construction projects. Cost estimating // Journal of Construction Engineering and Project Management. URL: DOI: 10.6106/JCEPM.2014.4.4.009 (date of accessed: 13.02.2023).
  16. Magdum S. K., Adamuthe A. C. Construction cost estimation using neural networks // International Journal (ICTACT). Journal on Soft Computing. URL: https://ictactjournals.in/paper/IJSC_Vol_8_Iss_1_Paper_4_1549_1556.pdf (date of access: 13.02.2023).
  17. Chandanshive V. B., Kambekar A. R. Estimation of building construction cost using artificial neural networks // Journal of Soft Computing in Civil Engineering. URL: http://www.jsoftcivil.com/article_89032_9a2e28148ec5b773f259194d5709c658.pdf (date of access: 13.02.2023).
  18. Yun S. Performance analysis of construction cost prediction using neural network for multioutput regression // MDPI. URL: https://doi.org/10.3390/app12199592ost (date of access: 13.02.2023). DOI: 10.3390/app12199592.
  19. Полковников А. В., Дубовик М. Ф. Управление проектами. Полный курс MBA. М.: ОлимпБизнес, 2013. 538 с.
Поступила 14.02.2023