СОВЕРШЕНСТВОВАНИЕ АНАЛИЗА ФАКТОРОВ ТЕХНИЧЕСКИХ РИСКОВ С ИСПОЛЬЗОВАНИЕМ КОМПЛЕКСНОЙ МОДЕЛИ FLDS НА ПРИМЕРЕ СТРОИТЕЛЬСТВА МНОГОЭТАЖНЫХ ЖИЛЫХ ЗДАНИЙ Текст научной статьи по специальности «Экономика и бизнес»

ТЕХ НОЛОГИЯ И ОРГАНИЗАЦИЯ СТРОИТЕЛЬСТВА. ЭКОНОМИКА И УПРАВЛЕНИЕ

В СТРОИТЕЛЬСТВЕ

НАУЧНАЯ СТАТЬЯ УДК 69.05

DOI: 10.22227/1997-0935.2021.12.1608-1619

Совершенствование анализа факторов технических рисков с использованием комплексной модели FLDS на примере строительства многоэтажных жилых зданий

Азарий Абрамович Лапидус, Отари Джемалиевич Чапидзе

Национальный исследовательский Московский государственный строительный университет

(НИУМГСУ); г. Москва, Россия

АННОТАЦИЯ

Введение. Данное исследование направлено на разработку модели жизненного цикла (ЖЦ) многоэтажного жилого здания с учетом факторов технических рисков. Эта модель дает возможность выявить основные факторы технических рисков на разных этапах жизни проекта и спрогнозировать его поведение. Изучив обширный список как отечественной, так и зарубежной литературы, видно, что систематизация и классификация элементов ЖЦ строительного объекта в условиях факторов технических рисков является актуальной задачей в строительной отрасли. Цель исследования заключается в разработке наиболее эффективной математической модели для определения и прогнозирования влияния факторов технических рисков на ЖЦ многоэтажного жилого здания.

Материалы и методы. Исследование основывается не только на обширном обзоре научной литературы, внимание сч сч которого сосредоточено на технических рисках, но и на анализе этапов Жц зданий и сооружений. Использован метод

аналогий и метод диаграмм, на основе теории нечеткого множества и теории Демпстера - Шафера формируется математическая модель РЮБ, проведен экспертный опрос с ведущими специалистами в строительной отрасли, на основе которого формируется отбор основных факторов технических рисков. ¡й ф Результаты. Проблема анализа технических рисков в строительной индустрии имеет существенную роль, это свя-

о зано с возведением значительного числа современных сооружений, уникальных по своему роду как с архитектурной

с Ю точки зрения, так и с точки зрения неординарности конструктивных и технологических решений.

^ ^ Выводы. В связи с неопределенностью мнений экспертов относительно вероятности возникновения и степени воз-

. т- действия факторов риска, предложена доказательная математическая модель РЮБ, основанная на двух теориях,

Ф которая позволяет численно определить и распределить по рангам влияние фактора риска. Результат исследования

показывает, что применение математической модели РЮБ значительно повысит успех при реализации проекта, по-

о о

N N

N N

О — зволяя увидеть критические факторы технических рисков на начальной стадии ЖЦ строительного проекта.

н .2

КЛЮЧЕВЫЕ СЛОВА: жизненный цикл, источник риска, риск, проект, строительство, нечеткая логика

5 з

Ф О) с

1= ДЛЯ ЦИТИРОВАНИЯ: Лапидус А.А., Чапидзе О.Д. Совершенствование анализа факторов технических рисков

6 с использованием комплексной модели РЮБ на примере строительства многоэтажных жилых зданий// Вестник МГСУ § £ 2021. Т. 16. Вып. 12. С. 1608-1619. йО!: 10.22227/1997-0935.2021.12.1608-1619

со > со ^

^ "с Автор, ответственный за переписку: Отари Джемалиевич Чапидзе, cod95@inbox.ru.

8 ? <м 5

<л w

Improving the analysis of technical risk factors using the integrated FLDS

I ° model on the example of the construction of multi-storey residential ю § buildings

CO — ®

S я

о EE

g Azariy A. Lapidus, Otari D. Chapidze

j= Moscow State University of Civil Engineering (National Research University) (MGSU); Moscow,

w g Russian Federation

?i Э ABSTRACT

L_ W

о Introduction. This study is aimed at developing a model of the life cycle of a multi-storey residential building, taking into

^ S account the factors of technical risks. This model makes it possible to identify the main factors of technical risks at different

S stages of a project's life and predict its behavior. After examining an extensive list of both domestic and foreign literature,

¡E = it is clear that the systematization and classification of the elements of the life cycle of a construction object in conditions

jjj jg of technical risk factors is an urgent task in the construction industry. The purpose of the study is to develop the most effec-

ts > tive mathematical model for determining and predicting the influence of technical risk factors on the life cycle of a multi-storey

residential building.

1608 © А.А. Лапидус, О.Д. Чапидзе, 2021

Распространяется на основании Creative Commons Attribution Non-Commercial (CC BY-NC)

Совершенствование анализа факторов технических рисков с использованием комплексной л^пв лила

г[ - С. 1608-1619

модели ГЬйЭ на примере строительства многоэтажных жилых зданий

Materials and methods. The study is based not only on an extensive review of scientific literature, whose attention is focused on technical risks, but also analyzed the stages of the life cycle of buildings and structures, used the method of analogies and the method of diagrams, based on the theory of fuzzy set and the Dempster-Schafer theory, a mathematical model of FLDS is formed, so an expert survey was conducted with leading experts in the construction industry, on the basis of which the selection of the main factors of technical risks is formed.

Results. The problem of analyzing technical risks in the construction industry plays a significant role, this is due to the construction of a significant number of modern structures that are unique in their kind, both from an architectural point of view, and from the point of view of the originality of design and technological solutions.

Conclusions. Due to the uncertainty of experts' opinions regarding the likelihood of occurrence and the degree of impact of risk factors, a demonstrative mathematical model of FLDS based on two theories is proposed, which allows numerically determining and distributing the influence of a risk factor by ranks. The result of the study shows that the application of the FLDS mathematical model will significantly increase the success of the project, allowing you to see the critical factors of technical risks at the initial stage of the life cycle of a construction project.

KEYWORDS: life cycle, source of risk, risk, project, construction, fuzzy logic

FOR CITATION: Lapidus A.A., Chapidze O.D. Improving the analysis of technical risk factors using the integrated FLDS model on the example of the construction of multi-storey residential buildings. Vestnik MGSU [Monthly Journal on Construction and Architecture]. 2021; 16(12):1608-1619. DOI: 10.22227/1997-0935.2021.12.1608-1619 (rus.).

Corresponding author: Otari D. Chapidze, cod95@inbox.ru.

ВВЕДЕНИЕ

В настоящее время стремительно растет строительство многоэтажных жилых зданий, каждый объект по-своему уникален, отличается не только архитектурой и масштабом строительства, но и применением новых технологий, все это ведет к большому числу факторов технических рисков [1].

Риск — это событие или состояние, обусловленное неопределенностью, результат которого может привести как к положительному, так и к отрицательному эффекту в проекте [2, 3].

Технический риск — риск, причинами возникновения которого является непредсказуемое и (или) неконтролируемое функционирование (поведение или свойства) технических систем [3].

Каждый риск имеет множество факторов, которые ведут либо к одному, либо к нескольким последствиям. Вероятность риска в той или иной степени влияет на такие параметры проекта, как стоимость и продолжительность [4].

Существуют различные показатели технических рисков, некоторые из них известны [5, 6], эти риски идентифицированы и проанализированы, и на их воздействие имеется ресурс планирования риска, что, в свою очередь, помогает сделать их управляемыми, а то и вовсе исключить на раннем этапе их воздействие. А вот превентивное управление и принятие риска не способно воздействовать на неопределенные факторы риска, которые в строительных проектах достигают сотни, а то и более. Строительная индустрия по своей структуре является одной из самых сложных и опасных отраслей, обладает высокой динамикой стремительно меняющихся факторов, все это ведет к высокой степени неопределенности. Следовательно, несвоевременная оценка факторов технических рисков в строительной отрасли приведет к непоправимым последствиям, иным значениям стоимости и продолжительности сроков строительства, зачастую отличающихся от проектных, в сумме

эффект воздействия приведет к крупной финансовой потере.

Для оценки факторов технических рисков проекта используются различные методы, такие как метод экспертных оценок, метод аналогий, метод Дель-фи и другие [7-9], но каждый имеет не только положительные, но и отрицательные стороны, следовательно, выбор наиболее эффективного и оптимального метода оценки риска проекта играет важную роль.

В исследовании математическая модель FLDS-Fuzzy logic и Dempster-Shafer разрабатывается на основе синтеза двух теорий, а именно:

• теория нечетких множеств, базовая составляющая нечеткой логики;

• теория Демпстера - Шафера.

МАТЕРИАЛЫ И МЕТОДЫ

Нечеткая логика была впервые введена профессором Лотфи Заде в 1965 г. и стала применяться в 1970-х годах. Нечеткая логика — это успешное приложение в контексте нечетких множеств, в которых переменные являются лингвистическими, а не числовыми. Нечеткая логика отличается от бинарной или аристотелевской логики, которая видит все двумя или более способами — да или нет, черный или белый, ноль или единица. Значения в этой логике меняются от нуля до единицы [10]. На рис. 1 изображена архитектура системы нечеткого вывода.

Система нечеткого вывода [11] обычно состоит из следующих компонентов:

• фаззификатор;

• матрица риска;

• механизм нечеткого вывода;

• дефаззификатор.

Далее описаны компоненты системы нечеткого вывода для оценки риска [10, 11]. Процесс преобразования явных переменных в лингвистические переменные называется фаззификацией.

< п

tT

iH О Г

0 СО

n со

1 <

< -»

J со

U -

r i

n °

< 3 О

oi

О n

CO CO

l\J со

0

1

CD CD О О

< ) ® ®

л *

o> n

I T

s У с о <D Ж 1 1 NN

о о 10 10

1609

hu m л Kl h íi n i

Bçptwn h ость четко! l> heu un

CJtpCrisji

i i им il l1 miztli I m

Фи : iitrJiiikiiiiHii

Четкое пкоднос позЛейстпчс l'Ki l'nsp Input tmpod

I

Hulu Rist I1UI1 l'as

Процесс вывода

Гм//ъ hij¡iV operations

Рис. 1. Система нечеткого вывода данных Fig. 1. Fuzzy data output system

N N

о о

N N

PÍPÍ

> (Л С И

ta <о

(О

s о H

Фаззификация (введение нечеткости) — это установка соответствия между численным значением входной переменной системы нечеткого вывода и значением функции принадлежности соответствующего ей терма лингвистической переменной [12].

В системе нечеткого вывода входные и выходные данные системы нечеткого вывода сначала должны быть нечеткими. Вероятность возникновения и серьезность воздействия риска рассматриваются как два входа, а уровень риска — как выход системы нечетких выводов.

Табл. 1. Лингвистические термины Table 1. Linguistic terms

Лингвистические выражения и нечеткие множества, используемые для нечеткого определения входных и выходных данных системы нечеткого вывода, представлены в табл. 1 и на рис. 2-4 в оценке риска [11-13].

Определение степени риска производится на основе матрицы Р1-риска, и соответственно данный компонент разработанной системы нечеткого вывода для оценки риска — это база знаний и нечеткие правила, включающие 25 нечетких правил «если», которые представлены в табл. 2-4.

Входные и выходные значения Input and output values Лингвистический термин Linguistic term Определение Definition Ранг Rank

Уровни вероятности Probability levels Маловероятные Improbable (IM) Крайне редкие, почти без вероятности возникновения Extremely rare, with almost no likelihood of occurrence l

Незначительные Remote (R) Имеют небольшой шанс проявления Have a small chance of manifestation 2

Случающиеся иногда Occasional (O) Случаются с вероятностью 30-50 % Happen with a probability of 30-50 % 3

Вероятные Probable (P) Могут произойти с большой вероятностью May happen with a high probability 4

Частые Frequent(F) Почти наверняка проявятся и неизбежны Will almost certainly manifest and inevitable 5

Уровни влияния Input 2 Influence levels Input 2 Несущественные Negligible (N) Не приносят реальных негативных последствий или не представляют существенной угрозы для организации или проекта Do not bring real negative consequences or pose a significant threat to the organization or project l

Малые Minor (M) Имеют небольшой потенциал для негативных последствий, но не окажут существенного влияния на общий успех Have little potential for negative consequences, but will not significantly affect overall success 2

<U О)

О ё

я -,

■8 I

si

О И

.Е о

dl"

^ с ю о

S !

о ЕЕ

СП ^ т- ^

<л

(Л

1610

Продолжение табл. 1 / Continuation of the Table 1

Входные и выходные

значения Input and output values

Лингвистический термин Linguistic term

Определение Definition

Ранг Rank

Умеренные Major (MA)

Могут привести к негативным последствиям, создавая умеренную угрозу для проекта или организации May lead to negative consequences, posing a moderate threat to a project or organization

Уровни влияния Input 2

Influence levels Input 2

Критические Critical (C)

С существенными негативными последствиями, которые будут серьезно влиять на успех организации или проекта (необходимость закрыть проект или большое количество негативных событий)

With significant negative consequences that will seriously affect the success of the organization or project (the need to close the project or a large number of negative events)

Катастрофические Catastrophic (CA)

С крайне негативными последствиями, которые могут привести к закрытию или долгосрочному сбою деятельности всей компании. Требуют наибольшего внимания и ресурсов With extremely negative consequences that can lead to the closure or long-term disruption of the entire company. Demand the most attention and resources

Незначительный Insignificant (IN)

Риск допустим без каких-либо смягчений. Последствия незначительны и вряд ли это произойдет. Эти типы угроз, как правило, игнорируются The risk is acceptable without any mitigation. The consequences are minor and unlikely to happen. These types of threats are generally ignored

Терпимый Tolerable (T)

Уровень риска Output

Risk level Output

Может потребоваться частичное смягчение последствий. Вероятность возникновения не позволяет их игнорировать, а последствия могут быть ощутимыми. Если возможно, необходимо принять меры для предотвращения возникновения средних рисков, но следует помнить, что они не являются приоритетными и не могут критично влиять на успех организации или проекта

Partial mitigation may be required. The likelihood of their occurrence does not allow them to be ignored, and the consequences can be tangible. If possible, measures should be taken to prevent the occurrence of medium risks, but it should be remembered that they are not a priority and cannot critically affect the success of an organization or project

Существенный Substantial (SU)

Может потребоваться смягчение последствий. Имеют серьезные последствия и, вполне вероятно, реализуются. На них следует реагировать в ближайшем будущем Mitigation may be required. They have serious consequences and are likely to be implemented. They should be responded to in the near future

Значительный Significant (S)

Для снижения риска необходимо принять меры по смягчению последствий. Критические риски, которые имеют серьезные последствия и имеют высокую вероятность возникновения. Имеют высокий приоритет. Следует немедленно предпринять меры по устранению или снижению возможных последствий To reduce the risk, it is necessary to take mitigation measures. Critical risks that have serious consequences and are highly likely to occur. High priority. Measures should be taken immediately to eliminate or reduce the possible consequences

1-4

9-12

13-16

3

4

5

1611

Окончание табл. 1 / End of the Table 1

Входные и выходные значения Input and output values Лингвистический термин Linguistic term Определение Definition Ранг Rank

Уровень риска Output Risk level Output Недопустимый Intolerable (INT) Должны быть реализованы меры по снижению риска. Катастрофические риски, которые имеют серьезные последствия и имеют высокую вероятность возникновения. Имеют высший приоритет. Могут угрожать существованию организации или успешности выполнения большей части поставленных задач. Следует немедленно предпринять меры по устранению или снижению возможных последствий Risk mitigation measures should be implemented. Catastrophic risks that have serious consequences and a high likelihood of occurring. Have the highest priority. May threaten the existence of the organization or the success of most of the tasks assigned. Measures should be taken immediately to eliminate or reduce the possible consequences 17-25

сч N о о

N N

NN г г

¡г ai

U 3 > (Л С И

U <о 40 щ

и

<u О)

о ё

Рис. 2. Функция принадлежности для уровня вероятности Fig. 2. Membership function for the probability level

<л w

.Е о

^ с

ю о

S g

о ЕЕ

а> ^

т- ^

ОТ £ 22

> А ■8 El

О (Я

Рис. 3. Функция принадлежности для уровня влияния Fig. 3. Membership function for influence level

1612

Рис. 4. Функция принадлежности для уровня риска Fig. 4. Membership function for risk level

Табл. 2. Матрица PI-риска Table 2. PI risk matrix

R = PxI Вероятность Probability

IM R O P F

Степень влияния The degree of influence N IN IN IN IN T

M IN IN T T SU

MA IN T SU SU S

C IN T SU S IN

CA T SU S IN IN

Табл. 3. Матрица PI-риска с рангами Table 3. Risk PI Matrix with ranks

R = PxI Вероятность Probability

IM R O P F

Степень влияния The degree of influence N 1 2 3 4 5

M 2 4 6 8 10

MA 3 6 9 12 15

C 4 8 12 16 20

CA 5 10 15 20 25

< П

tT

iH

о

(Л

с

Матрица риска — это инструмент процесса управления угрозами, предназначенный для повышения объективности его интерпретации [11]. Чтобы поместить пункт в матрицу, необходимо присвоить ему рейтинг вероятности и величины ущерба

Следующий компонент разработанной системы нечеткого вывода для оценки риска — это механизм нечеткого вывода. Механизм логического вывода оценивает и делает логический вывод правил, используя алгоритмы логического вывода, и после агрегирования правил вывода блоком дефаззификатора он преобразуется в явное или числовое значение. Механизм нечеткого вывода — это алгоритм Мам-дани [11]. Метод максимума используется для агрегирования выходных данных, а метод центра тяжести — для дефаззификации.

Индекс нечеткой оценки риска рассматривается как выходной параметр, он варьируется от 0 до 5. В этой статье риск разделен на пять равных частей, как показано на рис. 2-4. Риски представлены нечеткими множествами, диапазоны которых совпадают с лингвистическими терминами, приведенными в табл. 1. Используя соответствующую шкалу преобразования, лингвистические термины превращаются в нечеткие рейтинги. Один из ключевых моментов в нечетком моделировании — это определение

нечетких чисел, которые представляют собой расплывчатые концепции и выраженные неточными терминами на естественном языке [14].

В настоящей работе фаззификация распределяет системные переменные, включая вероятность P, уровень влияния I и уровни риска R с четкими цифрами, структура нечеткой модели представлена на рис. 5.

Задаем в математическую модель 25 правил в табл. 4 и производим процесс дефаззификации [12, 13].

Дефаззификация в системах нечеткого вывода — это процесс перехода от функции принадлежности выходной лингвистической переменной к ее четкому (числовому) значению. Цель дефаззификации состоит в том, чтобы, используя результаты аккумуляции всех выходных лингвистических переменных, получить количественные значения для каждой выходной переменной, которые используются внешними по отношению к системе нечеткого вывода устройствами [11, 12].

Последний шаг в приближении — дефаззифи-кация.

Этот шаг содержит процесс замены нечеткого значения четким выводом, состоящим из процедуры взвешивания и усреднения выхода всех отдельных

0 СО n СО

1 <

< -»

J CD

U -

r i

n °

< 3 О

oi

О n

CO CO

l\J со

0

1

CO CO о о

< )

I!

® ®

л *

o> n

I T

s У с о <D Ж

I I

NN

о о 10 10

1613

Вероятность

Нечетки риск грипнл

î' Ui/^ пч Ii

Риск

Ü I ¡SUM ut

Рис. 5. Структура вывода нечеткой модели Fig. 5. Fuzzy model inference structure

Табл. 4. Таблица правил математической модели Table 4. Mathematical model rule table

Номер Number Описание Description

Правило 1 / Rule 1 Если вероятность маловероятна и последствия незначительны, то риск незначителен If the probability is unlikely and the consequences are small, the risk is insignificant

Правило 2 / Rule 2 Если вероятность маловероятна и последствия катастрофичны, то риск велик If the probability is unlikely and the consequences are catastrophic, then the risk is great

Правило 25 / Rule 25 Если вероятность частая и последствия критичны, то риск недопустим If the probability is frequent and the consequences are critical, the risk is unacceptable

N N

о о

N N

NN г г

к ai u з

> (Л С И

ta <о

40 щ

îj

<u <D

о ё

.Е о

dl"

^ с ю о

S !

о ЕЕ

СП ^ т- ^

£

22 J > А

Ü г? Si

О (Я

нечетких правил. Состоит из шести следующих методов дефаззификации [15]:

1. Средний центроид (СА).

2. Центр тяжести (COG).

3. Максимальное среднее значение по центру (MCA).

4. Среднее значение максимума (MOM).

5. Наименьшее из максимальных (SOM).

6. Наибольший из максимума (LOM).

Центр тяжести (COG) является одним из самых популярных методов дефаззификации нечеткого вывода функции, выбран метод из-за его простых вычислений и правдоподобия интуиции [16].

COG определяется следующим уравнением:

Z =

J|W (х )xdx

Jw (х)dx '

(1)

Процесс дефаззификации создает четкую ценность из нечетких множеств, отражающих риск проекта (рис. 6).

Для усовершенствования математической модели нечеткого множества применим теорию Демпсте-ра - Шафера.

Метод Б8 представляет собой более общую форму байесовского подхода, который имеет все его преимущества. Например, в методе ДШ, как и в байесовском методе, доступная априорная информация может быть включена в неточный вывод неопределенных показателей и выводимых результатов. Тем не менее использование априорной информации в методе ДШ не является обязательным. Это — одно из достоинств теории ДС [17, 18].

FLDS = m(A) =

fi - min F max F - min F'

(2)

где 1 — дефаззифицированный результат; х — выходная переменная; цг(х) — агрегированная функция принадлежности.

где m(A) — степень достоверности; max F = max{f | j e [1, n]}; min F = min{f | j e [1, n]}; n — количество факторов.

1614

Рис. 6. Выходные данные из программного комплекса Polyspace на основе 25 правил Fig. 6. Output from Polyspace software package based on 25 rules

По сравнению с другими вероятностными методами, такими как байесовский метод, в методе ДШ вычисление априорной вероятности не требуется, у него гибкая и понятная функция масс, формирование функции масс удобно и просто. Вычислительная сложность этого метода намного меньше, чем у байесовского метода [16, 19].

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

В качестве примера рассмотрим применение математической модели к результатам экспертного

Табл. 5. Анализ результатов экспертного опроса Table 5. Analysis of the results of the expert survey

опроса факторов технических рисков при строительстве многоэтажных жилых зданий [5].

Некоторые результаты экспертного опроса представлены в табл. 5.

Требуется определить и проранжировать факторы технического риска для многоэтажного жилого здания по уровню риска РЬБ8, рассмотрим фактор риска «Результаты оценки технических условий»:

Этап 1. Производится первое ранжирование фактора риска, при помощи матрицы риска определяются значения риска, результат представлен в табл. 5.

Фактор технического риска Technical risk factor Вероятность Probability Влияние Influence Общепринятая методика Common practice Нечеткий вывод Системный метод Fuzzy inference System method FLDS

Риск Risc R = PI Ранг Rank Риск Risc Ранг Rank Риск Risc Ранг Rank

Результаты инженерно-геологических изысканий Geotechnical survey results 2,0S 4,70 9,63S 3 3,3 3 4,269 1

Использование новых технологий Use of new technologies 1,90 4,68 8,892 4 3,1S 4 4,078 3

Обследование и контроль качества Inspection and quality control 4,00 3,18 12,720 1 3,48 1 4,129 2

< п

tT

iH

G) (Л

с

О

со

< -»

J со

u -

r i

n °

< s о

n

со со

м

СО

0

1

СП СП о о

СО

< ) D ®

л '

0> П I Т

s у с о (D *

i 1

!!

M 2 О О 10 10

1615

Окончание табл. 5 / End of the Table 5

Фактор технического риска Technical risk factor Вероятность Probability Влияние Influence Общепринятая методика Common practice Нечеткий вывод Системный метод Fuzzy inference System method FLDS

Риск Risc R = PI Ранг Rank Риск Risc Ранг Rank Риск Risc Ранг Rank

Результаты оценки инфраструктуры Infrastructure assessment results 3,75 3,25 12,187 2 3,41 2 3,955 4

Результаты оценки технических условий The results of the assessment of the technical conditions 1,35 4,535 6,12 5 2,37 5 2,686 5

сч N о о

N N

NN г г

к ai u з

> (Л С И

ta <о

40 щ

il

<u <и

о 8

<л

(Л

.Е о

dl"

^ с ю о

S !

о ЕЕ

СП ^ т- ^

Этап 2. Используется алгоритм логического вывода, после агрегирования правил вывода блоком дефаззификатора получаем явное числовое значение при помощи программного комплекса Ро1уБрасе, результат нечеткого вывода приведен в табл. 5.

Этап 3. К результату, полученному при помощи нечеткого вывода, применяем метод Демпстера - Шафера, уточняем результаты расчета, получаем значение РЬБ8.

Этап 4. Анализ полученных результатов, определение ключевых факторов технического риска, управление риском [20-32], оценка величины влияния факторов на показатели стоимости и продолжительности.

Значение риска по РЬБ8 — 2,686 показывает, что риск — значительный, уровень риска по лингвистическому термину — ранг 5. Для снижения риска необходимо принять меры по смягчению последствий. Имеет место высокий приоритет. Следует немедленно предпринять меры по устранению или снижению возможных последствий.

Значение по РЬБ8 позволяет определить уточненный уровень риска в соответствии с правилами табл. 4 и своевременно оценить величину влияния риска на такие параметры, как продолжительность и стоимость.

ЗАКЛЮЧЕНИЕ И ОБСУЖДЕНИЕ

В связи с неопределенностью мнений экспертов относительно вероятности возникновения и степени воздействия факторов риска, предложена доказательная математическая модель РЬБ8, основанная на двух теориях, которая позволяет численно определить и распределить по рангам влияние фактора риска.

Результат исследования показывает, что применение математической модели РЬБ8 значительно повысит успех при реализации проекта, позволяя увидеть критические факторы риска на начальной стадии жизненного цикла строительного проекта.

Сосредоточив свое внимание на критических факторах технических рисков в жизненном цикле многоэтажных жилых зданий, мы можем рационально распределить ресурсы на их устранение, спрогнозировать поведение этапов работ и своевременно устранить влияние факторов.

Будущие исследования в этой области необходимо сосредоточить на выявлении факторов технического риска. Для этого требуется создать базу данных факторов риска, с помощью которой мы сможем снизить частоту проявления рисков, при этом значительно увеличив успех реализации проекта, напрямую зависящий от таких параметров, как продолжительность и стоимость.

СПИСОК ИСТОЧНИКОВ

ОТ Е

22 J > А

I

S!

О И

1. Асаул А.Н. Риски в деятельности строительной организации // Экономические проблемы и организационные решения по совершенствованию инвестиционно-строительной деятельности: сб. науч. тр. 2004. С. 8-12.

2. Луговцова Н.Ю. Надежность технических систем и техногенный риск: методические указания к выполнению практических работ по курсу «Надежность

технических систем и техногенный риск». Юрга : Типография ООО «Медиасфера», 2015. С. 92-94.

3. Дорожкина Т.В., Крутиков В.К., Алексеева Е.В. Управление рисками: учебно-методическое пособие. Калуга : Издательство «Ваш ДомЪ», 2014. С. 230-233.

4. ЛапидусА.А., СафарянГ.Б. Количественный анализ моделирования рисков производственно-ло-

1616

Совершенствование анализа факторов технических рисков с использованием комплексной л^пв лила

г[ - С. 1608-1619

модели ГЬйЭ на примере строительства многоэтажных жилых зданий

гистических процессов в строительстве // Технология и организация строительного производства. 2017. № 3 (4). С. 6-9.

5. Лапидус А.А., Чапидзе О.Д. Факторы и источники риска в жилищном строительстве // Строительное производство. 2020. № 3. С. 2-9.

6. ЛапидусА.А., Ратомская В.С., Чапидзе О.Д. Строительство промышленных объектов в условиях технических и экономических рисков, вызванных организационно-технологическими факторами // Строительное производство. 2020. № 4. С. 3-7.

7. Kendrick T. Identifying and managing project risk: Essential tools for failure-proofing your project. American Management Association, 2003. 335 p.

8. Karimi I., Hüllermeier E. Risk assessment system of natural hazards: a new approach based on fuzzy probability // Fuzzy Sets and Systems. 2007. Vol. 158. Issue 9. Pp. 987-999. DOI: 10.1016/j.fss.2006.12.013

9. Fouladgar M.M., Yazdani-Chamzini A., Zavadskas E.K. Risk evaluation of tunneling projects // Archives of Civil and Mechanical Engineering. 2012. Vol. 12. Issue 1. Pp. 1-12 DOI: 10.1016/j. acme.2012.03.008

10. UrbinaA.G., AoyamaA. Measuring the benefit of investing in pipeline safety using fuzzy risk assessment // Journal of Loss Prevention in the Process Industries. 2017. Vol. 45. Pp. 116-132. DOI: 10.1016/j. jlp.2016.11.018

11. Yazdani-Chamzini A. Proposing a new methodology based on fuzzy logic for tunnelling risk assessment // Journal of Civil Engineering and Management. 2014. Vol. 20. Issue 1. Pp. 82-94. DOI: 10.3846/13923730.2013.843583

12. Рубанов В.Г., Филатов А.Г. Интеллектуальные системы автоматического управления нечеткого управления в технических системах: учебное пособие. Белгород : Изд-во БГТУ им. В.Г. Шухова, 2005. 171 c.

13. Jaderi F., Ibrahim Z.Z., ZahiriM.R. Criticality analysis of petrochemical assets using risk based maintenance and the fuzzy inference system // Process Safety and Environmental Protection. 2019. Vol. 121. Pp. 312-325. DOI: 10.1016/j.psep.2018.11.005

14. Nieto-MoroteA., Ruz-VilaF. A fuzzy approach to construction project risk assessment // International Journal of Project Management. 2011. Vol. 29. Issue 2. Pp. 220-231. DOI: 10.1016/j.ijproman.2010.02.002

15. Wong B.K., Monaco J.A. A bibliography of expert system applications for business (1984-1992) // European Journal of Operational Research. 1995. Vol. 85. Issue 2. Pp. 416-432. DOI: 10.1016/0377-2217(95)00047-t

16. Basiri M.E., Naghsh-Nilchi A.R., Ghasem-Aghaee N. Sentiment prediction based on dempster-shafer theory of evidence // Mathematical Problems in Engineering. 2014. Vol. 2014. Pp. 1-13. DOI: 10.1155/2014/361201

17. Dempster A.P. A generalization of Bayesian inference // Journal of the Royal Statistical Society: Series B (Methodological). 1968. Vol. 30. Issue 2. Pp. 205-232. DOI: 10.1111/j.2517-6161.1968.tb00722.x

18. Fine T.L. A Book Review: A mathematical theory of evidence // Bulletin of the American Mathematical Society. 1977. Vol. 83. Issue 4. Pp. 667672. DOI: 10.1090/s0002-9904-1977-14338-3

19. Jamshidi A., Yazdani-Chamzini A., Yakhchali S.H., Khaleghi S. Developing a new fuzzy inference system for pipeline risk assessment // Journal of Loss Prevention in the Process Industries. 2013. Vol. 26. Issue 1. Pp. 197-208. DOI: 10.1016/j.jlp.2012.10.010

20. Богоявленский С.Б. Управление риском в социально-экономических системах: учебное пособие. СПб. : Изд-во Санкт-Петербургского гос. ун-та экономики и финансов, 2010. 143 с.

21. Araghinejad S. Data-driven modeling: Using MATLAB® in water resources and environmental engineering // Water Science and Technology Library. 2014. DOI: 10.1007/978-94-007-7506-0

22. Beriha G.S., Patnaik B. Mahapatra S.S., Padhee S. Assessment of safety performance in Indian industries using fuzzy approach // Expert Systems with ^ n Applications. 2012. Vol. 39. Issue 3. Pp. 3311-3323. 8 о DOI: 10.1016/j.eswa.2011.09.018 i i

23. Hwang B.-G., Zhao X., Toh L.P. Risk gl management in small construction projects in Singapore: О Щ Status, barriers and impact // International Journal of с Q Project Management. 2014. Vol. 32. Issue 1. Pp. 116- ¿ i 124. DOI: 10.1016/j.ijproman.2013.01.007 t N

24. Goh C.S., Abdul-Rahman H., Samad Z.A. Ap- y 1

plying risk management workshop for a public con- U 7

struction project: Case Study // Journal of Construc- a g

tion Engineering and Management. 2013. Vol. 139. О $

Issue 5. Pp. 572-580. DOI: 10.1061/(ASCE)TO.1943- Ci

7862.0000599 § )

t I

25. Fouladgar M.M., Yazdani-Chamzini A., Zavad- u (л

0 сл

skasE.K. Risk evaluation oftunneling projects // Archives o $ of Civil and Mechanical Engineering. 2012. Vol. 12. Is- a 0 sue 1. Pp. 1-12. DOI: 10.1016/j.acme.2012.03.008 A 6

26. Tamosaitiene J., Zavadskas E.K., Turkis Z. 00

1 $

Multi-criteria risk assessment of a construction project // e °

Procedia Computer Science. 2013. Vol. 17. Pp. 129-133. % §

DOI: 10.1016/j.procs.2013.05.018 • С

27. Mouatassim H., IbenrissoulA. Proposal for an 0 4 implementation methodology of key risk indicators с | system: Case of investment management process in С 6 Moroccan asset management company // Journal of 6 д Financial Risk Management. 2015. Vol. 04. Issue 03. S П Pp. 187-205. DOI: 10.4236/jfrm.2015.43015 С С

28. Paluszek M., Thomas S. MATLAB Machine ® к Learning. 2017. DOI: 10.1007/978-1-4842-2250-8 С С

29. Wang S.Q., Dulaimi M.F., Aguria M.Y. Risk 0 0 management framework for construction projects in 11 developing countries // Construction Management and

1617

Economics. 2004. Vol. 22. Issue 3. Pp. 237-252. DOI: 10.1080/0144619032000124689

30. Renuka S.M., Umarani C., Kamal S. A review on critical risk factors in the life cycle of construction projects // Journal of Civil Engineering Research. 2014. Vol. 4 (2A). Pp. 31-36. DOI: 10.5923/c.jce.201401.07

31. Yazdani-Chamzini A. Proposing a new methodology based on fuzzy logic for tunnelling risk

Поступила в редакцию 13 сентября 2021 г. Принята в доработанном виде 6 декабря 2021 г. Одобрена для публикации 6 декабря 2021 г.

assessment // Journal of Civil Engineering and Management. 2014. Vol. 20. Issue 1. Pp. 82-94. DOI: 10.3846/13923730.2013.843583

32. ZhengL., Baron С. Using leading indicators to improve project performance measurement // Journal of Systems Science and Systems Engineering. 2019. Vol. 28. Issue 4. DOI: 10.1007/s11518-019-5414-z

Об авторах: Азарий Абрамович Лапидус — доктор технических наук, профессор, заведующий кафедрой технологии и организации строительного производства; Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ); 129337, г. Москва, Ярославское шоссе, д. 26; РИНЦ ID: 8192-2653, Scopus: 57192378750, ORCID: 0000-0001-7846-5770; LapidusAA@mgsu.ru;

Отари Джемалиевич Чапидзе — аспирант кафедры технологии и организации строительного производства; Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ); 129337, г. Москва, Ярославское шоссе, д. 26; РИНЦ ID: 6232-4673, ORCID: 0000-0001-7611-8679; cod95@inbox.ru.

сч N о о

N N

ci ci

г г

¡É ai

U 3

> (Л

с и

ta <о

<0 <U

il

<D <D

О ë

Вклад авторов:

Лапидус А.А. — научное руководство, концепция исследования, итоговые выводы. Чапидзе О.Д. — написание научной статьи, развитие методологии, итоговые выводы. Все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.

REFERENCES

(Л (Л

.Е о

dl"

^ с ю о

S 1

о ЕЕ

СП ^ t- ^

от Е

от J

> А I

z's

О И

1. Asaul A.N. Risks in the activity of a construction organization. Economic problems and organizational solutions to improve investment and construction activities: a collection of scientific papers. 2004; 8-12. (rus.).

2. Lugovtsova N.Yu. Reliability of technical systems and technogenic risk: guidelines for the implementation of practical work on the course "Reliability of technical systems and technogenic risk". Yurga, Printing house of LLC "Mediasfera", 2015; 92-94. (rus.).

3. Dorozhkina T.V., Krutikov V.K., Alekseeva E.V. Risk management: training manual. Kaluga, "Vash Dom" Publishing House, 2014; 230-233. (rus.).

4. Lapidus A.A., Safaryan G.B. Quantitative analysis of risk modeling of production and logistics processes in construction. Technology and Organization of Construction Production. 2017; 3(4):6-9. (rus.).

5. Lapidus A.A., Chapidze O.D. Factors and sources of risk in housing construction. Construction Production. 2020; 3:2-9. (rus.).

6. Lapidus A.A., Ratomskaya V.S., Chapidze O.D. Construction of industrial facilities in conditions of technical and economic risks caused by organizational and technological factors. Construction Production. 2020; 4:3-7. (rus.).

7. Kendrick T. Identifying and managing project risk: Essential tools for failure-proofing your project. American Management Association, 2003; 335.

8. Karimi I., Hüllermeier E. Risk assessment system of natural hazards: a new approach based on fuzzy probability. Fuzzy Sets and Systems. 2007; 158(9):987-999. DOI: 10.1016/j.fss.2006.12.013

9. Fouladgar M.M., Yazdani-Chamzini A., Zavads-kas E.K. Risk evaluation of tunneling projects. Archives of Civil and Mechanical Engineering. 2012; 12(1):1-12 DOI: 10.1016/j.acme.2012.03.008

10. Urbina A.G., Aoyama A. Measuring the benefit of investing in pipeline safety using fuzzy risk assessment. Journal of Loss Prevention in the Process Industries. 2017; 45:116-132. DOI: 10.1016/j.jlp.2016.11.018

11. Yazdani-Chamzini A. Proposing a new methodology based on fuzzy logic for tunnelling risk assessment. Journal of Civil Engineering and Management. 2014; 20(1):82-94. DOI: 10.3846/13923730.2013.843583

12. Rubanov V.G., Filatov A.G. Intelligent automatic control systems fuzzy control in technical systems. Belgorod, Publishing house of BSTU named after V.G. Shukhova, 2005; 171. (rus.).

13. Jaderi F., Ibrahim Z.Z., Zahiri M.R. Critica-lity analysis of petrochemical assets using risk based maintenance and the fuzzy inference system. Process Safety and Environmental Protection. 2019; 121:312325. DOI: 10.1016/j.psep.2018.11.005

14. Nieto-Morote A., Ruz-Vila F. A fuzzy approach to construction project risk assessment. International

1618

Journal of Project Management. 2011; 29(2):220-231. DOI: 10.1016/j.ijproman.2010.02.002

15. Wong B.K., Monaco J.A. A bibliography of expert system applications for business (1984-1992). European Journal of Operational Research. 1995; 85(2):416-432. DOI: 10.1016/0377-2217(95)00047-t

16. Basiri M.E., Naghsh-Nilchi A.R., Ghasem-Aghaee N. Sentiment prediction based on dempster-shafer theory of evidence. Mathematical Problems in Engineering. 2014; 2014:1-13. DOI: 10.1155/2014/361201

17. Dempster A.P. A generalization of Bayesian inference. Journal of the Royal Statistical Society: Series B (Methodological). 1968; 30(2):205-232. DOI: 10.1111/ j.2517-6161.1968.tb00722.x

18. Fine T.L. A Book Review: A mathematical theory of evidence. Bulletin of the American Mathematical Society. 1977; 83(4):667-672. DOI: 10.1090/s0002-9904-1977-14338-3

19. Jamshidi A., Yazdani-Chamzini A., Yakhch-ali S.H., Khaleghi S. Developing a new fuzzy inference system for pipeline risk assessment. Journal of Loss Prevention in the Process Industries. 2013; 26(1):197-208. DOI: 10.1016/j.jlp.2012.10.010

20. Bogoyavlensky S.B. Risk management in socio-economic systems: a tutorial. St. Petersburg, Saint Petersburg state university of economics, 2010; 143. (rus.).

21. Araghinejad S. Data-driven modeling: Using MATLAB® in water resources and environmental engineering. Water Science and Technology Library. 2014. DOI: 10.1007/978-94-007-7506-0

22. Beriha G.S., Patnaik B. Mahapatra S.S., Pad-hee S. Assessment of safety performance in Indian industries using fuzzy approach. Expert Systems with Applications. 2012; 39(3):3311-3323. DOI: 10.1016/j. eswa.2011.09.018

23. Hwang B.-G., Zhao X., Toh L.P. Risk management in small construction projects in Singapore: Status, barriers and impact. International Journal of Proj-

Received September 13, 2021.

Adopted in revised form on December 6, 2021.

Approved for publication on December 6, 2021.

B i o n o t e s : Azariy A. Lapidus—Doctor of Technical Sciences, Professor, Head ofthe Department of Technology and Organization of Construction Production; Moscow State University of Civil Engineering (National Research University) (MGSU); 26 Yaroslavskoe shosse, Moscow, 129337, Russian Federation; ID RISC: 8192-2653, Scopus: 57192378750, ORCID: 0000-0001-7846-5770; LapidusAA@mgsu.ru;

Otari D. Chapidze — postgraduate student of the Department of Technology and Organization of Construction Production; Moscow State University of Civil Engineering (National Research University) (MGSU); 26 Yaroslavskoe shosse, Moscow, 129337, Russian Federation; ID RISC: 6232-4673, ORCID: 0000-0001-7611-8679; cod95@inbox.ru.

Authors ' contributions:

Lapidus A.A. — scientific leadership, research concept, final conclusions.

Chapidze O.D. — writing a scientific article, development of methodology, final conclusions.

All authors made an equivalent contribution to the preparation ofthe publication.

The authors declare that they have no conflicts of interest.

ectManagement. 2014; 32(1):116-124. DOI: 10.1016/j. ijproman.2013.01.007

24. Goh C.S., Abdul-Rahman H., Samad Z.A. Applying risk management workshop for a public construction project: Case Study. Journal of Construction Engineering and Management. 2013; 139(5):572-580. DOI: 10.1061/(ASCE)C0.1943-7862.0000599

25. Fouladgar M.M., Yazdani-Chamzini A., Za-vadskas E.K. Risk evaluation of tunneling projects. Archives of Civil and Mechanical Engineering. 2012; 12(1):1-12. DOI: 10.1016/j.acme.2012.03.008

26. Tamosaitiene J., Zavadskas E.K., Turkis Z. Multi-criteria Risk Assessment of a Construction Project. Procedia Computer Science. 2013; 17:129-133. DOI: 10.1016/j.procs.2013.05.018

27. Mouatassim H., Ibenrissoul A. Proposal for an implementation methodology of key risk indicators system: Case of investment management process in Moroccan asset Management Company. Journal of Financial Risk Management. 2015; 04(03):187-205. DOI: 10.4236/ jfrm.2015.43015

28. Paluszek M., Thomas S. MATLAB Machine Learning. 2017. DOI: 10.1007/978-1-4842-2250-8

29. Wang S.Q., Dulaimi M.F., Aguria M.Y. Risk management framework for construction projects in developing countries. Construction Management and Economics. 2004; 22(3):237-252. DOI: 10.1080/0144619032000124689

30. Renuka S.M., Umarani C., Kamal S. A review on critical risk factors in the life cycle of construction projects. Journal of Civil Engineering Research. 2014; 4(2A):31-36. DOI: 10.5923/c.jce.201401.07

31. Yazdani-Chamzini A. Proposing a new methodology based on fuzzy logic for tunnelling risk assessment. Journal of Civil Engineering and Management. 2014; 20(1):82-94. DOI: 10.3846/13923730.2013.843583

32. Zheng L., Baron C. Using leading indicators to improve project performance measurement. Journal of Systems Science and Systems Engineering. 2019; 28(4). DOI: 10.1007/s11518-019-5414-z

< П

tT

iH О Г

M 2

o

n CO

I <

< -»

J со

u -

r i

П о

< s o

O n

со со

м со

0

1

СП СП о о

0°

< ) D ®

л '

0> П I т

s у с о (D *

i 1

!!

M 2 О О 10 10

1619