ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

ROR

ЕДРПОУ 05481984

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

КАТАЛОГ

Застосування методів машинного навчання для прогнозування відхилень бюджету інвестиційного проєкту
Пронякін Є. В., Проноза П. В.

Пронякін Є. В., Проноза П. В. Застосування методів машинного навчання для прогнозування відхилень бюджету інвестиційного проєкту. Бізнес Інформ. 2026. №9. C. 197–210.
https://doi.org/10.32983/2222-4459-2026-9-197-210

Розділ: Інвестиційні процеси

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 005.8:330.322.01:004.85

Анотація:
Статтю присвячено обґрунтуванню методичного підходу до прогнозування відхилень бюджету інвестиційного проєкту на основі методів машинного навчання та розробленню механізму його інтеграції в систему фінансового контролінгу. Актуальність зумовлена системним характером перевищення кошторисної вартості, стійкість якого не зменшилася попри тривалий розвиток інструментарію кошторисного нормування, та реактивною природою наявних методів фінансового контролю, що генерують сигнал після матеріалізації відхилення у грошових потоках. Систематизовано науковий доробок із застосування машинного навчання до задач прогнозування вартості проєктів і встановлено, що він зосереджений на регресійній постановці, яка не відповідає операційним потребам фінансового контролінгу. Запропоновано переформулювання задачі у класифікаційну: модель оцінює умовну ймовірність виходу накопиченого відхилення за поріг фінансової суттєвості на визначеному горизонті попередження, причому поріг прив’язується до коефіцієнта резерву на непередбачені витрати, що надає йому прямого економічного змісту. Отримано аналітичний вираз оптимального порога ухвалення рішення через співвідношення вартостей помилок класифікації. Доведено, що загальноприйнятий поріг 0,5 економічно виправданий лише за припущення про рівновартісність хибнопозитивних і хибнонегативних помилок, яке в інвестиційному контексті не виконується, а сам поріг є проєктно-специфічним і залежить від структури фінансування, вартості капіталу та розміру резерву. Показано, що застосування синтетичного доповнення міноритарного класу без наступного перекалібрування ймовірностей руйнує економічну інтерпретацію порога. Обґрунтовано процедуру валідації, що усуває дві форми витоку інформації, характерні для панельних даних проєктного обліку, – групову залежність спостережень одного проєкту та доступ моделі до майбутніх макрофінансових режимів – і передбачає стратифіковане оцінювання за стадіями реалізації. Специфіковано простір предикторів із виокремленням макрофінансового блоку, критичного для умов високої інфляційної та курсової волатильності.

Ключові слова: фінансове управління; інвестиційний проєкт; управління інвестиційними проєктами; машинне навчання.

Табл.: 5. Формул: 8. Бібл.: 30.

Пронякін Єгор Вадимович – здобувач, кафедра обліку і фінансів, Національний технічний університет «Харківський політехнічний інститут» (вул. Кирпичова, 2, Харків, 61002, Україна)
Email: [email protected]
Проноза Павло Володимирович – доктор економічних наук, професор, професор, кафедра фінансів і кредиту, Харківський національний економічний університет ім. С. Кузнеця (пр. Науки, 9а, Харків, 61165, Україна)
Email: [email protected]

Список використаних у статті джерел

Flyvbjerg B., Holm M. K. S., Buhl S. L. Underestimating costs in public works projects: Error or lie? Journal of the American Planning Association. 2002. Vol. 68. Iss. 3. P. 279–295. DOI: https://doi.org/10.1080/01944360208976273
Flyvbjerg B. What you should know about megaprojects and why: An overview. Project Management Journal. 2014. Vol. 45. Iss. 2. P. 6–19. DOI: https://doi.org/10.1002/pmj.21409
Chen H. L., Chen W. T., Lin Y. L. Earned value project management: Improving the predictive power of planned value. International Journal of Project Management. 2016. Vol. 34. Iss. 1. P. 22–29. DOI: https://doi.org/10.1016/j.ijproman.2015.09.008
Colin J., Vanhoucke M. Setting tolerance limits for statistical project control using earned value management. Omega. 2014. Vol. 49. P. 107–122. DOI: https://doi.org/10.1016/j.omega.2014.06.001
Narbaev T., Hazir O., Khamitova B., Talgat S. A machine learning study to improve the reliability of project cost estimates. International Journal of Production Research. 2024. Vol. 62. Iss. 12. P. 4372–4388. DOI: https://doi.org/10.1080/00207543.2023.2262051
Flyvbjerg B., Holm M. K. S., Buhl S. L. What causes cost overrun in transport infrastructure projects? Transport Reviews. 2004. Vol. 24. Iss. 1. P. 3–18. DOI: https://doi.org/10.1080/0144164032000080494a
Flyvbjerg B. From Nobel Prize to project management: Getting risks right. Project Management Journal. 2006. Vol. 37. Iss. 3. P. 5–15. DOI: https://doi.org/10.1177/875697280603700302
Flyvbjerg B. Quality control and due diligence in project management: Getting decisions right by taking the outside view. International Journal of Project Management. 2013. Vol. 31. Iss. 5. P. 760–774. DOI: https://doi.org/10.1016/j.ijproman.2012.10.007
Batselier J., Vanhoucke M. Practical application and empirical evaluation of reference class forecasting for project management. Project Management Journal. 2016. Vol. 47. Iss. 5. P. 36–51. DOI: https://doi.org/10.1177/875697281604700504
Love P. E. D., Ahiaga-Dagbui D. D., Irani Z. Cost overruns in transportation infrastructure projects: Sowing the seeds for a probabilistic theory of causation. Transportation Research Part A: Policy and Practice. 2016. Vol. 92. P. 184–194. DOI: https://doi.org/10.1016/j.tra.2016.08.007
Kim G.-H., An S.-H., Kang K.-I. Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning. Building and Environment. 2004. Vol. 39. Iss. 10. P. 1235–1242. DOI: https://doi.org/10.1016/j.buildenv.2004.02.013
Attalla M., Hegazy T. Predicting cost deviation in reconstruction projects: Artificial neural networks versus regression. Journal of Construction Engineering and Management. 2003. Vol. 129. Iss. 4. P. 405–411. DOI: https://doi.org/10.1061/(ASCE)0733-9364(2003)129:4(405)
Cheng M.-Y., Peng H.-S., Wu Y.-W., Chen T.-L. Estimate at completion for construction projects using evolutionary support vector machine inference model. Automation in Construction. 2010. Vol. 19. Iss. 5. P. 619–629. DOI: https://doi.org/10.1016/j.autcon.2010.02.008
Ahiaga-Dagbui D. D., Smith S. D. Dealing with construction cost overruns using data mining. Construction Management and Economics. 2014. Vol. 32. Iss. 7–8. P. 682–694. DOI: https://doi.org/10.1080/01446193.2014.933854
Plebankiewicz E. Model of predicting cost overrun in construction projects. Sustainability. 2018. Vol. 10. Iss. 12. Art. 4387. DOI: https://doi.org/10.3390/su10124387
Plebankiewicz E., Wieczorek D. Prediction of cost overrun risk in construction projects. Sustainability. 2020. Vol. 12. Iss. 22. Art. 9341. DOI: https://doi.org/10.3390/su12229341
Coffie G. H., Cudjoe S. K. F. Using extreme gradient boosting (XGBoost) machine learning to predict construction cost overruns. International Journal of Construction Management. 2024. Vol. 24. Iss. 16. P. 1742–1750. DOI: https://doi.org/10.1080/15623599.2023.2289754
Hamdan M. M., Thneibat M., Hyari K. Predicting cost overrun in construction projects using machine learning algorithms: The case of Jordan. Engineering, Construction and Architectural Management. 2026. Vol. 33. Iss. 6. P. 4732–4763. DOI: https://doi.org/10.1108/ECAM-09-2024-1209
Alazawy S. F. M., Ahmed M. A., Raheem S. H., et al. Explainable machine learning to predict the construction cost of power plant based on random forest and Shapley method. CivilEng. 2025. Vol. 6. Iss. 2. Art. 21. DOI: https://doi.org/10.3390/civileng6020021
Al mnaseer R., Al-Smadi S., Al-Bdour H. Machine learning-aided time and cost overrun prediction in construction projects: Application of artificial neural network. Asian Journal of Civil Engineering. 2023. Vol. 24. P. 2583–2593. DOI: https://doi.org/10.1007/s42107-023-00665-7
Breiman L. Random forests. Machine Learning. 2001. Vol. 45. Iss. 1. P. 5–32. DOI: https://doi.org/10.1023/A:1010933404324
Chen T., Guestrin C. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York : ACM, 2016. P. 785–794. DOI: https://doi.org/10.1145/2939672.2939785
Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems. 2017. Vol. 30. URL: https://proceedings.neurips.cc/paper_files/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf
Asiedu R. O., Frempong N. K., Alfen H. W. Predicting likelihood of cost overrun in educational projects. Engineering, Construction and Architectural Management. 2017. Vol. 24. Iss. 1. P. 21–39. DOI: https://doi.org/10.1108/ECAM-06-2015-0103
Turkyilmaz A. H., Polat G. Risk-based completion cost overrun ratio estimation in construction projects using machine learning classification algorithms: A case study. Buildings. 2024. Vol. 14. Iss. 11. Art. 3541. DOI: https://doi.org/10.3390/buildings14113541
Nenni M. E., De Felice F., De Luca C., Forcina A. How artificial intelligence will transform project management in the age of digitisation: A systematic literature review. Management Review Quarterly. 2025. Vol. 75. P. 1669–1716. DOI: https://doi.org/10.1007/s11301-024-00418-z
Панас Я. В. Інформаційне забезпечення управління інноваційними проектами в умовах цифрової економіки. Економіка та суспільство. 2024. Вип. 62. DOI: https://doi.org/10.32782/2524-0072/2024-62-119
Остапюк Н. А., Нікіфоренко В. В. Використання сучасних аналітичних інструментів та Big Data в оцінці вартості підприємств. Економіка та суспільство. 2025. Вип. 75. DOI: https://doi.org/10.32782/2524-0072/2025-75-42
Batselier J., Vanhoucke M. Improving project forecast accuracy by integrating earned value management with exponential smoothing and reference class forecasting. International Journal of Project Management. 2017. Vol. 35. Iss. 1. P. 28–43. DOI: https://doi.org/10.1016/j.ijproman.2016.10.003
Chawla N. V., Bowyer K. W., Hall L. O., Kegelmeyer W. P. SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research. 2002. Vol. 16. P. 321–357. DOI: https://doi.org/10.1613/jair.953