В условиях роста масштабов строительной деятельности и усиления экологических требований проблема управления экологическими рисками приобретает особую значимость. Традиционные подходы к снижению экологических рисков в строительной отрасли преимущественно ориентированы на технические и нормативные инструменты, в то время как роль человеческого капитала как нематериального ресурса экологической безопасности остается недостаточно изученной. В статье рассматривается человеческий капитал как фактор и ресурс снижения экологических рисков в организациях строительной отрасли.
Целью исследования является обоснование роли человеческого капитала в системе управления экологическими рисками и определение направлений повышения эффективности его использования в строительных организациях. В ходе исследования раскрыта сущность человеческого капитала в контексте строительной деятельности, выделены его ключевые структурные элементы и установлена их взаимосвязь с уровнем экологических рисков. Обосновано, что развитие экологических компетенций персонала, формирование экологически ориентированной корпоративной культуры и интеграция HRпрактик в систему экологического менеджмента способствуют снижению вероятности экологических нарушений.
Полученные результаты позволяют рассматривать человеческий капитал как стратегический нематериальный ресурс экологической устойчивости строительных организаций и могут быть использованы при разработке кадровой и экологической политики предприятий строительной отрасли.
В статье рассматривается проблема низкой эффективности традиционных методов менеджмента в сфере жилищного строительства и обосновывается необходимость перехода к дата-центричному управлению.
Целью исследования является разработка концептуального подхода к интеграции технологий искусственного интеллекта (ИИ) в систему принятия управленческих решений девелоперских компаний. В работе использованы методы системного анализа, моделирования бизнес-процессов и экспертной оценки. Автором проанализирован мировой и отечественный опыт применения нейросетевых алгоритмов и машинного обучения на различных этапах жизненного цикла инвестиционно-строительного проекта.
Основным результатом исследования стала классификация управленческих функций, подлежащих автоматизации посредством ИИ, а также выявление барьеров внедрения. Научная новизна заключается в предложении модели «гибридного интеллекта» в строительном менеджменте, где рутинные и прогнозноаналитические задачи делегируются алгоритмам, а стратегические и этические аспекты остаются прерогативой человека.
Сделан вывод о том, что внедрение ИИ позволяет перейти от реактивного типа управления к предиктивному, снижая риски срыва сроков и перерасхода бюджета.
В статье рассмотрена проблема прогнозирования сроков выполнения работ и оценки строительных рисков в секторе индивидуального жилищного строительства (ИЖС). Обоснована острая необходимость совершенствования системы управления рисками в строительных проектах ИЖС для повышения их эффективности и снижения потерь. Проведен всесторонний анализ и классификация основных типов рисков, характерных для данного сектора. На основе разработанных и обоснованных критериев отобраны наиболее значимые риски, подходящие для применения современных методов машинного обучения. Для этих рисков определены конкретные методы и задачи машинного обучения, а также ожидаемые результаты их использования в практике. Сформулированы ключевые выводы о высоком потенциале технологий машинного обучения для более точной оценки рисков и прогнозирования сроков реализации инвестиционно-строительных проектов в ИЖС.
Статья предлагает методический подход к построению таксономии рисков финансового контроля в строительных организациях, дополненной параметром автоматизируемости контроля. Показано, что в отрасли существенная доля потерь формируется на стыке контуров «договор-лимит-акт-платёж-проект», тогда как традиционные выборочные проверки запаздывают и плохо масштабируются при росте операций. Для повышения превентивности предлагается: (1) группировка рисков по ключевым контурам контроля (бюджет/лимиты, казначейство, договоры, актирование/первичка, закупки, антифрод, комплаенс); (2) описание рисков через измеримые индикаторы («красные флаги»), применимые для правил, ML-скоринга, OCR/NLP, графовой аналитики и process mining; (3) формализованная процедура приоритизации сценариев внедрения ИИ с учётом вероятности, ущерба, автоматизируемости, качества данных, интеграционной реализуемости и материальности. На сквозном примере «платёж без основания/лимита» показана связка риск → индикаторы → метод → действие → audit trail → KPI.