НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ
ПРОБЛЕМНЫХ ОБЪЕКТОВ ПРОМЫШЛЕННОЙ И ЖИЛОЙ НЕДВИЖИМОСТИ
И ОСТАНОВЛЕННЫХ СТРОИТЕЛЬНЫХ ПРОЕКТОВ
Подход к обеспечению предсказуемости в трудовых переговорах, коммуникациях со стейкхолдерами и матрице решений по восстановлению проекта
Арин Рауф
Директор по стратегическому развитию и кризисному управлению
Рабочий доклад — апрель 2025 г.
Аннотация
Проблемные промышленные и жилые активы, а также остановленные девелоперские проекты представляют собой один из крупнейших пулов «запертого» капитала в мировой среде застройки. По данным Trepp Research, глобальный объём проблемной коммерческой недвижимости достиг 42,3 млрд долларов в 2023 году, увеличившись на 34% по сравнению с 2022 годом, при этом промышленный сегмент составлял около 59% этого объёма, а жилой и mixed-use — около 41% [1]. Традиционный инструментарий разрешения подобных ситуаций — внешнее управление, мезонинная рекапитализация, замена актива, переговоры о реструктуризации, замена подрядчика — опирается на неявный опыт небольшого числа старших практиков и плохо приспособлен к объёму, неоднородности и срочности современных кризисных ситуаций.
Настоящая работа утверждает, что современные методы нейронных сетей, применяемые не как автономные субъекты принятия решений, а как структурированные вспомогательные инструменты, встроенные в управляемую человеком матрицу решений, способны существенно повысить предсказуемость исходов восстановления остановленной недвижимости — как промышленной (склады, логистические центры, производства, дата-центры), так и жилой (многоквартирные дома, жилые комплексы, mixed-use проекты) — и распространить свою полезность на наиболее хрупкое измерение любого перезапуска: трудовые переговоры и коммуникации со стейкхолдерами [2].
Работа преследует три цели. Во-первых, формализуется жизненный цикл кризисного состояния объекта недвижимости и выявляются точки, в которых традиционный анализ систематически даёт сбой, — как правило, это точки, где социальная, контрактная и физическая неопределённость взаимодействуют нелинейным образом. Во-вторых, проведён обзор семейств нейросетевых архитектур, которые соответствуют этому проблемному пространству: графовые нейронные сети для графов зависимостей подрядчиков и поставщиков; рекуррентные и трансформерные модели последовательностей для прогнозирования графиков и денежных потоков; мультимодальные эмбеддинги для объединения чертежей, фотографий и текста; агенты обучения с подкреплением для последовательного моделирования предложений и контрпредложений; а также байесовское глубокое обучение для количественной оценки неопределённости [3]. В-третьих, предложен интегрированный рабочий процесс — Матрица решений предсказуемости (МРП), — посредством которого выходные данные этих моделей сжимаются в небольшой набор практически применимых рекомендаций.
Трудовое и коммуникационное измерение рассматривается развёрнуто, поскольку, по профессиональному опыту автора, в том числе при консультировании PNK Group и других крупных девелоперов промышленной недвижимости, именно оно является наиболее частой причиной провала перезапусков в условиях после 2020 года — по различным оценкам, от 38% до 52% повторных остановок объясняются трудовыми и стейкхолдерскими факторами, а не финансовыми [4].
Серия синтетических кейсов, основанных на анонимизированных перезапусках, иллюстрирует рабочий процесс: остановленный логистический комплекс площадью 1,7 млн квадратных футов, частично завершённая отделка полупроводникового производства, промышленный парк, приобретённый из конкурсного управления, и жилой комплекс с остановленной второй фазой строительства.
Ключевые слова: проблемная недвижимость; промышленная недвижимость; жилая недвижимость; остановленное строительство; нейронные сети; графовые нейронные сети; обучение с подкреплением; трудовые переговоры; коммуникации со стейкхолдерами; поддержка принятия решений; реструктуризация; внешнее управление; моделирование рисков; предсказуемость; кризисное управление в строительстве; mixed-use девелопмент.
Об авторе
Арин Рауф — директор по стратегическому развитию и кризисному управлению с более чем десятилетним опытом работы на стыке венчурного капитала, промышленного и жилого строительства, а также комплексного управления стейкхолдерами. С 2019 по 2024 год он занимал должность генерального директора строительного дивизиона компании Kama Flow — инвестиционной фирмы со штаб-квартирой в Москве, — где выстроил подразделение от единственного сотрудника до операционной единицы из пятидесяти человек и за три года увеличил портфель контрактов с приблизительно двенадцати миллионов рублей до одного миллиарда рублей. В круг его обязанностей входили стратегическое управление, банковское и проектное финансирование, отношения с федеральными и коммерческими заказчиками, а также проектирование внутренних бизнес-юнитов, включая сметный отдел, контрактное администрирование, полевые операции и контроль качества.
Помимо оперативного руководства строительным подразделением, Рауф являлся консультантом PNK Group — одного из крупнейших девелоперов промышленной и складской недвижимости на пространстве СНГ, специализирующегося на строительстве и управлении логистическими комплексами, индустриальными парками и складскими объектами категории А. По данным Knight Frank Russia, PNK Group является одним из трёх крупнейших игроков на рынке складской недвижимости России с совокупным портфелем, превышающим 6 млн квадратных метров введённых площадей [6]. В рамках сотрудничества с PNK Group автор участвовал в разработке подходов к кризисному управлению проектами, моделировании сценариев реструктуризации проблемных объектов и стратегическом консультировании по вопросам трудовых переговоров в условиях многосторонней неопределённости. Опыт работы с PNK Group, чей портфель охватывает десятки логистических и промышленных объектов в различных регионах России, обеспечил автору эмпирическую базу, лежащую в основе ряда архитектурных и рабочих решений, описанных в настоящей работе.
На более раннем этапе работы в Kama Flow он руководил маркетингом первого фонда фирмы, привлекающего внешний капитал, и входил в состав команды, выигравшей мандат на управление Венчурным фондом Национальной технологической инициативы (НТИ) — структурой, активы под управлением которой впоследствии достигли приблизительно четырёх миллиардов рублей. В этой роли он отвечал за бренд фирмы на российском венчурном рынке, её медиастратегию и международную экспансию портфельных компаний в Юго-Восточную Азию и Южную Корею. До прихода в Kama Flow он работал редактором отдела в Condé Nast Russia, где запускал новые редакционные направления в печатных и цифровых каналах.
Он окончил факультет журналистики МГУ имени М. В. Ломоносова по специальности «Международная журналистика» и факультет международных экономических отношений МГИМО по специальности «Мировая торговля». Владеет русским (родной), английским (C2), польским (B2) и арабским (A1) языками. Его текущая практика сосредоточена на пересечении проблемных промышленных и жилых активов, поддержки принятия решений на основе машинного обучения и коммуникационных стратегий, необходимых для того, чтобы сложные перезапуски продолжали двигаться вперёд, когда контракты, капитал и контрагенты одновременно находятся в движении.
Взгляды, выраженные в настоящей работе, являются собственными мнениями автора и не обязательно отражают позицию какого-либо текущего или бывшего работодателя, клиента или контрагента, включая PNK Group и Kama Flow. Работа опирается на непосредственный операционный опыт, однако представленные кейсы анонимизированы, рекомбинированы и изменены для устранения любой идентифицирующей информации.
1. Введение
1.1 Масштаб проблемы
Промышленная и жилая недвижимость — это соединительная ткань современной экономики. Склады, производственные предприятия, центры обработки данных, объекты холодного хранения, хабы доставки «последней мили», а также многоквартирные жилые комплексы, mixed-use проекты и застраиваемые кварталы поглощают капитал в объёмах, превосходящих почти любую другую категорию материальных инвестиций за пределами собственно инфраструктуры. По данным Mortgage Bankers Association, совокупный объём непогашенного коммерческого и многоквартирного ипотечного долга в США превысил 4,7 триллиона долларов к концу 2023 года, из которых приблизительно 890 миллиардов приходилось на промышленный сегмент [1]. Когда такие активы попадают в кризисное состояние — будь то из-за превышения сметы, неплатёжеспособности спонсора, банкротства подрядчика, действий регулятора или внезапного изменения арендного спроса, — возникающее торможение распределения капитала огромно, а социальные внешние эффекты (рабочие места, налоговая база, локальные цепочки поставок, обеспеченность жильём) ещё больше.
Рис. 1. Объём проблемных активов в промышленной и жилой недвижимости (глобальный), 2018–2024
Российский рынок недвижимости в особенности демонстрирует остроту этой проблемы. По данным исследований НИУ ВШЭ и Института экономики города, объём проблемных строительных проектов в жилом секторе в 2020–2023 годах оставался устойчиво высоким: число жилых объектов, признанных проблемными Фондом развития территорий, в пиковом 2021 году превышало 2 800 объектов, включающих более 190 тысяч квартир [5]. В промышленном секторе, по оценкам Knight Frank Russia, JLL Russia и CBRE Russia, потребность в складских площадях класса A продолжала расти — объём ввода достиг 3,4 млн квадратных метров в 2023 году, — но значительная доля начатых проектов оказывалась в состоянии заморозки из-за логистических, финансовых и контрагентских сложностей [6].
Рис. 2. Рынок складской недвижимости России: ввод новых площадей и вакантность, 2018–2023
Что особенно поражает в кризисных ситуациях этого сектора, так это то, насколько концентрированным остаётся набор инструментов их разрешения. Внешнее управление, передача залога в счёт долга, дисконтная выплата, замена подрядчика, переговоры по залогам подрядчиков, мезонинное «вынужденное согласие», медленное искусство управления стейкхолдерами — всё это существенно не менялось на протяжении поколения [7]. Люди, которые хорошо выполняют эту работу, ценны именно потому, что их суждения трудно кодифицировать: они знают, какой субподрядчик уйдёт, если на него надавить, какой кредитор первым моргнёт, какому окружному руководителю необходимо позвонить до любого публичного объявления и какое молчание опаснее какого высказывания. Неявное знание, которое они носят, есть форма экспертной интуиции, накопленной за десятилетия.
Настоящая работа всерьёз относится к утверждению о том, что часть — хотя ни в коем случае не вся — этой интуиции может быть теперь частично зафиксирована, структурирована и расширена нейросетевыми моделями при выполнении трёх условий. Первое условие — честность относительно того, для чего эти модели хороши: они являются распознавателями паттернов и оценщиками плотности, а не оракулами, и их ценность состоит в сужении диапазона правдоподобных будущих, а не в выборе одного из них [2]. Второе условие — готовность перепроектировать рабочие процессы вокруг сильных и слабых сторон модели, а не приспосабливать её к существующим процессам. Третье — режим управления, в котором выходные данные модели видимы для всех затрагиваемых сторон и могут быть оспорены ими, в том числе, что критически важно, рабочими и специальностями, чьи жизни наиболее непосредственно формируются любым решением о перезапуске.
1.2 Почему предсказуемость, а не предсказание
Центральный концептуальный ход настоящей работы — различение предсказания и предсказуемости. Предсказание есть точечная оценка или распределение по исходам. Предсказуемость есть свойство процесса принятия решений: степень, в которой схожие по ситуации решения, принимаемые разными субъектами на протяжении времени, будут сходиться к схожему выбору при схожей информации [8]. Команда по реструктуризации, которая выдаёт блестящие специальные решения, но не может объяснить, почему она их приняла, или не может воспроизвести своё рассуждение при ротации персонала, обладает предсказанием без предсказуемости. Команда, которая выдаёт посредственные решения, но делает это последовательно и объяснимо, обладает предсказуемостью без достаточного качества предсказания. Цель операционного развёртывания нейронной сети в работе с проблемными активами — сместить обе оси одновременно.
Предсказуемость — это также свойство, которое превращает модель из частного преимущества в публичную инфраструктуру реструктуризации. Как только все стороны понимают структуру рекомендательной системы — потребляемые входные данные, заложенные в неё допущения, создаваемый ею аудиторский след, — модель перестаёт быть «чёрным ящиком», которым владеет одна сторона, и становится общей аналитической основой, против которой могут проверяться позиции [9]. Это тот же концептуальный сдвиг, который превратил анализ дисконтированных денежных потоков из проприетарной техники 1960-х годов в общий язык к 1990-м годам [10]. Ставка работы заключается в том, что аналогичная институционализация возможна для узко определённого класса нейросетевых результатов в контексте реструктуризаций.
1.3 Сфера охвата и структура
Раздел 2 настоящей работы развивает таксономию кризисного состояния объектов промышленной и жилой недвижимости и идентифицирует точки принятия решений, в которых традиционные методы систематически не срабатывают. В разделе 3 проведён обзор семейств нейросетевых архитектур, полезных в этой области, и объяснено соответствие архитектуры точке принятия решения. Раздел 4 обращается к данным: какие из них доступны, какие отсутствуют, какие могут быть синтезированы и какие не могут быть собраны этически. В разделе 5 подробно разрабатывается модель трудовых переговоров, в которой переговоры рассматриваются как частично наблюдаемый марковский процесс принятия решений. В разделе 6 та же логика распространяется на коммуникационную стратегию и управление стейкхолдерами. В разделе 7 представлена Матрица решений предсказуемости как объединяющая структура. В разделе 8 представлены анонимизированные кейсы, включая примеры из промышленного и жилого секторов. В разделе 9 рассматриваются ограничения, этика и управление. Раздел 10 завершает работу.
Замечание о тоне: настоящая работа написана голосом практика, работавшего как с крупнейшими девелоперами промышленной недвижимости (в том числе с PNK Group), так и с жилыми застройщиками в нескольких географиях. Математика обозначена там, где это необходимо, но проза — это проза операций, а не чистого исследования. Работа задумана так, чтобы быть понятной старшему специалисту по реструктуризации, девелоперскому руководителю, управляющей компании жилого комплекса или трудовому юрисконсульту без предварительного знакомства с нейросетевым моделированием.
2. Анатомия кризисного состояния в промышленной и жилой недвижимости
2.1 Рабочее определение кризисного состояния
Кризисное состояние объекта недвижимости — не единичное событие, а состояние. Это состояние, при котором актив больше не может быть продвинут к своему предполагаемому использованию без пересмотра одного или нескольких контрактов, требований или ожиданий, которые его определяют [11]. По этому определению проект не обязательно должен находиться в дефолте, чтобы быть в кризисе: промышленный девелопмент, который технически в порядке по строительному кредиту, но чей подрядчик прекратил мобилизацию бригад, чей якорный арендатор выпустил уведомление о намерении расторгнуть договор или чьи муниципальные разрешения оспариваются в суде, является проблемным проектом. Аналогично, жилой комплекс, чей застройщик столкнулся с массовым оттоком дольщиков или просрочкой сдачи более чем на 6 месяцев, находится в кризисе, даже если формально не в дефолте [16].
Это определение важно, поскольку оно определяет то, что мы пытаемся предсказать. Если кризис — событие, нейронные сети достаточно хорошо подходят для его сигнализации: обнаружение аномалий в графиках выплат, подачах залогов, ротации подрядчиков, циклах оплаты поставщикам и скорректированной по погоде производительности — это относительно чётко определённая задача, уже находящаяся в коммерческом использовании [12]. Если же кризис — состояние, задача моделирования значительно сложнее, поскольку состояние должно характеризоваться совместной конфигурацией контрактного стека, физического актива, графа поставщиков, финансовой структуры, регуляторной среды и набора человеческих отношений, лишь часть которых наблюдаема.
2.2 Пять слоёв ситуации кризиса
Таблица 1. Пять слоёв кризисного состояния объекта недвижимости
|
№ |
Слой |
Промышленный сектор |
Жилой сектор |
Источники данных |
|
1 |
Физический актив |
Конструкция, грунты, MEP-системы, крановые пути, складские полы |
Отделка, инж. коммуникации, благоустройство, фасады |
Дроны, LiDAR, BIM, акты осмотра |
|
2 |
Контрактный стек |
Стр. кредит, ГП-контракт, субподряды, аренды, поставки |
ДДУ (ФЗ-214), ипот. договоры, ГП-контракт, субподряды |
NLP-извлечение, LLM-анализ |
|
3 |
Граф контрагентов |
ГП, субподрядчики, поставщики, кредиторы, арендаторы |
Застройщик, дольщики, УК, банк, ГП, субподрядчики |
GNN, графовый анализ |
|
4 |
Трудовая экосистема |
Спец. квалификации, профсоюзы, доступность бригад, сезонность |
Массовые специальности, текучесть, гастарбайтеры |
HR-данные, мессенджеры |
|
5 |
Полит./рег. среда |
Зонирование, экология, муниципалитеты, СМИ |
Прокуратура, дольщики, соц. сети, депутаты |
Мониторинг СМИ, NLP |
Первый слой — сам физический актив: построенная конструкция, выполненные работы, материалы на площадке, состояние грунтов, наличие скрытых дефектов, целостность частично завершённых механических, электрических и сантехнических систем, степень того, насколько строительство было организовано последовательностью, допускающей возобновление. Нейросетевая модель этого слоя — по существу задача компьютерного зрения и слияния сенсоров: дроновая фотограмметрия, обследования конструкций, инфракрасное сканирование ограждающих конструкций [23]. В промышленном секторе это включает оценку состояния крановых путей, напольных покрытий для тяжёлых нагрузок (до 5 тонн/м² для складов класса A), температурных камер и противопожарных систем. В жилом секторе — состояние монолитного каркаса, наружных ограждающих конструкций, инженерных коммуникаций общего пользования и степень готовности к отделочным работам.
Второй слой — контрактный стек: строительный кредит и любой субординированный долг, генеральный контракт, субподряды, договоры поставки, аренды и предварительные аренды (в промышленном секторе) или договоры долевого участия (в жилом секторе), договор на услуги управления строительством, договор с архитектором, страхование титула и поручительские облигации [14]. Крупный промышленный проект может иметь договор строительного кредита в несколько сотен страниц, генеральный контракт в сто страниц или более, от тридцати до восьмидесяти субподрядов по тридцать страниц каждый, договоры поставки, аренды и созвездие изменений, поправок и побочных писем. В жилом секторе к этому добавляются сотни или тысячи индивидуальных ДДУ, каждый из которых создаёт отдельное обязательство застройщика перед дольщиком [16].
Третий слой — граф поставщиков и контрагентов: кто кому и сколько должен, кто прекратил работу, кто подал залоги, кто нанял адвокатов и над какими ещё проектами в настоящее время задействован каждый из этих контрагентов [15]. Четвёртый слой — трудовая и подрядная экосистема: локальная доступность квалифицированных специальностей, надбавки к заработной плате, выплачиваемые в данный момент в соответствующей географии, недавняя история трудовых акций по задействованным специальностям, сезонность работ в регионе [13]. Пятый слой — политическая, регуляторная и репутационная среда: позиция местного органа планирования, активность государственных агентств, ориентация выборных должностных лиц, активность общественных групп, недавнее освещение в СМИ. В жилом секторе этот слой приобретает дополнительное социальное измерение, связанное с правами дольщиков и вниманием прокуратуры и Фонда развития территорий [16].
Рис. 3. Причины кризисного состояния проектов в промышленной и жилой недвижимости (% от общего числа случаев, агрегированные данные 2019–2023)
2.3 Где не срабатывает традиционный анализ
Традиционный анализ при реструктуризациях, как правило, относится к первым двум слоям — активу и контрактному стеку — с большой тщательностью, к третьему слою — с умеренным усердием, а четвёртый и пятый слои рассматривает как остаточные соображения, обрабатываемые опытом переговорщика и интуицией консультанта по связям с общественностью [17]. Этому есть две причины. Первая — данные: финансовые и контрактные данные структурированы, поддаются аудиту и производятся профессионалами. Трудовые и политические данные неструктурированы, фрагментированы и производятся людьми, которые часто не знают, что их поведение анализируется. Вторая причина — стимулы: специалист по реструктуризации оценивается по финансовым результатам, а финансовые результаты легче объяснить в терминах первых двух слоёв. Сценарии провалов, проистекающие из четвёртого и пятого слоёв, обычно задним числом списываются на невезение.
Однако эмпирические данные говорят о том, что значительная доля остановленных проектов может быть перезапущена на существующих финансовых условиях, но останавливается вновь потому, что трудовой или политический слой не моделировался с той же строгостью, что и контрактный. По собственному опыту автора, работавшего с промышленным и жилым девелопментом в нескольких географиях, включая проекты, связанные с PNK Group, типовой причиной второй остановки на проекте, успешно прошедшем рефинансирование, была не повторная финансовая проблема, а потеря рабочих, возвращённых на площадку на условиях, которые ретроспективно были предсказуемо неустойчивыми [4]. По данным Construction Industry Institute, трудовая составляющая является источником более 38% дисперсии итоговых проектных результатов; McKinsey Global Institute идентифицирует производительность труда и согласованность стейкхолдеров как крупнейшие источники дисперсии [4].
2.4 Цена дисперсии в кризисных решениях
Экономическое обоснование предсказуемости опирается на простое наблюдение: функция издержек кризисных решений выпукла [18]. Решение, которое в большинстве случаев приблизительно верно, а изредка сильно ошибочно, обходится гораздо дороже, чем решение, которое в большинстве случаев приблизительно верно и лишь умеренно ошибочно изредка, даже если их ожидаемые точности идентичны. Это та же логика, которая управляет доходностью с поправкой на риск в управлении инвестициями, но она редко применяется со строгостью к операционным решениям в реструктуризациях. Дисперсия убивает не потому, что каждое отдельное плохое решение фатально, а потому, что реакция на плохое решение поглощает управленческий ресурс, который должен был быть направлен на следующее решение в последовательности.
Нейросетевые модели при правильной калибровке снижают дисперсию даже тогда, когда не улучшают центральную тенденцию решений. Они делают это, обеспечивая согласованность между случаями, которые внешне выглядят по-разному, но схожи по своей внутренней структуре, и сигнализируя о случаях, которые внешне выглядят похоже, но различаются по признакам, которые человеческий глаз, скорее всего, упустит. В результате модель не принимает решений лучше, чем лучший практик-человек — во многих случаях она их хуже, — но распределение решений организации, развернувшей модель, оказывается уже, чем распределение, которое та же организация произвела бы без неё. В операционных средах с высокими ставками это сужение и есть вся игра.
3. Нейросетевые архитектуры, актуальные для проблемных активов
3.1 Модели последовательностей для денежных потоков и графиков
Наиболее знакомое применение нейронных сетей в строительстве и недвижимости — это использование моделей последовательностей (LSTM, GRU и в последнее время трансформерных архитектур) для прогнозирования денежных потоков, дат завершения и оценок стоимости завершения проекта по временным рядам исторических выплат, частоты изменений в проекте, погоды, поставок и человеко-часов труда [19]. По результатам систематического обзора Lu et al. (2021), модели глубокого обучения превосходят традиционные эконометрические модели в задачах прогнозирования стоимости строительных проектов на 12–18% по метрике MAPE при наличии достаточных обучающих данных.
Для остановленного или проблемного проекта эти модели должны быть переобучены или дообучены на гораздо меньшем корпусе остановленных и перезапущенных проектов, поскольку динамика перезапуска отличается от динамики нормального исполнения. Наиболее полезным результатом модели последовательности при реструктуризации является не точечный прогноз даты завершения, а распределение вероятностей по датам завершения, обусловленное небольшим числом сценариев вмешательства. Трансформерные архитектуры обладают особым преимуществом в этой обстановке, поскольку обрабатывают нерегулярные последовательности событий и долгосрочные зависимости более изящно, чем чисто рекуррентные сети [20].
3.2 Графовые нейронные сети для стека контрагентов
Графовая нейронная сеть — это класс моделей, спроектированных для работы непосредственно с данными, естественное представление которых есть граф: набор узлов, соединённых рёбрами, в котором значимая информация переносится как атрибутами отдельных узлов, так и реляционной структурой [15]. Стек поставщиков и контрагентов промышленного проекта именно таков. Генеральный подрядчик связан с несколькими субподрядчиками; каждый субподрядчик связан со своими поставщиками нижнего уровня; поставщики, в свою очередь, связаны с другими проектами; кредиторы связаны с несколькими спонсорами [21]. В жилом секторе граф приобретает дополнительные узлы: управляющие компании, товарищества собственников жилья, органы государственного строительного надзора и дольщиков как категорию стейкхолдеров [22].
Ключевое озарение состоит в том, что прогностические признаки, имеющие наибольшее значение в реструктуризации, — это не отдельные атрибуты контрагента (его размер, его кредитный рейтинг, его лет на рынке), а его положение в графе: на скольких других проектах он находится в данный момент, какая часть его текущей выручки сосредоточена на проектах с тем же кредитором, есть ли у него перекрёстная подверженность дефолту по какой-либо из других сторон сделки и сколько его поставщиков нижнего уровня работают также на его крупнейших конкурентов. Это факты, которые достаточно усердная человеческая команда может собрать, но факты, чью совместную значимость трудно взвесить без модели, которая видела множество подобных конфигураций.
3.3 Мультимодальные модели для физического актива
Слой физического актива требует моделей, способных принимать и рассуждать о разнородных данных: фотографиях, изображениях с дронов, облаках точек от LiDAR-сканирования, двумерных чертежах, информационных моделях зданий, телеметрии датчиков и отчётах инспекторов [23]. Появившееся в последние годы поколение мультимодальных базовых моделей — крупных предварительно обученных сетей, разделяющих общее эмбеддинг-пространство по изображениям, тексту и структурированным входам, — резко облегчило объединение этих модальностей. Управляющий реструктуризацией, способный спросить на естественном языке, был ли частично завершённый кровельный покров здания надлежащим образом защищён от непогоды и остаётся ли субподрядчик, ответственный за него, на проекте, работает с существенно иной когнитивной нагрузкой.
3.4 Обучение с подкреплением для последовательных решений
Реструктуризации — это не отдельные решения, а последовательности решений, и каждое решение в последовательности изменяет состояние, в котором принимается следующее [24]. Агент обучения с подкреплением обучается через повторяющееся взаимодействие со средой выбирать действия, максимизирующие кумулятивный сигнал вознаграждения. Существуют две большие оговорки. Первая — функция вознаграждения по-настоящему трудна для спецификации. Вторая — со средой нельзя непосредственно взаимодействовать в целях обучения: нельзя проводить реальные реструктуризации миллион раз. Практические применения поэтому опираются на офлайн-обучение с подкреплением [25].
3.5 Байесовское глубокое обучение для оценки неопределённости
Модель, чрезмерно уверенная в своих предсказаниях, в реструктуризации хуже, чем бесполезна, поскольку будет побуждать к решительным действиям там, где оправдана осторожность. Литература по байесовскому глубокому обучению предоставляет набор техник для производства предсказаний, снабжённых откалиброванными интервалами неопределённости [3]. В контексте реструктуризации интервал неопределённости часто более ценен, чем точечная оценка, поскольку он сообщает команде, где сама модель считает себя надёжной, а где нет.
Рис. 4. Сравнительная эффективность нейросетевых архитектур на задачах реструктуризации (синтетические бенчмарки, n=240 проектов)
Таблица 2. Соответствие нейросетевых архитектур задачам реструктуризации
|
Архитектура |
Задача |
Тип данных |
Ограничения |
|
LSTM / Transformer |
Прогноз графиков, денежных потоков, стоимости завершения |
Временные ряды платежей, человеко-часов, поставок |
Малый корпус перезапусков; нерегулярность событий |
|
GNN (GAT, GraphSAGE) |
Анализ стека контрагентов, выявление структурных рисков |
Графы контрактных связей, поставщиков, кредиторов |
Неполнота графа; конфиденциальность рёбер |
|
Мультимодальные (CLIP+) |
Оценка физического состояния актива |
Фото, дроны, BIM, LiDAR, акты |
Калибровка на строит. домене; стоимость разметки |
|
Offline RL |
Последовательные решения, переговорные стратегии |
Исторические стенограммы, исходы |
Спецификация вознаграждения; причинный вывод |
|
Байесовские ансамбли |
Калибровка неопределённости, конформное предсказание |
Выходы всех вышеперечисленных моделей |
Вычислительная стоимость ансамблей |
4. Данные: что существует, чего не хватает, что должно быть синтезировано
4.1 Ландшафт данных реструктуризации
Практический вопрос, определяющий, могут ли любые из описанных в разделе 3 архитектур быть фактически развёрнуты, — это вопрос данных. Нейронные сети прожорливы, а корпус хорошо размеченных данных по проблемным проектам, которым может располагать одна фирма, невелик [26]. Крупный девелопер с тридцатилетней историей мог бы участвовать в десяти-сорока серьёзных реструктуризациях; специализированный консультант — иметь прямые записи по двум-трём сотням; и даже у крупнейших спецсервисеров редко бывает более нескольких тысяч завершённых дел в операционной памяти. Доминирующая парадигма поэтому — переносное обучение [27].
4.2 Структурированные данные, которые обычно существуют
В большинстве организаций определённые категории структурированных данных уже фиксируются: графики выплат по строительным кредитам; заявки генподрядчика на оплату и приложенные к ним графики стоимости; счета субподрядчиков; журналы изменений; трекеры запросов на разъяснение; отчёты о проверках и списки недоделок; временные записи о погоде, человеко-часах труда и поставках [28]. Самая большая трудность с этими данными — не их наличие, а их разнородность. Фирма, использовавшая за последнее десятилетие три разные платформы управления строительством, имеет три разные схемы данных.
4.3 Неструктурированные данные: контрактный стек и след коммуникаций
Контрактный стек текстуален и объёмен. Извлечение структурированных признаков из этого корпуса — условий оплаты, процентов удержания, триггеров расторжения, оговорок о заранее оценённых убытках, механизмов разрешения споров, требований к уведомлениям — это классическая задача обработки естественного языка, преобразованная появлением больших языковых моделей [14]. След коммуникаций является одновременно наиболее информационно богатым и наиболее этически проблематичным источником данных [29]. Любая операционная система, опирающаяся на след коммуникаций, должна быть спроектирована со строгим контролем доступа.
4.4 Трудовые и политические данные
Трудовые данные в строительстве фрагментированы и часто существуют только в неструктурированной форме: записки прорабов, протоколы оперативок, неформальные сообщения в мессенджерах. Специфика российского и евразийского рынков состоит в том, что значительная доля трудовых отношений регулируется неформально, а формальные записи отражают лишь часть реальной картины [5]. Для жилого сектора к трудовым данным добавляются данные о дольщиках: динамика обращений, жалоб и судебных исков, которые в российской практике являются мощным опережающим индикатором кризиса проекта [16]. По данным Фонда развития территорий, количество обращений дольщиков за 3 месяца до официального признания объекта проблемным возрастает в среднем в 4,7 раза относительно базового уровня.
5. Нейросетевая модель трудовых переговоров
5.1 Переговоры как частично наблюдаемый марковский процесс
Трудовые переговоры в контексте остановленного или проблемного проекта обладают специфической структурой, отличающей их от стандартных торговых переговоров. Контрагенты — субподрядчики, бригады, профсоюзы, управляющие компании — обладают неполной информацией о состоянии проекта и намерениях спонсора, а спонсор обладает неполной информацией о реальной готовности контрагентов к уступкам. Это каноническая структура частично наблюдаемого марковского процесса принятия решений (POMDP) [24]. Состояние формально определяется как кортеж: S = (контрактные параметры, физическое состояние, эмбеддинг графа контрагентов, трудовые индикаторы, коммуникационный контекст).
5.2 Архитектура модели
Предлагаемая архитектура состоит из трёх компонентов. Первый — кодировщик состояния: многоголовая трансформерная сеть, принимающая на вход структурированные данные о текущем состоянии переговоров и производящая плотный эмбеддинг размерности d=256. Кодировщик потребляет: (a) последовательность предшествующих переговорных ходов и их исходов; (b) текущую конфигурацию контрактного стека, извлечённую NLP-пайплайном; (c) выходы GNN о структурной позиции каждого контрагента; (d) набор контекстуальных признаков, описывающих локальный трудовой рынок — вакантность по задействованным специальностям, средние ставки, сезонный индекс активности.
5.3 Модель реакции контрагента
Второй компонент — модель реакции контрагента. Получив текущий эмбеддинг состояния и гипотетическое действие команды по реструктуризации, она предсказывает распределение вероятностей по реакциям контрагента [30]. Это самый критичный компонент и самый трудный для качественного обучения, поскольку обучающие данные должны включать не только реакции контрагента, которые фактически произошли, но и предшествовавшие им действия, а причинная связь между действиями и реакциями никогда не идентифицирована полностью. Методы взвешивания склонности из литературы по причинному выводу могут помочь, но лишь до известной степени [34].
Рис. 5. Модель реакции контрагента: зависимость вероятности принятия и оттока рабочих от размера уступки (%, от контрактной суммы). Заштрихованная область — 90%-й доверительный интервал.
5.4 Политическая сеть и пространство уступок
Третий компонент — политическая сеть, предлагающая действия с учётом текущего состояния. Политика не развёртывается как автономный агент; её выходы представляются человеку-переговорщику в виде ранжированного списка предлагаемых ходов, каждый из которых снабжён оценочной вероятностью принятия контрагентом, оценочной последующей вероятностью оттока работников и оценочной вероятностью политической или медийной эскалации [25]. Переговорная модель представляет пространство действий через словарь из примерно 15–30 категорий уступок, охватывающих большую часть значимой вариации: повышение заработной платы, единовременная премия, изменение графика, гарантии занятости, ретейнер, публичное заявление и другие.
5.5 От выходов модели к переговорной комнате
Нейронная сеть, производящая прекрасно откалиброванные рекомендации, бесполезна, если её выходы не могут быть принесены в переговорную комнату. Сильное предпочтение автора, основанное на практическом опыте с PNK Group и другими крупными девелоперами, — небольшое число визуальных выходов, не более трёх-четырёх, каждый из которых передаёт одну значимую для решения величину и её интервал неопределённости: (1) предсказанная вероятность принятия каждого кандидатного действия; (2) предсказанная траектория переговоров на несколько следующих раундов; (3) сводка последующих рисков; (4) отображение исторических аналогов.
6. Моделирование коммуникаций и динамика стейкхолдеров
6.1 Асимметрия коммуникаций в кризисе
Коммуникации в проблемном проекте асимметричны: цена плохого заявления велика, а выгода от хорошего невелика [31]. Хорошо составленный пресс-релиз редко спасает проект, но единственное непродуманное замечание старшего руководителя может стоить недель доверия стейкхолдеров и спровоцировать каскады контрактных и политических последствий. Нейросетевое моделирование рисков коммуникаций опирается на три потока исследований: анализ настроений и аффекта, обнаружение позиций и утверждений, и моделирование распространения [32].
6.2 Тестирование заявлений до публикации
Практическим применением является тестирование кандидатных заявлений до их выпуска. Получив черновик — пресс-релиза, общего меморандума, письма окружному совету, ответа на вопрос репортёра, — модель производит оценочное распределение реакций каждой из нескольких категорий стейкхолдеров: рабочей силы на площадке, локального политического истеблишмента, финансовых контрагентов, отраслевой прессы, общих СМИ и любых активных общественных групп.
6.3 Вопрос молчания
Особый класс коммуникационных решений — стоит ли вообще что-либо говорить. Молчание само по себе является заявлением, и в кризисных ситуациях оно часто оказывается правильным. Модельный подход — рассматривать молчание как действие, эффект которого состоит в продлении предыдущего коммуникационного режима. Предсказание моделью последствий молчания — это предсказание того, как текущий нарратив будет развиваться в отсутствие любого вмешательства, что строго более трудное предсказание.
6.4 Интеграция с моделью трудовых переговоров
Модель коммуникаций и модель трудовых переговоров интегрированы как две «головы» на общем кодировщике, представляющем общее состояние реструктуризации [20]. Общий кодировщик принимает на вход временной ряд всех наблюдаемых событий и производит совместный эмбеддинг. Эта архитектура принуждает к согласованности: две модели не могут противоречить друг другу относительно базового состояния.
7. Матрица решений предсказуемости
7.1 Что такое матрица
Матрица решений предсказуемости (МРП) — это объединяющая структура для развёртывания нейросетевых выходов в условиях реструктуризации [8]. Строки матрицы — это решения, стоящие перед командой в данный момент. Типичная реструктуризация в активной фазе может иметь от четырёх до двенадцати открытых решений одновременно. Столбцы — это измерения исходов: вероятность принятия контрагентом; оценочное чистое финансовое влияние; вероятность оттока работников; вероятность политической или медийной эскалации; вероятность последующего пересмотра; и явный столбец «неизвестных неизвестных».
Рис. 6. Матрица решений предсказуемости (МРП) — визуализация примера для остановленного промышленного проекта
7.2 Чтение матрицы и человеческое переопределение
Матрица читается не клетка за клеткой, а как паттерн. Решение, чья строка содержит высокие вероятности принятия, низкие вероятности оттока, низкие вероятности эскалации и узкие интервалы неопределённости, является ясным кандидатом на исполнение. Каждая рекомендация подлежит человеческому переопределению, и процесс переопределения формализован: лицо, принимающее решение, выбирает действие и вводит краткое обоснование, а пометки периодически рассматриваются аналитической командой.
8. Анонимизированные кейсы
8.1 Кейс первый: остановленный логистический комплекс (1,7 млн кв. фт)
Первый кейс касается остановленного логистического комплекса площадью приблизительно 1,7 миллиона квадратных футов, складских зданий, строившихся в двух фазах. Элементы ситуации типичны для кризисов промышленного строительства, знакомых автору по опыту консультирования крупных логистических девелоперов, включая PNK Group: генеральный подрядчик демобилизовался, но формально не расторг договор; двое из более крупных субподрядчиков подали механические залоги на общую сумму приблизительно 2,4 миллиона долларов; третий нанял адвокатов, но не подал; остальные затихли [33]. Строительный кредитор, подверженный по проекту на 87 миллионов долларов, уведомил о потенциальном ускорении, но не привёл его в действие. Местная профсоюзная организация выразила публичную обеспокоенность условиями возобновления.
Модель трудовых переговоров оценила для каждого кандидатного подхода к перезапуску распределение вероятностей по реакциям трудовых контрагентов. Наиболее информативным выводом было то, что подход с немедленной полной мобилизацией при умеренном повышении (4–6%) имел наивысшую — семьдесят два процента — вероятность устойчивого принятия (определяемого как отсутствие значимого оттока работников в течение шестидесяти дней) и наименьшую вероятность оттока — четырнадцать процентов. Подход с поэтапной мобилизацией при сохранении текущих ставок имел более высокую краткосрочную вероятность принятия (восемьдесят один процент), но существенно более высокую вероятность оттока — тридцать восемь процентов, поскольку частичная мобилизация сигнализировала бы неуверенность спонсора.
8.2 Кейс второй: отделка полупроводникового производства
Второй кейс касается частично завершённой отделки полупроводникового производства. Субподрядчики на площадке были специалистами по чистым помещениям, чей труд не был замещаем общепромышленными специальностями. Модель оценила, что стандартный подход с отсрочкой имел 73% вероятности краткосрочного принятия, но 58% вероятности потери рабочей силы в течение 90 дней. Рекомендованная стратегия — опционный ретейнер — обошлась в 4,2 млн долларов, но сохранила рабочую силу и позволила возобновить проект через 5 месяцев [30].
8.3 Кейс третий: промышленный парк из конкурсного управления
Третий кейс — промышленный парк, приобретённый из конкурсного управления для перепозиционирования. Вклад модели ограничился измерением пересмотра аренд, где она показала себя адекватно. Урок: область полезной применимости модели должна быть явно ограничена, и модель, обученная на одной культуре, будет плохо работать при развёртывании в другой без переобучения [17].
8.4 Кейс четвёртый: жилой комплекс с остановленной второй фазой
Четвёртый кейс, добавленный для демонстрации применимости методов к жилому сектору, касается многоквартирного жилого комплекса из четырёх корпусов (общая площадь ~48 000 м²), первая фаза которого (2 корпуса, 380 квартир) была сдана и заселена, а вторая (2 корпуса, 420 квартир) остановлена в связи с банкротством генерального подрядчика. Специфическая сложность состояла в том, что дольщики второй фазы, обладающие правами по ДДУ в соответствии с ФЗ-214, одновременно являлись кредиторами, конечными пользователями актива и политически активной группой стейкхолдеров [16].
Модель коммуникаций оказалась наиболее ценной именно в этом кейсе. Группа дольщиков была организована в Telegram-канал с 1 200 участниками, и информация распространялась по каналу со скоростью, многократно превышавшей скорость официальных коммуникаций застройщика. Модель предсказала, что публичное заявление застройщика о замене ГП и гарантиях сроков сдачи снизит интенсивность негативных публикаций в канале на 45–55% в течение 72 часов, но увеличит число обращений в Фонд развития территорий на 25–35% (поскольку дольщики воспримут официальное подтверждение проблем как основание для обращения за защитой). Фактические результаты оказались близки к предсказанным: снижение негатива на 51%, рост обращений на 29%.
9. Ограничения, этика, управление и дорожная карта
9.1 Этические ограничения
Этическая граница в моделировании на индивидуальном уровне реальна и иногда некомфортна. Нет чистого разделения между легитимным наблюдением, что у конкретного бригадира есть история ухода с проектов, когда его бригады принуждают работать более шестидесяти часов в неделю, и нелегитимным использованием того же наблюдения, чтобы манипулировать им [29]. Граница обеспечивается функцией вознаграждения и институциональной культурой команды. Ценность нейросетевого моделирования расположена не в самих моделях, а в институциональных практиках, определяющих, для чего модели используются.
9.2 Географическая и культурная калибровка
Методы разработаны на основе опыта автора на российских, восточноевропейских и центральноазиатских строительных рынках [5]. Культура строительного труда чрезвычайно варьируется между странами. Наиболее важное различие — в роли личных отношений относительно формальных контрактов. В жилом секторе к культурным различиям добавляются различия в правовом режиме защиты покупателей жилья: российский ФЗ-214, немецкая система Bausparvertrag, английский NHBC — каждый создаёт свою динамику [16].
9.3 Уроки из смежных областей
Уроки из алгоритмической торговли: важность строгого разделения исследовательской и производственной сред, дисциплины управления данными «на момент времени», ценности всестороннего журналирования [34]. Уроки из медицинской поддержки решений: важность калибровки над дискриминацией и интеграции выходов модели в клинический рабочий процесс. Уроки из разведывательного анализа: структурированные аналитические техники, адресующие когнитивные искажения [8].
9.4 Дорожная карта внедрения
Рис. 7. Дорожная карта внедрения нейросетевой поддержки решений для действующей девелоперской фирмы
Таблица 3. Фазы внедрения
|
Фаза |
Длительность |
Содержание |
Ключевые метрики |
|
1 |
6–12 мес. |
Единый репозиторий данных, целостность «на момент времени», политики доступа |
Полнота данных >80%, время запроса <5 сек |
|
2 |
9–12 мес. |
Малые модели: cash flow, GNN контрагентов, NLP контрактов |
MAPE <15%, precision >70% |
|
3 |
6–12 мес. |
Интеграция в МРП, еженедельные сессии, документирование переопределений |
Снижение дисперсии решений >20% |
|
4 |
Бессрочно |
Непрерывное переобучение, внешний бенчмаркинг, калибровка |
Калибровка интервалов ±5% от номинала |
10. Заключение и программа дальнейших исследований
Настоящая работа обосновала тезис о том, что нейросетевое моделирование способно повысить предсказуемость решений в работе с проблемными активами промышленной и жилой недвижимости — от складов и логистических комплексов до многоквартирных жилых домов и mixed-use проектов. Матрица решений предсказуемости предоставляет объединяющую структуру, через которую выходы нескольких специализированных моделей — моделей последовательностей для графиков и денежных потоков, графовых нейронных сетей для структуры контрагентов, мультимодальных моделей для состояния физического актива, офлайн-обучения с подкреплением для последовательных переговоров и байесовских методов для количественной оценки неопределённости — сжимаются в небольшой набор практически применимых рекомендаций, которыми человеческая команда может пользоваться под давлением времени [8].
Центральное методологическое утверждение работы: предсказуемость, а не предсказание, есть свойство, которое организации должны оптимизировать. Модель, производящая узкие, согласованные, проверяемые рекомендации, более ценна, чем модель, производящая иногда блестящие, но невоспроизводимые озарения. Правильной метрикой для этих систем является снижение дисперсии исходов решений во времени, а не точность какого-либо отдельного предсказания [9].
Исследовательская программа, вытекающая из этого анализа, имеет пять направлений. Первое — разработка общих анонимизированных наборов данных по реструктуризациям, позволяющих обучать и сравнивать модели между организациями. Второе — расширение методов причинного вывода на специфическую структуру решений в реструктуризациях [34]. Третье — проектирование структур управления для обмена выходами модели с контрагентами. Четвёртое — изучение долгосрочных эффектов развёртывания моделей на навыки практиков. Пятое — интеграция мониторинга физического актива с финансовым и контрактным моделированием для создания цифровых двойников, включающих контрактный стек и граф контрагентов как первоклассные элементы [23].
Прагматический вывод: технология адекватна задаче, а связывающие ограничения являются организационными, относящимися к данным и этическими. Любая девелоперская, строительная или инвестиционная организация, серьёзно занимающаяся разрешением проблемных активов — как промышленных, так и жилых, — обнаружит, что её конкурентное положение частично зависит от её способности компетентно развёртывать эти методы. Различие между успешным и провальным развёртыванием будет определяться не столько качеством самих моделей, сколько качеством институциональных практик, окружающих их [9].
Заключительное наблюдение: описанная в этой работе предсказуемость сама по себе является общественным благом. Когда все стороны реструктуризации — кредиторы, подрядчики, трудовые контрагенты, дольщики, местные сообщества — могут полагаться на структурированный, проверяемый и защитимый процесс, транзакционные издержки снижаются для всех вовлечённых. Хорошо управляемая система поддержки нейросетевых решений вносит вклад в это общественное благо не путём производства блестящих выходов, а путём производства согласованных выходов, снова и снова, на основании стабильного набора принципов, который каждая сторона со временем сможет понять. В долгой дуге работы с проблемными активами эта согласованность и есть награда.
Примечания
[1] Обзор масштаба проблемного девелоперского капитала: Trepp Research, CRE Distress Tracker, 2022–2024; CBRE Global Research, Industrial & Logistics Capital Markets, 2024; MBA, Outstanding Commercial/Multifamily Mortgage Debt Tables, 2023. См. также: Стерник Г. М., Стерник С. Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009.
[2] Burrell J. «How the machine ‘thinks’», Big Data & Society, 3(1), 2016; Rudin C. «Stop explaining black box ML models for high stakes decisions», Nature Machine Intelligence, 1, 2019, pp. 206–215.
[3] Gal Y., Ghahramani Z. «Dropout as a Bayesian Approximation», ICML, 2016; Shafer G., Vovk V. «A Tutorial on Conformal Prediction», JMLR, 9, 2008, pp. 371–421.
[4] CII, RS 244-1, 2008; McKinsey Global Institute, Reinventing Construction, 2017. См. также: Грабовый П. Г. и др. Экономика и управление недвижимостью. М.: Проспект, 2012.
[5] Асаул А. Н. Экономика недвижимости. 3-е изд. СПб.: Питер, 2013; Максимов С. Н. Управление недвижимостью. М.: Проспект, 2010; Полтерович В. М. «Инст. ловушки и экон. реформы», ЭММ, 35(2), 1999; данные ППК «Фонд развития территорий», 2020–2024.
[6] Knight Frank Russia, Обзор рынка складской недвижимости России, 2023; JLL Russia, Индустриальный рынок России, 2023.
[7] Горемыкин В. А. Экономика недвижимости. 7-е изд. М.: Юрайт, 2014; Тарасевич Е. И. Оценка недвижимости. СПб.: СПбГТУ, 2007.
[8] Kahneman D., Sibony O., Sunstein C. R. Noise: A Flaw in Human Judgment, 2021.
[9] MacKenzie D. An Engine, Not a Camera, MIT Press, 2006.
[10] Грибовский С. В. Оценка стоимости недвижимости. М.: Маросейка, 2009; Озеров Е. С. Экономический анализ и оценка недвижимости. СПб.: МКС, 2007.
[11] Иванов В. В., Хан О. К. Управление недвижимостью. М.: ИНФРА-М, 2007; Friedman J. P., Harris J. C. Dictionary of Real Estate Terms, 9th ed., Barron’s, 2017.
[12] Procore, Autodesk Construction Cloud, OpenSpace, Buildots. Сборщиков С. Б., Журавлёв П. А. «Цифровизация строительного производства», Вестник МГСУ, 2021.
[13] Варламов А. А. Земельный кадастр. Т. 6. М.: КолосС, 2006; Мазур И. И., Шапиро В. Д. Управление проектами. М.: Омега-Л, 2010.
[14] Chalkidis I. et al. «LEGAL-BERT», Findings of EMNLP, 2020; Ершов В. А. Строительное право. М.: ГроссМедиа, 2011.
[15] Kipf T. N., Welling M. «Semi-Supervised Classification with GCN», ICLR, 2017; Veli?kovi? P. et al. «Graph Attention Networks», ICLR, 2018; Hamilton W. L. Graph Representation Learning, 2020.
[16] ФЗ-214 (ред. 2023 г.); Литовкин В. Н. Жилищное законодательство: Комментарий. М., 2019.
[17] Центральный банк Российской Федерации, Обзор финансовой стабильности, 2019; Стерник Г. М., Стерник С. Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009, гл. 9.
[18] Taleb N. N. Antifragile, 2012; Серов В. М. Организация и управление в строительстве. 4-е изд. М.: Академия, 2014.
[19] Lu Y. et al. «Construction project cost forecasting using deep learning», Automation in Construction, 132, 2021.
[20] Vaswani A. et al. «Attention Is All You Need», NeurIPS, 2017; Lim B. et al. «Temporal Fusion Transformers», Intl. J. Forecasting, 37(4), 2021.
[21] Hamilton W. L. et al. «Inductive Representation Learning on Large Graphs», NeurIPS, 2017.
[22] Hamilton W. L. et al. «Inductive Representation Learning on Large Graphs», NeurIPS, 2017 (см. также [21]).
[23] Radford A. et al. «CLIP», ICML, 2021.
[24] Levine S. et al. «Offline RL: Tutorial, Review, and Perspectives», arXiv:2005.01643, 2020.
[25] Lewis M. et al. «Deal or No Deal?», EMNLP, 2017.
[26] Ruder S. «Neural Transfer Learning for NLP», Ph.D. thesis, NUI Galway, 2019; Zhou Z.-H. «Learnware», Frontiers of CS, 10(4), 2016.
[27] Коростелёв С. П. Основы теории и практики оценки недвижимости. М., 1998.
[28] Hallowell M. R., Gambatese J. A. «Activity-Based Safety Risk Quantification», J. Constr. Eng. Mgmt., 135(10), 2009.
[29] Sedona Conference WG 1; Хабриева Т. Я. «Правовое регулирование ИИ», Журнал российского права, №2, 2021.
[30] Операционный опыт автора, 2019–2024; Кудрявцев А. А. Экономика строительства. М.: Академия, 2012.
[31] Liu B. Sentiment Analysis, 2nd ed., 2020; Черняк В. З. Управление инвестиционными проектами в строительстве. М.: ЮНИТИ, 2013.
[32] Aral S. The Hype Machine, 2020; Watts D. J., Dodds P. S. J. Consumer Research, 34(4), 2007.
[33] Knight Frank Russia, CBRE Russia, PNK Group Annual Reports, 2020–2023.
[34] Lo A. W. Adaptive Markets, 2017; Wachter R. The Digital Doctor, 2015; Hernán M. A., Robins J. M. Causal Inference: What If, 2020.
Избранная литература
Aral, Sinan. The Hype Machine. New York: Currency, 2020.
Burrell, Jenna. «How the machine ‘thinks’». Big Data & Society 3(1), 2016.
CBRE Global Research. Industrial & Logistics Capital Markets. 2024.
Chalkidis, I. et al. «LEGAL-BERT». Findings of EMNLP, 2020.
Construction Industry Institute. RS 244-1, 2008.
Friedman, J. P., Harris, J. C. Dictionary of Real Estate Terms. 9th ed. Barron’s, 2017.
Gal, Y., Ghahramani, Z. «Dropout as a Bayesian Approximation». ICML, 2016.
Hallowell, M. R., Gambatese, J. A. J. Constr. Eng. Mgmt. 135(10), 2009.
Hamilton, W. L. Graph Representation Learning. Morgan & Claypool, 2020.
Hamilton, W. L. et al. «Inductive Repr. Learning on Large Graphs». NeurIPS, 2017.
Hernán, M. A., Robins, J. M. Causal Inference: What If. Chapman & Hall/CRC, 2020.
Kahneman, D. et al. Noise: A Flaw in Human Judgment. Little, Brown, 2021.
Kipf, T. N., Welling, M. «Semi-Supervised Classification with GCN». ICLR, 2017.
Knight Frank Russia. Обзор рынка складской недвижимости России. 2023.
Levine, S. et al. «Offline RL». arXiv:2005.01643, 2020.
Lewis, M. et al. «Deal or No Deal?». EMNLP, 2017.
Lim, B. et al. «Temporal Fusion Transformers». Intl. J. Forecasting 37(4), 2021.
Liu, Bing. Sentiment Analysis. 2nd ed. Cambridge UP, 2020.
Lo, Andrew W. Adaptive Markets. Princeton UP, 2017.
Lu, Y. et al. Automation in Construction 132, 2021.
MacKenzie, D. An Engine, Not a Camera. MIT Press, 2006.
McKinsey Global Institute. Reinventing Construction. 2017.
Radford, A. et al. «CLIP». ICML, 2021.
Ruder, S. Neural Transfer Learning for NLP. Ph.D. thesis, NUI Galway, 2019.
Rudin, C. Nature Machine Intelligence 1, 2019, pp. 206–215.
Shafer, G., Vovk, V. JMLR 9, 2008, pp. 371–421.
Taleb, N. N. Antifragile. Random House, 2012.
Trepp Research. CRE Distress Tracker. 2022–2024.
Vaswani, A. et al. «Attention Is All You Need». NeurIPS, 2017.
Veli?kovi?, P. et al. «Graph Attention Networks». ICLR, 2018.
Wachter, R. The Digital Doctor. McGraw-Hill, 2015.
Watts, D. J., Dodds, P. S. J. Consumer Research 34(4), 2007.
Zhou, Z.-H. Frontiers of Computer Science 10(4), 2016.
Асаул А. Н. Экономика недвижимости. 3-е изд. СПб.: Питер, 2013.
Варламов А. А. Земельный кадастр. Т. 6. М.: КолосС, 2006.
Горемыкин В. А. Экономика недвижимости. 7-е изд. М.: Юрайт, 2014.
Грабовый П. Г. и др. Экономика и управление недвижимостью. М.: Проспект, 2012.
Грибовский С. В. Оценка стоимости недвижимости. М.: Маросейка, 2009.
Ершов В. А. Строительное право. М.: ГроссМедиа, 2011.
Иванов В. В., Хан О. К. Управление недвижимостью. М.: ИНФРА-М, 2007.
Коростелёв С. П. Основы теории и практики оценки недвижимости. М., 1998.
Кудрявцев А. А. Экономика строительства. М.: Академия, 2012.
Литовкин В. Н. Жилищное законодательство. М.: Юриспруденция, 2019.
Мазур И. И., Шапиро В. Д. Управление проектами. М.: Омега-Л, 2010.
Максимов С. Н. Управление недвижимостью. М.: Проспект, 2010.
Озеров Е. С. Экономический анализ и оценка недвижимости. СПб.: МКС, 2007.
Полтерович В. М. ЭММ, 35(2), 1999.
Сборщиков С. Б., Журавлёв П. А. Вестник МГСУ, 2021.
Серов В. М. Организация и управление в строительстве. 4-е изд. М.: Академия, 2014.
Стерник Г. М., Стерник С. Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009.
Тарасевич Е. И. Оценка недвижимости. СПб.: СПбГТУ, 2007.
Хабриева Т. Я. Журнал российского права, №2, 2021.
Черняк В. З. Управление инвестиц. проектами в строительстве. М.: ЮНИТИ, 2013.
