ПРОЕКТИРОВАНИЕ БАЗЫ ДАННЫХ ДЛЯ РЕАЛИЗАЦИИ ПРОЦЕССА МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ В ИНВЕСТИЦИОННО-СТРОИТЕЛЬНОЙ ДЕЯТЕЛЬНОСТИ

​DESIGNING A DATABASE FOR THE IMPLEMENTATION OF THE PROCESS OF MATHEMATICAL MODELING IN INVESTMENT AND CONSTRUCTION ACTIVITIES

Akram Olzhayev

master’s student, Department of Information Systems, S.Seifullin Kazakh Agrotechnical Research University,

Kazakhstan, Astana

АННОТАЦИЯ

В статье рассматриваются подходы к проектированию базы данных, обеспечивающей поддержку процессов математического моделирования в инвестиционно-строительной деятельности. Описана структура и логика построения информационной модели, ориентированной на хранение, обработку и анализ данных, необходимых для оценки эффективности инвестиционных проектов и управления рисками. Предложены решения по обеспечению целостности и согласованности данных, а также интеграции базы с инструментами аналитики и моделирования. Работа направлена на повышение качества и обоснованности управленческих решений в инвестиционно-строительном секторе.

ABSTRACT

The article discusses approaches to designing a database that supports mathematical modeling processes in investment and construction activities. It describes the structure and logic of building an information model focused on storing, processing and analyzing data required to assess the effectiveness of investment projects and risk management. It proposes solutions to ensure data integrity and consistency, as well as database integration with analytics and modeling tools. The work is aimed at improving the quality and validity of management decisions in the investment and construction sector.

Ключевые слова: база данных, математическое моделирование, инвестиционно-строительная деятельность, управление проектами, информационная модель, проектирование базы данных, анализ эффективности, риски, цифровые технологии, системы поддержки решений.

Keywords: database, mathematical modeling, investment and construction activities, project management, information model, database design, performance analysis, risks, digital technologies, decision support systems.

Математические моделирование в инвестиционно-строительной деятельности

Инвестиционно-строительная отрасль характеризуется высокой капиталоемкостью, длительным жизненным циклом проектов и значительной степенью риска. Для повышения эффективности управления проектами в данной сфере активно применяются математические модели, позволяющие принимать обоснованные решения на различных этапах инвестиционного процесса – от предпроектного анализа до завершения строительства и эксплуатации объектов.

Математическое моделирование в строительстве направлено на решение задач оптимизации, прогнозирования, оценки рисков и эффективности, а также распределения ресурсов. Использование моделей позволяет повысить прозрачность инвестиций, улучшить управление сроками и затратами, а также минимизировать финансовые потери.

В инвестиционно-строительной отрасли применяются различные типы моделей в зависимости от целей анализа и уровня детализации. Основные группы математических моделей:

- Экономико-математические модели – описывают финансовые и экономические параметры проектов;

- Стохастические модели – учитывают неопределенность и риски;

- Оптимизационные модели – используются для минимизации или максимизации ключевых параметров строительно-инвестиционной деятельности (затрат, сроков, прибыли и др.);

- Имитационные модели – моделируют сложные процессы реализации строительных проектов;

- Детерминированные модели – применяются при наличии точной информации и устойчивых параметров среды.

Такой подход позволяет гибко управлять инвестиционными потоками, формировать устойчивый инвестиционный портфель и принимать стратегические решения [1].

Методологическая основа комплексного управления рисками

Комплексный подход основан на системной интеграции методов идентификации, анализа, оценки, приоритизации и управления рисками. Он требует применения различных инструментов (таблица 1):

- SWOT-анализ – выявление сильных и слабых сторон, возможностей и угроз;

- PEST – анализ - учет политических, экономических, социальных и технологических факторов;

- Матрица рисков (вероятность - ущерб) – визуализация значимости рисков;

- Дерево решений – сценарный анализ;

- Имитационное моделирование – оценка устойчивости проекта при изменении условий [2].

Таблица 1.

Инструменты комплексного подхода управления рисками

Такой подход позволяет не только реагировать на риски, но и проактивно их предотвращать, повышая устойчивость проектов [3].

Архитектура системы поддержки принятия решений по управлению рисками представляет собой совокупность функциональных и технических компонентов, обеспечивающих сбор, обработку,  анализ информации о рисках и формирование обоснованных управленческих решений в условиях неопределенности [4].

Структурная схема разрабатываемой системы поддержки принятия решений приведена на рисунке ниже.

Рисунок 1. Структурная схема системы поддержки принятия решений

Архитектура системы поддержки принятия решений по управлению рисками ориетирована на комплексный подход к выявлению, оценке и минимизации рисков, создавая основу для повышения устойчивости и эффективности управляемых процессов в условиях неопределенности.

Проектирование БД системы поддержки принятия решений по управлению рисками «RiskAnalitic»

Проектирование базы данных является важным этапом разработки системы поддержки принятия решений, поскольку именно структура и логика хранения данных определяют эффективность анализа, полноту отчетности и качество управленческих решений [5]. Целью проектирования БД является формирование логической и физической модели БД, обеспечивающей целостность, надежность и гибкость при обработке данных, необходимых для анализа рисков в строительно-инвестиционной деятельности ТОО «KazStroyInvest».

Система поддержки и принятия решений «RiskAnalitic» предназначена для управления рисками в деятельности компании на основе комплексного подхода. Она позволяет реализовать задачи идентификации рисков, оценку вероятности наступления и потенциальных последствий, а также выработку рекомендаций по их минимизации. База данных должна обеспечивать хранение следующей информации:

- Каталог идентифицированных рисков;

- Данные по рискам строительных проектов;

- Профили строительных проектов;

- Результаты анализа рисков (расчет верроятности и ожидаемого ущерба (EMV));

В качестве модели данных используется реляционный подход, обеспечивающий согласованность данных и удобство их обработки. В результате анализа предметной области были выявлены следующие сущности и их атрибуты:

• Risk_Categories (Категории рсиков) - идентификатор, наименование;
• Risks (Риски) - идентификатор, идентификатор катеогрии риска, вероятность наступления риска, потенциальный ущерб в случае наступления риска (тг.);
• Project_Categories (Категории проектов) - идентификатор, наименование;
• Project (Проект) - идентификатор, идентификатор категории, наименование, местоположения, планируемая дата начала строительства, планируемая дата завершения строительства, заказчик, исполнитель, бюджет;
• Assesment_EMV (Оценка ожидаемого ущерба) - идентификатор процедуры анализа, идентификатор риска, ожидаемый ущерб по данному виду риска;
• Analisys (Анализ) - идентификатор процедуры анализа, идентификатор проекта, дата проведения анализа, ожидаемый ущерб по данному проекту;
• Project_customers (Заказчик проекта) – идентификатор заказчика, наименование предприятия, адрес.
• Project_ performers (Исполнители проекта) – идентификатор исполнителя, наименование предприятия, адрес.

Схема данных показана ниже (рисунок 2).

Рисунок 2. Схема данных

В заключение следует отметить, что разработанная структура базы данных обеспечивает необходимую информационную основу для проведения математического моделирования и принятия обоснованных управленческих решений в инвестиционно-строительной сфере. Применение предложенного подхода позволяет повысить точность оценки проектов, сократить риски и оптимизировать процесс управления инвестициями. В дальнейших исследованиях планируется расширение функциональности базы данных за счёт интеграции с системами визуализации, а также внедрение механизмов автоматического анализа и прогнозирования на основе методов машинного обучения.

Список литературы:

1. Алексеев В.М. Экономико-математические методы и модели. – М.: Финансы и статистика, 2019. – 320 с.
2. Kaplan R., Mikes A. Risk Management – The Revealing Hand. Harvard Business Review, 2020. – 230 p.
3. Гусев А.В. Модели и методы управления проектиными рисками. – М.: Дело, 2020. – 187 с.
4. Тищенко Д.С. Информационные системы в управлении рисками. – Проблемы анализа рисков, 2021. – 198 с.
5. Васильева М.А., Филипченко К.М., Балакина Е.П. Информационное обеспечение систем управления. Проектирование базы данных с заданиями. Издательство: Лань, 2023 г. 200 с.4. Бондарь А. Г. Microsoft SQL Server 2022.—CПб,: БХВ-Петербург, 2024.—528 с.

с.