<?xml version="1.0" encoding="UTF-8"?>
    <!DOCTYPE article PUBLIC "-//NLM/DTD JATS (Z39.96) Journal Publishing DTD v1.2 20120330//EN" "http://jats.nlm.nih.gov/publishing/1.2/JATS-journalpublishing1.dtd">
    <!--<?xml-stylesheet type="text/xsl" href="article.xsl">-->
<article xmlns:ns0="http://www.w3.org/1999/xlink" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" article-type="research-article" dtd-version="1.2" xml:lang="en">
	<front>
		<journal-meta>
			<journal-id journal-id-type="issn">2411-3581</journal-id>
			<journal-id journal-id-type="eissn">2414-5920</journal-id>
			<journal-title-group>
				<journal-title>Современное строительство и архитектура</journal-title>
			</journal-title-group>
			<issn pub-type="epub">2411-3581</issn>
			<publisher>
				<publisher-name>ООО Цифра</publisher-name>
			</publisher>
		</journal-meta>
		<article-meta>
			<article-id pub-id-type="doi">10.60797/mca.2026.78.2</article-id>
			<article-categories>
				<subj-group>
					<subject>Brief communication</subject>
				</subj-group>
			</article-categories>
			<title-group>
				<article-title>ОБ АКТУАЛЬНОСТИ РАЗРАБОТКИ АВТОМАТИЗИРОВАННОГО КОМПЛЕКСА ДЛЯ ПОДБОРА СМЕТНЫХ НОРМАТИВОВ НА ОСНОВЕ СЕМАНТИЧЕСКОГО АНАЛИЗА ВЕДОМОСТЕЙ ОБЪЁМОВ РАБОТ</article-title>
			</title-group>
			<contrib-group>
				<contrib contrib-type="author" corresp="yes">
					<name>
						<surname>Милосердов</surname>
						<given-names>Данила Сергеевич</given-names>
					</name>
					<email>nmilocerdova49@gmail.com</email>
					<xref ref-type="aff" rid="aff-2">2</xref>
				</contrib>
				<contrib contrib-type="author">
					<name>
						<surname>Знатных</surname>
						<given-names>Роман Владимирович</given-names>
					</name>
					<email>romanznat68rus@gmail.com</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<contrib-id contrib-id-type="rinc">https://elibrary.ru/author_profile.asp?id=782338</contrib-id>
					<name>
						<surname>Ерофеев</surname>
						<given-names>Александр Владимирович</given-names>
					</name>
					<email>av.erofeev@yandex.ru</email>
					<xref ref-type="aff" rid="aff-2">2</xref>
				</contrib>
			</contrib-group>
			<aff id="aff-1">
				<institution-wrap>
					<institution-id institution-id-type="ROR">https://ror.org/04wegbp55</institution-id>
					<institution content-type="education">Тамбовский государственный технический университет</institution>
				</institution-wrap>
			</aff>
			<aff id="aff-2">
				<label>2</label>
				<institution>Тамбовский государственный технический университет</institution>
			</aff>
			<pub-date publication-format="electronic" date-type="pub" iso-8601-date="2026-11-20">
				<day>20</day>
				<month>11</month>
				<year>2026</year>
			</pub-date>
			<pub-date pub-type="collection">
				<year>2026</year>
			</pub-date>
			<volume>5</volume>
			<issue>78</issue>
			<fpage>1</fpage>
			<lpage>5</lpage>
			<history>
				<date date-type="received" iso-8601-date="2026-07-30">
					<day>30</day>
					<month>07</month>
					<year>2026</year>
				</date>
				<date date-type="accepted" iso-8601-date="2026-10-27">
					<day>27</day>
					<month>10</month>
					<year>2026</year>
				</date>
			</history>
			<permissions>
				<copyright-statement>Copyright: &amp;#x00A9; 2022 The Author(s)</copyright-statement>
				<copyright-year>2022</copyright-year>
				<license license-type="open-access" xlink:href="http://creativecommons.org/licenses/by/4.0/">
					<license-p>
						This is an open-access article distributed under the terms of the Creative Commons Attribution 4.0 International License (CC-BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited. See 
						<uri xlink:href="http://creativecommons.org/licenses/by/4.0/">http://creativecommons.org/licenses/by/4.0/</uri>
					</license-p>
					.
				</license>
			</permissions>
			<self-uri xlink:href="https://modern-construction.ru/archive/11-78-2026-november/10.60797/mca.2026.78.2"/>
			<abstract>
				<p>Объем работ, связанных с составлением сметной документации, в последние годы неуклонно растет. Также повышаются требования к качеству ее составления. Большую часть времени занимает ручной подбор сметных нормативов из баз. Для повышения эффективности составления сметной документации требуется автоматизация данного процесса. Существующие решения, такие как DeepSeek, ChatGPT, Gemini, на данном этапе не справляются с поставленной задачей. Помимо этого, их использование на территории Российской Федерации ограничено. В работе рассматриваются общие принципы разработки автоматизированного комплекса для решения озвученной проблемы, а также приводится экономическая составляющая внедрения такого комплекса в строительную практику. Предложенное решение основано на применении методов семантического анализа и эмбеддингов: загруженная таблица Excel нормализуется, для каждой позиции вычисляется числовое семантическое представление, после чего выполняется построчное сравнение с нормативной базой. Результатом является ранжированный перечень подходящих нормативов, что по предварительным оценкам, позволит кратно сократить время подбора сметных нормативов (ожидаемый эффект).</p>
			</abstract>
			<kwd-group>
				<kwd>автоматизация подбора расценок</kwd>
				<kwd> ведомость объёмов работ</kwd>
				<kwd> семантический анализ</kwd>
				<kwd> сметное нормирование</kwd>
				<kwd> строительство</kwd>
				<kwd> эмбеддинги</kwd>
				<kwd> NLP</kwd>
			</kwd-group>
		</article-meta>
	</front>
	<body>
		<sec>
			<title>HTML-content</title>
			<p>1. Введение</p>
			<p>Несмотря на снижение темпов экономического роста, обусловленное целым рядом объективных и субъективных причин, включая санкционное давление на Российскую Федерацию, строительная отрасль за последние годы показывает рост объемов вводимого жилья и рост объемов выполняемых капитальных ремонтов, что обусловливает рост объема разрабатываемой проектно-сметной документации </p>
			<p>[1][2][3]</p>
			<p>В настоящее время сметная документация разрабатывается с использованием различных программных продуктов: «Гранд-Смета» (~150 тыс. пользователей), «СметаРИК» (~40 тыс.), SmetaWizard (~20 тыс.), «Турбосметчик» (~5 тыс.) и ряд других более мелких (~10 тыс.). Данные программы имеют высокую степень автоматизации, однако в них не реализована возможность автоматического подбора из нормативных баз сметных расценок на основании ведомости объемов работ </p>
			<p>[4][5][6]с совершенствованием методик определения сметной стоимости и повышением автоматизации проверки достоверности сметной стоимости</p>
			<p>Таким образом, </p>
			<p>2. Основные результаты</p>
			<p>Одним из очевидных вариантов решения описанной проблемы является использование популярных нейронных сетей: DeepSeek, ChatGPT, Gemini. Тестирование данных сетей на решении реальных практических задач показало их несостоятельность </p>
			<fig id="F1">
				<label>Figure 1</label>
				<caption>
					<p>Основные проблемы использования нейронных сетей для подбора сметных нормативов на основании ведомости объемов работ</p>
				</caption>
				<alt-text>Основные проблемы использования нейронных сетей для подбора сметных нормативов на основании ведомости объемов работ</alt-text>
				<graphic ns0:href="/media/images/2026-08-25/4aa5ec3b-831b-42fe-abee-dca8a71e7a9e.jpg"/>
			</fig>
			<p>даже на единичных примерах при подборе базовых расценок</p>
			<p>В связи с этим предлагается разработка автоматизированного комплекса для подбора сметных нормативов на основе семантического анализа, под которым понимается процесс изучения и интерпретации смысла запроса </p>
			<p>[7]Для решения поставленной задачи применяется метод семантического анализа, получивший название векторного представления или эмбеддинга. В данном методе слова преобразуются в числовые вектора, где семантически близкие понятия имеют похожие координаты. Таким образом, на вход подаются формулировки наименования работ, взятые из ведомости объемов работ, которые преобразуются в векторные числа, которые в свою очередь имеют определенное местоположение в векторном пространстве. Актуальная база ГЭСНов также должна быть переведена в векторные числа со своим местоположением в векторном пространстве. Программа определяет, к которому векторному числу нормативной базы наиболее близко располагается полученное векторное число. Таким образом, реализуется алгоритм сравнения двух векторных чисел. Критерием выбора служит максимальное совпадение местоположения в векторном пространстве полученного векторного числа с векторным числом базы. Оценка точности подбора сметных нормативов производится в два этапа. На первом этапе ее осуществляет инженер-сметчик при переносе подобранных нормативов в сметную программу. На втором этапе оценка осуществляется в рамках проведения экспертизы достоверности определения сметной стоимости в органах государственной экспертизы. По мере развития программного комплекса модель должна обучаться, в том числе и на основании проводимых проверок.</p>
			<p>Архитектура комплекса «Гермес» включает несколько последовательных этапов обработки данных. На вход подаётся ведомость объёмов работ в формате Excel, содержащая перечень строительно-монтажных работ с указанием объёмов и единиц измерения.</p>
			<p>Первый этап — загрузка и первичная обработка. Таблица импортируется в реляционную базу данных SQLite, где выполняется проверка целостности данных и приведение к единому формату.</p>
			<p>Второй этап — нормализация данных. Выполняется предобработка текстовых описаний работ: удаление стоп-слов, приведение к нижнему регистру, лемматизация терминов, выделение числовых характеристик. Подготовленные таким образом строки поступают на векторизацию.</p>
			<p>Третий этап — получение эмбеддингов </p>
			<p>[8]</p>
			<p>Четвёртый этап — построчное сравнение. Для каждого эмбеддинга входной ведомости вычисляется косинусная мера сходства с эмбеддингами нормативной базы. Выполняется ранжирование по убыванию полученных метрик.</p>
			<p>Пятый этап — формирование результата. Для каждой позиции ведомости формируется ранжированный список нормативов с указанием шифра расценки, наименования, единицы измерения и метрики семантического сходства. Результат экспортируется в формате Excel для последующей верификации сметчиком.</p>
			<p> В случае реализации предложенного сценария будет получен автоматизированный комплекс по подбору сметных нормативов на основании анализа ведомости объемов работ. На рисунке 2 представлены ключевые метрики, по которым его необходимо будет сравнить с аналогами для обоснования его эффективности, а также для обозначенных метрик определены показатели аналогов. </p>
			<fig id="F2">
				<label>Figure 2</label>
				<caption>
					<p>Сравнительный анализ аналогов по обозначенным ключевым метрикам эффективности</p>
				</caption>
				<alt-text>Сравнительный анализ аналогов по обозначенным ключевым метрикам эффективности</alt-text>
				<graphic ns0:href="/media/images/2026-08-25/b6862e7c-eb69-410d-8ac5-03c978867387.jpg"/>
			</fig>
			<p>Показатели комплекса «Гермес» являются прогнозными (целевыми) и подлежат подтверждению после реализации комплекса и его экспериментальной апробации; они должны быть достигнуты разработчиками для того, чтобы он был признан эффективным.</p>
			<p>Как видно из рисунка 2 для сопоставления были выбраны 4 ключевые метрики: скорость подбора, точность подбора, стоимость и доступность. Главным недостатком ручного подбора является низкая скорость, в отличие от протестированных нейронных сетей (</p>
			<p>DeepSeek, ChatGPT, Gemini)</p>
			<p>Для количественного сопоставления комплекса «Гермес» с аналогами использована единая методика: в качестве тестовой выборки принята ведомость объёмов работ типового объекта жилищного строительства, включающая 85 позиций; эталоном служит экспертная оценка инженера-сметчика, а корректным считается подбор конкретной расценки с совпадением шифра и единицы измерения. Для протестированных нейросетей точность подбора составила: DeepSeek — около 10%, ChatGPT — около 20%, Gemini — около 15%. Показатель комплекса «Гермес» (около 78 %) является прогнозным (целевым) и подлежит подтверждению по приведённой методике после реализации прототипа.</p>
			<p>Финансовая модель, построенная для оценки эффективности проекта </p>
			<fig id="F3">
				<label>Figure 3</label>
				<caption>
					<p>Финансовая модель</p>
				</caption>
				<alt-text>Финансовая модель</alt-text>
				<graphic ns0:href="/media/images/2026-07-30/e3c3b4ab-e30a-4c0d-8af8-c778f01ef740.png"/>
			</fig>
			<p>[9][10]</p>
			<p>3. Заключение</p>
			<p> Обоснована необходимость разработки автоматизированного программного комплекса для подбора сметных нормативов для сокращения времени составления сметной документации и снижения технических ошибок. Предложены основные принципы и последовательность разработки такого комплекса. За основу взят семантический анализ ведомости объемов работ.</p>
			<p>Предложен принцип разработки программного комплекса на основе семантического анализа, а также архитектура комплекса, позволяющая подбирать сметные расценки на основе анализа ведомости объемов работ в автоматическом режиме.</p>
			<p>Научная новизна базируется на распространении известных принципов семантического анализа на новый вид объекта исследования в рамках решения конкретной прикладной задачи.</p>
			<p>Предварительная прогнозная оценка, основанная на прогнозной финансовой модели, свидетельствует о потенциальной экономической привлекательности разработки и внедрения комплекса в строительную отрасль.</p>
			<p>Дальнейшее развитие предполагает написание кода программы, активное тестирование на реальных объектах строительства, корректировку бизнес-модели по результатам обратной связи от пилотных пользователей, а также расширение функционала в части интеграции с существующими сметными программами.</p>
			<p>Приведённые характеристики комплекса носят прогнозный (целевой) характер и подлежат подтверждению в ходе экспериментальной апробации на реальных объектах строительства. </p>
			<p>Сопоставление комплекса  с аналогами по приведённой методике планируется представить в отдельной публикации по результатам опытной эксплуатации.</p>
		</sec>
		<sec sec-type="supplementary-material">
			<title>Additional File</title>
			<p>The additional file for this article can be found as follows:</p>
			<supplementary-material xmlns:xlink="http://www.w3.org/1999/xlink" id="S1" xlink:href="https://doi.org/10.5334/cpsy.78.s1">
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://modern-construction.ru/media/articles/26915.docx">26915.docx</inline-supplementary-material>]-->
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://modern-construction.ru/media/articles/26915.pdf">26915.pdf</inline-supplementary-material>]-->
				<label>Online Supplementary Material</label>
				<caption>
					<p>
						Further description of analytic pipeline and patient demographic information. DOI:
						<italic>
							<uri>https://doi.org/10.60797/mca.2026.78.2</uri>
						</italic>
					</p>
				</caption>
			</supplementary-material>
		</sec>
	</body>
	<back>
		<ack>
			<title>Acknowledgements</title>
			<p/>
		</ack>
		<sec>
			<title>Competing Interests</title>
			<p/>
		</sec>
		<ref-list>
			<ref id="B1">
				<label>1</label>
				<mixed-citation publication-type="confproc">Гончаров К.И. Идентификация состояния рынка жилой недвижимости Воронежской области в период усиления санкционного давления / К.И. Гончаров // Цифровая и отраслевая экономика. — 2023. — № 2(30). — С. 37–44. — EDN AFYPWC.</mixed-citation>
			</ref>
			<ref id="B2">
				<label>2</label>
				<mixed-citation publication-type="confproc">Соколова О.М. Тренды и прогнозы развития экономики и строительного рынка России / О.М. Соколова // Цемент и его применение. — 2023. — № 5. — С. 22–26. — EDN LZNJYZ.</mixed-citation>
			</ref>
			<ref id="B3">
				<label>3</label>
				<mixed-citation publication-type="confproc">Букреева И А. Оценка влияния ключевой ставки на развитие экономики России / И.А. Букреева, А.М. Перепелица, С.Н. Зайков // Ученые записки Алтайского филиала Российской академии народного хозяйства и государственной службы при Президенте Российской Федерации. — 2024. — № 2(25). — С. 32–35. — EDN ILWUTK.</mixed-citation>
			</ref>
			<ref id="B4">
				<label>4</label>
				<mixed-citation publication-type="confproc">Каменецкий А.С. Анализ сметных программ, применяемых на территории Российской Федерации / А.С. Каменецкий, Л.В. Куликова // Ползуновский альманах. — 2025. — № 1. — С. 80–82. — EDN THMXPT.</mixed-citation>
			</ref>
			<ref id="B5">
				<label>5</label>
				<mixed-citation publication-type="confproc">Кабурова К.Т. Сметные программы и их использование / К.Т. Кабурова, А.С. Гусев // Вклад молодёжи в развитие АПК региона : сборник тезисов, Екатеринбург, 26–27 ноября 2024 года. — Екатеринбург : Уральский государственный аграрный университет, 2024. — С. 122–124. — EDN XFEFFE.</mixed-citation>
			</ref>
			<ref id="B6">
				<label>6</label>
				<mixed-citation publication-type="confproc">Шеина С.Г. Сравнительный анализ сметных программ, используемых в России / С.Г. Шеина, Л.В. Гиря, В.О. Малахов и др. // Инженерный вестник Дона. — 2019. — № 2(53). — С. 37. — EDN DSBLTK</mixed-citation>
			</ref>
			<ref id="B7">
				<label>7</label>
				<mixed-citation publication-type="confproc">Аношин П.И. Автоматический анализ текстов. Синтаксический и семантический анализ / П. И. Аношин // Евразийский научный журнал. — 2017. — № 6. — С. 211–213. — EDN ZEVSBP.</mixed-citation>
			</ref>
			<ref id="B8">
				<label>8</label>
				<mixed-citation publication-type="confproc">Мариносян А.Х. Типы эмбеддингов и их применение в интеллектуальной академической генеалогии / А.Х. Мариносян // Электронные библиотеки. — 2026. — Т. 29, № 1. — С. 240–261. — DOI 10.26907/1562-5419-2026-29-1-240-261. — EDN PWXBSU.</mixed-citation>
			</ref>
			<ref id="B9">
				<label>9</label>
				<mixed-citation publication-type="confproc">Скипин Д.Л. Современные модели прогнозирования финансового результата / Д.Л. Скипин, Т.В. Помелова // Молодой ученый. — 2016. — № 10(114). — С. 875–878. — EDN WAODYB.</mixed-citation>
			</ref>
			<ref id="B10">
				<label>10</label>
				<mixed-citation publication-type="confproc">Козловская А.Г. Финансовая модель и финансовое планирование в экономике / А.Г. Козловская, В.В. Дегтяренко, Е.Н. Стенькина // Научное сообщество студентов : Сборник материалов IX Международной студенческой научно-практической конференции: в 2 томах, Чебоксары, 31 мая 2016 года / ФГБОУ ВПО «Чувашский государственный университет им. И.Н. Ульянова»; Харьковский национальный педагогический университет имени Сковороды; Актюбинский региональный государственный университет им. К. Жубанова; ООО «Центр научного сотрудничества «Интерактив плюс». Том 2. — Чебоксары : Общество с ограниченной ответственностью &quot;Центр научного сотрудничества &quot;Интерактив плюс&quot;, 2016. — С. 188–189. — EDN WDVKFN.</mixed-citation>
			</ref>
		</ref-list>
	</back>
	<fundings>
		<funding lang="RUS">Исследование выполнено за счет средств субсидии из федерального бюджета образовательным организациям высшего образования направленных на реализацию мероприятий по поддержке студенческих научных сообществ (соглашение № 075-15-2026-199 от «20» апреля 2026 г.).</funding>
		<funding lang="ENG">The study was funded by a federal budget grant to higher education institutions intended to support student research communities (Agreement No. 075-15-2026-199 dated April 20, 2026).</funding>
	</fundings>
</article>