Розробка методології створення адаптивних кластерів енергоефективності архітектурно-будівельної галузі

Автор(и)

  • Petro Kulikov Київський національний університет будівництва і архітектури, пр. Повітрофлотський, 31, м. Київ, Україна, 03037, Україна https://orcid.org/0000-0002-7379-7968
  • Maxim Mykytas Київський національний університет будівництва і архітектури, пр. Повітрофлотський, 31, м. Київ, Україна, 03037, Україна https://orcid.org/0000-0002-6176-6822
  • Svitlana Terenchuk Київський національний університет будівництва і архітектури, пр. Повітрофлотський, 31, м. Київ, Україна, 03037, Україна https://orcid.org/0000-0001-6527-4123
  • Yurii Chupryna Київський національний університет будівництва і архітектури, пр. Повітрофлотський, 31, м. Київ, Україна, 03037, Україна https://orcid.org/0000-0001-6945-7904

DOI:

https://doi.org/10.15587/2312-8372.2018.150879

Ключові слова:

адаптивне управління, архітектурно-будівельна галузь, ефективний об’єкт, кластер енергоефективності, стратегічний розвиток

Анотація

Об'єктом дослідження є процес створення адаптивних кластерів енергоефективності архітектурно-будівельної галузі. На сьогоднішній день важливим є вирішення інфраструктурних проблем енергозбереження, тому дослідження направлене на розробку методології створення функціонально стійких адаптивних кластерів в умовах стрімко зростаючого дефіциту енергоресурсної бази.

Одним з найбільш проблемних місць є системні властивості кластерів, які часто стають причиною неадекватності моделей, що розробляються, для перспективного планування та розробки стратегії розвитку кластерних організаційних структур.

В ході дослідження процесів формування і прогнозування можливих сценаріїв розвитку кластерів архітектурно-будівельної галузі особлива увага приділяється аналізу особливостей, що пов’язані з інертністю процесів будівництва та тривалістю життєвого циклу об’єктів будівництва. Зазначені особливості суттєво знижують надійність прогнозування на тривалі проміжки часу за рахунок невизначеності і ризиків різного характеру. Методологія, що розробляється, ґрунтується на імітаційному моделюванні різних траєкторій розвитку кластерів та впровадженні швидких адаптивних алгоритмів зі зворотним зв’язком. Це пов’язано з тим, що сценарії розвитку кожної сформованої кластерної структури лишаються багатоваріантними на протязі усього життєвого циклу внаслідок дії різних суперпозицій факторів впливу середовища. При імітаційному моделюванні вибір найкращих умов кластеризації, що здатні забезпечити максимальний синергічний ефект, ґрунтується на прогнозах, які проводяться з урахуванням різних показників зовнішніх впливів. Множина ймовірних змін в зовнішньому середовищі та ступінь впливу системних властивостей на механізм адаптації кластерів, на даному етапі розробки, визначаються і оцінюються експертами.

Вибір найкращого управління пропонується здійснювати на основі системного аналізу результатів обчислювальних експериментів, що забезпечить формування оптимальної за заданими критеріями структури кластерів та їх адаптивність до швидких і непередбачених змін середовища. Описано процес розробки математичного інструментарію для моделювання оптимальної, за показниками енергоефективності, структури кластеру.

Біографії авторів

Petro Kulikov, Київський національний університет будівництва і архітектури, пр. Повітрофлотський, 31, м. Київ, Україна, 03037

Доктор економічних наук, професор, ректор

Maxim Mykytas, Київський національний університет будівництва і архітектури, пр. Повітрофлотський, 31, м. Київ, Україна, 03037

Кандидат економічних наук

Кафедра архітектурних конструкцій

Svitlana Terenchuk, Київський національний університет будівництва і архітектури, пр. Повітрофлотський, 31, м. Київ, Україна, 03037

Кандидат фізико-математичних наук, доцент

Кафедра інформаційних технологій проектування та прикладної математики

Yurii Chupryna, Київський національний університет будівництва і архітектури, пр. Повітрофлотський, 31, м. Київ, Україна, 03037

Кандидат технічних наук

Кафедра менеджменту в будівництві

Посилання

  1. Krüger, A., Kolbe, T. (2012). Building analysis for urban energy planning using key indicators on virtual 3D city models the energy atlas of Berlin. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 39 (B2), 145–150. doi: http://doi.org/10.5194/isprsarchives-xxxix-b2-145-2012
  2. Teletov, A. S., Sirik, Yu. A., Lyakh, A. V. (2012). Klasterizatsiya kak innovatsionnyy put' promyshlenno-agrarnogo razvitiya regiona. Mekhanіzm regulyuvannya ekonomіki, 2, 82–89.
  3. Mykytas, M. V., Ploskyi, V. O., Kozhedub, S. A. (2018). Doslidzhennia systemnykh oznak enerhoefektyvnykh klasternykh orhanizatsiinykh struktur arkhitekturno-budivelnoi haluzi. Upravlinnia rozvytkom skladnykh system, 35, 68–75.
  4. Zakharchenko, V. I., Zakharchenko, S. V. (2011). Klasternyi pidkhid do pidvyshchennia konkurentospromozhnosti rehioniv Ukrainy. Ukrainskyi heohrafichnyi zhurnal, 2, 28–33.
  5. Peck, F., Cassingena Harper, J., Lubicka, B., Nauwelaers, C., Ketels, C., Lindqvist, G. (2013). The Role of Clusters in Smart Specialisation Strategies. Luxembourg: Publications Office of the European Union, 59. doi: http://doi.org/10.2777/43211
  6. Enright, M. (1996). Regional Clusters and Economic Development: A Research Agenda. Business Networks: Prospects for Regional Development. Berlin: Walterde Gruyter, 190–213. doi: http://doi.org/10.1515/9783110809053.190
  7. Fedorenko, V. H., Hoiko, A. F., Dzhabeilo, V. B. (2007). Klastery – systemnyi instrument pidvyshchennia konkurentospromozhnosti ekonomiky. Ekonomika ta derzhava, 9, 6–9.
  8. Serheychuk, O., Kozhedub, S. (2018). Development of criteria assessment of energy-efficiency and environmental friendliness of construction objects. Energy-Efficiency in Civil Engineering and Architecture, 11, 61–68. doi: http://doi.org/10.32347/2310-0516.2018.11.61-68
  9. Mykytas, M., Terenchuk, S., Zhuravska, N. (2018). Models, Methods and Tools of Optimizing Costs for Development of Clusterized Organizational Structures in Construction Industry. International Journal of Engineering & Technology, 7 (3.2), 250–254. doi: http://doi.org/10.14419/ijet.v7i3.2.14414
  10. Özkara, Y., Atak, M. (2015). Regional total-factor energy efficiency and electricity saving potential of manufacturing industry in Turkey. Energy, 93, 495–510. doi: http://doi.org/10.1016/j.energy.2015.09.036
  11. Che Ibrahim, C. K. I., Costello, S. B., Wilkinson, S. (2015). Key indicators influencing the management of team integration in construction projects. International Journal of Managing Projects in Business, 8 (2), 300–323. doi: http://doi.org/10.1108/ijmpb-04-2014-0028
  12. Armitage, D. R., Plummer, R., Berkes, F., Arthur, R. I., Charles, A. T., Davidson-Hunt, I. J. et. al. (2009). Adaptive co-management for social–ecological complexity. Frontiers in Ecology and the Environment, 7 (2), 95–102. doi: http://doi.org/10.1890/070089
  13. Marshall, A. (1920). Principles of Economics. London: Macmillan and Co., Ltd. Available at: http://www.econlib.org/library/Marshall/marP.html. Last accessed: 10.09.2013
  14. Voinarenko, M. P. (2011). Klastery v instytuciinii ekonomici. Khmelnitsky: HNU, Triada-M., 502.
  15. Ragusa, C., Liotta, A., Pavlou, G. (2005). An adaptive clustering approach for the management of dynamic systems. IEEE Journal on Selected Areas in Communications, 23 (12), 2223–2235. doi: http://doi.org/10.1109/jsac.2005.857203
  16. Dai, B.-R., Huang, J.-W., Yeh, M.-Y., Chen, M.-S. (2006). Adaptive Clustering for Multiple Evolving Streams. IEEE Transactions on Knowledge and Data Engineering, 18 (9), 1166–1180. doi: http://doi.org/10.1109/tkde.2006.137
  17. Waits, M. J. (2003). Advantages of the Business Cluster Approach to Economic Development. Best Practices for Cluster-Based Economic Development.
  18. Slaper, T., Ortuzar, G. (2015). Industry Clusters and Economic Development. Indiana Business Review. Spring, 7–9.
  19. Kumbhakar, S. C., Knox, L. C. A. (2000). Stochastic Frontier Analysis. Сambridge University press, 83. doi: http://doi.org/10.1017/cbo9781139174411
  20. Murzin, A. D., Anopchenko, T. Y. (2014). Economic-Mathematical Modeling of Social and Environmental Risks Management of Projects of Urbanized Territories Development. Asian Social Science, 10 (15), 249–254. doi: http://doi.org/10.5539/ass.v10n15p249
  21. Voss, H. U., Timmer, J., Kurths, J. (2004). Nonlinear dynamical system identification from uncertain and indirect measurements. International Journal of Bifurcation and Chaos, 14 (6), 1905–1933. doi: http://doi.org/10.1142/s0218127404010345
  22. McNelis, P. D. (2005). Neural network in finance: gaining predictive edge in the market. Elsevier Academic Press, 243.
  23. Potocnik, P., Berlec, T., Sluga, A., Govekar, E. (2014). Hybrid Self-Organization Based Facility Layout Planning. Strojniški Vestnik – Journal of Mechanical Engineering, 60 (12), 789–796. doi: http://doi.org/10.5545/sv-jme.2014.1748
  24. Mykytas, M. V., Terenchuk, S. A. (2018). Optymizatsiina zadacha upravlinnia potokorozpodilom resursiv klasternykh orhanizatsiinykh struktur enerhoefektyvnoho budivnytstva. Enerhoefektyvnist v budivnytstvi i arkhitekturi, 10, 77–84.

##submission.downloads##

Опубліковано

2018-05-31

Як цитувати

Kulikov, P., Mykytas, M., Terenchuk, S., & Chupryna, Y. (2018). Розробка методології створення адаптивних кластерів енергоефективності архітектурно-будівельної галузі. Technology Audit and Production Reserves, 6(5(44), 11–16. https://doi.org/10.15587/2312-8372.2018.150879

Номер

Розділ

Розвиток продуктивних сил і регіональна економіка: Оригінальне дослідження