Богдан Богданович Попик

doi:10.36074/grail-of-science.02.10.2026.003

ТОЧНІСТЬ ІДЕНТИФІКАЦІЇ МАТЕРІАЛЬНО-ТЕХНІЧНИХ РЕСУРСІВ ЯК ПЕРЕДУМОВА ЗІСТАВНОСТІ ЦІНОВИХ ДАНИХ У СИСТЕМАХ МОНІТОРИНГУ ЦІН

Authors

Богдан Богданович Попик Національний університет «Львівська політехніка», Україна https://orcid.org/0009-0001-1786-5153

DOI:

https://doi.org/10.36074/grail-of-science.02.10.2026.003

Keywords:

система моніторингу цін, матеріально-технічні ресурси, точність Ч ідентифікації, статистичний контроль якості, проектно-кошторисна документація, кошторисна назва ресурсів, вартість будівництва, дослідження ринку, формування вартості

Summary

У статті досліджено вплив точності ідентифікації матеріально-технічних А ресурсів на зіставність цінових даних у системах моніторингу поточних цін. Показано, що середня ціна ресурсу має економічний зміст лише за однорідної вибірки цінових пропозицій, а помилка ідентифікації відрізняється від аномального значення ціни і не Запропоновано засміченості вибірки як робочий показник зіставності. Класичну межу максимального зсуву медіани в моделі засмічення адаптовано до задачі ідентифікації, завдяки чому нормативний рівень точності обґрунтовано розрахунком, а не експертно. За результатами обчислювального експерименту на масиві цінових пропозицій, ідентифікованих алгоритмом Okapi BM25 із подальшою повною ручною перевіркою, установлено, що висока загальна точність ідентифікації не гарантує зіставності на рівні окремого ресурсу, а переважна більшість помилок не виходить за межі однієї групи шифрів, тому основним резервом підвищення точності є уточнення описів ресурсів у нормативному довіднику. Розроблено методику статистичного контролю точності ідентифікації.

Downloads

PDF

Downloads

Download data is not yet available.

License

References

Кодифікатор будівельної продукції: наказ Міністерства розвитку громад та Н територій України від 24.12.2025 № 1839. (2025).

Кошторисні норми України. Ресурсні елементні кошторисні норми на будівельні Ч роботи: наказ Міністерства розвитку громад та територій України від 31.12.2021 № 374. (2021).

Попик, Б. (2024). СУЧАСНІ СИСТЕМИ МОНІТОРИНГУ ЦІН НА МАТЕРІАЛЬНІ РЕСУРСИ О У БУДІВНИЦТВІ: ПРИНЦИПИ РОБОТИ ТА ВИКЛИКИ. Економіка та суспільство, (64). https://doi.org/10.32782/2524-0072/2024-64-33

Попик, Б., & Мельник, В. (2025). ПІДВИЩЕННЯ ТОЧНОСТІ МОНІТОРИНГУ ЦІН НА БУДІВЕЛЬНІ МАТЕРІАЛИ ТА РОЛЬ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ У ЦЬОМУ ПРОЦЕСІ. Цифрова економіка та економічна безпека, (2 (17), 303-306. https://doi.org/10.32782/dees.17-49

Попик, Б., Тузін, О., & Мельник, В. (2026). МЕТОДИ ПРОГНОЗУВАННЯ ПОТОЧНОЇ К РИНКОВОЇ ЦІНИ НА МАТЕРІАЛЬНІ РЕСУРСИ БУДІВНИЦТВА В СИСТЕМАХ МОНІТОРИНГУ ЦІН. Економіка та суспільство, (85). https://doi.org/10.32782/2524- 0072/2026-85-37

Про деякі особливості визначення вартості будівництва в умовах воєнного стану: Н постанова Кабінету Міністрів України від 19.11.2025 № 1512. (2025).

Agresti, A. (2013). Categorical data analysis (3rd ed.). Hoboken, NJ: John Wiley & Sons. В

Brown, L. D., Cai, T. T., & DasGupta, A. (2001). Interval estimation for a binomial Е proportion. Statistical Science, 16(2), 101–133. https://doi.org/10.1214/ss/1009213286

Cochran, W. G. (1977). Sampling techniques (3rd ed.). New York: John Wiley & Sons.

Dodge, H. F. (1969). Notes on the evolution of acceptance sampling plans: Part I. Journal of Quality Technology, 1(2), 1–12.

Flower, T. (2017). Research indices using web scraped price data: August 2017 update. Newport: Office for National Statistics.

Mathews, L. (2009). Learning from Imbalanced Data. IEEE Transactions on Knowledge and Data Engineering. https://doi.org/10.1109/TKDE.2008.239

Huber, P. J. (1964). Robust estimation of a location parameter. The Annals of Mathematical Statistics, 35(1), 73–101. https://doi.org/10.1214/aoms/1177703732

Huber, P. J., & Ronchetti, E. M. (2009). Robust statistics (2nd ed.). Hoboken, NJ: John Wiley & Sons.

International Labour Office, International Monetary Fund, OECD, Eurostat, UNECE, & World Bank. (2020). Consumer price index manual: Concepts and methods. Washington, DC: International Monetary Fund.

Kuha, J., & Skinner, C. (1997). Categorical data analysis and misclassification. In L. Lyberg, P. Biemer, M. Collins, E. De Leeuw, C. Dippo, N. Schwarz, & D. Trewin (Eds.), Survey measurement and process quality (pp. 633–670). New York: John Wiley & Sons.

Neyman, J. (1934). On the two different aspects of the representative method: The method of stratified sampling and the method of purposive selection. Journal of the Royal Statistical Society, 97(4), 558–625.

Robertson, S., & Zaragoza, H. (2009). The probabilistic relevance framework: BM25 and beyond. Foundations and Trends in Information Retrieval, 3(4), 333–389. https://doi.org/10.1561/1500000019

Scholtus, S., & van Delden, A. (2020). On the accuracy of estimators based on a binary classifier (Discussion Paper). The Hague: Statistics Netherlands.

Silla, C. N., & Freitas, A. A. (2011). A survey of hierarchical classification across different application domains. Data Mining and Knowledge Discovery, 22(1–2), 31–72. https://doi.org/10.1007/s10618-010-0175-9

Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for Information Processing & Management, 45(4), 427–437. https://doi.org/10.1016/j.ipm.2009.03.002

Spackman, W., DeVilliers, G., Ritter, C., & Goussev, S. (2023). Identifying and mitigating misclassification: A case study of the machine learning lifecycle in price indices with web- scraped clothing data. Meeting of the Group of Experts on Consumer Price Indices. Geneva: United Nations.

Spackman, W., Francis, J., & Goussev, S. (2025). Optimal use of machine learning at scale: Designing quality control of machine learning classification and mitigating misclassification error. 17th Meeting of the Group of Experts on Consumer Price Indices. Geneva: United Nations.

van Delden, A., Scholtus, S., & Burger, J. (2016). Accuracy of mixed-source statistics as affected by classification errors. Journal of Official Statistics, 32(3), 619–642. https://doi.org/10.1515/jos-2016-0032

Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Association, https://doi.org/10.1080/01621459.1927.10502953