国内外智能估价常模型的特点分析

国内外智能估价常模型的特点分析
发布时间：2022-04-28T02:25:42.298Z 来源：《工程管理前沿》2022年第1月第1期作者：丁鑫彦唐静王雅菲陈语邵锦涛
[导读] 工程造价是指工程项目建设所需花费的全部费用
丁鑫彦唐静王雅菲陈语邵锦涛
摘要：工程造价是指工程项目建设所需花费的全部费用。

工程造价估算的准确性和高效性，直接影响着项目的投资决策和工程成本控制等方面。

随着建筑行业发展，工程总承包招投标、装配式建筑设计、设计方案优化等诸多环节都需要快速准确的造价估算。

本文主要对国内外智能估价模型进行介绍和特点阐述，并指出其优缺点，最终得出结论：投资估算方法都需要有强大的数学基础作为依托。

关键词：智能估价；模型；工程造价
Abstract: The project cost refers to the total cost of the construction of the project. The accuracy and efficiency of the project cost estimation directly affect the investment decision and project cost control of the project. With the development of the construction industry, many aspects such as EPC bidding, prefabricated architectural design, and design scheme optimization require fast and accurate cost estimation. This paper mainly introduces and elaborates the characteristics of intelligent valuation models at home and abroad, and points out their advantages and disadvantages, and finally concludes that investment estimation methods need to have a strong mathematical foundation as a basis.
Keywords: Intelligent valuation; Model; Engineering cost
前言：工程造价是指工程项目建设所需花费的全部费用。

工程造价估算的准确性和高效性，直接影响着项目的投资决策和工程成本控制等方面。

随着工程建设和计算机科学的快速发展，传统的估价方法已无法满足现代工程的要求，出现了更多现代投资估算方法。

1.国内外现代投资估算方法
随着计算机应用的推广，出现了多种以现代数学为理论基础的投资估算方法。

其代表方法有回归估算法、模糊估算法、神经网络法。

1.1回归估算法
该方法[1-3]认为任何两个工程都不可能完全相同，基于这种观点，1974年英国的Kouskuolas和Kohcn二人经过大量的研究和试验，发现建筑物的造价可以由一些公开的指标回归后获得，这种方法具有较高的使用价值，可以通过收集限定地点和限定时间的已完开发项目的成本资料，提高估算模型的适用性和精度。

回归估算法有多种估算模型[4]，包括一元回归模型、多元回归模型和主成分回归模型。

1.1.1一元回归模型
一元回归模型为最基本、最简单的回归模型，该模型只考虑一种因素对工程建设的影响，其解释变量和被解释变量满足一元线性方程。

但是，此模型难以反映复杂的变量关系。

1.1.2多元回归模型
多元回归模型在一元回归模型的基础上，根据实际建设情况，考虑到更多的影响因素。

在此模型当中任何一个自变量都会对因变量产生影响，都在一定程度上决定了因变量的值。

由于各因素产生的影响程度不相同，引入回归常数、偏回归系数和随机因素来进行不同影响程度的表示，目前利用SPSS软件可以自动完成参数的估计值计算。

1.1.3主成分回归模型
主成分分析法是进行多元线性回归分析的重要辅助方法，是利用降维的思想分析多变量数据的一种统计分析方法。

该方法可以从大量的变量当中选取少量不相关的新变量，但这些新变量可以代表原本变量中的绝大部分信息，这些新变量可被称为主成分。

主成分让原本大量的指标简化成了几个关键指标，并且最大程度的将各类特征指标反应了出来。

较于多元回归模型，主成分回归模型化繁为简，但又不缺失关键因素的影响。

在实际操作中，主成分分析法可利用SPSS软件直接计算得出相应结果，简洁方便。

由于回归分析法是对多个样本数据进行回归，易于发现带有共性的规律。

但是，如果对所有投资分项都不加区别，一律采用回归分析法来估算，结果很有可能偏离实际，不能达到准确估算的目的。

1.2模糊估算法
把模糊数学理论引入工程项目造价估算中，是王祯显首先提出的[5]。

模糊估算法是基于某些已完项目资料的特征，用模糊数学理论进行聚类分析以确定类别[6,7]。

首先构建隶属函数，然后根据隶属函数及新项目的特征对待算工程项目进行归类，再选取同类已完工程项目中与其最相似的三个工程项目作为相似样本，建立相似样本与待算工程项目的估算模型，最后按照贴近度计算出待算工程项目的造价，并结合当前建筑材料价格、质量要求、市场等实际情况作以适当的调整。

在评价过程中，涉及的指标可以分为定量指标和定性指标。

定量指标可以准确计算且评判结果很容易被接受，而定性指标需要进行量化。

评价人员会受主观因素的影响，提供不一定正确的评价信息，导致定性指标的量化存在一定的误差。

因此，在评价过程中采用模糊数学的方法较为合理。

模糊估算法目前运用比较广泛，且没有神经网络法所存在的缺陷。

但是，关于隶属函数的建立，方法有主观评分法、相对选择法、模糊统计法等多种，主要依靠经验从现有的隶属函数中选择，或直接采用专家打分法确定。

因此，在判断与拟建项目贴近度最大的三个项目的环节中具有一定的主观性。

1.3神经网络法
人工神经网络作为一门新兴的学科，目前已被视为人工智能发展的一个重要方向。

它是由大量简单处理单元广泛连接而成，用以模拟人脑行为的复杂网络系统。

目前在投资估算中主要有三种神经网络模型[8-10]，分别是误差反向传播（ BP ）网络，径向基函数（RBF）网络和模糊神经网络。

其方法如下：①将建筑工程项目进行分类，如住宅类、办公类、工业类等；②在每一类别中，考虑影响该类项目投资额的主要因素，把这些主要因素特征抽取出来，作为模型的输入，将投资估算值作为网络的输出；③建立网络结构和网络的训练；④将拟建项目的特征值输入训练好的网络中，即可计算该项目的投资估算值。

1.3.1误差反向传播（BP）网络模型
BP（Back Propagation）神经网络[11,12]是一种阶层型神经网络学习算法，具有最少三层的神经网络，包括导入数据层、隐含层和输出结果层。

其中，隐含层至少有一层，如果希望提高精度，可以通过增加层数或者增加神经元数量来实现目标，增加神经元数量在结构上比增加隐含层数简单。

BP神经网络算法有很强的信息处理能力，具有特点：①信息分布存储，②信息并行处理，③具有容错性，④具有自学
习、自组织、自适应的能力。

但是由于BP神经网络算法采用的是一种梯度下降法，所以存在学习速率过慢，容易陷入极值，网络拓扑结构难以确定等缺陷。

1.3.2径向基函数（RBF）网络模型
RBF（Radial Basic Function）由J. Moody和C. Darken提出，是一种将输入矢量扩展或者预处理到高维空间中的神经网络学习方法。

它是一种常用的三层前馈神经网络[13]，从函数逼近功能角度来讲，是一种典型的局部逼近神经网络，具有以下特点：①以坚实的数学基础为依托，②可以以极高的精度预测非线性时间序列，且速度极快，③能用于高维空间的内插和外推，④适合解决高维问题，⑤具有很强的鲁棒性和容错性，⑥具有很强的自学习能力，具有创新特点。

和一般的多层神经网络不同，RBF神经网络的隐含层对输入进行固定的非线性传递，隐含层仅为每个隐节点选择其中心向量。

理论上来说，RBF网络和BP网络都可以近似任何的连续非线性函数，两者主要差别在作用函数的不同。

BP网络的作用函数值在输入空间中无限大的范围内为非零值，RBF网络的作用函数是局部的。

1.3.3模糊神经网络模型
模糊神经网络可以集模糊数学逻辑推理的强大结构性知识表达能力与神经网络的强大学习能力的优点于一体，它是模糊逻辑推理与神经网络有机结合的产物[14]。

将模糊技术和神经网络技术进行结合可以有效发挥各自的优势并且弥补不足。

模糊技术特长在于逻辑推理能力，将模糊技术引入神经网络，拓宽了神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处理模糊信息或其他不精确信息。

神经网络在学习和自动模式识别方面有极强的优势，采取神经网络技术来进行模糊信息处理，则使模糊规则的自动提取及模糊隶属函数的自动生成有可能得以解决，使模糊系统能够成为一种自适应模糊系统。

模糊神经网络可分为前向型模糊神经网络和反馈型模糊神经网络。

前者由模糊化网层、模糊关系映射网层和去模糊化网层构成，是可实现模糊映射关系的模糊神经网络。

后者可实现模糊联想存储与映射的网络，与一般反馈型神经网络不同的是，反馈型模糊神经网络中的信息处理单元是模糊神经元，模糊神经元比一般的联想与映射局域更大的吸引域和容错能力。

神经网络估算模型具有高度的非线性运算、自学习、自组织能力和高速运算能力，因此对于过去的项目资料中由于人为或其它因素造成的偏差有自动纠偏功能。

但其对样本的数量要求较大，且不同的神经网络具有不同的网络结构和优缺点，具体运用时需要考虑各自的缺陷加以改进。

2.国内外传统估价方法
传统的投资估算方法都是在收集大量样本基础上加以分析总结。

主要包括生产能力指数法、系数估算法、单位面积造价估算法和资金周转率法。

2.1生产能力指数法
该方法[15]是生产能力指数法是根据已建成的、性质类似的建设项目或生产装置的投资额和生产能力以及拟建生产装置的生产能力估算项目的投资额。

生产能力指数法的计算流程通常可分为三个步骤：
（1）计算设备投资额；
（2）估算拟建项目投资额；
（3）编制固定资产投资估算表。

该方法计算简单、速度快，只需要建立在两个相类似项目之间的参数关系上即可，但这也带来了投资估算的准确程度较差的问题，一般用于总承包工程估价的旁证。

2.2系数估算法
系数估算法也称为因子估算法，它是以拟建项目的主体工程费或主要设备费为基数，以其它工程费占主体工程费的百分比为系数来估算项目总投资的方法。

系数估算法的种类较多，国内常用的方法有设备系数法和主体专业系数法，世行项目投资估算常用的方法是朗格系数法[16]。

朗格系数法以设备购置费为基础，乘以适当系数来推算项目的静态总投资,基本原理是将静态总投资中的直接成本和间接成本分别计算，再合为建设项目的静态总投资。

朗格系数法估算误差一般可以控制在10%-15%[17]。

2.3单位面积造价估算法
这是1962年成立的英国“工程造价信息服务部”提出的造价估算模型[18]，它选择最类似的一个己完工程的数据，按照六个部分分别估算。

这六个部分是基础部分、主体部分、内装修部分、外装修部分、设备安装部分和公共设施部分。

模型使用简单，但其估算精度依赖于作为基准的工程，这带有较大主观性使得它的精度一般，仅仅适用于相似程度很高的两个工程项目的投资估算，通用性差。

2.4时间序列关系估算法
时间序列是一组有很大关联性，并且比较有序的随机数据。

在考虑价格指数时需要对时间的影响加以考虑。

在这种思想的基础上，形成了时间序列关系估算法[19]。

目前，时间序列关系估算法主要有三种：简单移动平均估算法、时序加权移动平均估算法和指数加权移动平均估算法。

2.4.1简单移动平均估算法
该方法是将价格指数按相同的时间段划分为若干组，然后依次向前平移一个数据，计算各组的算术平均数作为下一时间段的预测值。

一般来说，数据越多，干扰因素影响越小，预测结果更稳妥，可以更好地反映数据的规律；反之，数据越少，干扰因素影响越大，预测结果可能出现较大误差。

因此，在进行估算时要谨慎进行数据的选择。

简单移动平均估算法虽然简单易行，但存在两个问题：一方面是认为各组数据的权重是相等的，另一方面是存在“滞后偏差”问题。

2.4.2时序加权移动平均估算法
该方法在简单移动平均估算法的基础上，按离预测期从远到近的顺序，依次从小到大确定各组数据的权重。

用该方法对价格指数进行预测，模型对干扰因素较敏感，预测结果相对于简单移动平均估算法得出的结果较为科学合理。

时序加权移动平均估算法虽然修正了“滞后偏差”问题，但以时序作为权数，对时序依赖过大，缺乏灵活性。

2.4.3指数加权移动平均估算法
该方法引入加权指数，加权指数在大于零小于一的范围内根据经验取值，增加了模型的灵活性。

总结
综合来看，上述造价估算方法都有较严格的数学基础和其优点，但它们也有各自的一些不足，且大部分估价模型多依据已知的造价数
据角度进行改进，但并未系统地建立起历史造价数据库。

现代造价估算模型的发展必定是需要依据过去的及现在的己知造价数据。

可以说数据是智能估价的根本。

因此，挖掘和利用历史造价数据，将建筑工程项目特征定量化以此建立历史造价数据库是改进常用估算模型，提高其准确性、高效性的一个有效思路。

参考文献
[1] Gwang-Hee Kim，Sung-Hoon An，Kyung-In Kang. Comparison of construction costs estimating models based on regression analysis, neural networks, and case-based reasoning[J]. Building and Environment，2004，39: 1235-1242.
[2] 马辉．建设工程项目快速投资估算方法研究[D]．天津大学，2006.
[3] 包若凡．商业地产投资估算方法研究[D]．西安建筑科技大学，2006.
[4] 纪旭阳. 基于主成分回归法的可研阶段建设工程造价估算模型及实例研究[D]. 南昌大学，2020：18-20.
[5] 刘婷婷. 工程项目投资估算模型及专家系统研究[D]. 华北电力大学.2018.
[6] 吴立之. 工程投资估算的新方法-模糊指数平滑法[D]．大连理工大学，2003.
[7] 温宇平，王渍湘．建筑装饰工程的模糊估价模型及其应用[J]．工业建筑，2002(02)．22-24.
[8] 杨毅. 基于人工神经网络的快速建筑工程估算方法研究[D]．重庆大学，2007.
[9] 段晓牧. 基于 RBF 神经网络的非确定性工程投资估算新方法的研究[D]．辽宁工程技术大学，2003.
[10] 吴子燕. 基于人工神经网络的高校建筑工程造价预测系统的研究与应用[D]．西北工业大学，2006.
[11] 粟维政. 基于BP神经网络的住宅建筑设计阶段造价审核方法研究[D]. 广东工业大学.2013.
[12] 王勃，杨占秋. 基于GA-BP神经网络的砌体结构拆除造价预测[J]. 吉林大学学报，2021，38(5): 7-11.
[13] 刘月，刘铁林. 基于径向基函数和自组织映射的导弹控制系统健康状态评估[J/OL]. 兵工学报，2021.
[14] 张文宇，刘畅. 基于改进模糊神经网络的公共建筑节能改造费用估算研究[J]. 计算机与数字工程，2019，10(47): 2517-2523.
[15] 陆菲，马迪. 某化肥厂技术改造项目投资估算研究[D]. 辽宁化工，2021,49(1): 54-56.
[16] 全国造价工程师执业资格考试培训教材编审委员会. 工程造价管理基础理论与相关法规(2006. 年版)[M]. 北京:中国计划出版社. 2006.
[17] 郝建新. 美国工程造价管理[M]. 天津:南开大学出版社，2001.
[18] 杨东侯. 建筑工程投资估算方法研究[D]. 中南大学，2005.
[19] 宋高丽. 基于不确定因素影响下的房地产开发项目投资估算方法研究[D]. 昆明理工大学.2008.。