分析投标统计并预测项目成本
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1
生成一个索引， 索引这些项目未来的总成本。这个模型不能预测个人项目未来的 成本。Emsleyet al.(2002)根据来自近 300 个建设项目的输入数据开发了一种神经 网络模型以每平方米的形式预测总的建设成本和每平方米成本的对数。 他开发了 几种神经网络模型，包括有关项目的输入如持续时间、建筑功能、所需的机械设 备和桩的要求。他得出的结论是，神经网络模型与回归模型相比更有利。 投标比率 竞标建设项目涉及很多复杂的因素。 Chua 和 Li(2000)列举了影响承包商投标 决策的许多因素。外部因素是项目的类型和大小，以及技术上的困难。内部因素 包括建筑公司的技术管理和协调、经验、能力评估、要求报酬率、公司的创新能 力和公司执行所需的建设的能力。 建设项目的投标模式必须在一定程度上反映这 些复杂的问题并且可以提供有关项目结果的线索。 可以推测， 在投标情况差不多的时候， 表明一个项目工作是明确的和几乎没 有分歧的工作流程或技术将是完成项目所必需的。因此， 这种性质的招标模式可 能是附近的一个项目，该项目将完成最初的出价金额。或者，一个项目的投标被 广泛传播可以显示该项目没有确切的定义， 投标人之间在完成项目所需的工艺和 设备存在分歧。也许一个没有明确共识的投标人的项目的成本更容易增加。 许多可能的招标模式场景可以被假定。 其他研究人员趋于项目投标可以代表 未来项目的性能。Crowley 和 Hancher(1995)已经确定了三个报价策略。他们发现 了虚伪的投标人的报价有一个持续下降的偏见。 虚伪的投标人反复提交出价很低 的政策。 错误的投标人由于投标过程中的错误提交出价很低的策略。公正的竞拍 者与他们竞争目标市场价值。 潜在的出价比计算值可以表明项目投标的性质，并 可能产生改变订单和成本增加。 可以计算各种比率用以表明特定项目招标模式的性质。 比率被研究了包括从 低报价到最高报价、第二最低报价和平均报价的较低。变异系数常被用于计算对 固有的分布变化的测量。比率值提供了一个衡量项目投标人之间的协议的水平。 德州部门计算了高速公路项目进行的交通工具比率。项目建立从 1995 年到 2000 年的时期。数据集由三个或三个以上投标人的项目组成。比率研究包括比 较从低报价到最高报价、 第二最低报价和平均报价的比较。 变异系数常被用于计 算对固有的分布变化的测量。 比率值提供了一个衡量项目投标人之间的协议的水 平并可以识别是否存在不合理低报价。 比率的计算公式给定如下。比率计算为: 第二个最低投标率=((第二最低出价)-(低出价))/(低报价) (1) 另一个比率测量不同于低报价和平均报价，为: 平均投标率=((平均出价)-(低出价))/(低报价) (2) 这意味着投标比率可能表明投标的集群程度。 如果低报价的比率远远高出平 均出价比率，这可能表明一个错误的报价或项目的成本并没有被一致认可。平均 比率被计算为: 平均报价率=((中位数)——(低出价)/(低报价) (3) 有关与最高报价和低报价的比率计算公式是: 最高投标率=((最高出价)-Low 收购))/(低报价) (4) 该比率表明提交投标的传播， 并指出在提交的投标范围值内是否有重大变化。在 Texas 和 California 的公路建设和重建项目的竞标数据被分析。 作为一种用来测量
������ ������ =1 [(������������������ −������������������ )∗100]
3Hale Waihona Puke Baidu
模型的性能 (Williams et al . 1999 年,1999 年)。 神经网络 神经网络被发现对于复杂的模式识别问题是有用的。在这个例子中，我们正 在探索是否有可识别的模式的比率计算， 可以协助提供改进的最终成本的预测项 目。 神经连接软件从 SPSS 软件包， 识别系统是用于开发神经网络模型(SPSS 1995)。 径向基函数神经网络模型用于神经网络建模。 表 2 使用 t-test 比较 比较 最 低 出 平 均 出 中 值 出 最 大 出 SD/ 平 均 价比率 价比率 价比率 价比率 出价比率 0.0428 0.0026 0.004 组 1， 组 3 0.0197 0.0034 0.1407 0.0303 0.033 组 1， 组 4 0.0155 0.0359 0.0007 0.0012 0.0018 组 2， 组 3 0.0034 0.0001 0.0024 0.0104 0.0114 组 2， 组 4 0.0026 0.0014 径向基函数是一个监督神经网络的算法，学习输入和目标数据之间的映射。 这是一个监督的，与一个人工神经元隐层前馈网络。从概念上讲 ,径向基函数是 一种模拟生物神经元的性质接受激活，这样输入更接近中心的领域时输出很大， 和当输入移动远离中心时输出变小(Adeli2001)。 对于预测项目完工成本的问题，径向基函数由一个输入层招标数据输入，一 个隐藏层节点，和一个输出层。输出层的预测成本完成。开发的神经网络模型需 要产生一个与目标输出数据训练集神经网络使用“学习”模式的数据。这个数据 集必须包含投标数据输入和相应的观测的完成成本。 建立了若干不同的神经网络模型，输出一个完成项目成本的预测。表 3 显示 了为每个神经网络模型所使用的输入， 所有的模型使用的低报价的对数作为输入， 也包括各种组合的投标比率在内。 每个输入记录由一个项目的低报价和投标比率 计算。 来自 2766 个项目的数据用于神经网络的训练和测试。百分之五十的事例 (1383 项目)是从项目数据中随机选择的并用于神经网络的训练。 百分之二十五的 事例(692 项目)被用作在训练监控系统性能的验证数据，百分之二十五(691 项目) 被用来为训练模型提供一个独立的测试集。每个模型使用同一组项目进行培训、 验证和测试神经网络模型预测的准确性的方法。表 3 中计算了三个指标， 他们是 均方误差(MSE)，平均绝对百分比偏差(MAPD)和测试项目预测的百分比在实际完 成项目成本的±5%之内。 平均绝对百分比偏差: ������������������������ =
分析投标统计并预测项目成本
摘要：本文建立了在德州公路建设项目中有关第二个最低报价、平均报价、投标 中值和从最高报价到最低报价的比例关系， 来研究在工程造价中是否存在一种有 用的模式， 即工程完成费用的各个指标。研究发现往往是大的项目的完成成本明 显背离最初的低报价。在工程成本增加了 20%的工程中，和在比最初的工程成本 减少 10%或更多的工程中，这种比例会更大。 在运用了投标比率数据德州高速公路项目中， 使用了回归和神经网络模型来 预测完成开发的成本。 输入数据一般被转换成自然对数。各种组合的计算比率以 及项目的低报价作为模型的输入。模型测试了不同的预测精度。被测试的模型产 生了不同的预算精度，在 41.02%到 54.01%之间变化的测试用例在实际完成工程 造价的 5%。模型在最严密的预测情况下使用平均出价比是一个回归模型,变异系 数和低的出价作为输入。 关键字：投标、施工成本、神经网络、统计分析、高速公路； 简介 在建筑业项目的最终成本往往超过原来的项目预算。 因此有必要找到一种方 法用来鉴别项目中有明显花费的部分。Flyvbjerg et al(2003)讨论了非常大的项目 通常在金额大大超过原始成本估算的情况下是如何构建。并报告了关与 Aalborg 大学的一个项目， 其中包括了来自 258 个交通基础设施的数据项目分别包括桥梁、 隧道、公路、高速公路、高速铁路、城市轨道和传统的铁路项目。研究发现,十 之八九的交通基础设施项目是低估导致成本超支。项目上的平均成本增加 28%。 Love(2002)研究了成本增长 161，澳大利亚使用各种合同类型构建建设项目采购 项目，并发现平均成本的增长是 12.6%。Love 发现之间在采购方法和成本增长之 间没有显著差异。 项目公开招标时， 对提交的报价的有效信息，可以显示出项目的性质和投标 人的能力。 鉴于频繁发现施工项目成本的上升，有必要检查指标中包含的模式提 交建设项目的投标， 这将会预示该项目可能会有显著的成本增加。本文的目的是 探讨可能的使用比率， 这些比率描述了一个项目作为项目成本指标的完成时提交 竞标的特征。此外,用神经网络和回归模型的使用比率预测已完成的项目也将被 研究。 背景 提出了各种模型用于预测项目完工成本。 特别是已被应用于开发建设成本的 预测模型多元回归和神经网络。Williams et al.(1999)提出在新泽西和英国公路建 设项目中低报价和项目完工成本竞争性出价线性相关性高。他还提出，自然对数 转换的低报价和完成成本价值这两个变量之间的关系进一步线性化。 简单线性回 归模型使用低出价的自然对数作为独立变量， 并且项目的最终成本的自然对数也 被计算出来。这些表明了一个简单的回归模型产生合理的预测项目的最终成本。 Wilmot 和 Cheng(2003)所描述的模型来估计在路易斯安那州未来公路建设成 本总体的发展。在模型中,未来建设成本的预测描述索引值基于预测价格的劳动 力、材料、和设备。其他额外因素纳入模型所预期的合同特点和合同环境。模型
2
投标人之间的协议可以计算变异系数的方法: 变异系数= SD/δ (5) SD =一个项目提交投标的标准差,提交投标的平均值。从本质上讲,变异系数是衡 量提交投标的传播度。 比率值 共有 2766 个项目进行了分析。计算比率的平均值如表 1 所示。整个数据集 的平均值以及几个分组的数据表中给出， 子组是项目完成的花费比原来低报价增 加大于 20%的，项目完成的花费比原来低报价增加大于 10%或更少的，项目完成 的花费大于原来低报价的正负 5%的和大于原来低报价的正负 1%的。 此表中各种比率显示一个普遍的趋势。 项目完成了接近于的原始低报价金额 的比率往往较低。项目从初始低报价金额的比率显著偏离往往更高。有趣的是， 比率值越高的项目的完成远远少于最初的报价金额 统计分析的比率差异 我们可以得出这样的结论，如果项目组的意义不同，我们则使用的 t-test 和 two-sample 区别两个独立的团体。 平等的方差没有假设， 数据类型和巨大的样本 证明有一个假设或者是大约或者是正态分布。表 2 表明用 t-test 比较各组，一共 有四个比较，项目之间的比较是成本增加大于 20%(组 1)和项目原始完成投标价 格的正负 5%(组 3)。 第 1 组也是项目完成的花费大于原始投标价格的 1%内(组 4)。 成本增加是原始投标价格的 10%或更少(组 2)。 分析比率表明完成项目花费远远不同于初始报价金额的比率值和完成项目 花费接近于初始报价金额的比率值之间有显著差异。 比率的升高值被认为是项目 完成的重大偏差的意思。 然而， 高比率值似乎出现在项目成本大幅上涨和项目完 成远低于最初的出价金额。当 t-test 用来比较组 1、组 2 时，是不可能得出比率 显著不同的结论。 因此， 不能得出项目完成远低于原始报价的比率和项目完成远 高于原始报价的比率的不同。 预测模型 统计分析表明，项目的比率提供了一个显示的结果， 这部分主要探讨如何融 入比率数据预测模型。 神经网络和回归都是探索潜在的使用方式用于完成项目的 投标比率， 提高预测成本。所有输入数据的回归和神经网络模型是使用自然对数 表 1 投标比率 组别 项目数 第二个最 平均出 中值出 最大出 SD/δ 低出价比 价比 价比 价比 2766 0.0720 0.1290 0.1137 0.2925 0.1085 总工程 >20% 235 0.0799 0.1517 0.1236 0.3641 0.1323 >10% 80 0.0942 0.1756 0.1542 0.3922 0.1415 1502 0.0664 0.1233 0.1080 0.2826 0.1055 ±5% 429 0.0664 0.1298 0.1106 0.2656 0.1111 ±1% 的转换。已经发现,这种数据转换通过线性化数据改善两种回归和神经网络
生成一个索引， 索引这些项目未来的总成本。这个模型不能预测个人项目未来的 成本。Emsleyet al.(2002)根据来自近 300 个建设项目的输入数据开发了一种神经 网络模型以每平方米的形式预测总的建设成本和每平方米成本的对数。 他开发了 几种神经网络模型，包括有关项目的输入如持续时间、建筑功能、所需的机械设 备和桩的要求。他得出的结论是，神经网络模型与回归模型相比更有利。 投标比率 竞标建设项目涉及很多复杂的因素。 Chua 和 Li(2000)列举了影响承包商投标 决策的许多因素。外部因素是项目的类型和大小，以及技术上的困难。内部因素 包括建筑公司的技术管理和协调、经验、能力评估、要求报酬率、公司的创新能 力和公司执行所需的建设的能力。 建设项目的投标模式必须在一定程度上反映这 些复杂的问题并且可以提供有关项目结果的线索。 可以推测， 在投标情况差不多的时候， 表明一个项目工作是明确的和几乎没 有分歧的工作流程或技术将是完成项目所必需的。因此， 这种性质的招标模式可 能是附近的一个项目，该项目将完成最初的出价金额。或者，一个项目的投标被 广泛传播可以显示该项目没有确切的定义， 投标人之间在完成项目所需的工艺和 设备存在分歧。也许一个没有明确共识的投标人的项目的成本更容易增加。 许多可能的招标模式场景可以被假定。 其他研究人员趋于项目投标可以代表 未来项目的性能。Crowley 和 Hancher(1995)已经确定了三个报价策略。他们发现 了虚伪的投标人的报价有一个持续下降的偏见。 虚伪的投标人反复提交出价很低 的政策。 错误的投标人由于投标过程中的错误提交出价很低的策略。公正的竞拍 者与他们竞争目标市场价值。 潜在的出价比计算值可以表明项目投标的性质，并 可能产生改变订单和成本增加。 可以计算各种比率用以表明特定项目招标模式的性质。 比率被研究了包括从 低报价到最高报价、第二最低报价和平均报价的较低。变异系数常被用于计算对 固有的分布变化的测量。比率值提供了一个衡量项目投标人之间的协议的水平。 德州部门计算了高速公路项目进行的交通工具比率。项目建立从 1995 年到 2000 年的时期。数据集由三个或三个以上投标人的项目组成。比率研究包括比 较从低报价到最高报价、 第二最低报价和平均报价的比较。 变异系数常被用于计 算对固有的分布变化的测量。 比率值提供了一个衡量项目投标人之间的协议的水 平并可以识别是否存在不合理低报价。 比率的计算公式给定如下。比率计算为: 第二个最低投标率=((第二最低出价)-(低出价))/(低报价) (1) 另一个比率测量不同于低报价和平均报价，为: 平均投标率=((平均出价)-(低出价))/(低报价) (2) 这意味着投标比率可能表明投标的集群程度。 如果低报价的比率远远高出平 均出价比率，这可能表明一个错误的报价或项目的成本并没有被一致认可。平均 比率被计算为: 平均报价率=((中位数)——(低出价)/(低报价) (3) 有关与最高报价和低报价的比率计算公式是: 最高投标率=((最高出价)-Low 收购))/(低报价) (4) 该比率表明提交投标的传播， 并指出在提交的投标范围值内是否有重大变化。在 Texas 和 California 的公路建设和重建项目的竞标数据被分析。 作为一种用来测量
������ ������ =1 [(������������������ −������������������ )∗100]
3Hale Waihona Puke Baidu
模型的性能 (Williams et al . 1999 年,1999 年)。 神经网络 神经网络被发现对于复杂的模式识别问题是有用的。在这个例子中，我们正 在探索是否有可识别的模式的比率计算， 可以协助提供改进的最终成本的预测项 目。 神经连接软件从 SPSS 软件包， 识别系统是用于开发神经网络模型(SPSS 1995)。 径向基函数神经网络模型用于神经网络建模。 表 2 使用 t-test 比较 比较 最 低 出 平 均 出 中 值 出 最 大 出 SD/ 平 均 价比率 价比率 价比率 价比率 出价比率 0.0428 0.0026 0.004 组 1， 组 3 0.0197 0.0034 0.1407 0.0303 0.033 组 1， 组 4 0.0155 0.0359 0.0007 0.0012 0.0018 组 2， 组 3 0.0034 0.0001 0.0024 0.0104 0.0114 组 2， 组 4 0.0026 0.0014 径向基函数是一个监督神经网络的算法，学习输入和目标数据之间的映射。 这是一个监督的，与一个人工神经元隐层前馈网络。从概念上讲 ,径向基函数是 一种模拟生物神经元的性质接受激活，这样输入更接近中心的领域时输出很大， 和当输入移动远离中心时输出变小(Adeli2001)。 对于预测项目完工成本的问题，径向基函数由一个输入层招标数据输入，一 个隐藏层节点，和一个输出层。输出层的预测成本完成。开发的神经网络模型需 要产生一个与目标输出数据训练集神经网络使用“学习”模式的数据。这个数据 集必须包含投标数据输入和相应的观测的完成成本。 建立了若干不同的神经网络模型，输出一个完成项目成本的预测。表 3 显示 了为每个神经网络模型所使用的输入， 所有的模型使用的低报价的对数作为输入， 也包括各种组合的投标比率在内。 每个输入记录由一个项目的低报价和投标比率 计算。 来自 2766 个项目的数据用于神经网络的训练和测试。百分之五十的事例 (1383 项目)是从项目数据中随机选择的并用于神经网络的训练。 百分之二十五的 事例(692 项目)被用作在训练监控系统性能的验证数据，百分之二十五(691 项目) 被用来为训练模型提供一个独立的测试集。每个模型使用同一组项目进行培训、 验证和测试神经网络模型预测的准确性的方法。表 3 中计算了三个指标， 他们是 均方误差(MSE)，平均绝对百分比偏差(MAPD)和测试项目预测的百分比在实际完 成项目成本的±5%之内。 平均绝对百分比偏差: ������������������������ =
分析投标统计并预测项目成本
摘要：本文建立了在德州公路建设项目中有关第二个最低报价、平均报价、投标 中值和从最高报价到最低报价的比例关系， 来研究在工程造价中是否存在一种有 用的模式， 即工程完成费用的各个指标。研究发现往往是大的项目的完成成本明 显背离最初的低报价。在工程成本增加了 20%的工程中，和在比最初的工程成本 减少 10%或更多的工程中，这种比例会更大。 在运用了投标比率数据德州高速公路项目中， 使用了回归和神经网络模型来 预测完成开发的成本。 输入数据一般被转换成自然对数。各种组合的计算比率以 及项目的低报价作为模型的输入。模型测试了不同的预测精度。被测试的模型产 生了不同的预算精度，在 41.02%到 54.01%之间变化的测试用例在实际完成工程 造价的 5%。模型在最严密的预测情况下使用平均出价比是一个回归模型,变异系 数和低的出价作为输入。 关键字：投标、施工成本、神经网络、统计分析、高速公路； 简介 在建筑业项目的最终成本往往超过原来的项目预算。 因此有必要找到一种方 法用来鉴别项目中有明显花费的部分。Flyvbjerg et al(2003)讨论了非常大的项目 通常在金额大大超过原始成本估算的情况下是如何构建。并报告了关与 Aalborg 大学的一个项目， 其中包括了来自 258 个交通基础设施的数据项目分别包括桥梁、 隧道、公路、高速公路、高速铁路、城市轨道和传统的铁路项目。研究发现,十 之八九的交通基础设施项目是低估导致成本超支。项目上的平均成本增加 28%。 Love(2002)研究了成本增长 161，澳大利亚使用各种合同类型构建建设项目采购 项目，并发现平均成本的增长是 12.6%。Love 发现之间在采购方法和成本增长之 间没有显著差异。 项目公开招标时， 对提交的报价的有效信息，可以显示出项目的性质和投标 人的能力。 鉴于频繁发现施工项目成本的上升，有必要检查指标中包含的模式提 交建设项目的投标， 这将会预示该项目可能会有显著的成本增加。本文的目的是 探讨可能的使用比率， 这些比率描述了一个项目作为项目成本指标的完成时提交 竞标的特征。此外,用神经网络和回归模型的使用比率预测已完成的项目也将被 研究。 背景 提出了各种模型用于预测项目完工成本。 特别是已被应用于开发建设成本的 预测模型多元回归和神经网络。Williams et al.(1999)提出在新泽西和英国公路建 设项目中低报价和项目完工成本竞争性出价线性相关性高。他还提出，自然对数 转换的低报价和完成成本价值这两个变量之间的关系进一步线性化。 简单线性回 归模型使用低出价的自然对数作为独立变量， 并且项目的最终成本的自然对数也 被计算出来。这些表明了一个简单的回归模型产生合理的预测项目的最终成本。 Wilmot 和 Cheng(2003)所描述的模型来估计在路易斯安那州未来公路建设成 本总体的发展。在模型中,未来建设成本的预测描述索引值基于预测价格的劳动 力、材料、和设备。其他额外因素纳入模型所预期的合同特点和合同环境。模型
2
投标人之间的协议可以计算变异系数的方法: 变异系数= SD/δ (5) SD =一个项目提交投标的标准差,提交投标的平均值。从本质上讲,变异系数是衡 量提交投标的传播度。 比率值 共有 2766 个项目进行了分析。计算比率的平均值如表 1 所示。整个数据集 的平均值以及几个分组的数据表中给出， 子组是项目完成的花费比原来低报价增 加大于 20%的，项目完成的花费比原来低报价增加大于 10%或更少的，项目完成 的花费大于原来低报价的正负 5%的和大于原来低报价的正负 1%的。 此表中各种比率显示一个普遍的趋势。 项目完成了接近于的原始低报价金额 的比率往往较低。项目从初始低报价金额的比率显著偏离往往更高。有趣的是， 比率值越高的项目的完成远远少于最初的报价金额 统计分析的比率差异 我们可以得出这样的结论，如果项目组的意义不同，我们则使用的 t-test 和 two-sample 区别两个独立的团体。 平等的方差没有假设， 数据类型和巨大的样本 证明有一个假设或者是大约或者是正态分布。表 2 表明用 t-test 比较各组，一共 有四个比较，项目之间的比较是成本增加大于 20%(组 1)和项目原始完成投标价 格的正负 5%(组 3)。 第 1 组也是项目完成的花费大于原始投标价格的 1%内(组 4)。 成本增加是原始投标价格的 10%或更少(组 2)。 分析比率表明完成项目花费远远不同于初始报价金额的比率值和完成项目 花费接近于初始报价金额的比率值之间有显著差异。 比率的升高值被认为是项目 完成的重大偏差的意思。 然而， 高比率值似乎出现在项目成本大幅上涨和项目完 成远低于最初的出价金额。当 t-test 用来比较组 1、组 2 时，是不可能得出比率 显著不同的结论。 因此， 不能得出项目完成远低于原始报价的比率和项目完成远 高于原始报价的比率的不同。 预测模型 统计分析表明，项目的比率提供了一个显示的结果， 这部分主要探讨如何融 入比率数据预测模型。 神经网络和回归都是探索潜在的使用方式用于完成项目的 投标比率， 提高预测成本。所有输入数据的回归和神经网络模型是使用自然对数 表 1 投标比率 组别 项目数 第二个最 平均出 中值出 最大出 SD/δ 低出价比 价比 价比 价比 2766 0.0720 0.1290 0.1137 0.2925 0.1085 总工程 >20% 235 0.0799 0.1517 0.1236 0.3641 0.1323 >10% 80 0.0942 0.1756 0.1542 0.3922 0.1415 1502 0.0664 0.1233 0.1080 0.2826 0.1055 ±5% 429 0.0664 0.1298 0.1106 0.2656 0.1111 ±1% 的转换。已经发现,这种数据转换通过线性化数据改善两种回归和神经网络