高蛟

摘 要：工程估價(jià)作業(yè)為項(xiàng)目生命周期中相當(dāng)基本且重要的一環(huán)，然而隨著計(jì)算機(jī)技術(shù)的逐步成熟與不同理論方法的引進(jìn)，如：統(tǒng)計(jì)理論、多元線性回歸、案例式推理、蒙地卡羅仿真與人工智能領(lǐng)域，工程估價(jià)的相關(guān)研究，已由傳統(tǒng)詳細(xì)估價(jià)階段的成本分析及計(jì)算機(jī)技術(shù)發(fā)展，而回溯至構(gòu)想規(guī)劃及初步設(shè)計(jì)時(shí)間的粗略、概略估價(jià)的成本估算準(zhǔn)確性研究[1]。一般而言，在相關(guān)理論的導(dǎo)入下，新建立的估算方法確實(shí)能夠達(dá)到精確度提高的估價(jià)成果。因此，該文將就工程成本概算相關(guān)研究進(jìn)行探討、分析，作為本研究模式發(fā)展的基礎(chǔ)。

關(guān)鍵詞：工程 造價(jià) 成本 估算 研究

中圖分類(lèi)號(hào)：TU72 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）08（a）-0071-02

1 工程估價(jià)

工程估價(jià)，顧名思義即為根據(jù)工程項(xiàng)目的實(shí)際條件、主觀需求及客觀限制估算出符合工程項(xiàng)目的合理成本。但隨著角色的轉(zhuǎn)換、工程進(jìn)度的推進(jìn)，估價(jià)的類(lèi)型亦隨之變化?；诠纼r(jià)的目標(biāo)在于提供可行度高的估算成本的原則下作業(yè)，因此對(duì)于估價(jià)類(lèi)型需作清楚的定義，以設(shè)定合理的假設(shè)與研究范圍。以下針對(duì)工程估價(jià)的類(lèi)型、估算方法及工程成本的分類(lèi)方式進(jìn)行介紹。

1.1 粗略估價(jià)（Order of Magnitude Estim

ate）

工程初步構(gòu)想規(guī)劃階段，在短期內(nèi)為提供投資者作為項(xiàng)目工程可行性評(píng)估分析的初值。屬于經(jīng)驗(yàn)數(shù)值，可藉由過(guò)去實(shí)際成本數(shù)據(jù)作為推估工程造價(jià)依據(jù)，基本上系以?xún)勺兞恐g關(guān)系來(lái)推算建筑造價(jià)。

1.2 概略估價(jià)（conceptual estimate）

概估系應(yīng)用于草圖計(jì)劃及設(shè)計(jì)發(fā)展階段，時(shí)間較為充裕，但礙于細(xì)部設(shè)計(jì)尚未完成，仍需依賴(lài)初期系統(tǒng)設(shè)計(jì)圖或配置圖與經(jīng)驗(yàn)數(shù)據(jù)從事估價(jià) 。

1.3 詳細(xì)估價(jià)（detail estimate）

工程完成細(xì)部設(shè)計(jì)后，須從事詳細(xì)估價(jià)。細(xì)估與粗估主要差異在于工程作業(yè)項(xiàng)目與工程資源項(xiàng)目分項(xiàng)的精細(xì)。在細(xì)部設(shè)計(jì)完成階段，必須先訂定施工計(jì)劃，根據(jù)工作內(nèi)容、施工方法及有關(guān)技術(shù)、質(zhì)量規(guī)范及建材設(shè)備等精確計(jì)算各工程項(xiàng)目數(shù)量與市場(chǎng)調(diào)查單價(jià)，進(jìn)行單價(jià)分析以獲得較精確的工程造價(jià)成本。

2 工程成本粗估模式架構(gòu)

工程成本粗估所使用的模式，為整體估價(jià)作業(yè)的核心。模式使用的適當(dāng)與否將影響后續(xù)估算成本的準(zhǔn)確性。目前相關(guān)研究所提出的估價(jià)模式有：多元線性回歸、案例式推理及人工智能領(lǐng)域的類(lèi)神經(jīng)網(wǎng)絡(luò)[2]。配合所述的方法，以下藉由相關(guān)研究文獻(xiàn)，對(duì)各估價(jià)模式文獻(xiàn)進(jìn)行探討。

2.1 多元線性回歸

針對(duì)建筑工程的集合住宅類(lèi)案例，以簡(jiǎn)單回歸的方式，建立工程造價(jià)推估模式。經(jīng)回歸方程式的造價(jià)趨向中價(jià)位區(qū)段，高價(jià)位區(qū)段需乘以1.15系數(shù)，低價(jià)位區(qū)段需除以1.25系數(shù)；以計(jì)算實(shí)際案例造價(jià)水準(zhǔn)。

2.2 類(lèi)神經(jīng)網(wǎng)絡(luò)

幾年來(lái)，人工智能領(lǐng)域?qū)τ诠こ坦纼r(jià)方面的研究多有相當(dāng)不錯(cuò)的成果。以類(lèi)神經(jīng)網(wǎng)

路（Back-PropagationNeuralNetwork）

取代過(guò)去常用的統(tǒng)計(jì)估算法、專(zhuān)家估算法、蒙地卡羅模擬及多元線性回歸?？梢?個(gè)實(shí)際案例作為模式訓(xùn)練、測(cè)試組合的配對(duì)基礎(chǔ)，經(jīng)反復(fù)訓(xùn)練、測(cè)試后，以8個(gè)訓(xùn)練案例及1個(gè)測(cè)試案例[3]，在類(lèi)神經(jīng)網(wǎng)絡(luò)估算系統(tǒng)上表現(xiàn)的比其他各種估算方法，更為準(zhǔn)確。其選取應(yīng)用于類(lèi)神經(jīng)網(wǎng)絡(luò)估算模式的輸入變量包括下列4項(xiàng)：

（1）地質(zhì)狀況。

（2）建筑項(xiàng)目總坪數(shù)。

（3）地上樓層數(shù)。

（4）地下樓層數(shù)。

輸出變數(shù)：工程每平米造價(jià)。

3 案例式推導(dǎo)

以案例式推理（Case-BasedReasoni

ng，CBR）作為估算核心，由歷史案例來(lái)表示過(guò)去的知識(shí)與經(jīng)驗(yàn)。該研究以過(guò)去102個(gè)實(shí)際工程案例為基礎(chǔ)，建立一個(gè)適用于建筑工程在規(guī)劃、初步設(shè)計(jì)時(shí)間的成本概算系統(tǒng)。應(yīng)用案例式推理最重要的關(guān)鍵在于案例的比對(duì)與擷取后案例的修正。對(duì)此，該研究對(duì)于屬性對(duì)應(yīng)值型式為字符串者，采完整比對(duì)（exactmatch），對(duì)應(yīng)值型式為數(shù)值（Value）采絕對(duì)模糊范圍比對(duì)（absolutefuzzyrangematch），而推論出工程成本以最相似案例的相似值進(jìn)行修正。在經(jīng)過(guò)案例測(cè)試后，其中兩個(gè)案例工程費(fèi)用平均誤差在10%～15%，3個(gè)案例工程費(fèi)用平均誤差在15%～20%。相較于傳統(tǒng)概估法，雖未見(jiàn)明顯提升，但估算準(zhǔn)確率尚在接受范圍[4]。因此，可說(shuō)該系統(tǒng)的估算結(jié)果具一定的準(zhǔn)確性。如前所述，案例式推理應(yīng)用的關(guān)鍵點(diǎn)，在于案例比對(duì)屬性與其權(quán)重的定訂，此二者將決定所搜尋案例的適用與否。一般而言，權(quán)重的決定多透過(guò)專(zhuān)家訪談或問(wèn)卷發(fā)放的方式而定出，雖然藉此能夠訂立出較合理、符合實(shí)際的屬性權(quán)重，但人為主觀判斷仍難以避免。此外，搜尋所得的相似案例，一般皆以人為修正方式調(diào)整其成本。就項(xiàng)目?jī)?nèi)容的復(fù)雜程度而言，仍可能產(chǎn)生內(nèi)容無(wú)法完全表達(dá)，進(jìn)而造成準(zhǔn)確性不佳。經(jīng)由以上探討，基于各模式的限制性與問(wèn)題點(diǎn)，使得建立的估價(jià)模式仍無(wú)法完全符合實(shí)際估價(jià)作業(yè)的需求，進(jìn)而造成估算成本準(zhǔn)確性不佳。

3.1 主項(xiàng)比例估價(jià)法

有鑒于傳統(tǒng)參數(shù)估價(jià)法的缺點(diǎn)以類(lèi)神經(jīng)模糊系統(tǒng)于土石方工程成本估價(jià)的應(yīng)用，提出利用工程單價(jià)、數(shù)量分離的主項(xiàng)比例估價(jià)方式，結(jié)果證明能夠反應(yīng)實(shí)時(shí)物價(jià)，并能有效將精度控制在10%的范圍的內(nèi)。營(yíng)建專(zhuān)案通常由數(shù)以百項(xiàng)或千項(xiàng)的工項(xiàng)所構(gòu)成，且非?；ㄙM(fèi)金錢(qián)和時(shí)間去得到全部營(yíng)建專(zhuān)案中的成本工項(xiàng)的數(shù)量與單價(jià)，然而用80/20法則解決了這問(wèn)題。簡(jiǎn)單的說(shuō)，80%的項(xiàng)目成本決定于20%的成本工項(xiàng)，因此最重要的20%成本工項(xiàng)所估算的數(shù)量可代替全部工項(xiàng)的總估算數(shù)量。如近年來(lái)鋼骨、鋼筋、金屬建材及砂石等基礎(chǔ)建材大幅上漲，工程成本結(jié)構(gòu)發(fā)生變化，連帶的亦會(huì)影響到概估系統(tǒng)的精準(zhǔn)度[5]。

3.2 主項(xiàng)比例估價(jià)法與類(lèi)神經(jīng)模糊網(wǎng)絡(luò)系統(tǒng)

結(jié)合主項(xiàng)比例估價(jià)法（PrincipalItemsRatioEstimationMethod，PIREM）與類(lèi)

神經(jīng)模糊網(wǎng)絡(luò)系統(tǒng)（Neuro-fuzzysystem），

考量工程單價(jià)成本隨地點(diǎn)、時(shí)間的不同而進(jìn)行波動(dòng)的現(xiàn)象，以及地區(qū)實(shí)施定額制估價(jià)與工程量列表報(bào)價(jià)的不同。本研究的總造價(jià)成本系統(tǒng)精準(zhǔn)度為85.56%～97.16%，平均精準(zhǔn)度為90.55%。探究對(duì)于某些工程案例的系統(tǒng)精準(zhǔn)度較低的原因，應(yīng)與不同工程中多會(huì)有其各工程所獨(dú)具的特殊昂貴材料有關(guān)。一但這些特殊的裝修材料過(guò)多或過(guò)于昂貴時(shí)，將大大地影響了工程成本的造價(jià)比率，同時(shí)亦會(huì)使得工程成本結(jié)構(gòu)發(fā)生變化，連帶的亦會(huì)影響到概估系統(tǒng)的精準(zhǔn)度。

4 演化式建筑成本概算系統(tǒng)

結(jié)合三種理論（模糊邏輯推論、類(lèi)神經(jīng)網(wǎng)絡(luò)、基因算法），結(jié)合三種理論的EFNIM，能夠綜合彼此優(yōu)勢(shì)，彌補(bǔ)單一理論的缺點(diǎn)。EFNIM成本概算特性以經(jīng)驗(yàn)導(dǎo)向、簡(jiǎn)略地估算方法及歷史案例為基礎(chǔ)[6]。本模式建立在于智能推論模式，模式的發(fā)展是基邏輯模擬人腦的推論程序。輸入10個(gè)變量（基地面積、鄰戶(hù)建損戶(hù)數(shù)、總樓地板面積、地上樓層數(shù)、地下樓層數(shù)、規(guī)劃戶(hù)數(shù)、地質(zhì)狀況、震區(qū)、裝修等級(jí)、機(jī)電及設(shè)備等級(jí)），輸出變量1個(gè)，即工程每坪造價(jià)[7]。本研究提升估價(jià)作業(yè)的準(zhǔn)確性，將粗估作業(yè)的誤差降低至±15%以下。

5 結(jié)語(yǔ)

分析工程中造價(jià)的方法很多，但一般分析的過(guò)程繁瑣且需完整的設(shè)計(jì)數(shù)據(jù)方能順利進(jìn)利。對(duì)于土地開(kāi)發(fā)階段工程造價(jià)推估會(huì)有很大的困難。而從工程生命周期的角度來(lái)看，從土地開(kāi)發(fā)、構(gòu)想、規(guī)劃、設(shè)計(jì)、施工及營(yíng)運(yùn)等不同階段，個(gè)別需要不同精確度的估計(jì)方法。尤其在土地開(kāi)發(fā)階段，更需要一個(gè)簡(jiǎn)單而快速又精確的造價(jià)推估方式來(lái)進(jìn)行計(jì)算建筑個(gè)案投資報(bào)酬率，以做為土地開(kāi)發(fā)的重要決策參考[7]。不論是構(gòu)想階段的規(guī)模粗估（orderofmagnitudeestimates）或者是規(guī)劃階段常采用的單位面積推算，均屬計(jì)劃前期較簡(jiǎn)易的估計(jì)法。而關(guān)系模式則為進(jìn)一步運(yùn)用歷史數(shù)據(jù)探討推測(cè)變量與變量間關(guān)系的數(shù)學(xué)函數(shù)法。若能掌握推估模型的重要關(guān)系模式，則可兼顧粗估模型的簡(jiǎn)易性與精確性，來(lái)滿足土地開(kāi)發(fā)階段工程造價(jià)推估的需求。

如Herbsman（1986年）即提出對(duì)影響工程投入的因子，如集合住宅戶(hù)數(shù)、樓層高度、面寬等，以相關(guān)分析及利用回歸分析的判定系數(shù)，評(píng)選符合使用者要求水平的簡(jiǎn)單或多元回歸方程式，來(lái)估計(jì)工程造價(jià)。Karshenas（1883年）則提出以總樓層數(shù)與平均樓層面積的相乘模式為基礎(chǔ)的造價(jià)推估模式。

對(duì)于影響工程成本概算因素的歸納，可將影響因素區(qū)分為兩大類(lèi)。第一類(lèi)為現(xiàn)地環(huán)境因素，第二類(lèi)為主觀需求因素[8]?，F(xiàn)地環(huán)境因素指的是經(jīng)實(shí)際調(diào)查后，可能對(duì)于工程項(xiàng)目產(chǎn)生影響的現(xiàn)地條件、外在經(jīng)濟(jì)狀況及外圍環(huán)境影響等。而主觀需求因素為業(yè)主對(duì)于項(xiàng)目建立的內(nèi)容需求及規(guī)劃設(shè)計(jì)單位的初步設(shè)計(jì)內(nèi)容?？梢?jiàn)建立關(guān)系模式系建立良好推估方法的主要研究取向。而推測(cè)變量的顯著性與建立符合實(shí)質(zhì)關(guān)系的推估模型則是推估成功的關(guān)鍵。

回歸分析用于預(yù)測(cè)，是一種非常實(shí)用的一種分析方法。回歸分析系利用線性關(guān)系來(lái)進(jìn)行解釋與預(yù)測(cè)[9]。通常一個(gè)研究中，影響依變量的解釋變項(xiàng)不只一個(gè)，此時(shí)需建立一套包含多個(gè)解釋變項(xiàng)的多元回歸模型，同時(shí)納入多個(gè)自變量來(lái)對(duì)依變量進(jìn)行解釋與預(yù)測(cè)，稱(chēng)為多元回歸。

多元回歸中逐步回歸分析可以滿足預(yù)測(cè)型回歸所強(qiáng)調(diào)目的：以最少的變項(xiàng)來(lái)達(dá)成對(duì)依變量項(xiàng)最大的預(yù)測(cè)力。因?yàn)橹鸩交貧w法是利用各解釋變項(xiàng)與依變項(xiàng)的相關(guān)的相對(duì)強(qiáng)弱，來(lái)決定哪些解釋變項(xiàng)應(yīng)納入、何時(shí)納入回歸方程式。預(yù)測(cè)型回歸由于不是以變項(xiàng)關(guān)系的厘清為目的[10]，而是以建立最佳方程式為目標(biāo)。理論在預(yù)測(cè)型回歸中，多被應(yīng)用于說(shuō)明回歸模型在實(shí)務(wù)應(yīng)用的價(jià)值，以及有效達(dá)成問(wèn)題解決機(jī)制，以期在最低的成本下，獲致最大實(shí)務(wù)價(jià)值。

參考文獻(xiàn)

[1]（美）FrankR.Dagostino，（美）LeslieFeigenbaum，著，周愛(ài)軍，譯.建筑工程估算[M].機(jī)械工業(yè)出版社，2006.

[2]（美）帕維茲F.拉德（ParvizF.Rad），著.項(xiàng)目估算與成本管理[M].北京廣聯(lián)達(dá)慧中軟件技術(shù)有限公司，譯.機(jī)械工業(yè)出版社，2005.

[3]Frean M.The upstart algorithm， A method for constructing and training feedforword neural networks[J].Neural Computation，1990，2（2）：198-209.

[4]Niu Dong xiao.The adjutment gray model to load forecasting of power system[J].The Joural of Gray Systems，1994.

[5]Kusiak A.Rough Set Theory： A Data Mining Tool for Semiconductor Manufacturing[J]. IEEE Transactions on Electronics Packaging Manufacturing，2001，24

（1）：44-50.

[6]Bourke，K，Ramdas，V，Singh，S，et al.Achieving whole life value in infrastructure and buildings.2005.

[7]Saket M M.Cost Significance Applied to Estimating and Control of Construction Projects.1986.

[8]CUI BaoShan HU Bo ZHAI HongJuan WEI GuoLiang WANG Juan School ofEnvironment，Beij

ing Normal University；State Key Joint Laboratory of Environmental Simulation and Pollution Contro，Beijing 100875，China.Study on the interaction between engineering construction and ecosystem changes in the Longitudinal Range-Gorge Region[J].Chinese Science Bulletin，2007（S2）：21-32.

[9]Beauboef T，Ladner R，Petry F.Rough set spatial data modeling for data mining[J].International Journal of Intelligent Systems，2004，19（7）：567-

584.

[10]Shang，C，Shen，Q.Rough Feature Selection for Neural NetworkBased Image Clas-sifiction[J].International Journal of Image and Graphics.2002，2（4）：

541-555.