關于工程造價成本估算方法研究

高蛟

摘 要：工程估價作業為項目生命周期中相當基本且重要的一環，然而隨著計算機技術的逐步成熟與不同理論方法的引進，如：統計理論、多元線性回歸、案例式推理、蒙地卡羅仿真與人工智能領域，工程估價的相關研究，已由傳統詳細估價階段的成本分析及計算機技術發展，而回溯至構想規劃及初步設計時間的粗略、概略估價的成本估算準確性研究[1]。一般而言，在相關理論的導入下，新建立的估算方法確實能夠達到精確度提高的估價成果。因此，該文將就工程成本概算相關研究進行探討、分析，作為本研究模式發展的基礎。

關鍵詞：工程 造價 成本 估算 研究

中圖分類號：TU72 文獻標識碼：A 文章編號：1674-098X（2015）08（a）-0071-02

1 工程估價

工程估價，顧名思義即為根據工程項目的實際條件、主觀需求及客觀限制估算出符合工程項目的合理成本。但隨著角色的轉換、工程進度的推進，估價的類型亦隨之變化。基于估價的目標在于提供可行度高的估算成本的原則下作業，因此對于估價類型需作清楚的定義，以設定合理的假設與研究范圍。以下針對工程估價的類型、估算方法及工程成本的分類方式進行介紹。

1.1 粗略估價（Order of Magnitude Estim

ate）

工程初步構想規劃階段，在短期內為提供投資者作為項目工程可行性評估分析的初值。屬于經驗數值，可藉由過去實際成本數據作為推估工程造價依據，基本上系以兩變量之間關系來推算建筑造價。

1.2 概略估價（conceptual estimate）

概估系應用于草圖計劃及設計發展階段，時間較為充裕，但礙于細部設計尚未完成，仍需依賴初期系統設計圖或配置圖與經驗數據從事估價 。

1.3 詳細估價（detail estimate）

工程完成細部設計后，須從事詳細估價。細估與粗估主要差異在于工程作業項目與工程資源項目分項的精細。在細部設計完成階段，必須先訂定施工計劃，根據工作內容、施工方法及有關技術、質量規范及建材設備等精確計算各工程項目數量與市場調查單價，進行單價分析以獲得較精確的工程造價成本。

2 工程成本粗估模式架構

工程成本粗估所使用的模式，為整體估價作業的核心。模式使用的適當與否將影響后續估算成本的準確性。目前相關研究所提出的估價模式有：多元線性回歸、案例式推理及人工智能領域的類神經網絡[2]。配合所述的方法，以下藉由相關研究文獻，對各估價模式文獻進行探討。

2.1 多元線性回歸

針對建筑工程的集合住宅類案例，以簡單回歸的方式，建立工程造價推估模式。經回歸方程式的造價趨向中價位區段，高價位區段需乘以1.15系數，低價位區段需除以1.25系數；以計算實際案例造價水準。

2.2 類神經網絡

幾年來，人工智能領域對于工程估價方面的研究多有相當不錯的成果。以類神經網

路（Back-PropagationNeuralNetwork）

取代過去常用的統計估算法、專家估算法、蒙地卡羅模擬及多元線性回歸。可以9個實際案例作為模式訓練、測試組合的配對基礎，經反復訓練、測試后，以8個訓練案例及1個測試案例[3]，在類神經網絡估算系統上表現的比其他各種估算方法，更為準確。其選取應用于類神經網絡估算模式的輸入變量包括下列4項：

（1）地質狀況。

（2）建筑項目總坪數。

（3）地上樓層數。

（4）地下樓層數。

輸出變數：工程每平米造價。

3 案例式推導

以案例式推理（Case-BasedReasoni

ng，CBR）作為估算核心，由歷史案例來表示過去的知識與經驗。該研究以過去102個實際工程案例為基礎，建立一個適用于建筑工程在規劃、初步設計時間的成本概算系統。應用案例式推理最重要的關鍵在于案例的比對與擷取后案例的修正。對此，該研究對于屬性對應值型式為字符串者，采完整比對（exactmatch），對應值型式為數值（Value）采絕對模糊范圍比對（absolutefuzzyrangematch），而推論出工程成本以最相似案例的相似值進行修正。在經過案例測試后，其中兩個案例工程費用平均誤差在10%～15%，3個案例工程費用平均誤差在15%～20%。相較于傳統概估法，雖未見明顯提升，但估算準確率尚在接受范圍[4]。因此，可說該系統的估算結果具一定的準確性。如前所述，案例式推理應用的關鍵點，在于案例比對屬性與其權重的定訂，此二者將決定所搜尋案例的適用與否。一般而言，權重的決定多透過專家訪談或問卷發放的方式而定出，雖然藉此能夠訂立出較合理、符合實際的屬性權重，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整其成本。就項目內容的復雜程度而言，仍可能產生內容無法完全表達，進而造成準確性不佳。經由以上探討，基于各模式的限制性與問題點，使得建立的估價模式仍無法完全符合實際估價作業的需求，進而造成估算成本準確性不佳。

3.1 主項比例估價法

有鑒于傳統參數估價法的缺點以類神經模糊系統于土石方工程成本估價的應用，提出利用工程單價、數量分離的主項比例估價方式，結果證明能夠反應實時物價，并能有效將精度控制在10%的范圍的內。營建專案通常由數以百項或千項的工項所構成，且非?；ㄙM金錢和時間去得到全部營建專案中的成本工項的數量與單價，然而用80/20法則解決了這問題。簡單的說，80%的項目成本決定于20%的成本工項，因此最重要的20%成本工項所估算的數量可代替全部工項的總估算數量。如近年來鋼骨、鋼筋、金屬建材及砂石等基礎建材大幅上漲，工程成本結構發生變化，連帶的亦會影響到概估系統的精準度[5]。

3.2 主項比例估價法與類神經模糊網絡系統

結合主項比例估價法（PrincipalItemsRatioEstimationMethod，PIREM）與類

神經模糊網絡系統（Neuro-fuzzysystem），

考量工程單價成本隨地點、時間的不同而進行波動的現象，以及地區實施定額制估價與工程量列表報價的不同。本研究的總造價成本系統精準度為85.56%～97.16%，平均精準度為90.55%。探究對于某些工程案例的系統精準度較低的原因，應與不同工程中多會有其各工程所獨具的特殊昂貴材料有關。一但這些特殊的裝修材料過多或過于昂貴時，將大大地影響了工程成本的造價比率，同時亦會使得工程成本結構發生變化，連帶的亦會影響到概估系統的精準度。

4 演化式建筑成本概算系統

結合三種理論（模糊邏輯推論、類神經網絡、基因算法），結合三種理論的EFNIM，能夠綜合彼此優勢，彌補單一理論的缺點。EFNIM成本概算特性以經驗導向、簡略地估算方法及歷史案例為基礎[6]。本模式建立在于智能推論模式，模式的發展是基邏輯模擬人腦的推論程序。輸入10個變量（基地面積、鄰戶建損戶數、總樓地板面積、地上樓層數、地下樓層數、規劃戶數、地質狀況、震區、裝修等級、機電及設備等級），輸出變量1個，即工程每坪造價[7]。本研究提升估價作業的準確性，將粗估作業的誤差降低至±15%以下。

5 結語

分析工程中造價的方法很多，但一般分析的過程繁瑣且需完整的設計數據方能順利進利。對于土地開發階段工程造價推估會有很大的困難。而從工程生命周期的角度來看，從土地開發、構想、規劃、設計、施工及營運等不同階段，個別需要不同精確度的估計方法。尤其在土地開發階段，更需要一個簡單而快速又精確的造價推估方式來進行計算建筑個案投資報酬率，以做為土地開發的重要決策參考[7]。不論是構想階段的規模粗估（orderofmagnitudeestimates）或者是規劃階段常采用的單位面積推算，均屬計劃前期較簡易的估計法。而關系模式則為進一步運用歷史數據探討推測變量與變量間關系的數學函數法。若能掌握推估模型的重要關系模式，則可兼顧粗估模型的簡易性與精確性，來滿足土地開發階段工程造價推估的需求。

如Herbsman（1986年）即提出對影響工程投入的因子，如集合住宅戶數、樓層高度、面寬等，以相關分析及利用回歸分析的判定系數，評選符合使用者要求水平的簡單或多元回歸方程式，來估計工程造價。Karshenas（1883年）則提出以總樓層數與平均樓層面積的相乘模式為基礎的造價推估模式。

對于影響工程成本概算因素的歸納，可將影響因素區分為兩大類。第一類為現地環境因素，第二類為主觀需求因素[8]?，F地環境因素指的是經實際調查后，可能對于工程項目產生影響的現地條件、外在經濟狀況及外圍環境影響等。而主觀需求因素為業主對于項目建立的內容需求及規劃設計單位的初步設計內容?？梢娊㈥P系模式系建立良好推估方法的主要研究取向。而推測變量的顯著性與建立符合實質關系的推估模型則是推估成功的關鍵。

回歸分析用于預測，是一種非常實用的一種分析方法?；貧w分析系利用線性關系來進行解釋與預測[9]。通常一個研究中，影響依變量的解釋變項不只一個，此時需建立一套包含多個解釋變項的多元回歸模型，同時納入多個自變量來對依變量進行解釋與預測，稱為多元回歸。

多元回歸中逐步回歸分析可以滿足預測型回歸所強調目的：以最少的變項來達成對依變量項最大的預測力。因為逐步回歸法是利用各解釋變項與依變項的相關的相對強弱，來決定哪些解釋變項應納入、何時納入回歸方程式。預測型回歸由于不是以變項關系的厘清為目的[10]，而是以建立最佳方程式為目標。理論在預測型回歸中，多被應用于說明回歸模型在實務應用的價值，以及有效達成問題解決機制，以期在最低的成本下，獲致最大實務價值。

參考文獻

[1]（美）FrankR.Dagostino，（美）LeslieFeigenbaum，著，周愛軍，譯.建筑工程估算[M].機械工業出版社，2006.

[2]（美）帕維茲F.拉德（ParvizF.Rad），著.項目估算與成本管理[M].北京廣聯達慧中軟件技術有限公司，譯.機械工業出版社，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.