工程建設項目成本估算方法研究綜述

吳青龍 陳小衛 韓志超

(航天工程大學，北京 102206)

0 引言

隨著社會經濟的快速發展，我國建筑行業轉型升級面臨巨大挑戰。為了應對激烈的市場競爭，建筑企業急需提升工程項目管理水平，進而提升企業核心競爭力。成本管理是工程建設項目管理的重要環節，尤其需要重視項目的成本估算。本文通過對國內外工程建設項目成本估算相關文獻進行研究，闡述工程建設項目成本管理現狀和發展趨勢，旨在提升我國工程建設項目管理水平。

1 國外工程建設項目成本估算方法研究綜述

國外工程建設項目成本估算相關研究起步較早，研究成果較為豐富，且注重工程建設項目的成本管理。國外工程建設項目成本估算方法的發展歷程分為以下三個階段。

1.1 第一階段——基于簡單類比的估算方法

1962年，英國工程造價信息服務部提出了BCIS估算模型。該模型以一個最類似的已完工工程數據為基礎，根據待估算工程與已完工工程的相似程度調整相乘系數，最后求和得到投資估算總額[1]。該模型在20世紀五六十年代應用較為廣泛。

該模型只需找到一個相似的已完工工程項目，根據相似程度確定調整系數，計算方便簡單。然而，工程項目具有一定的獨特性，很難找到極其相似的兩個工程項目，因此該模型的估算結果誤差較大、準確性較低。

1.2 第二階段——基于現代數學的估算方法

該方法在20世紀七八十年代應用較為廣泛，主要包括回歸分析和蒙特卡洛模擬。為了克服簡單類比估算方法的不足，英國學者Kouskoulas和Kohen于1974年提出利用回歸分析進行建設項目成本估算，并利用38個已完工工程數據進行驗證。研究結果表明，該估算方法準確性高達99.8%，明顯優于第一階段的估算模型[2]。但是，該方法沒有考慮時間因素，也存在一定的不足。工程建設項目持續時間長、影響因素較多，對估算結果的準確性具有一定影響。同時，工程建設項目具有較高的復雜性和不確定性，其成本受到很多復雜因素的影響且各因素之間具有很強的關聯性。因此，該估算方法具有一定的局限性。

20世紀80年代初期，為了提升工程建設項目成本估算的準確性，英國學者David使用基于蒙特卡洛模擬和專家知識庫計算工程實際成本的概率分布，由此產生了基于蒙特卡洛模擬的估算方法[3]。該方法首先針對各分項工程給出成本的先驗概率。其次，由計算機模擬得到一個隨機數，并進入下一個分項工程，結合該項工程的先驗概率，得到一個隨機數。不斷重復該過程，直至將全部工程模擬完畢。最后，將所有分項工程成本求和得到最終估算結果。

綜上所述，該階段估算方法的優點在于估算結果主要根據大量歷史統計數據，準確性較高；缺點是需要基于大量的歷史數據以及復雜的計算確定先驗概率，計算過程較為復雜。

1.3 第三階段——基于人工智能的估算方法

隨著信息技術的快速發展，人工智能在工程、經濟、金融等領域得到廣泛應用。特別是在工程建設領域，人工智能技術有效提升了工程項目成本估算的準確性和便捷性。人工智能的估算方法包括模糊邏輯、人工神經網絡、支持向量機以及混合模型和優化改進等。Haytha對人工智能和參數化建筑成本估算模型最新進展進行了深入研究。研究結果表明：通過計算機智能、人工智能和機器學習技術能夠開發適用且準確的成本預測模型；運用混合模型進行參數化成本估算建模是未來的發展趨勢，可以有效提高估算模型的性能和準確度[4]。

2 國內工程建設項目成本估算方法研究綜述

我國工程建設項目成本估算方法研究起步較晚。近年來，研究人員對工程建設項目成本估算方法進行了大量創新實踐，極大地提高了工程建設項目成本估算效率。我國的工程建設項目成本估算方法可以分為傳統估算方法和現代估算方法兩大類。

2.1 傳統估算方法

傳統的工程建設項目成本估算方法包括單位生產能力投資估算法、生產能力估算指數法、比例估算法、朗格系數法[5]。

2.1.1 單位生產能力投資估算法

單位生產能力投資估算法是指參照類似項目的單位生產能力投資對新建設項目進行估算。該方法以生產能力和基建投資的比例關系為基礎，且需要已完工項目與待估算項目具有較高的相似性和可比性。同時，需要對估算結果進行調整，以提升精準性。

2.1.2 生產能力估算指數法

生產能力估算指數法以兩個同類型企業的生產能力為基礎，假設兩者之間的投資額與生產能力之比的指數冪具有正比例關系，通過計算對應關系求出投資估算額。通常，生產能力指數為0.6，因此又稱0.6指數法。

該方法體現了工程成本與規模之間的非線性關系，計算簡單便捷，但精確度不高，且需要兩個工程之間有較高的相似性，否則估算結果誤差較大。

2.1.3 比例估算法

比例估算法通過計算同類已完工項目設備投資與固定資產投資的比例，對擬建項目的主要設備投資進行估算，再利用比例關系計算擬建項目的固定資產投資。

該方法需要以大量的歷史資料數據為基礎。然而，在工程建設初期，由于數據資料缺乏、市場調研不足，且類比關系難以確定，該方法估算精度較低。

2.1.4 郎格系數法

郎格系數法是以設備費乘以調整系數對擬建項目成本進行估算[6]。該方法計算較為簡單，但缺乏對設備質量的考慮，因此估算結果存在較大誤差。

2.2 現代估算方法

2.2.1 基于概率統計與回歸分析的工程建設項目成本估算方法

基于概率統計的工程建設項目成本估算方法能夠有效降低成本估算中的不確定性?；貧w分析能夠確定工程建設項目成本與相關因素之間的關系，因此被廣泛應用于工程建設項目成本估算。

李存斌等[7]運用三角分布進行投資估算，以解決工程費用受不確定性因素影響的問題。楊莉等[8]基于貝葉斯推理原理構建項目成本概率動態預測模型，并證明該模型具有較好的適用性和精確度。馬輝等[9]基于大量歷史數據，通過R軟件建立回歸模型并擬合回歸方程，通過對比分析發現，該模型可靠性較高。左蘇[10]提出使用主成分因子分析法提取新的變量因子以解決多重共線性問題，并建立主成分回歸預測模型。研究結果表明，該模型精確度達90%以上，具有較高的可靠性。

綜上所述，基于概率統計的工程建設項目成本估算方法能夠有效解決不確定性問題，計算簡單便捷、實用性較強。但是，該方法依賴于專家對不確定性因素的經驗和認識，具有一定的主觀性。而基于回歸分析的工程建設項目成本估算方法能夠通過歷史數據分析成本的變化趨勢，體現成本與影響因素之間的邏輯規律。但是，該方法更適用于模式較為成熟的工程建設項目。

2.2.2 基于模糊數學的工程成本估算方法

1965年，美國數學家扎德提出模糊數學理論，以解決客觀事物無法精確定義的模糊問題?；谠摾碚?，王禎顯[11]指出，利用模糊數學進行成本估算具有較高的精確性，且計算速度較快，缺點在于難以確定工程特征向量、隸屬函數和調整系數。邵良杉等[12]以大量已完工工程數據為基礎，運用模糊理論建立造價估算模型。實例證明，該模型計算簡單、結果可靠。藍榮梅[13]通過對貼近度歸一化處理得到平滑指數，將模糊數學與指數平滑法相結合。成本預測結果顯示，速度與精度均得到一定程度的提升。

基于模糊數學的工程建設項目成本估算方法精度較高、邏輯嚴密、科學合理。該方法不同于傳統的簡單類比方法，能夠更加科學地反映人對事物感知的模糊性。其缺點在于難以確定隸屬函數且計算較為復雜。

2.2.3 基于人工神經網絡的工程建設項目成本估算方法

人工神經網絡是一種通過模擬人腦神經網絡結構處理問題的模型，常用于問題識別、分類和預測。該方法適用于解決復雜的非線性問題，并具有預測功能。

邵良杉等[14]運用BP神經網絡模型進行造價估算，并證明該方法計算簡單、結果準確，且適用于快速報價。匡亞萍[15]為克服BP神經網絡收斂慢、易陷入局部極小點，且推廣能力受限等缺點，提出使用RBF神經網絡進行估算，取得了較好的效果。段曉牧[16]提出，使用RBF神經網絡對非確定性工程進行投資估算，能夠降低工程造價受不確定性因素的影響。劉書賢等[17]將RBF神經網絡應用于高層辦公樓工程造價估算，并與BP神經網絡方法對比，發現其估算精度優于后者，且泛化能力較強。吳倩等[18]建立基于因子分析的RBF神經網絡估算模型，并驗證該模型估算精度比一般的RBF神經網絡估算模型更高。楊永明等[19]利用灰關聯分析法篩選工程特征參數作為神經網絡輸入向量，構建GRA-ANN造價估算模型，彌補了人為選取輸入向量造成估算誤差的缺陷。牛東曉等[20]運用改進粒子群算法對BP神經網絡水電項目投資估算模型進行優化，降低了估算誤差率。

綜上所述，人工神經網絡強大的自學習能力可以較好地解決成本影響因素與成本之間復雜的非線性關系問題，神經網絡的估算結果準確度更高、泛化能力更強。此外，RBF神經網絡在估算性能上明顯優于BP神經網絡。

2.2.4 基于灰色系統的工程建設項目成本估算方法

1982年，鄧聚龍教授以“小數據”“貧信息”不確定系統為研究對象，分析了灰色系統內在規律[21]。基于灰色系統理論，王民等[22]將灰色預測模型用于高校住宅工程造價預測，研究結果表明，該方法使用的數據量較少、預測精度較高。荀志遠等[23]為解決成本估算對分部工程權重考慮不足的問題，采用加權灰色關聯度法進行造價估算。結果表明，該方法準確度更高、誤差更小。孫濤[24]為解決建筑工程中歷史數據不全等問題，采用灰色理論進行建筑工程造價預測，實例檢驗發現，該方法預測效果較好。

由此可見，運用灰色系統理論進行工程建設項目成本估算，僅需要較少的歷史數據，計算較為簡單。但是，該方法更適用于同類型工程或同一工程在一定時間序列上的成本估算。由于工程項目具有獨特性，且在不同階段的影響因素復雜，該方法具有一定的局限性。

2.2.5 基于支持向量機的工程建設項目成本估算方法

支持向量機(SVM)是近年來發展迅速的一種機器學習方法，在獲取模式分類、函數逼近和回歸問題等方面具有顯著優勢。目前，該方法成為工程建設項目成本估算的常用方法之一。

Zhou等[25]探討了運用支持向量機進行投資估算的可靠性及有效性，解決了人工神經網絡小樣本學習問題。安磊等[26]利用支持向量機預測模型對線路工程造價的靜態投資進行預測，可為數據量少、影響因素多的線路工程造價預測提供參考。陳小波等[27]利用真實樣本訓練SVR模型進行仿真模擬預測，結果表明，該模型擬合優度高，比BP神經網絡具有更好的泛化能力，預測結果精度更高。

綜上所述，基于支持向量機的估算模型具有較高的泛化能力，可以有效解決樣本數據缺失、當前工程成本影響因素眾多的問題，估算結果具有較高的準確性。但是，在該模型中，核函數的選擇對估算精度影響較大，目前沒有較好的解決方法。

2.2.6 基于案例推理的工程建設項目成本估算方法

案例推理是指通過對比分析當前情況和以往情況的相似性，基于相似情況的計算結果，得到當前問題的建議解。

馮為民等[28]結合模糊數學理論構建了基于案例推理系統的估算模型，對土木工程主要工料消耗進行估算，結果表明，該方法能夠滿足估算精度要求。李楊等[29]在案例決策理論的基礎上結合要素分析方法，運用比較分析方法確定相似度，運用熵權法確定成本特征因素權重，并在此基礎上構建投資項目成本估算系統。研究表明，該系統具有一定的合理性、有效性和便捷性。

綜上所述，基于案例推理系統的成本估算結果能夠反映系統內在規律，更具有說服力。該系統集成了眾多估算方法，需要不斷更新案例學習過程以提高估算效果。該系統庫的樣本更新周期較長，需要在實踐中加強工程數據庫建設。

3 結語

通過對工程建設項目成本估算方法的梳理和分析，得出以下研究結論：

(1)工程建設項目成本估算從簡單的線性計算不斷向探索工程建設項目成本與工程特征之間復雜的非線性規律發展，研究成果更符合客觀實際。

(2)在工程建設項目成本估算中，不同的估算方法各有優劣。因此，將多種估算方法結合運用，相比單一的估算方法更為科學合理，估算性能更佳。

(3)隨著信息技術和大數據的快速發展，人工智能算法在工程建設項目成本估算復雜的非線性規律研究中具有顯著優勢。

今后，應加強對工程建設項目成本數據的采集與利用，為大數據分析提供良好的數據基礎。同時，應進一步研究如何更好地運用人工智能技術進行工程建設項目成本估算，不斷提高工程建設項目成本管理水平。