施工單位工程竣工結(jié)算的優(yōu)化策略研究

席霞麗

（中國甘肅國際經(jīng)濟技術(shù)合作有限公司，甘肅 蘭州 730050）

工程項目竣工結(jié)算的最終結(jié)果，決定了施工單位的收益和利潤，甚至影響到其他項目的施工進度。為了合法保護施工單位的利潤空間，施工單位必須對工程項目的結(jié)算流程和方法給予重視，并且提升自身計算和預結(jié)算的能力。建設(shè)工程的竣工結(jié)算，近年來取得了長足發(fā)展，結(jié)算機制和計算策略與時俱進，無論對中小型項目，還是超大型工程，都有某種對應的結(jié)算策略[1]。然而，現(xiàn)行工程竣工結(jié)算數(shù)據(jù)仍存在一些問題，例如，隱蔽工程數(shù)據(jù)統(tǒng)計不合理、工程計量方法不規(guī)范、取費計算多加少扣等，對施工單位的結(jié)算收益產(chǎn)生較多負面影響。再者，竣工結(jié)算數(shù)據(jù)種類繁多，分部分項種類千差萬別，結(jié)合工程項目的功能，結(jié)算數(shù)據(jù)量尤為龐大[2]。因而，竣工結(jié)算需要精密的計算，細節(jié)上需要精益求精。本文提出一種優(yōu)化竣工結(jié)算策略，對選定的樣本進行數(shù)據(jù)分類和挖掘，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的迭代訓練能力和優(yōu)化算法，進而找出引起竣工結(jié)算偏差較大的因素，為施工單位提供一種竣工結(jié)算優(yōu)化策略。

1 竣工結(jié)算數(shù)據(jù)的挖掘和分析

數(shù)據(jù)挖掘技術(shù)方興未艾，目前已經(jīng)得到廣泛應用。數(shù)據(jù)挖掘和分析的詳細過程可劃分為數(shù)據(jù)整理、數(shù)據(jù)選擇、數(shù)據(jù)分類、數(shù)據(jù)處理、數(shù)據(jù)挖掘、數(shù)據(jù)評估等環(huán)節(jié)，利用對大量真實數(shù)據(jù)的提煉、分類、轉(zhuǎn)化分析與處理，可以獲得關(guān)鍵的目標值，基于這種特性，改善竣工結(jié)算的數(shù)據(jù)分類和數(shù)據(jù)分析。

1.1 基于數(shù)據(jù)挖掘技術(shù)的工程竣工結(jié)算數(shù)據(jù)預處理

對于大型復雜項目，尤其是EPC施工總包項目，工程類型較多、數(shù)量龐大。為此，引入決策樹的數(shù)據(jù)分析方法，對結(jié)算數(shù)據(jù)進行分類，進而建立竣工結(jié)算數(shù)據(jù)分析模型。最終，實現(xiàn)將大量的結(jié)算數(shù)據(jù)先按照分類指標體系進行排序，按照工程類型、建設(shè)性質(zhì)、單位工程、分部工程實現(xiàn)逐層劃分，直至具體到工序?qū)用妗？⒐そY(jié)算數(shù)據(jù)通過決策樹的統(tǒng)計、分類處理，有助于進行有效的樣本篩選和分類，準確定位重點分析數(shù)據(jù)對象，從而大幅提升施工單位自身核算數(shù)據(jù)的效率，為竣工結(jié)算工作提供全面的數(shù)據(jù)分析策略。

1.2 竣工結(jié)算數(shù)據(jù)相關(guān)的特征指標體系選擇

本文的研究對象主要是大型復雜工程，涉及類型多種多樣，建筑功能亦有千差萬別。忽略個性功能對數(shù)據(jù)的影響，經(jīng)過多次討論和分析驗證，選定地基與基礎(chǔ)、主體結(jié)構(gòu)、建筑裝飾、屋面工程、給排水和供暖、通風空調(diào)、建筑電氣、智能建筑等工程特征指標建立工程特征指標體系。

1.3 數(shù)據(jù)特征指標量化

基于上述分析而確定的特征指標體系，尚不能用于計算，屬于定性指標。為此，需要將確定的指標類型，進行細化分解，進而量化，得到定量指標，方可用于編碼計算。

根據(jù)所選定的特征指標特點，并根據(jù)指標的具體特點，選定2015 年《甘肅省建筑與裝飾工程計價表》中相關(guān)的價格，以此完成定性指標的數(shù)量化。測定的相關(guān)指標的量化數(shù)值，如表1所示。

表1 定性指標的量化值

1.3.1 數(shù)據(jù)指標值的標準化

在對數(shù)據(jù)運算之前，需要對數(shù)據(jù)進行標準化處理，以避免不同數(shù)量級的數(shù)據(jù)之間對比失效。通?？刹捎镁€性方法對不同數(shù)量級的指標值進行標準化，確保數(shù)據(jù)的等效性。標準化處理按公式（1）進行：

1.3.2 計算關(guān)聯(lián)系數(shù)

關(guān)聯(lián)系數(shù)反映了某個樣本數(shù)據(jù)與目標值的關(guān)聯(lián)程度。關(guān)聯(lián)系數(shù)按如下公式（2）計算：

1.3.3 計算關(guān)聯(lián)度。

關(guān)聯(lián)系數(shù)可反映單個樣本數(shù)據(jù)與目標值的關(guān)聯(lián)程度，對于不同種類或者不同功能的工程項目，如果直接比較，則會具有一定的片面性。為此，通過均值法引入具體某個數(shù)據(jù)的關(guān)聯(lián)度，參照公式（3）計算得到：

在數(shù)據(jù)初始化后，通過對得出的數(shù)據(jù)樣本的關(guān)聯(lián)度進行比較，關(guān)聯(lián)度越大，則表示該樣本數(shù)據(jù)與目標值差異越小。

2 竣工結(jié)算數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化策略

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域均有應用，是一種前饋神經(jīng)網(wǎng)絡(luò)，具有誤差反向傳播學習的自適應能力，對于處理竣工結(jié)算數(shù)據(jù)非常合適。通常，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可分解為輸入層、隱含層和輸出層，是一種典型的三層結(jié)構(gòu)，每層之間通過節(jié)點直接映射，形成類似神經(jīng)元的網(wǎng)絡(luò)拓撲結(jié)構(gòu)[4]。通過對數(shù)據(jù)的初始化、訓練，逐步逼近解析的目標值，在訓練過程中，樣本數(shù)據(jù)可以正向傳遞迭代信息，同時，目標值也需要反向饋送，三層之間的權(quán)值可以不斷被迭代優(yōu)化，形成負反饋作用機制，直到目標函數(shù)值達到設(shè)定標準。所以，BP神經(jīng)網(wǎng)絡(luò)具有自適應能力和自學習能力，適用于大型數(shù)據(jù)庫的模式識別、非線性目標值逼近等數(shù)據(jù)分析和模式識別領(lǐng)域[5]。三層BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖1所示。

從圖4可以看出，隨著鋼箱梁長度的增大，截面3所受彎矩呈現(xiàn)先減小后增大的趨勢；鋼箱梁長度由56 m增長到96 m時，截面3的彎矩減小幅度分別為17.5%、13.8%、11.5%、10.8%；鋼箱梁長度由96 m增長到116 m時，截面3的彎矩減小幅度僅為2.4%、1.0%；鋼箱梁長度由116 m增長到126 m時，截面3所受彎矩增長2.5%。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)

由圖中可以看出，BP神經(jīng)網(wǎng)絡(luò)模型的輸入層可連續(xù)表示為X1，X2，X3，…Xn，神經(jīng)網(wǎng)絡(luò)的輸出層可連續(xù)表示為Y1，Y2，…Ym，輸入層和輸出層之間，通過映射的方式直接連接，通常只包含一層隱含層。Wi為輸入層-隱含層的權(quán)重系數(shù)，Wj則是隱含層-輸出層的權(quán)重系數(shù)，系數(shù)的大小決定了該數(shù)據(jù)的重要程度。上述神經(jīng)網(wǎng)絡(luò)模型，輸入層有n神經(jīng)元，輸出層有m個神經(jīng)元，則可以產(chǎn)生n～m的單向映射關(guān)系。

神經(jīng)網(wǎng)絡(luò)迭代訓練的基本原理是求解誤差函數(shù)，得到目標值。為了獲得最優(yōu)值，通常是求解誤差函數(shù)的最小值。為了快速得到最優(yōu)解，最初的迭代訓練可人為設(shè)定誤差閾值。例如，10e-5，達到該值即可結(jié)束訓練。迭代訓練算法一般可采用牛頓法，其優(yōu)點是收斂速度快。仿真過程中，可選用目標函數(shù)的梯度方向進行迭代學習，不斷擇優(yōu)選取權(quán)重系數(shù)。

2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搭建

2.2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的設(shè)置

通常神經(jīng)網(wǎng)絡(luò)只設(shè)置一個隱含層，在工程技術(shù)領(lǐng)域已經(jīng)完全滿足精度要求。通過設(shè)定一個具體的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即可完美的逼近一個非線性的優(yōu)化目標。選定的神經(jīng)網(wǎng)絡(luò)三層結(jié)構(gòu)后，輸入層神經(jīng)元的數(shù)目由初始樣本數(shù)據(jù)決定，按照上文所述，輸入層神經(jīng)元數(shù)目為8，即X1～X8；輸出層神經(jīng)元數(shù)目設(shè)定為3，即Y1～Y3。隱含層所需要的神經(jīng)元數(shù)目由下式（4）計算得到：

式中：n為輸入層的神經(jīng)元數(shù)量，m為輸出層的神經(jīng)元數(shù)量，可根據(jù)需要設(shè)定具體個數(shù)，均必須取整數(shù)。a為由經(jīng)驗確定的變量，通常取2～10，可取非整數(shù)值。

根據(jù)上文選定的特征指標體系以及取a=5，計算得出隱含層的神經(jīng)元數(shù)量為8.3，取整后，可確定隱含層神經(jīng)元的數(shù)量為8。需要注意，隱含層神經(jīng)元數(shù)通常不小于輸入層神經(jīng)元數(shù)，且一般不大于輸入層神經(jīng)元與輸出層神經(jīng)元數(shù)量之積。

對于典型的神經(jīng)網(wǎng)絡(luò)，為了實現(xiàn)快速迭代訓練，通常需要保證網(wǎng)絡(luò)的輸出為[-1,1]。本文中，輸入變量和輸出變量之間呈非線性的關(guān)系，所以，隱含層的計算函數(shù)選用線性激活函數(shù)tansig()，輸出層選用單極性S函數(shù)logsig ()；訓練函數(shù)則定為自適應學習率的梯度下降函數(shù) traingda()，可以加快神經(jīng)網(wǎng)絡(luò)的迭代訓練速度，在較短時間內(nèi)收斂，得到最優(yōu)解。

2.2.3 數(shù)據(jù)標準化處理

竣工結(jié)算的數(shù)據(jù)量非常巨大，種類繁多，樣本數(shù)據(jù)在數(shù)量級和量綱上差異較大，樣本數(shù)據(jù)的取值類型也有很大不同。如前所述，這會嚴重影響B(tài)P神經(jīng)網(wǎng)絡(luò)模型的迭代訓練速度，以及目標值的優(yōu)化速度。為了便于神經(jīng)網(wǎng)絡(luò)迭代訓練，按照上述公式(1)將數(shù)據(jù)做標準化處理。

經(jīng)過上述步驟后，典型結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)即搭建完成。通過矩陣實驗室Matlab 2020b的虛擬仿真環(huán)境，得以實現(xiàn)具體的運算試驗。神經(jīng)網(wǎng)絡(luò)的迭代訓練流程如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)迭代訓練流程

2.3 驗證分析

為驗證上文構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的合理性和準確性，確保數(shù)據(jù)分析在實際工作中具有較強的實用價值，選取了近年來甘肅省30個已竣工結(jié)算的大型房地產(chǎn)建設(shè)項目，從甘肅省工程造價信息網(wǎng)獲取樣本數(shù)據(jù)，對模型進行仿真分析驗證。

仿真分析前，將樣本數(shù)據(jù)劃分為2部分，前20組數(shù)據(jù)為訓練樣本數(shù)據(jù)，剩余 10 組作為測試樣本數(shù)據(jù)，在上述仿真環(huán)境中用于檢驗神經(jīng)網(wǎng)絡(luò)模型的迭代訓練優(yōu)化結(jié)果。經(jīng)過仿真計算，20組訓練樣本數(shù)據(jù)的網(wǎng)絡(luò)訓練過程曲線如下圖3所示，橫坐標為BP神經(jīng)網(wǎng)絡(luò)的迭代優(yōu)化次數(shù)，縱坐標為目標函數(shù)的誤差均方值。每一次的訓練過程都以20組樣本數(shù)據(jù)的輸入量和輸出值，進行相應的迭代學習和誤差調(diào)整。

圖3 神經(jīng)網(wǎng)絡(luò)訓練過程

從圖3中可以看出，當訓練次數(shù)達到 1250 時，目標函數(shù)的誤差均方值為 10e-5，此精度已經(jīng)完全滿足工程需要，此時停止訓練。經(jīng)過反向解碼，預測結(jié)果的誤差率如表2所示。

表2 數(shù)據(jù)分析結(jié)果

由表 3 中的結(jié)果可以看出，BP 神經(jīng)網(wǎng)絡(luò)建立的數(shù)據(jù)分類分析優(yōu)化模型，能夠精準定位竣工結(jié)算數(shù)據(jù)中誤差最大項目。而且，經(jīng)過大量的測試樣本數(shù)據(jù)驗證，顯示的誤差率均在10%以內(nèi)，對實際的工程項目的竣工結(jié)算具有實用意義。

3 結(jié)語

運用數(shù)據(jù)挖掘和數(shù)據(jù)分類技術(shù)，結(jié)合BP 神經(jīng)網(wǎng)絡(luò)出色的迭代訓練能力，構(gòu)建了大型工程項目竣工結(jié)算數(shù)據(jù)的分類分析模型。通過對樣本數(shù)據(jù)的分析和驗證，結(jié)果表明，本文提出的方法能夠精準定位竣工結(jié)算數(shù)據(jù)中誤差最大項目，表明BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類分析模型是科學有效的。施工單位參加竣工結(jié)算之前，應該著重對上述分析得出的數(shù)據(jù)類別進行分類整理，精確預結(jié)算，在實際的工程項目的竣工結(jié)算具有實用意義。