关于我们
关联业务
荣誉责任
学术贡献
文章发表
大型工程项目勘察承包商选择体系构建
合伙人  徐武明   《软科学》   201112
工程勘察是工程的基础,它影响到工程后续各个阶段如设计、施工等。大型工程项目的成败,前提在于工程的勘察,工程建设项目勘察承包商的选择,是工程项目是否成功之关键。
工程承包商的选择方法,实际中一般有价格因素法和综合评价法[1-5],价格因素法即在全部满足业主对承包商资格、业绩等实质性要求的前提下,依据价格最低或价格最接近标底等价格因素选定。综合评价法是在满足实质性要求的前提下,对各项因素进行定性、定量分析比较,综合选择确定。目前工程项目业主及参与各方都倾向于采用量化的多指标选择方法[3]。 实际中采用较多的有简单的加权平均法,研究中有采用层次分析法[5],有用多元回归方法[6],有从契约角度[7],有采用模糊理论[8,9],和采用粗糙集理论[10]等。
工程承包商的选择方法,不足之处有五。第一过分依据报价,比如价格因素法在选择时主要根据报价。这对选择勘察承包商,显然因小失大。岩土工程勘察是一种技术较强而费用占比低的关键性基础工作,勘察报告的质量显然更重要。而且既然是勘察,其不确定性往往很大,事先对勘察费用很难估计,随地层深度增加,以及岩性性质变化如岩石硬度增加,相应的勘察工艺措施难度迅速增加,勘察工作量大幅加大,勘察成本会大幅度提高[11]。第二是承包商选择没有基于承包商的实际产出,没有对未来实际产出进行有效预测和度量的方法,从而没有基于实际产出来选择承包商。而未来实际产出才是业主和各方真正关心的。第三是目前承包商选择研究和实际中的招标选择,主观性过大,对各种要素和评估结果值之间人为假定了某种特定的函数关系,但是这种特定的函数关系没有得到证明和证实。第四是对工程建设的承包商选择的研究,多为对EPC(Engineering  Procurement  Construction,工程总承包)总承包商和施工承包商选择进行研究,对于勘察承包商的选择研究非常少。第五,少数对勘察承包商的选择研究,又泛化为对勘察设计一起承包的研究,但是勘察其选择标准和方法不同,比如指标体系差异就非常大,从而造成明显不满足国内实际需要。因为由于历史原因,与欧美“大咨询”体制不同,国内勘察单位、测绘单位、设计单位等分工较细,勘察单位很多是独立存在,大型工程勘察往往独立招标。
大型工程勘察承包商的选择问题,本质上一是处理多属性决策问题[12],,二是如何预测实际产出的问题。因此寻找到适合于大型工程勘察承包商选择的更科学更有用的指标(即属性),又能正确找到各种输入指标和未来实际产出之间的对应函数关系,具有一定智能的勘察承包商的选择体系,对大型工程项目管理和成败,意义重大。
2  问题解决思路
神经网络是指利用数学的方法模拟生物神经网络的一种大规模并行的非线性动力学系统[13,14]。BP(Back Propagation,后向)神经网络其层与层之间权重可自修正,并已经证明在闭区间内任何一个N维到M维的连续函数都可以用含有一个隐层的神经网络来逼近,即一个3层神经网络就能够实现任意精度的由N维向M维的映射[13,15]。神经网络特有的无需对具体对应法则事先清楚掌握、神经网络能够自学习自我更正的特点,为正确找到大型工程勘察承包商的各种属性和未来勘察实际产出之间的对应函数关系提供了可能,提供了科学预测的一种方法。因此将神经网络应用于勘察承包商实际产出预测,对于上面所说的五个不足之处,可以有效解决。它是帮助找到大型工程勘察承包商选择的相当有效的方法。
基本思想是:首先,先用样本集的数据训练神经网络,直到满足一定条件为止,使其具有预测的能力。用其来进行工程勘察承包商的实际产出预测。然后把实际产出纳入到工程勘察承包商的选择指标进行选择。
整个算法的步骤可以描述如下:
(1)根据模型要求和大型工程的勘察实际,建立输入属性集。
(2)构造神经网络,确定神经网络的结构和类型,以及隐含层数和每层的节点数、权值的取值范围,训练算法,输出层结点数目和含义。
(3)确定原始输入数据,对数据进行预处理,选择出训练样本集、检验样本集和待选样本集。训练样本集用于训练神经网络;检验样本集用于模拟检验训练后的神经网络;待选样本集用于实际情况测试,选择工程勘察承包商。
(4) 在节点数、权值的取值范围内,随机地产生一个网络结构,从输入层到输出层,用训练算法进行训练。满足一定条件终止。
(5) 用检验样本集模拟检验训练后的神经网络的预测效果。
(6) 用待选样本集进行勘察承包商的实际产出预测。
(7) 利用勘察承包商的实际产出预测指标,构造勘察承包商选择指标和选择算法。
(8) 对工程勘察承包商选择。
3  输入属性集
大型工程勘察承包商的选择比较要素,即属性(或称谓指标),为和实践中的做法有更好衔接,归为技术属性集、商务属性集,技术属性集主要基于勘察方提交的勘察大纲等技术文件和项目人员水平,商务属性集主要基于报价、勘察方情况和勘察方的服务承诺等。参照有关资料 [16-18] ,根据咨询实践,论文对技术属性集构建如下表1;对商务属性集构建如下表2。各属性值类型可分为C-continuous:连续属性;S-symbolic:离散属性。
4  神经网络结构
选用 MATLAB 7.1为开发工具[19] 。 
神经网络如图1所示,选择三层BP网络,分别为输入层、隐单元层、输出层[13-15]。
输入层节点 ,共43个,是因为技术属性集和商务属性集总共40种属性,以40 种属性对应40个节点 ,2个节点 表示工程类型,见下表3,另外一个节点对应阈值。
中间一层隐单元处理层,隐单元处理层中的节点个数,按照2n+1方法[13-15],选择87个,其中86个节点接受输入层的结果,另外一个节点对应隐单元的阈值。
输出层主要对应勘察产出,勘察产出采用目标输出法和利益相关者满意度方法[20]测量。节点数为8, ,其中
 勘察结算分, 勘察用时分, 勘察报告质量分, 业主满意度, 设计方满意度, 施工方满意度, 政府满意度, 社区(周边)满意度。具体如何得值见实例。
隐单元层采用logsig函数    
输出层用purelin函数    
网络初始权值在阈值点设置权值范围[-1,1],其它点权值范围[0,1], 在权值范围内随机产生网络初始权值。
5  实例
从S省招标公司的2002-2007年招投标数据集选用历年的中标企业和勘察工程(已完工)作为实例,选取训练样本12条和检验样本6条,从2008年数据集中选用某一项勘察工程的投标企业3家,作为待选样本3条。
5.1 数据预处理
每条样本的输入层,见表1,表2,第1-40个节点对应编号1-40的属性,大部分数据按规则显然给值,有些在工程评标阶段已经评价给值,给值不全的请5位有关专家重新给以评值。第41-42个节点对应工程类型。第42个节点是阈值=1。
对于训练样本和检验样本,每条训练样本的输出层,按照
 ,勘察结算价按合同完工实际结算价(单位也按万元计),勘察报价为 ,包干制 1。
根据勘察用时是否符合规定,符合则 1,否则 0。
 勘察报告质量分。勘察报告质量由5位有关专家参照以前勘察报告和评价予以打分, 每位专家打分范围在(0,1),取算术平均给分。
 各利益相关方满意度主要是指各方对且仅对勘察和勘察方的满意度,由于得到反馈所需时间不同,采用工程勘察结束各方不等长时间发放回收有效调查表的方法,各方满意度值按照各方回收的有效评分的份数算术平均。满意度量值表见表4。
5.2 训练
为提高训练效率,选用批处理训练,训练算法选用Matlab里的traingd函数(即最速下降法),性能函数选用MSE(mean squared error,均方误差)。
用预处理的12条训练样本进行批处理训练,结果显示,在约40个周期后基本收敛稳定。如图2所示。
予以训练100次。至此,勘察承包商实际产出预测器建立完成。
5.3 检验
以此作为实际使用的大型工程勘察承包商实际产出预测器,对检验样本集的6条数据进行检验。
检验得到每条样本数据预测结果值和实际值的误差值的MSE的值,见下表5。
5.4 选择
在比较准确预测的基础上,就可以用预测的实际产出作为选择的指标,以构成选择指标集  , , , ),去选择勘察承包商。选用算术平均法,并对 , 稍作调整如下
 勘察结算分调整为 ; 分值调整为 ;
其中 为3家勘察商勘察报价的最高值, 为其最低值。
用勘察承包商实际产出预测器对待选样本集的3条样本数据进行预测,分别得到对应的 ,并如上调整,得各样本的12项指标,然后加权平均得值依次为0.812,0.905,0.873,因此选择第二家Z公司。这项工程在实际中也是选择的Z公司。
6  结论与展望
对大型工程项目来说,真正关心的是勘察承包商的实际勘察产出,也就是说真正有价值的是勘察报告的质量、以及勘察所花时间和费用等。勘察单位资质,上年度利润多少,其实与工程本身并无多大直接关系,它其实就是一个前期用来初步预测勘察产出的指标。既然如此,建立科学准确的预测就很有价值。
论文创造性地利用神经网络这种特有的无需对具体对应法则事先清楚掌握、能够自学习的特点,用这种人工神经网络技术构造了实际产出预测器,其能够相当科学准确地预测实际产出,在比较准确预测的基础上,把实际产出作为选择时也应考虑的指标去选择勘察承包商,就更加合理。论文还对输入属性也进行了科学的优化并用Matlab进行了实现。因此,论文的方法克服了以往承包商选择中的逻辑上和操作上的不科学不合理之处,使承包商选择更科学、更严谨。
接下来要做的工作,一是使指标和神经网络结构更有针对性优化;二是收集更多数据对神经网络结构进行训练,提高神经网络预测精确度;三是预测后的输出指标和输入指标怎样更好结合来选择。从而让它更好地应用到实际的大型工程建设项目中去,帮助选择勘察承包商,优化工程勘察,提高大型工程建设项目的经济效益和社会效益。