工程量清單計價模式下施工招投標優(yōu)化研究

徐景新

（山東通元工程造價咨詢事務所有限公司，山東 煙臺 264000）

與傳統(tǒng)的定額計價管理模式不同，工程量清單計價模式是一種能夠反映市場的價格機制的工程造價管理方式，對于工程招投標而言具有重要的意義，促進了工程建設中公開、公平和公正的競爭環(huán)境形成，有利于規(guī)范建筑工程的經濟秩序[1]。因此，研究工程量清單計價模式下施工招投標的報價決策對于競標企業(yè)而言，具有提高中標概率、優(yōu)先占領市場、取得競爭優(yōu)勢和保持持久良性發(fā)展的重要意義[2]。

1 工程概況

山東省煙臺市某安置房小區(qū)項目位于市區(qū)南部2021-DK-NXJ-K11 地塊。本項目總用地面積61 627.8 m2，其中0219-01 地塊用地面積55 311.5 m2，建筑密度不大于25%，容積率不大于2.9，綠地率不小于35%，控制高度為100m。0291-02 地塊用地面積6 316.3 m2，建筑密度不大于35%，容積率不大于1.2，綠地率不小于30%，控制高度為20 m。建設內容由10 棟住宅建筑及地下車庫組成，其中：4 棟28 層，3 棟18 層，2 棟17 層，1 棟17+1 層，總戶數1 429 戶；地上建筑面積160 150 m2，地下建筑面積40 563 m2，總建筑面積200 713 m2；建筑密度14.7%， 容積率2.9， 綠地率36.5%，停車位1278 個。兩棟6 層商業(yè)樓，地下一層停車場，總建筑面積6 307 m2。建筑密度35%，容積率1.2，綠地率20%，停車位76 個。

2 徑向基函數人工神經網絡模型的基本原理

人工神經網絡是基于模仿人腦神經元信息傳遞的一種學習算法，能夠實現對輸入信息做出連續(xù)或間斷的學習響應，經過訓練后可以對新的輸入信息進行自適應權重處理，并輸出相應的預測結果或逼近值。在施工招投標報價中，可以應用神經網絡的函數逼近功能，對各種不確定的影響因素進行權重處理，達到高效和精確施工招投標報價的目的[3]。

徑向基函數人工神經網絡是在普通人工神經網路的基礎上發(fā)展出的一種新計算方法，它將多變量插值的徑向基函數植入人工神經網絡隱藏層運算函數中，將輸入矢量非線性映射到隱藏層空間，因此它具備了人工神經網絡的權重處理的優(yōu)點，不僅可以對任意連續(xù)函數實現全局逼近，也可以對任意連續(xù)函數實現任意精度的局部逼近。徑向基函數人神經網絡的計算結構可以分為3 層，分別為輸入層、隱藏層（可以為1 層也可以為多層）和輸出層，如圖1 所示[4]。

圖1 徑向基函數人工神經網絡計算結構

在徑向基函數人工神經網絡的訓練樣本確定時，為提高網路的學習速度，需對網絡中的隱藏節(jié)點數、徑向基函數數據中心以及擴展常數進行確定，如果徑向基函數為各項同性的高斯函數時，可以確定半徑為t的徑向基函數中心如公式（1）所示[5]。

式中，dmax 為樣本與徑向基函數中心的最大距離；G為高斯函數；x為樣本；t為徑向基函數的半徑；m為中心數目。

當訓練樣本輸入徑向基函數人工神經網路模型中，確定其與聚類中心的距離，并按其最小距離進行歸類，如公式（2）所示。

式中，i(xj)為樣本與徑向基函數聚類中心的最小距離；wi(k)為聚類域。

3 工程量清單計價模式下基于徑向基函數人工神經網絡的施工招投標報價決策

在工程量清單計價模式下，研究基于徑向基函數人工神經網絡的施工招投標報價，需要對施工招投標報價的影響因素進行指標確定，主要分為3 個層級。第1 層級為影響因素指標，第2 層級為5 個影響因素，分別為項目因素A1、社會因素A2、業(yè)主因素A3、自身因素A4 和對手因素A5；第3 層級為影響因素下的量化指標，如圖2 所示，共有18 個量化指標，指標編號為B1~B18。施工招投標報價決策影響因素體系。

圖2 施工招投標報價決策影響因素體系

項目因素A1 中：工程復雜性指標B1 反映了工程結構、施工方法的復雜程度，對B1 指標的量化，可以考慮復雜的工程項目B1=1.0，較復雜的工程項目B1=0.7，一般的工程項目B1=0.3，較易的工程項目B1=0；工程規(guī)模B2 一般以工程項目的建筑面積為量化指標；合同條件B3 指標主要基于合同的簽訂是否對投標方有利，可以考慮有利條件時B3=1.0，一般條件時B3=0.5，不利條件時B3=0；工期要求B4 主要針對工期要求與正常工期相比的差異情況，非常緊的工程項目B4=1.0，比較緊的工程項目B4=0.5，正常工期的項目B4=0；施工環(huán)境B5 的指標主要根據施工現場的優(yōu)劣進行量化，當施工現場條件好時B5=1.0，當施工現場條件差時B5=0。

社會因素A2 中：材料設備人員的可得性B6 主要反映了獲得材料、設備、人員勞動力的難易程度，當獲取容易時B6=1.0，獲得較容易時B6=0.5，獲取困難時B6=0；基礎設施B7 的量化指標是由工程所在地基礎設施的完備程度確定，當基礎設施完備時B7=1.0，當基礎設施基本完備時B7=0.5，當基礎設施不完備時B7=0；政策環(huán)境B8 與當地政策是否有利于工程項目開展有關，當政策有利時B8=1.0，當政策一般時B8=0.5，當政策不利時B8=0；市場前景B9 反映了工程對后續(xù)市場開拓的影響，當后續(xù)市場開拓好時B9=1.0，當后續(xù)開拓一般時B9=0.5，當后續(xù)市場開拓差時B9=0。

業(yè)主因素A3 中：管理能力B10 為業(yè)主方的管理能力，當業(yè)主方管理能力強時B10=1.0，業(yè)主方管理能力一般時B10=0.5，業(yè)主方管理能力差時B10=0；業(yè)主信譽B11 反映了業(yè)主在經濟活動中的信譽情況，當業(yè)主信譽好時B11=1.0，當業(yè)主信譽一般時B11=0.5，當業(yè)主信譽不好時B11=0；資金力量B12 的量化主要依據業(yè)主的資金實力和融資能力，但資金實力和融資能力強時B12=1.0，當資金實力和融資能力中等時B12=0.5，當資金實力和融資能力弱時B12=0；招標規(guī)范性B13 主要反映招標、評標和決標的規(guī)范性，當程序規(guī)范時B13=1.0，程序不規(guī)范時B13=0。

自身因素A4 中：類似工程經驗B14 的量化指標根據施工方在類似工程中的施工經驗豐富程度，當施工經驗豐富時B14=1.0，施工經驗一般時B14=0.5，施工經驗不足時B14=0；施工能力B15 反映了施工單位現有施工能力是否滿足新項目要求，當其施工能力充沛時B15=1.0，施工能力滿足時B15=0.5，施工能力不足時B15=0；任務飽滿度B16 的量化主要依據施工方現有及確定將承攬的施工任務是否飽滿，當施工任務飽滿時B16=1.0，施工任務不足時B16=0.5，當施工任務缺乏時B16=0。

對手因素A5 中：競爭對手數量B17 主要根據參與此次投標的競爭對手的數目，上限為B17=20，下限為B17=2.0；相對實力B18 的量化主要根據競爭對手實力與本地企業(yè)相對比的情況，當實力強時B18=1.0，實力中等時B18=0.5，實力弱時B18=0。

為研究本項目在工程量清單計價模式下的施工招投標報價，采用徑向基函數人工神經網絡對20 家投標單位的報價進行訓練學習，每家施工單位的報價組成如表1 所示，每個報價中均含B1~B18 的指標參數，經過徑向基函數人工神經模型訓練學習后輸出各投標單位的報價得分值，以確定最優(yōu)的招投標報價方案。

表1 煙臺市某安置房小區(qū)項目投標報價

經過徑向基函數人工神經網絡模型處理后，20家投標單位的報價得分排序如表2所示。

表2 基于徑向基函數人工神經網絡模型的投標報價排序

從表2 中可以看出，經過徑向基函數人工神經網絡模型處理后，20 家投標單位的報價得分介于55.18~57.19，表明各單位的報價差距不大，按照計算總分最高的原則確定中標單位，可以推薦前三家單位分別為第8 投標報價人、第20 投標報價人和第5 投標報價人。

4 結語

基于目前工程量清單計價模式下，眾多施工企業(yè)缺乏相應的內部定額和招投標報價決策理論和方法，使得企業(yè)在適應工程量清單計價模式時存在一定困難，在競標過程中無法得到能夠反映實際自身競爭實力、市場價格水平的報價，尋求基于徑向基函數人工神經網絡模型的報價計算和排序是一種有效的解決途徑。徑向基函數人工神經網絡模型建立的18 個量化指標能夠有效反映項目因素、社會因素、業(yè)主因素、自身因素和對手因素對投標報價的影響，且能最大程度地發(fā)揮工程量清單計價在招投標中的市場價格作用，根據計算結果可以推選出最優(yōu)的中標企業(yè)，因此徑向基函數人工神經網絡模型對工程量清單計價模式下的施工招投標優(yōu)化就有較好的適用性。