浅析工程造价估算模型思考

开篇：润墨网以专业的文秘视角，为您筛选了一篇浅析工程造价估算模型思考范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：笔者在本文当中充分结合了材料费、工程总造价、人工费、机械费等诸多数据针对最近几年以来工程造价的有关历史数据进行整理与剖析，详细阐述了如今工程造价估算当中关键的模型方法及其特性，并给出了促进我国建筑工程造价管理朝着规范化、市场化、科学化的方向发展的进程的建议，从而有利于我国工程造价管理工作的开展、工程造价控制的合理性以及自主创新能力的提升。

关键词：估算模型、工程造价、思考

中图分类号：TU723.3文献标识码： A 文章编号：

建筑工程造价，在通常情况下指的就是工程建设过程中需要花费的所有费用，换言之，就是依据工程计划此工程建设项目因开展固定资产再生产而衍生出与之相对应铺底流动资金与无形资金之和。事实上，工程造价既与建设地区的经济发展状况、建设者的技术水准、当地政府的政策扶持等因素息息相关，又紧密联系着工程本身的内容。

事实上，工程项目在施行过程中，不仅要耗费大量时间，还需投入很多资金。且每一阶段均会出现很多不确定因素，因此，在工程项目施工早期很难确定出一个合理、正确、科学的造价。然而，工程造价的合理性将会给施工单位和建设单位的共同经济利益带来直接的影响。这就要求我们在如今竞争日益激烈化的社会能熟练地应用科学手段，精、稳、准地把工程造价估算出来。但是，工程造价会随着项目开展的深度的逐渐加深而愈渐合理化。工程项目富有计价特性，这就决定了在控制工程项目的过程中各个阶段的手段与重点也许会存在一些差异。因此，在工程项目建设的全过程中，要确保工程造价能将工程的实际造价合理、科学地体现出来，与工程项目管理的需求与市场经济体制相适应，积极采用合理、可行性高的、可操作性强的手段，管控好建设工程造价。

一、工程造价估算模型的类别

当前，世界上存在的投资估算方法多种多样，但每一样方法的优劣势及其所适用的范畴均存在一定的差异。在这当中，尽管最小二乘回归模型法能够弥补单位面积法的不足指出，精确度很好，但是由于隶属系数、模糊关系系数等诸多数据的大小均取决于经验，且其处在不断地变化发展过程中，这无疑会加大模型建立的难度系数。

伴随着模糊数学理论在工程造价测算当中的广泛运用与发展，其所展现出来的优越性愈来愈独特。为此，笔者针对已建工程与待建工程当中的类似程序加以探索与比较，能在较短时间内运用已建工程的造价资料与信息，从而对待建工程的造价进行估算。此类手段能飞快而又精准地估测出工程造价，待构建起信息管理系统、信息数据库、拓展大量的信息渠道后，可以确保估算工程数据的精准性与合理性。

二、神经网络的工程造价估算模型的基本原理

神经网络凭借着生物神经系统作用原理发展的信息处理系统能够极为精确地解决好繁杂的非线性问题。但是，其与众不同的是，神经网络极具自组织、自学习、容错性等特征。基于对数据的建立模型，可将函数的最佳参数较快地求算出来，使设计成功后的系统可更好地模拟输入输出关系。

1、神经网络的基本模式

神经网络包括了反馈型网络、自组织型网络、随机型网络以及前馈型网络这四大类型，这四大类型的神经网络所具有的网络模型各不相同。Hopfield网络主要出现在反馈网络当中，BP网络、Adaiine、RBF网络则是前馈网络的关键网络模式，Boltzman网络为随机网络的关键网络模式，ARI网络俄日自组织网络的关键网络模式。然而，在此类神经网络当中，前馈型网络内的RBF网络和BP网络能较好地满足市政工程造价的需要。因为BP神经网络结构精简、预算精度高、可行性高、收敛迅速、泛化能力强大，所以到目前为止，BP算法的多层前馈网变成了运用范围最大的神经网络。从统计上来看，BP算法是依靠学习过程的误差反向传播和信号正向传播所构成的。当前运用BP算法的神经网络所占的百分比近达百分之九十。

2、神经网络的基本模型

实际上，神经网络的输入层是由各个极具代表性的工程建筑特性组合而成的，其输入向量是阐释工程特性的基本信息，神经网络输出向量则为工程所需的工程造价。然而，如果输入向量不同，那么想获取到不一样的输出量值的话就需充分利用已建成的极具代表性的工程特性与造价，以它为训练样本，从而训练神经网络，进而达到从输入至输出进行映射的目的。

3、神经网络的运作手段

一般而言，神经网络的运作方式有两类，即演化式与前馈式。演化式模型的复杂度更高，其在网络当中与耗散的动力学系统差不多，在演化时状态空间会慢慢收缩，最后变成了小体积的吸引子集，其输出就相当于终态，而输入则为初始态；前馈式之所以能达到自输入至输出的非线性映射，主要依赖于神经元非线性输出输入的关系。

三、神经网络估算法的广泛运用

若要估算项目工程造价，神经网络需具备一定数量的样本以进行训练。一般来讲，我们可以将估算建设工程造价这一问题视成从输入工程造价估算体系至输出项目的单位造价的非线性映射，把指标体系的指标值输入，然后再神经网络中加以估算，从而就能把此项目的单位造价输出来。

但是，由于建设项目不同，其使用要求与功能也会有所不同，这直接会给工程造价的因素造成影响。因此，要严格依照建设项目的种类，分门别类地构建出估算对象的指标体系。本篇文章将重点阐述市政排水工程建设问题，针对神经网络估算模型的运用进行剖析。

（1）工程特征的解剖

不论是道路的总长度、雨水管道的平均管径与长度、雨水管道平均埋深，还是污水管道平均管径与长度、污水管道平均埋深等因素均会给市政排水工程造价带来极大的影响。但是，此类影响市政排水工程造价的因素均存在一个共性，即：神经网络估算模型的输入向量。

（2）构建工程造价模型

工程造价估算法BP网络程序主要是由样本数据库模块构成的，它是由newff函数生成的。当生成的BP神经网络初始化之后，应充分运用当前存在的“输入―目标”的训练样本数据，选取网络内的train函数加以训练。同时，还要应用BP神经网络的数据处理模块及仿真模块去测试训练完毕的网络，依照函数的反函数战队神经网络的输出值实施数据后续处理，从而将预测单位的工程造价求算出来，然后对比实际值，验证出预测的精确度。

（3）建设指标体系的基准单位

在建设市政排水工程的过程中，存在着大量对项目工程造成影响的因素。要想得出模型的输出向量，就必须把道路的延长米视成排水工程的基准单位，然后将排水工程的整体造价均匀地派遣到道路的延长米上，最终即可得到排水工程的道路延长米的工程造价，也就是模型的输出向量。

（4）估算出工程造价

运用神经网络估算法与Matlab神经网络的工具箱函数编制出与其相对应的计算程序，依照数据库开展训练测试工作，以便得出工程的实际造价。同时，要采取科学、易算、简洁、精确的工程造价估算手段，从而有利于工程建设的迅速、安全地完成、工程造价控制以及工程投资管理工作的开展。因BP神经网络极具较强的容错性与自组织适应能力等特性，再加上其拥有精确、简洁、迅速等优势，因此其在建设项目的工程造价估算的运用中能顺利地摆脱传统项目估算的限制，同时在现代经济领域中有着巨大的运用市场。

参考文献：

[1] 胡伟勋. 工程造价估算模型研究与应用[J]. 中南林业科技大学学报, 2011,(08)

[2] 卢梅,韩小康,孔祥坤,蔡静. 基于BP神经网络和TOC的工程造价预控研究[J]. 西安建筑科技大学学报(自然科学版), 2011,(01) .

[3] 王兴鹏,桂莉. 基于粗糙集―神经网络的工程造价估算模型研究[J]. 石家庄铁道学院学报(社会科学版), 2008,(01) .

[4] 胡伟勋. 基于GST的工程造价预测模型理论研究[J]. 中南林业科技大学学报, 2011,(04) .

[5] 景晨光,段晓晨. 基于遗传神经网络的工程造价估算方法研究[J]. 石家庄铁道大学学报(社会科学版), 2010,(04) .

[6] 陈一飞,唐祥忠,李芳成. 基于实例推理的工程造价估算知识重用模型[J]. 计算机应用研究, 2011,(08) .