关于工程造价成本估算方法研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇关于工程造价成本估算方法研究范文，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：工程估价作业为项目生命周期中相当基本且重要的一环，然而随着计算机技术的逐步成熟与不同理论方法的引进，如：统计理论、多元线性回归、案例式推理、蒙地卡罗仿真与人工智能领域，工程估价的相关研究，已由传统详细估价阶段的成本分析及计算机技术发展，而回溯至构想规划及初步设计时间的粗略、概略估价的成本估算准确性研究[1]。一般而言，在相关理论的导入下，新建立的估算方法确实能够达到精确度提高的估价成果。因此，该文将就工程成本概算相关研究进行探讨、分析，作为本研究模式发展的基础。

关键词：工程 造价 成本 估算 研究

中图分类号：TU72 文献标识码：A 文章编号：1674-098X（2015）08（a）-0071-02

1 工程估价

工程估价，顾名思义即为根据工程项目的实际条件、主观需求及客观限制估算出符合工程项目的合理成本。但随着角色的转换、工程进度的推进，估价的类型亦随之变化。基于估价的目标在于提供可行度高的估算成本的原则下作业，因此对于估价类型需作清楚的定义，以设定合理的假设与研究范围。以下针对工程估价的类型、估算方法及工程成本的分类方式进行介绍。

1.1 粗略估价（Order of Magnitude Estim

ate）

工程初步构想规划阶段，在短期内为提供投资者作为项目工程可行性评估分析的初值。属于经验数值，可藉由过去实际成本数据作为推估工程造价依据，基本上系以两变量之间关系来推算建筑造价。

1.2 概略估价（conceptual estimate）

概估系应用于草图计划及设计发展阶段，时间较为充裕，但碍于细部设计尚未完成，仍需依赖初期系统设计图或配置图与经验数据从事估价 。

1.3 详细估价（detail estimate）

工程完成细部设计后，须从事详细估价。细估与粗估主要差在于工程作业项目与工程资源项目分项的精细。在细部设计完成阶段，必须先订定施工计划，根据工作内容、施工方法及有关技术、质量规范及建材设备等精确计算各工程项目数量与市场调查单价，进行单价分析以获得较精确的工程造价成本。

2 工程成本粗估模式架构

工程成本粗估所使用的模式，为整体估价作业的核心。模式使用的适当与否将影响后续估算成本的准确性。目前相关研究所提出的估价模式有：多元线性回归、案例式推理及人工智能领域的类神经网络[2]。配合所述的方法，以下藉由相关研究文献，对各估价模式文献进行探讨。

2.1 多元线性回归

针对建筑工程的集合住宅类案例，以简单回归的方式，建立工程造价推估模式。经回归方程式的造价趋向中价位区段，高价位区段需乘以1.15系数，低价位区段需除以1.25系数；以计算实际案例造价水准。

2.2 类神经网络

几年来，人工智能领域对于工程估价方面的研究多有相当不错的成果。以类神经网

路（Back-PropagationNeuralNetwork）

取代过去常用的统计估算法、专家估算法、蒙地卡罗模拟及多元线性回归。可以9个实际案例作为模式训练、测试组合的配对基础，经反复训练、测试后，以8个训练案例及1个测试案例[3]，在类神经网络估算系统上表现的比其他各种估算方法，更为准确。其选取应用于类神经网络估算模式的输入变量包括下列4项：

（1）地质状况。

（2）建筑项目总坪数。

（3）地上楼层数。

（4）地下楼层数。

输出变数：工程每平米造价。

3 案例式推导

以案例式推理（Case-BasedReasoni

ng，CBR）作为估算核心，由历史案例来表示过去的知识与经验。该研究以过去102个实际工程案例为基础，建立一个适用于建筑工程在规划、初步设计时间的成本概算系统。应用案例式推理最重要的关键在于案例的比对与撷取后案例的修正。对此，该研究对于属性对应值型式为字符串者，采完整比对（exactmatch），对应值型式为数值（Value）采绝对模糊范围比对（absolutefuzzyrangematch），而推论出工程成本以最相似案例的相似值进行修正。在经过案例测试后，其中两个案例工程费用平均误差在10%～15%，3个案例工程费用平均误差在15%～20%。相较于传统概估法，虽未见明显提升，但估算准确率尚在接受范围[4]。因此，可说该系统的估算结果具一定的准确性。如前所述，案例式推理应用的关键点，在于案例比对属性与其权重的定订，此二者将决定所搜寻案例的适用与否。一般而言，权重的决定多透过专家访谈或问卷发放的方式而定出，虽然藉此能够订立出较合理、符合实际的属性权重，但人为主观判断仍难以避免。此外，搜寻所得的相似案例，一般皆以人为修正方式调整其成本。就项目内容的复杂程度而言，仍可能产生内容无法完全表达，进而造成准确性不佳。经由以上探讨，基于各模式的限制性与问题点，使得建立的估价模式仍无法完全符合实际估价作业的需求，进而造成估算成本准确性不佳。

3.1 主项比例估价法

有鉴于传统参数估价法的缺点以类神经模糊系统于土石方工程成本估价的应用，提出利用工程单价、数量分离的主项比例估价方式，结果证明能够反应实时物价，并能有效将精度控制在10%的范围的内。营建专案通常由数以百项或千项的工项所构成，且非常花费金钱和时间去得到全部营建专案中的成本工项的数量与单价，然而用80/20法则解决了这问题。简单的说，80%的项目成本决定于20%的成本工项，因此最重要的20%成本工项所估算的数量可代替全部工项的总估算数量。如近年来钢骨、钢筋、金属建材及砂石等基础建材大幅上涨，工程成本结构发生变化，连带的亦会影响到概估系统的精准度[5]。

3.2 主项比例估价法与类神经模糊网络系统

结合主项比例估价法（PrincipalItemsRatioEstimationMethod，PIREM）与类

神经模糊网络系统（Neuro-fuzzysystem），

考量工程单价成本随地点、时间的不同而进行波动的现象，以及地区实施定额制估价与工程量列表报价的不同。本研究的总造价成本系统精准度为85.56%～97.16%，平均精准度为90.55%。探究对于某些工程案例的系统精准度较低的原因，应与不同工程中多会有其各工程所独具的特殊昂贵材料有关。一但这些特殊的装修材料过多或过于昂贵时，将大大地影响了工程成本的造价比率，同时亦会使得工程成本结构发生变化，连带的亦会影响到概估系统的精准度。

4 演化式建筑成本概算系统

结合三种理论（模糊逻辑推论、类神经网络、基因算法），结合三种理论的EFNIM，能够综合彼此优势，弥补单一理论的缺点。EFNIM成本概算特性以经验导向、简略地估算方法及历史案例为基础[6]。本模式建立在于智能推论模式，模式的发展是基逻辑模拟人脑的推论程序。输入10个变量（基地面积、邻户建损户数、总楼地板面积、地上楼层数、地下楼层数、规划户数、地质状况、震区、装修等级、机电及设备等级），输出变量1个，即工程每坪造价[7]。本研究提升估价作业的准确性，将粗估作业的误差降低至±15%以下。

5 结语

分析工程中造价的方法很多，但一般分析的过程繁琐且需完整的设计数据方能顺利进利。对于土地开发阶段工程造价推估会有很大的困难。而从工程生命周期的角度来看，从土地开发、构想、规划、设计、施工及营运等不同阶段，个别需要不同精确度的估计方法。尤其在土地开发阶段，更需要一个简单而快速又精确的造价推估方式来进行计算建筑个案投资报酬率，以做为土地开发的重要决策参考[7]。不论是构想阶段的规模粗估（orderofmagnitudeestimates）或者是规划阶段常采用的单位面积推算，均属计划前期较简易的估计法。而关系模式则为进一步运用历史数据探讨推测变量与变量间关系的数学函数法。若能掌握推估模型的重要关系模式，则可兼顾粗估模型的简易性与精确性，来满足土地开发阶段工程造价推估的需求。

如Herbsman（1986年）即提出对影响工程投入的因子，如集合住宅户数、楼层高度、面宽等，以相关分析及利用回归分析的判定系数，评选符合使用者要求水平的简单或多元回归方程式，来估计工程造价。Karshenas（1883年）则提出以总楼层数与平均楼层面积的相乘模式为基础的造价推估模式。

对于影响工程成本概算因素的归纳，可将影响因素区分为两大类。第一类为现地环境因素，第二类为主观需求因素[8]。现地环境因素指的是经实际调查后，可能对于工程项目产生影响的现地条件、外在经济状况及环境影响等。而主观需求因素为业主对于项目建立的内容需求及规划设计单位的初步设计内容。可见建立关系模式系建立良好推估方法的主要研究取向。而推测变量的显着性与建立符合实质关系的推估模型则是推估成功的关键。

回归分析用于预测，是一种非常实用的一种分析方法。回归分析系利用线性关系来进行解释与预测[9]。通常一个研究中，影响依变量的解释变项不只一个，此时需建立一套包含多个解释变项的多元回归模型，同时纳入多个自变量来对依变量进行解释与预测，称为多元回归。

多元回归中逐步回归分析可以满足预测型回归所强调目的：以最少的变项来达成对依变量项最大的预测力。因为逐步回归法是利用各解释变项与依变项的相关的相对强弱，来决定哪些解释变项应纳入、何时纳入回归方程式。预测型回归由于不是以变项关系的厘清为目的[10]，而是以建立最佳方程式为目标。理论在预测型回归中，多被应用于说明回归模型在实务应用的价值，以及有效达成问题解决机制，以期在最低的成本下，获致最大实务价值。

参考文献

[1]（美）FrankR.Dagostino，（美）LeslieFeigenbaum，著，周爱军，译.建筑工程估算[M].机械工业出版社，2006.

[2]（美）帕维兹F.拉德（ParvizF.Rad），著.项目估算与成本管理[M].北京广联达慧中软件技术有限公司，译.机械工业出版社，2005.

[3]Frean M.The upstart algorithm， A method for constructing and training feedforword neural networks[J].Neural Computation，1990，2（2）：198-209.

[4]Niu Dong xiao.The adjutment gray model to load forecasting of power system[J].The Joural of Gray Systems，1994.

[5]Kusiak A.Rough Set Theory： A Data Mining Tool for Semiconductor Manufacturing[J]. IEEE Transactions on Electronics Packaging Manufacturing，2001，24

（1）：44-50.

[6]Bourke，K，Ramdas，V，Singh，S，et al.Achieving whole life value in infrastructure and buildings.2005.

[7]Saket M M.Cost Significance Applied to Estimating and Control of Construction Projects.1986.

[8]CUI BaoShan HU Bo ZHAI HongJuan WEI GuoLiang WANG Juan School ofEnvironment，Beij

ing Normal University；State Key Joint Laboratory of Environmental Simulation and Pollution Contro，Beijing 100875，China.Study on the interaction between engineering construction and ecosystem changes in the Longitudinal Range-Gorge Region[J].Chinese Science Bulletin，2007（S2）：21-32.

[9]Beauboef T，Ladner R，Petry F.Rough set spatial data modeling for data mining[J].International Journal of Intelligent Systems，2004，19（7）：567-

584.

[10]Shang，C，Shen，Q.Rough Feature Selection for Neural NetworkBased Image Clas-sifiction[J].International Journal of Image and Graphics.2002，2（4）：

541-555.