大型工程項目監理承包商的選擇方法研究

徐武明，徐玖平,b

（四川大學a.不確定決策實驗室b.水力學與山區河流開發保護國家重點實驗室，成都610064）

0 引言

大型工程監理承包商的選擇問題，本質上一是多屬性決策問題[1]，二是如何從現在有關屬性對未來監理效果進行有效預測的問題。因此尋找到適合于大型工程監理承包商選擇的更科學更有用的指標（即屬性），又能正確找到各種輸入指標和未來監理效果之間的對應函數關系，具有一定智能的工程監理承包商的一種選擇方法，對大型工程項目管理和成敗意義重大。

神經網絡（Neural Network）利用數學的方法模擬生物神經網絡，是一種大規模并行的非線性動力學系統。BP（Back Propagation，后向）神經網絡其層與層之間權重可自修正，并已經證明在閉區間內任何一個N維到M維的連續函數都可以用含有一個隱層的神經網絡來逼近,即一個3層神經網絡就能夠實現任意精度的由N維向M維的映射[2-3]。因此將神經網絡應用于監理承包商監理效果預測，對于上面所說的不足之處，可以一一有效解決。它是幫助找到大型工程監理承包商選擇的有效方法。

1 基本思想和步驟

基本思想是：首先，先用樣本集的數據訓練神經網絡，直到滿足一定條件為止，使其具有預測的能力。用其來進行工程監理承包商的監理效果預測。然后把監理效果納入到工程監理承包商的選擇指標進行選擇。

整個算法的步驟可以描述如下：

（1）根據大型工程項目的監理實際，優化建立輸入指標集。

（2）構造神經網絡，確定神經網絡的結構和類型，以及隱含層數、每層的節點數、權值取值范圍、訓練算法、輸出層結點數目和含義。

（3）確定原始輸入數據，對數據進行預處理，選擇出訓練樣本集、檢驗樣本集和待選樣本集。訓練樣本集用于訓練神經網絡；檢驗樣本集用于模擬檢驗訓練后的神經網絡；待選樣本集用于實際情況測試，選擇工程監理承包商。

（4）在節點數、權值的取值范圍內，隨機地產生一個網絡結構，從輸入層到輸出層，用訓練算法進行訓練。滿足一定條件終止。

（5）用檢驗樣本集模擬檢驗訓練后的神經網絡的預測效果。

（6）用待選樣本集進行監理承包商的監理效果預測。

（7）利用監理承包商的監理效果預測指標，構造監理承包商選擇指標和選擇算法。

（8）對工程監理承包商選擇。

2 構建輸入屬性集

大型工程監理承包商的比較要素，即屬性（或謂指標），為和實踐中的做法有更好銜接，歸為技術屬性集、商務屬性集。

技術屬性集主要基于監理方提交監理大綱等技術文件和工程項目監理人員情況，商務屬性集主要基于報價、監理方情況和監理方的服務承諾等。論文中的監理是指一般意義上的監理，即施工監理。參照有關規定和資料[4-5]，根據咨詢實踐，構建技術屬性集如表1；構建商務屬性集如表2。各屬性值類型可分為C-continuous：連續屬性；S-symbolic：離散屬性。

表1 監理承包商技術屬性集

表2 監理承包商商務屬性集

3 神經網絡結構

圖1 選用的神經網絡結構

選用MATLAB 7.1為開發工具[6]。建立神經網絡如圖1所示，選擇三層BP網絡，分別為輸入層、隱單元層、輸出層[3-5]。

輸入層節點I=(I1,I2,……,I29)，共29個，是因為技術屬性集和商務屬性集點(I1,I2,……,I26)，2個節點(I27,I28)表示工程類型，見下表3，另外一個節點對應閾值。

中間一層隱單元處理層，隱單元處理層中的節點個數，按照2n+1方法[2-3]，選擇59個，其中58個節點接受輸入層的結果，另外一個節點對應隱單元的閾值。

輸出層主要對應監理效果，監理效果采用目標輸出法和利益相關者滿意度方法[7]測量。節點數為8，o=(o1,o2,o3,o4,o5,o6,o7,o8,o9)，其中o1=投資控制效果分，o2=進度控制效果分，o3=質量控制效果分，o4=安全環境文明分，o5=協調效果分，o6=業主滿意度，o7=設計方滿意度，o8=施工方滿意度，o9=政府監管部門滿意度。具體如何得值見實例。

隱單元層采用logsig函數

輸出層用purelin函數purelin(x)=x

在閾值點設置權值范圍[-1，1]，其它點權值范圍[0，1],在權值范圍內隨機產生網絡初始權值。

4 實例

表3 工程類型節點表

從S省招標公司的2002～2008年招投標數據集選用歷年的中標企業和監理工程（已完工）作為實例，選取訓練樣本10條和檢驗樣本5條，從2009年數據集中選用某一項監理工程的投標企業3家，作為待選樣本3條。

4.1 數據預處理

每條樣本的輸入層，見表1，表2，第1-26個節點對應編號1-26的屬性，大部分數據按規則顯然給值，有些在工程評標階段已經評價給值，給值不全的請5位有關專家重新給以評值。第27-28個節點對應工程類型。第29個節點是閾值=1。

對于訓練樣本和檢驗樣本，每條訓練樣本的輸出層，(o1,o2,o3,o4,o5)按照收集的工程完工資料和監理報告由5位專家依據評分規則予以打分,每位專家打分范圍在（0，1），取算術平均給分。

o6,o7,o8,o9各方滿意度主要是指各方對且僅對監理和監理方的滿意度，由于得到反饋所需時間不同，采用工程監理結束各方不等長時間發放回收有效調查表的方法，各方滿意度值按照各方回收的有效評分的份數算術平均。滿意度量值表見表4。

表4 滿意度量值表

4.2 訓練

為提高訓練效率，選用批處理訓練，訓練算法選用Matlab里的traingd函數（即最速下降法），性能函數選用MSE（mean squared error,均方誤差）。

用預處理的10條訓練樣本進行批處理訓練，結果顯示，近40個周期基本收斂穩定。如圖2所示。予以訓練100次。至此，監理承包商實際產出預測器建立完成。

4.3 檢驗

以此作為實際使用的大型工程監理承包商監理效果預測器,對檢驗樣本集的5條數據進行檢驗。

檢驗得到每條樣本數據預測結果值和實際值的誤差值的MSE的值，見表5。

MSE的平均值為0.036899，可見預測效果很好。

4.4 選擇

在準確預測的基礎上，用監理效果預測值(o1,o2,o3,o4,o5,o6,o7,o8,o9)，再加上I16共10項指標作為大型工程監理承包商選擇的指標集。

由10項指標如何去選擇監理承包商，現成方法很多，選用最簡單常用的算術平均法，并對I16調整如下

圖2 神經網絡結構訓練效果圖

表5 測試樣本性能函數MSE表

I16分值調整為

其中max{I16}為3家監理商監理報價的最高值，min{I16}為3家監理商監理報價的最低值。

用預測器對待選樣本集的3條樣本數據進行預測，分別得到對應的(o1,o2,o3,o4,o5,o6,o7,o8,o9)，并如上調整，得各樣本的10項指標，然后加權平均得值依次為0.825，0.891，0.852，因此選擇第二家T公司。這項監理招標在實際中也是選擇的T公司。

5 結論

對大型工程項目來說，真正關心的是監理效果。監理資質級別，注冊資本多少，其實與工程監理本身并無多大直接關系，它其實就是一個前期用來初步預測監理效果的依據指標。既然如此，建立比較準確的預測就很有必要，也很有價值。

神經網絡特有的對具體對應法則無需事先清楚掌握、連接權值能夠自學習自我更正的特點，為正確找到大型工程監理承包商的各種屬性和未來監理效果之間的對應函數關系提供了可能，指出了一個方向。從上面可以看到，用這種人工神經網絡技術構造的預測器能夠比較準確地預測監理效果。在比較準確預測的基礎上，把監理效果作為選擇時也應考慮的指標去選擇監理承包商，就更加科學。

接下來要做的工作，一是使指標和神經網絡結構更有針對性優化；二是收集更多數據對神經網絡結構進行訓練，提高神經網絡預測精確度；三是預測后的輸出指標和輸入指標怎樣更好結合來選擇。從而讓它更好地應用到實際的大型工程建設項目中去，幫助選擇監理承包商，優化工程監理，提高大型工程建設項目的經濟效益和社會效益。

[1] 徐玖平,吳巍.多屬性決策的理論與方法[M].清華大學出版社,2006.

[2] 韓力群.人工神經網絡教程[M].北京∶郵電大學出版社,2006.

[3] Robert Hecht-Nielsen.Theory of the Back Propagation Neural Network[C].Proceedings of the International Joint Conference on Neural Network,1989.

[4] 王海寬,石全,張麗坤.未確知測度模型在建設監理招標評標中的應用[J].建筑經濟,2008,(S1)

[5] 李海濤.建立科學合理的監理評標體系初探[J].建筑市場與招標投標,2005,(6).

[6] 楊高波,元波.精通MATLAB7.0混合編程[M].北京∶電子工業出版社,2006.

[7] Richard L daft.組織理論與設計[M].大連∶東北財經大學出版社,2002.