建筑工程實際造價的動態預知思路構建

鄧廷林

摘要：隨著我國社會經濟的不斷發展，建筑行業作為我國國民經濟中重要的組成部分，在建筑規模不斷擴大的背景下，提升了我國經濟的綜合實力。近年來，科學技術不斷發展，人們對建筑工程整體質量與性能的要求越來越高，給建筑行業帶來了新的挑戰。面對日漸激烈的市場競爭力，建筑企業若想在市場中占有一席之地，就必須嚴格控制建筑工程的成本，對工程造價進行科學高效的管理，從而在保證建筑工程施工質量的同時，提升企業自身的競爭力。在建筑工程建設過程中，實際造價的動態預知是其中一項非常重要的工作，對建筑工程施工質量、施工進度以及建筑企業實現最大化經濟效益有著不可或缺的作用。本文就對建筑工程實際造價預知模型及其模型結構進行了分析，并研究了建筑工程實際造價動態預知的實際應用，從而提高建筑工程的整體質量，促進企業實現經濟效益和社會效益最大化。

關鍵詞：建筑工程 實際造價動態預知 BP神經網絡

0 引言

近年來，在社會經濟發展的推動和我國人口數量劇增的背景下，我國建筑事業發展速度明顯加快，一座座不同類型的建筑拔地而起，在促進我國綜合實力的同時，也提高了人們的工作生活環境。隨著科學技術的不斷發展，我國建筑事業自身技術能力也得到了較大的提高，但是在建筑工程建設全過程中，影響建筑工程整體結構與質量的因素較多，工程造價就是其中一個重要的方面。在我國建筑行業工程造價中，靜態預知與動態預知又組成了工程造價控制的主要內容。動態預知往往是基于靜態預知上的，主要是按照國家相關政策內容，結合當前市場經濟的具體發展方向，對與建筑工程建設全過程涉及到的價格進行合理的調整及預知。對建筑工程造價進行動態預知，能幫助企業向社會定期或者不定期發布建筑工程經濟指標及其造價指數，不僅利用相關部門對其進行監督，還能為其他建筑施工提供可靠的依據。

1 建筑工程實際造價預知模型建立

在目前我國建筑工程中，工程造價對減少成本投入，提高建筑施工企業市場競爭力具有重要的作用。實際造價預知作為工程造價重要的一個內容，能提高建筑施工企業對工程造價的控制力度，實現企業經濟效益和社會效益最大化。若想對建筑工程造價進行實際預知，動態預知是關鍵。動態預知必須在相關的平臺上收集具體建筑工程項目的進度信息以及工程的造價信息，采用科學的評估法，對施工環境和施工材料的市場價格變化情況進行研究，分析出兩者對實際造價預知的影響。另一方面，必須注意建筑工程施工設備、技術的投入情況以及施工人員對工程造價的影響。然后結合建筑工程施工企業歷史造價的相關信息，建立以BP神經網絡為基礎的預知模型，并保證其科學性、合理性和可行性。在預知未來工程造價時，需要在預知結果的基礎上，對可能遇到的、潛在的造價控制問題進行分析預知，找到問題及時進行預防和處理，避免因小細節給工程帶來質量問題，影響企業的健康發展。

建筑工程施工過程中，相關管理部門需要在合同的起草、商議以及簽訂、實行上對工程造價進行有效的預知。通過統籌論證分析工程造價控制，保證建筑工程的實際造價始終處于可控狀態。同時，根據上交的工程造價控制表和報告表，科學合理的分析工程造價控制的結果以及決策。以建筑工程施工企業歷史的造價數據信息為基礎，運用BP神經網絡模型對實際造價的資金發展以及變化情況進行分析預知。然后比較造價預知的數據與造價計劃，確定建筑工程施工的計劃值，并對施工中可能會出現的問題進行分析，有針對性的采取改進措施，確保建筑工程實際造價預知結果更加真實、可靠以及準確。

2 建筑工程實際造價動態預知模型的結構

2.1 設計建筑工程BP神經網絡的結構 建筑工程BP神經網絡結構設計就是對神經結構層數以及每層神經元的具體個數進行確定。一般情況下，BP神經網絡只存在于一個輸入層和與之相對應的輸出層。那么決定建筑工程BP神經網絡結構輸入層神經元個數的重要因素就是建筑工程實際造價的因素。比如在對建筑工程的管線施工時，可以將氣候條件、地質地形、單位造價以及管理水平等作為BP神經網絡中輸入層中4個神經元，并將管線施工的總費用作為網絡輸出層中唯一的神經元。在20世紀80年代，相關學者對閉區間內任何連續函數進行了研究，研究結果表明可以用BP神經網絡來表示閉區間內任何連續函數，往往隱含層的個數為1。隱含層的節點可以用公式計算：Nh=■+a

其中Nh為節點數目，N1為BP神經網絡中輸入層的節點數，N0為BP神經網絡中輸出層的節點數，a是調節常數，其值往往在1-10范圍內。通過上述公式可計算出管線施工的BP網絡結構為“4-12-1”，意思就是在BP神經網絡中有4個輸入節點、12個隱含層節點以及1個輸出節點。

2.2 創建建筑工程實際造價動態預知BP神經網絡 在建筑工程BP神經網絡結構設計完成的基礎上，通過Matlab網絡工具對建筑工程實際造價動態預知的BP神經網絡進行構建，并利用函數（Newff）形成相應的BP神經網絡。通常情況下，在對BP神經網絡進行訓練時，為了確保性能函數能達到最小，可以通過計算機梯度方式，對閥值和梯度權值進行科學合理的調整。在Matlab網絡工具中，為構建BP神經網絡結構提供了較多的可訓練函數，但是這些函數的模式往往大多數都屬于批處理模式，需要由Train對其進行觸發才能使用。因此在建筑工程實際造價動態預知BP神經網絡中，一般會選擇Traindm函數對其進行訓練，可以及時更新閥值和梯度權值，但是要注意現在和前段時間的梯度方向。這樣才能有效的降低參照函數對網絡性能調整造成的影響，防止局部出現小問題。

對建筑工程實際造價動態預知BP神經網絡創建完成后，需要對其的設計值進行訓練。在數據前向傳播中，其輸入到輸出的一個從前到后的過程，應該連接前后節點，將設計值按照各個連接權重的大小加權輸入活動函數，從而得出新的設計值，隨后再傳播到下一個節點。另外，在回饋環節，如果輸出值與預知值存在較大的差距，就需要對神經網絡進行“懲罰性學習”。其過程主要包括：首先需要對發生錯誤的輸入節點進行尋找，如果這個節點權重高，那么就降低對其信任值。同時再升高傳輸正確節點的信任值，增加其權重。被懲罰的節點會繼續向前尋找錯誤發生源，并對其進行懲罰，直到懲罰傳播到最初輸入點為止。

3 實例應用

3.1 建立模型 根據上述建筑工程管線施工為例，對建筑工程實際造價動態預知BP神經網絡的應用進行分析。在對BP神經網絡預知模型進行構建時，需要對影響管線施工實際總費用的因素進行考慮。通常情況下，主要是針對氣候條件、地質地形、單位造價以及管理水平等4個方面進行分析，并將其作為BP神經網絡輸入層中的4個節點。隨后將管線施工實際造價的預知值作為輸出層的唯一節點，中間的隱含層節點數以及層數。由上文建立的“4-12-1”BP網絡結構，對管線建設全過程的費用進行預測，然后再建立建筑工程實際造價動態預知模型的訓練樣本，把預知值的偏差范圍固定在[0，2]。

3.2 訓練 向BP神經網絡結構中輸入相關的數據信息，通過學習算法對其進行反復運算，計算結果表明實際輸出值與計劃值非常接近，起均方差為D＜0.0002，說明實際造價動態預知是符合要求的。

3.3 測試 在上述訓練結果可知其誤差較小，可以運用BP神經網絡對建筑實際造價進行動態預知。如果某一個月預期CPI指數為1.273，氣候因素指數是1.232、地質因素為1.062、管理水平指數為1.135，那么將這些數據輸入到已經訓練好的BP神經網絡中，預知目標值可得預知費用為2517萬元。

4 總結

近年來，我國建筑行業迅猛發展，大大改善了我國人民的居住環境，為人民群眾的生活提供了所需的各種設施。在日漸激烈的市場競爭中，建筑企業若想在其中立足與發展，就必須科學高效的控制工程造價，提升自身的競爭力。基于此點，建筑企業必須建立建筑工程實際造價動態預知BP神經網絡，保證實際造價動態預知的科學性、可靠性以及準確性，實現企業經濟效益和社會效益最大化。

參考文獻：

[1]常春光，尹凱.施工階段工程造價動態控制研究[J].沈陽建筑大學學報(社會科學版)，2014，01:60-65.

[2]張蕾.論建筑工程造價的動態管理與控制[J].中國新技術新產品，2012，23:203.

[3]張佳麗.略論如何有效實現建筑工程造價的動態管理[J].中國建筑金屬結構，2013，06:138.

[4]郁麗榮.談建筑工程造價的動態管理[J].科技創新與應用，2013，16:250.

[5]孫曉東.建筑工程造價動態管理體系問題研究[J].科技創新導報，2011，21:38-39.

[6]阮明越.建筑項目施工階段工程造價動態控制策略[J].中國高新技術企業，2012，13:150-152.

endprint