數據挖掘技術在裝配式建筑風險決策中的應用研究

張文斌 馬利華 高思 劉紅云

摘要： 為了推動建造方式創新，全面提升建筑質量水平和管理水平，裝配式建筑由于自身的優點，成為建筑領域力推的新型建筑模式。目前，關于裝配式建筑的研究還不夠深入，主要集中于施工過程中的風險評估和成本及工期等方面。本文從項目的前期投資過程出發，運用專家組量化風險因素，建立知識庫，利用數據挖掘技術，構建風險決策體系，形成風險決策規則，從而達到有效的區分和控制風險。

Abstract： In order to promote the innovation of the construction methods and improve the quality and management levels of the building， the fabricated construction，because of its unique advantages， has become a new type of construction mode in the field of building. At present， the study of analytic method of prefabricated construction is not enough in-depth. It mainly focuses on the risk assessment and the cost and duration of the construction process. In this paper， authors use the expert group to quantify risk factors from the initial investment process of the project， building knowledge base， using data mining technology， constructing risk decision model and forming risk decision rules， so as to distinguish and control the risk effectively.

關鍵詞： 裝配式建筑；風險決策；數據挖掘；應用研究

Key words： prefabricated construction；risk decision；data mining；research and application

中圖分類號：TU741 文獻標識碼：A 文章編號：1006-4311（2018）19-0082-03

0 引言

裝配式建筑作為一種新型的房屋建筑模式，較傳統施工方式而言，有施工速度快，所用勞動力少，環境影響小的優點[1]。按照《國務院辦公廳關于大力發展裝配式建筑的指導意見》（國辦發〔2016〕71 號）的適用、經濟、安全、綠色、美觀的要求，北京市將計劃在2018 年新建建筑面積中裝配式建筑占20%以上，到2020 年達30%[2]。推動建造方式創新，大力發展裝配式建筑，全面提升建筑質量水平和管理水平，成為建筑領域力推的新型建筑模式。早在上世紀80年代，一些歐洲國家由于住房緊缺，裝配式建筑已經成為主要的生產住宅方式[3]。而我國裝配式建筑則由于技術等各方面條件的制約發展道路異常緩慢[4-6]。直到2014年以后，隨著國家大力提倡發展綠色建筑，裝配式建筑由于自身的優點，結合BIM和“大數據”背景下的研究結果已經頗多如：蔡軍和馬丁斯科特，基于層次法研究預制裝配式建筑目標成本計算及評價[7]；陳偉等，運用灰色聚類模型測評裝配式建筑工程施工安全因素[8]；以及其他學者通過結合互聯網實現預制建筑網絡和裝配式建筑管理[9-10]，但大都集中體現在對裝配式建筑施工過程中的風險評估和成本及工期研究[11-14]。但是由于在項目前期投資過程中風險因素的不確定，怎樣通過定量分析、有效區分和控制風險，并進行正確的決策，來減少或者確定決策中不確定因素的主要因素的研究還相對較少且不夠深入。因此有必要運用數學建模來定量分析這些特點。

本文在已有研究的基礎上，通過結合建筑領域自身的特點，選擇常用的數據挖掘技術方法。首先，通過相關文獻確定影響裝配式建筑項目投資的風險因素集，然后運用粗糙集原理組建專家組評估量化風險因素集，建立知識庫，構建風險決策體系，利用數據挖掘技術約去風險因素中的冗余屬性及屬性值，最后形成最簡單的風險決策規則，從而達到有效的區分和控制項目前期投資過程中存在的風險。

1 數據挖掘的技術方法

數據挖掘是指從大量的數據中經過科學方法發現其中隱藏的、內在和有用信息的過程。主要的挖掘方法有如：概率分析、聚類分析、判別分析和粗集理論等[15]；但由于各種方法的自身功能和特點都有其應用領域（見表1 數據挖掘的主要技術方法對比[16]）。

1.1 粗糙集理論

本文結合風險因素的不確定性，而運用粗糙集方法進行數據挖掘。粗糙集是由20世紀80年代初波蘭數學家Z.Plawlak提出的，這種方法在數據挖掘中具有重要的作用，常用于處理不確定、不完整、不完備甚至不一致的數據的一種數學方法[16-17]。

粗集理論認為知識是與分類緊密聯系在一起的，知識是基于對象分類的能力，在數據分類過程中將相差不大的對象分為一類，這種不可分辨關系也稱等價關系。知識庫可表示為K=（U，R）。其中U為非空有限集稱為論域，R是U上的一族等價關系。U/R為R的所有等價類族。[X]R表示包含元素x∈U的R的等價類。若P？哿R且P≠？椎，則P中全部等價關系的交集也是一種等價關系，稱為P上的不可分辨關系，記為ind（P），[x]ind{R}=■[x]R，P？哿R。

同時定義上近似和下近似兩個精確集來表示不精確概念。通過運用知識表達系統也稱為信息系統，將條件屬性和決策屬性用關系表的形式表達出來。決策表是一類特殊而重要的知識表達系統。設S=（U，A，V，f）為知識表達系統。其中S=（x1，x2，…，xn）是對象的有限集合；A={a1，a2，…，an}為屬性的有限集合；V為屬性A所構成的域；f：U×A→V為一個信息函數，U中任一元素取屬性a在V中有唯一確定值；A=C∪D，C為條件屬性的集合；D為決策屬性的集合。

1.2 數據挖掘過程

數據挖掘過程就是決策表的簡化過程，就是將化簡決策表中的條件屬性進行化簡，化簡后的決策表具有與化簡前相同的功能，但是化簡后的決策表具有更少的條件屬性。因此，決策表的簡化在實際應用中相當重要，同樣的決策可以基于更少量的條件，是我們通過一些簡單的手段就能獲得同樣要求的結果。決策表的簡化步驟如下：進行條件屬性的簡化，即從決策表中消去某些列；消去重復的行；消去屬性的冗余值。

1.2.1 屬性的相對約簡

2 實證分析

2.1 定義條件因素集和決策屬性集

裝配式建筑較一般建筑而言，其風險特點還有其不一樣之處，本文根據已有的定性分析的基礎上，在風險決策時，從新構建來自建筑自身和外在因素。本文選取主要可以反映裝配式建筑風險的幾個因素集，即條件屬性集包括技術水平（a）、投資規模（b）、市場環境（c）、管理水平（d）等4個風險因素。而決策屬性集則包括企業規模（e）、風險應對措施（f）。本文選取13個工程項目進行調研。在決策支持系統中通過條件-決策表，表中列表示屬性，行表示論域中的對象，以此構造的基于粗集理論的風險決策表。

2.2 數據離散化及建立專家知識庫

對條件屬性和決策屬性分別離散化以建立專家知識庫。首先利用上述建立的條件屬性集，將條件屬性按取得的調查結果進行離散化處理，如技術水平分為3個級別，記為{1，2，3}，代表{低，中，高}；投資規模分為4各級別，記為{1，2，3，4}，代表{小，較小，較大，大}；市場環境分為2個等級，記為{1，2}，代表{不平穩，良好}；管理水平分為{1，2，3}，代表{低，中，高}。其次對決策屬性按取得的調查結果也進行離散化處理，如企業規模分為2個等級，記為{1，2}，代表{小，大}；風險應對措施分為3個等級{1，2，3}，代表{風險自留，共擔，回避}。如表2所示。

2.3 屬性約簡

對決策表進行屬性約簡。由表2中數據可求出那些是冗余屬性，那些是核屬性。約簡結果如表3所示。

2.4 屬性值約簡

對表3中進行屬性值約簡。約簡結果如表4所示。

2.5 結果分析

由表4可得如下決策算法：

或a2d2→（2，3）或a2d1→（2，3）；a1→（1，3）；d3→（2，2）或c1→（2，2），c2→（2，1）

綜合起來：a2d2∨a2d1→（2，3）；a1→（1，3）；d3∨c1→（2，2）；c2→（2， 1）。

由上述四條復合決策規則組成的算法可用如下語言解釋：

①當技術水平為“中”，管理水平為“中”或“低”時，規模較大公司的策略是選擇風險回避，應該放棄使用裝配式建筑施工改為傳統施工方法，或者放棄該項目；

②當管理水平為“高”或市場環境“不平穩”時，規模較大公司的策略是選擇風險共擔；可以選擇使用裝配式建筑，但是還是有一定的風險；

③當市場環境“良好”時，規模較大公司的策略是選擇風險自留；這時裝配式建筑就顯示出它的優點，可以為企業帶來更大的利潤，同時對環境的影響小，應該大力提倡。

3 結論

本文在已有定性研究基礎上，利用現有統計數據和粗集約簡算法相結合，通過數據挖掘技術從大量的數據中發現其后隱含的規律性，將其模型化，構建風險決策體系。確定了影響裝配式建筑風險的因素集，由技術水平、投資規模、市場環境、管理水平4個條件風險因素和企業規模、風險應對措施2個決策屬性集，通過專家評估將風險因素量化，約去條件因素中的冗余屬性及屬性值，最后形成最簡單的決策規則。完成輔助決策的作用。實踐證明，通過挖掘分類規則可以提高規則的精度和解釋能力，大大提高分類規則的應用價值。這種基于粗集理論的數據挖掘技術，為裝配式建筑風險決策奠定了可定量研究的實踐基礎。

參考文獻：

[1]郭章林，梁婷婷.淺談裝配式建筑的發展[J].價值工程，2017，36（2）：233-235.

[2]佚名.北京市將加快發展裝配式建筑：2018年占新建建筑面積20%以上，2020年達30%[J].建筑結構，2017，0（6）：18.

[3]蔣勤儉.國內外裝配式混凝土建筑發展綜述建筑技術[J].建筑技術，2010，41（12）：1074-1077.

[4]申琪玉，李惠強.綠色建筑與綠色施工科學技術與工程[J].科學技術與工程，2005，5（21）：1634-1638.

[5]尹穗.在廣東地區使用裝配式建筑初步分析報告[J].廣東土木與建筑，2011，0（12）：29-32.

[6]樊軍，楊嗣信.關于實現裝配式建筑的思考及建議[J].建筑技術，2017，48（2）：118-122.

[7]蔡軍，馬丁·斯科特.基于層次法的預制裝配式建筑目標成本計算及其AHP評價[J].財會月刊，2016，0（12）：88-90.

[8]陳偉，付杰，熊付剛，等.裝配式建筑工程施工安全灰色聚類測評模型[J].中國安全科學學報，2016，26（11）：70-75.

[9]Ahmed A， Kayis B， Amornsawadwatana S.A review of techniques for risk management in projects[J].Benchmarking An International Journal， 2007， 14（1）：22-36.

[10]Zhong R Y， Peng Y， Xue F， et al.Prefabricated construction enabled by the Internet-of-Things[J].Automation in Construction， 2017， 76（0）：59-70.

[11]劉季昂.裝配式建筑綜合效益分析方法研究[J].工程技術：文摘版，2016，0（6）：00303.

[12]李麗紅，肖祖海，付欣，等.裝配整體式建筑土建工程成本分析[J].建筑經濟，2014，35（11）：63-67.

[13]唐海燕，劉榮桂，韓豫，等.基于BIM-5D的工程施工成本預測系統構[J].工程管理學報，2015（4）：107-112.

[14]王惠珍.基于改進灰色系統GM（1，1）模型的成本預測[J].統計與決策，2015（15）：83-86.

[15]Chen L D， Sakaguchi T， Frolick M N. Data Mining Methods， Applications， and Tools[J].Information Systems Management， 2000， 17（1）：65-70.

[16]Z Pawlak..Rough Sets-Theoretical Aspects of Reasoning about Data[M]. Klystron Academic Publisher， 1994.

[17]吳冰，李為相，趙林度.基于粗集理論的最小化決策模型[J].信息技術，2002（4）：4-5.