公路工程招投標管理工作中的問題及風險分析研究

收稿日期：2024-01-09

作者簡介：劉帆洋（1990—），男，本科，工程師，從事市場開發招投標工作。

摘要 為有效、快速地對招投標過程中存在的問題及風險進行測算，文章利用灰色關聯分析建立招投標問題及風險測算模型。得出以下結論：（1）通過粒子群優化技術構建支持向量機，解決工程項目的招投標問題及其相關風險評估問題，此模型對招標投標風險問題的正確識別率超過80%，同時對風險程度評級的精確度也達到了90%及以上。（2）該測算模型的使用有助于揭示公路投資工程招標投標的風險狀況，并為其預防和管理提供了一條全新的途徑和策略。

關鍵詞 政府投資；風險概率；工程招投標；支持向量機

中圖分類號 U415.13文獻標識碼 A文章編號 2096-8949（2024）09-0167-03

0 引言

隨著我國經濟的高速發展，公路工程建設規模不斷擴大，招投標管理工作作為公路工程建設的重要環節，在當前公路工程招投標的管理工作中存在虛假招標、圍標串標等問題，給工程帶來極大的質量安全隱患。如何對這些風險進行識別、評估和控制，是當前亟待解決的重要問題[1]。對于公路工程招投標管理過程中的問題和風險進行深入分析與研究，找出招投標的潛在風險，以提升項目管理部門應對招投標問題及風險的管理能力[2]。

針對上述招投標中存在管理問題，結合當前公路工程項目招標與投標管理的缺陷及其潛在危險[3]，該文構建了基于關鍵因素的評估系統，運用了灰度相關性和K-means聚類技術識別問題的嚴重程度、級別以及相應的警戒線，利用機器學習方法創建招標與投標過程中問題和風險的預測模型[4]。

1 招投標問題及風險測算指標體系構建

1.1 招投標問題及風險測算指標體系

提取招投標的重點問題和風險，初步構建招投標問題及風險的評估指標體系，該指標體系的計算過程如圖1所示。對招投標風險案例的詞匯分析結果進行了統計和分析[5]，相關問題和風險關鍵詞如表1所示。

基于招投標文本文件中的問題及風險和參與者相關的問題及風險，該文建立了招投標問題及風險測算指標體系，如表2所示。

1.2 問題及風險測算指標體系權重

采用層次分析法對復雜且涉及多種因素、多個目標與多元價值觀的問題進行分類處理，整合定性和定量的分析方法，建立招標投標問題的評估標準及其潛在的風險衡量指標系統。使用1～9級評分法獲得問題及風險衡量指標的重要程度評判矩陣，計算各指標的重要性權重，記為Ui。

信息的無序性能夠衡量因素變動程度對風險評估風險體系的影響，鑒于該研究中使用的評價標準為不確定性，因此須使用百分數分配方式，給每種情況下的各個因素打分，以實現其定量的評級過程，并且要對其進行標準化驗證后才能應用不確定性理論，最后判斷各要素的重要性和它們的各自權重值，即Uj，具體方法可以參考式（1）及式（2）：

（1）

（2）

式中，λ——不確定數值的修正參數，取值在0～1范圍內。該次研究中取0.1。式（2）中的Uj′為風險因素結果權重，主要是對Uj*進行簡化統一量級處理。

2 招投標管理問題及風險測算模型構建

2.1 基于支持向量機的測算模型

基于支持向量機建立招投標管理問題及風險測算模型，對其風險參數和修正參數進行最優解處理。根據結果的優化過程進行多次迭代計算，模型測算過程如圖2所示。基于上述支持向量機的迭代優化測算模型，結合大量招投標問題及風險的案例數據，計算得到目前招投標風險的數據規律，具體計算過程按照式（3）進行：

（3）

式中，f（x）——風險因素的線性擬合方程；xI——風險參數指標；yI——結果參數；I——M個因素序列；u——1級影響因素的權重向量；ε——不確定性離散函數的誤差；γI、γI*——浮動變量；c——修正參數；φ（xI）——非線性映射函數。

2.2 實例分析

2.2.1 確定招投標管理問題和風險測算指標的權重

依據問題和風險評估指標的權重計算，能夠確定最終的修正賦權方案，具體的計算結果參見表3所示。

2.2.2 灰色關聯分析確定問題及風險

設定母序列中所有招投標風險偏向評價指數均為100，對35項政府投資建設項目招投標事件進行分析。利用Matlab程序計算各比較序列的灰色相關系數，并按其等級進行排序，從而獲得35種情景下的問題與風險的排行狀況，分析數據見表4所示。

由表4可以看出，排列越靠前，則與參考數列的相似度越高，代表風險概率越大。實際案例中存在的風險因素與數據的灰色關聯度，存在線性關系，風險因素的測算結果隨其相似度的增加而逐漸升高，將灰色關聯度應用于招投標風險問題測算可得到較好的評價效果。

2.2.3 K-means聚類確定風險等級及閾值

把上述算出的灰色相關性的數據，當作K-means聚類的參考標準，然后利用SPSS的數據分組工具執行。不斷重復此步驟后，可以成功地將問題和潛在的風險劃定為三個層次。依據樣品與對應聚類中心之間的距離，將其轉換為相應的級別數值區間，風險等級及閾值如表5所示：

表4 灰色關聯度排序

排名 灰色關聯度 案例

1 0.877 9 32

2 0.866 1 7

... ... ...

34 0.741 1 23

35 0.738 0 16

表5 問題及風險結果

序號 風險級別 結果評級數值

1 低級風險 （0，0.699 82）

2 中級風險 （0.699 82，0.807 99）

3 高級風險 （0.807 99，1）

2.2.4 測算模型預測結果

該研究致力于確定最優的處罰參數和核心參數，利用訓練數據構建并優化以支持向量機為基礎的問題解決和風險評估模型，然后把訓練好的模型直接運用到測試數據中。依據對測試數據的預測成果，可以得出此模型的預估精準度達到72.207%，具體見圖3所示。將這些預測數值與其相應的偏好級別進行對照，發現在案例1、3、4、5、7、9、12和13上存在錯誤判斷的情況，其準確率僅有61.538%，這表明使用支持向量機的招投標問題及其風險評估模型并不完美，因此仍需對其進一步完善。

圖3 支持向量機測試集實際與預測對比

把35個招標投標實例的風險評估矩陣當作輸入數據，然后利用Matlab軟件進行處理，并分析這30組訓練樣本和13份測試樣品。經過優化后，問題解決和風險度量模型達到了86.803%的精確度，如圖4所示，其預測結果與真實情況的相符程度較高。通過比較測試樣本中預測數值與其相應的級別分類，可以看到僅有案例2存在錯誤識別的情況，且該系統的準確率達到92.308%，表現出良好的預測能力。

圖4 粒子群優化的支持向量機測試集的實際與預測對比

3 結論

該文根據當前公路工程項目招投標管理的問題及風險，構建了評估系統，運用了灰度相關性和K-means聚類技術識別問題的嚴重程度、級別以及相應的警戒線。最終，利用機器學習方法創建了專門用來測算招標與投標過程中的問題和風險的預測模型，主要得到以下結論：

（1）利用基于粒子群優化的支持向量機自動計算模型，可以迅速且精確地對招投標事件進行問題、風險和等級的測算，其預測準確度大幅提升，在招投標問題、風險及等級測算的研究領域具有創新性。

（2）模型能夠全面、精確地考慮招投標過程中的各種因素，從而對問題和風險進行測算。它可以有效地識別招投標中的風險行為，提升政府的管理能力和水平，并迅速采取應對措施以減少風險行為。

（3）進行實際公路工程招投標操作過程中，應從招標文件和招標參與人等方面建立風險指標，采用支持向量機建立預測模型，可以很好地降低公路工程招投標風險因素的影響程度。

參考文獻

[1]張明. 公路工程招投標管理中的問題與對策研究[J]. 中國公路， 2020（7）： 107-109.

[2]王曉燕. 公路工程招投標中的風險分析與防范對策[J]. 交通世界， 2021（1）： 18-19.

[3]李偉. 公路工程招投標中的問題與對策探討[J]. 交通建設與管理， 2021（2）： 42-44.

[4]劉彥. 公路工程招投標管理工作的問題及對策[J]. 交通企業管理， 2022（3）： 76-78.

[5]陳志強. 公路工程招投標中的風險分析[J]. 交通世界， 2023（1）： 34-36.