工程建设项目成本估算方法研究综述

吴青龙 陈小卫 韩志超

(航天工程大学，北京 102206)

0 引言

随着社会经济的快速发展，我国建筑行业转型升级面临巨大挑战。为了应对激烈的市场竞争，建筑企业急需提升工程项目管理水平，进而提升企业核心竞争力。成本管理是工程建设项目管理的重要环节，尤其需要重视项目的成本估算。本文通过对国内外工程建设项目成本估算相关文献进行研究，阐述工程建设项目成本管理现状和发展趋势，旨在提升我国工程建设项目管理水平。

1 国外工程建设项目成本估算方法研究综述

国外工程建设项目成本估算相关研究起步较早，研究成果较为丰富，且注重工程建设项目的成本管理。国外工程建设项目成本估算方法的发展历程分为以下三个阶段。

1.1 第一阶段——基于简单类比的估算方法

1962年，英国工程造价信息服务部提出了BCIS估算模型。该模型以一个最类似的已完工工程数据为基础，根据待估算工程与已完工工程的相似程度调整相乘系数，最后求和得到投资估算总额[1]。该模型在20世纪五六十年代应用较为广泛。

该模型只需找到一个相似的已完工工程项目，根据相似程度确定调整系数，计算方便简单。然而，工程项目具有一定的独特性，很难找到极其相似的两个工程项目，因此该模型的估算结果误差较大、准确性较低。

1.2 第二阶段——基于现代数学的估算方法

该方法在20世纪七八十年代应用较为广泛，主要包括回归分析和蒙特卡洛模拟。为了克服简单类比估算方法的不足，英国学者Kouskoulas和Kohen于1974年提出利用回归分析进行建设项目成本估算，并利用38个已完工工程数据进行验证。研究结果表明，该估算方法准确性高达99.8%，明显优于第一阶段的估算模型[2]。但是，该方法没有考虑时间因素，也存在一定的不足。工程建设项目持续时间长、影响因素较多，对估算结果的准确性具有一定影响。同时，工程建设项目具有较高的复杂性和不确定性，其成本受到很多复杂因素的影响且各因素之间具有很强的关联性。因此，该估算方法具有一定的局限性。

20世纪80年代初期，为了提升工程建设项目成本估算的准确性，英国学者David使用基于蒙特卡洛模拟和专家知识库计算工程实际成本的概率分布，由此产生了基于蒙特卡洛模拟的估算方法[3]。该方法首先针对各分项工程给出成本的先验概率。其次，由计算机模拟得到一个随机数，并进入下一个分项工程，结合该项工程的先验概率，得到一个随机数。不断重复该过程，直至将全部工程模拟完毕。最后，将所有分项工程成本求和得到最终估算结果。

综上所述，该阶段估算方法的优点在于估算结果主要根据大量历史统计数据，准确性较高；缺点是需要基于大量的历史数据以及复杂的计算确定先验概率，计算过程较为复杂。

1.3 第三阶段——基于人工智能的估算方法

随着信息技术的快速发展，人工智能在工程、经济、金融等领域得到广泛应用。特别是在工程建设领域，人工智能技术有效提升了工程项目成本估算的准确性和便捷性。人工智能的估算方法包括模糊逻辑、人工神经网络、支持向量机以及混合模型和优化改进等。Haytha对人工智能和参数化建筑成本估算模型最新进展进行了深入研究。研究结果表明：通过计算机智能、人工智能和机器学习技术能够开发适用且准确的成本预测模型；运用混合模型进行参数化成本估算建模是未来的发展趋势，可以有效提高估算模型的性能和准确度[4]。

2 国内工程建设项目成本估算方法研究综述

我国工程建设项目成本估算方法研究起步较晚。近年来，研究人员对工程建设项目成本估算方法进行了大量创新实践，极大地提高了工程建设项目成本估算效率。我国的工程建设项目成本估算方法可以分为传统估算方法和现代估算方法两大类。

2.1 传统估算方法

传统的工程建设项目成本估算方法包括单位生产能力投资估算法、生产能力估算指数法、比例估算法、朗格系数法[5]。

2.1.1 单位生产能力投资估算法

单位生产能力投资估算法是指参照类似项目的单位生产能力投资对新建设项目进行估算。该方法以生产能力和基建投资的比例关系为基础，且需要已完工项目与待估算项目具有较高的相似性和可比性。同时，需要对估算结果进行调整，以提升精准性。

2.1.2 生产能力估算指数法

生产能力估算指数法以两个同类型企业的生产能力为基础，假设两者之间的投资额与生产能力之比的指数幂具有正比例关系，通过计算对应关系求出投资估算额。通常，生产能力指数为0.6，因此又称0.6指数法。

该方法体现了工程成本与规模之间的非线性关系，计算简单便捷，但精确度不高，且需要两个工程之间有较高的相似性，否则估算结果误差较大。

2.1.3 比例估算法

比例估算法通过计算同类已完工项目设备投资与固定资产投资的比例，对拟建项目的主要设备投资进行估算，再利用比例关系计算拟建项目的固定资产投资。

该方法需要以大量的历史资料数据为基础。然而，在工程建设初期，由于数据资料缺乏、市场调研不足，且类比关系难以确定，该方法估算精度较低。

2.1.4 郎格系数法

郎格系数法是以设备费乘以调整系数对拟建项目成本进行估算[6]。该方法计算较为简单，但缺乏对设备质量的考虑，因此估算结果存在较大误差。

2.2 现代估算方法

2.2.1 基于概率统计与回归分析的工程建设项目成本估算方法

基于概率统计的工程建设项目成本估算方法能够有效降低成本估算中的不确定性。回归分析能够确定工程建设项目成本与相关因素之间的关系，因此被广泛应用于工程建设项目成本估算。

李存斌等[7]运用三角分布进行投资估算，以解决工程费用受不确定性因素影响的问题。杨莉等[8]基于贝叶斯推理原理构建项目成本概率动态预测模型，并证明该模型具有较好的适用性和精确度。马辉等[9]基于大量历史数据，通过R软件建立回归模型并拟合回归方程，通过对比分析发现，该模型可靠性较高。左苏[10]提出使用主成分因子分析法提取新的变量因子以解决多重共线性问题，并建立主成分回归预测模型。研究结果表明，该模型精确度达90%以上，具有较高的可靠性。

综上所述，基于概率统计的工程建设项目成本估算方法能够有效解决不确定性问题，计算简单便捷、实用性较强。但是，该方法依赖于专家对不确定性因素的经验和认识，具有一定的主观性。而基于回归分析的工程建设项目成本估算方法能够通过历史数据分析成本的变化趋势，体现成本与影响因素之间的逻辑规律。但是，该方法更适用于模式较为成熟的工程建设项目。

2.2.2 基于模糊数学的工程成本估算方法

1965年，美国数学家扎德提出模糊数学理论，以解决客观事物无法精确定义的模糊问题。基于该理论，王祯显[11]指出，利用模糊数学进行成本估算具有较高的精确性，且计算速度较快，缺点在于难以确定工程特征向量、隶属函数和调整系数。邵良杉等[12]以大量已完工工程数据为基础，运用模糊理论建立造价估算模型。实例证明，该模型计算简单、结果可靠。蓝荣梅[13]通过对贴近度归一化处理得到平滑指数，将模糊数学与指数平滑法相结合。成本预测结果显示，速度与精度均得到一定程度的提升。

基于模糊数学的工程建设项目成本估算方法精度较高、逻辑严密、科学合理。该方法不同于传统的简单类比方法，能够更加科学地反映人对事物感知的模糊性。其缺点在于难以确定隶属函数且计算较为复杂。

2.2.3 基于人工神经网络的工程建设项目成本估算方法

人工神经网络是一种通过模拟人脑神经网络结构处理问题的模型，常用于问题识别、分类和预测。该方法适用于解决复杂的非线性问题，并具有预测功能。

邵良杉等[14]运用BP神经网络模型进行造价估算，并证明该方法计算简单、结果准确，且适用于快速报价。匡亚萍[15]为克服BP神经网络收敛慢、易陷入局部极小点，且推广能力受限等缺点，提出使用RBF神经网络进行估算，取得了较好的效果。段晓牧[16]提出，使用RBF神经网络对非确定性工程进行投资估算，能够降低工程造价受不确定性因素的影响。刘书贤等[17]将RBF神经网络应用于高层办公楼工程造价估算，并与BP神经网络方法对比，发现其估算精度优于后者，且泛化能力较强。吴倩等[18]建立基于因子分析的RBF神经网络估算模型，并验证该模型估算精度比一般的RBF神经网络估算模型更高。杨永明等[19]利用灰关联分析法筛选工程特征参数作为神经网络输入向量，构建GRA-ANN造价估算模型，弥补了人为选取输入向量造成估算误差的缺陷。牛东晓等[20]运用改进粒子群算法对BP神经网络水电项目投资估算模型进行优化，降低了估算误差率。

综上所述，人工神经网络强大的自学习能力可以较好地解决成本影响因素与成本之间复杂的非线性关系问题，神经网络的估算结果准确度更高、泛化能力更强。此外，RBF神经网络在估算性能上明显优于BP神经网络。

2.2.4 基于灰色系统的工程建设项目成本估算方法

1982年，邓聚龙教授以“小数据”“贫信息”不确定系统为研究对象，分析了灰色系统内在规律[21]。基于灰色系统理论，王民等[22]将灰色预测模型用于高校住宅工程造价预测，研究结果表明，该方法使用的数据量较少、预测精度较高。荀志远等[23]为解决成本估算对分部工程权重考虑不足的问题，采用加权灰色关联度法进行造价估算。结果表明，该方法准确度更高、误差更小。孙涛[24]为解决建筑工程中历史数据不全等问题，采用灰色理论进行建筑工程造价预测，实例检验发现，该方法预测效果较好。

由此可见，运用灰色系统理论进行工程建设项目成本估算，仅需要较少的历史数据，计算较为简单。但是，该方法更适用于同类型工程或同一工程在一定时间序列上的成本估算。由于工程项目具有独特性，且在不同阶段的影响因素复杂，该方法具有一定的局限性。

2.2.5 基于支持向量机的工程建设项目成本估算方法

支持向量机(SVM)是近年来发展迅速的一种机器学习方法，在获取模式分类、函数逼近和回归问题等方面具有显著优势。目前，该方法成为工程建设项目成本估算的常用方法之一。

Zhou等[25]探讨了运用支持向量机进行投资估算的可靠性及有效性，解决了人工神经网络小样本学习问题。安磊等[26]利用支持向量机预测模型对线路工程造价的静态投资进行预测，可为数据量少、影响因素多的线路工程造价预测提供参考。陈小波等[27]利用真实样本训练SVR模型进行仿真模拟预测，结果表明，该模型拟合优度高，比BP神经网络具有更好的泛化能力，预测结果精度更高。

综上所述，基于支持向量机的估算模型具有较高的泛化能力，可以有效解决样本数据缺失、当前工程成本影响因素众多的问题，估算结果具有较高的准确性。但是，在该模型中，核函数的选择对估算精度影响较大，目前没有较好的解决方法。

2.2.6 基于案例推理的工程建设项目成本估算方法

案例推理是指通过对比分析当前情况和以往情况的相似性，基于相似情况的计算结果，得到当前问题的建议解。

冯为民等[28]结合模糊数学理论构建了基于案例推理系统的估算模型，对土木工程主要工料消耗进行估算，结果表明，该方法能够满足估算精度要求。李杨等[29]在案例决策理论的基础上结合要素分析方法，运用比较分析方法确定相似度，运用熵权法确定成本特征因素权重，并在此基础上构建投资项目成本估算系统。研究表明，该系统具有一定的合理性、有效性和便捷性。

综上所述，基于案例推理系统的成本估算结果能够反映系统内在规律，更具有说服力。该系统集成了众多估算方法，需要不断更新案例学习过程以提高估算效果。该系统库的样本更新周期较长，需要在实践中加强工程数据库建设。

3 结语

通过对工程建设项目成本估算方法的梳理和分析，得出以下研究结论：

(1)工程建设项目成本估算从简单的线性计算不断向探索工程建设项目成本与工程特征之间复杂的非线性规律发展，研究成果更符合客观实际。

(2)在工程建设项目成本估算中，不同的估算方法各有优劣。因此，将多种估算方法结合运用，相比单一的估算方法更为科学合理，估算性能更佳。

(3)随着信息技术和大数据的快速发展，人工智能算法在工程建设项目成本估算复杂的非线性规律研究中具有显著优势。

今后，应加强对工程建设项目成本数据的采集与利用，为大数据分析提供良好的数据基础。同时，应进一步研究如何更好地运用人工智能技术进行工程建设项目成本估算，不断提高工程建设项目成本管理水平。