工程量清单计价模式下施工招投标优化研究

徐景新

（山东通元工程造价咨询事务所有限公司，山东 烟台 264000）

与传统的定额计价管理模式不同，工程量清单计价模式是一种能够反映市场的价格机制的工程造价管理方式，对于工程招投标而言具有重要的意义，促进了工程建设中公开、公平和公正的竞争环境形成，有利于规范建筑工程的经济秩序[1]。因此，研究工程量清单计价模式下施工招投标的报价决策对于竞标企业而言，具有提高中标概率、优先占领市场、取得竞争优势和保持持久良性发展的重要意义[2]。

1 工程概况

山东省烟台市某安置房小区项目位于市区南部2021-DK-NXJ-K11 地块。本项目总用地面积61 627.8 m2，其中0219-01 地块用地面积55 311.5 m2，建筑密度不大于25%，容积率不大于2.9，绿地率不小于35%，控制高度为100m。0291-02 地块用地面积6 316.3 m2，建筑密度不大于35%，容积率不大于1.2，绿地率不小于30%，控制高度为20 m。建设内容由10 栋住宅建筑及地下车库组成，其中：4 栋28 层，3 栋18 层，2 栋17 层，1 栋17+1 层，总户数1 429 户；地上建筑面积160 150 m2，地下建筑面积40 563 m2，总建筑面积200 713 m2；建筑密度14.7%， 容积率2.9， 绿地率36.5%，停车位1278 个。两栋6 层商业楼，地下一层停车场，总建筑面积6 307 m2。建筑密度35%，容积率1.2，绿地率20%，停车位76 个。

2 径向基函数人工神经网络模型的基本原理

人工神经网络是基于模仿人脑神经元信息传递的一种学习算法，能够实现对输入信息做出连续或间断的学习响应，经过训练后可以对新的输入信息进行自适应权重处理，并输出相应的预测结果或逼近值。在施工招投标报价中，可以应用神经网络的函数逼近功能，对各种不确定的影响因素进行权重处理，达到高效和精确施工招投标报价的目的[3]。

径向基函数人工神经网络是在普通人工神经网路的基础上发展出的一种新计算方法，它将多变量插值的径向基函数植入人工神经网络隐藏层运算函数中，将输入矢量非线性映射到隐藏层空间，因此它具备了人工神经网络的权重处理的优点，不仅可以对任意连续函数实现全局逼近，也可以对任意连续函数实现任意精度的局部逼近。径向基函数人神经网络的计算结构可以分为3 层，分别为输入层、隐藏层（可以为1 层也可以为多层）和输出层，如图1 所示[4]。

图1 径向基函数人工神经网络计算结构

在径向基函数人工神经网络的训练样本确定时，为提高网路的学习速度，需对网络中的隐藏节点数、径向基函数数据中心以及扩展常数进行确定，如果径向基函数为各项同性的高斯函数时，可以确定半径为t的径向基函数中心如公式（1）所示[5]。

式中，dmax 为样本与径向基函数中心的最大距离；G为高斯函数；x为样本；t为径向基函数的半径；m为中心数目。

当训练样本输入径向基函数人工神经网路模型中，确定其与聚类中心的距离，并按其最小距离进行归类，如公式（2）所示。

式中，i(xj)为样本与径向基函数聚类中心的最小距离；wi(k)为聚类域。

3 工程量清单计价模式下基于径向基函数人工神经网络的施工招投标报价决策

在工程量清单计价模式下，研究基于径向基函数人工神经网络的施工招投标报价，需要对施工招投标报价的影响因素进行指标确定，主要分为3 个层级。第1 层级为影响因素指标，第2 层级为5 个影响因素，分别为项目因素A1、社会因素A2、业主因素A3、自身因素A4 和对手因素A5；第3 层级为影响因素下的量化指标，如图2 所示，共有18 个量化指标，指标编号为B1~B18。施工招投标报价决策影响因素体系。

图2 施工招投标报价决策影响因素体系

项目因素A1 中：工程复杂性指标B1 反映了工程结构、施工方法的复杂程度，对B1 指标的量化，可以考虑复杂的工程项目B1=1.0，较复杂的工程项目B1=0.7，一般的工程项目B1=0.3，较易的工程项目B1=0；工程规模B2 一般以工程项目的建筑面积为量化指标；合同条件B3 指标主要基于合同的签订是否对投标方有利，可以考虑有利条件时B3=1.0，一般条件时B3=0.5，不利条件时B3=0；工期要求B4 主要针对工期要求与正常工期相比的差异情况，非常紧的工程项目B4=1.0，比较紧的工程项目B4=0.5，正常工期的项目B4=0；施工环境B5 的指标主要根据施工现场的优劣进行量化，当施工现场条件好时B5=1.0，当施工现场条件差时B5=0。

社会因素A2 中：材料设备人员的可得性B6 主要反映了获得材料、设备、人员劳动力的难易程度，当获取容易时B6=1.0，获得较容易时B6=0.5，获取困难时B6=0；基础设施B7 的量化指标是由工程所在地基础设施的完备程度确定，当基础设施完备时B7=1.0，当基础设施基本完备时B7=0.5，当基础设施不完备时B7=0；政策环境B8 与当地政策是否有利于工程项目开展有关，当政策有利时B8=1.0，当政策一般时B8=0.5，当政策不利时B8=0；市场前景B9 反映了工程对后续市场开拓的影响，当后续市场开拓好时B9=1.0，当后续开拓一般时B9=0.5，当后续市场开拓差时B9=0。

业主因素A3 中：管理能力B10 为业主方的管理能力，当业主方管理能力强时B10=1.0，业主方管理能力一般时B10=0.5，业主方管理能力差时B10=0；业主信誉B11 反映了业主在经济活动中的信誉情况，当业主信誉好时B11=1.0，当业主信誉一般时B11=0.5，当业主信誉不好时B11=0；资金力量B12 的量化主要依据业主的资金实力和融资能力，但资金实力和融资能力强时B12=1.0，当资金实力和融资能力中等时B12=0.5，当资金实力和融资能力弱时B12=0；招标规范性B13 主要反映招标、评标和决标的规范性，当程序规范时B13=1.0，程序不规范时B13=0。

自身因素A4 中：类似工程经验B14 的量化指标根据施工方在类似工程中的施工经验丰富程度，当施工经验丰富时B14=1.0，施工经验一般时B14=0.5，施工经验不足时B14=0；施工能力B15 反映了施工单位现有施工能力是否满足新项目要求，当其施工能力充沛时B15=1.0，施工能力满足时B15=0.5，施工能力不足时B15=0；任务饱满度B16 的量化主要依据施工方现有及确定将承揽的施工任务是否饱满，当施工任务饱满时B16=1.0，施工任务不足时B16=0.5，当施工任务缺乏时B16=0。

对手因素A5 中：竞争对手数量B17 主要根据参与此次投标的竞争对手的数目，上限为B17=20，下限为B17=2.0；相对实力B18 的量化主要根据竞争对手实力与本地企业相对比的情况，当实力强时B18=1.0，实力中等时B18=0.5，实力弱时B18=0。

为研究本项目在工程量清单计价模式下的施工招投标报价，采用径向基函数人工神经网络对20 家投标单位的报价进行训练学习，每家施工单位的报价组成如表1 所示，每个报价中均含B1~B18 的指标参数，经过径向基函数人工神经模型训练学习后输出各投标单位的报价得分值，以确定最优的招投标报价方案。

表1 烟台市某安置房小区项目投标报价

经过径向基函数人工神经网络模型处理后，20家投标单位的报价得分排序如表2所示。

表2 基于径向基函数人工神经网络模型的投标报价排序

从表2 中可以看出，经过径向基函数人工神经网络模型处理后，20 家投标单位的报价得分介于55.18~57.19，表明各单位的报价差距不大，按照计算总分最高的原则确定中标单位，可以推荐前三家单位分别为第8 投标报价人、第20 投标报价人和第5 投标报价人。

4 结语

基于目前工程量清单计价模式下，众多施工企业缺乏相应的内部定额和招投标报价决策理论和方法，使得企业在适应工程量清单计价模式时存在一定困难，在竞标过程中无法得到能够反映实际自身竞争实力、市场价格水平的报价，寻求基于径向基函数人工神经网络模型的报价计算和排序是一种有效的解决途径。径向基函数人工神经网络模型建立的18 个量化指标能够有效反映项目因素、社会因素、业主因素、自身因素和对手因素对投标报价的影响，且能最大程度地发挥工程量清单计价在招投标中的市场价格作用，根据计算结果可以推选出最优的中标企业，因此径向基函数人工神经网络模型对工程量清单计价模式下的施工招投标优化就有较好的适用性。