公路工程招投标管理工作中的问题及风险分析研究

收稿日期：2024-01-09

作者简介：刘帆洋（1990—），男，本科，工程师，从事市场开发招投标工作。

摘要 为有效、快速地对招投标过程中存在的问题及风险进行测算，文章利用灰色关联分析建立招投标问题及风险测算模型。得出以下结论：（1）通过粒子群优化技术构建支持向量机，解决工程项目的招投标问题及其相关风险评估问题，此模型对招标投标风险问题的正确识别率超过80%，同时对风险程度评级的精确度也达到了90%及以上。（2）该测算模型的使用有助于揭示公路投资工程招标投标的风险状况，并为其预防和管理提供了一条全新的途径和策略。

关键词 政府投资；风险概率；工程招投标；支持向量机

中图分类号 U415.13文献标识码 A文章编号 2096-8949（2024）09-0167-03

0 引言

随着我国经济的高速发展，公路工程建设规模不断扩大，招投标管理工作作为公路工程建设的重要环节，在当前公路工程招投标的管理工作中存在虚假招标、围标串标等问题，给工程带来极大的质量安全隐患。如何对这些风险进行识别、评估和控制，是当前亟待解决的重要问题[1]。对于公路工程招投标管理过程中的问题和风险进行深入分析与研究，找出招投标的潜在风险，以提升项目管理部门应对招投标问题及风险的管理能力[2]。

针对上述招投标中存在管理问题，结合当前公路工程项目招标与投标管理的缺陷及其潜在危险[3]，该文构建了基于关键因素的评估系统，运用了灰度相关性和K-means聚类技术识别问题的严重程度、级别以及相应的警戒线，利用机器学习方法创建招标与投标过程中问题和风险的预测模型[4]。

1 招投标问题及风险测算指标体系构建

1.1 招投标问题及风险测算指标体系

提取招投标的重点问题和风险，初步构建招投标问题及风险的评估指标体系，该指标体系的计算过程如图1所示。对招投标风险案例的词汇分析结果进行了统计和分析[5]，相关问题和风险关键词如表1所示。

基于招投标文本文件中的问题及风险和参与者相关的问题及风险，该文建立了招投标问题及风险测算指标体系，如表2所示。

1.2 问题及风险测算指标体系权重

采用层次分析法对复杂且涉及多种因素、多个目标与多元价值观的问题进行分类处理，整合定性和定量的分析方法，建立招标投标问题的评估标准及其潜在的风险衡量指标系统。使用1～9级评分法获得问题及风险衡量指标的重要程度评判矩阵，计算各指标的重要性权重，记为Ui。

信息的无序性能够衡量因素变动程度对风险评估风险体系的影响，鉴于该研究中使用的评价标准为不确定性，因此须使用百分数分配方式，给每种情况下的各个因素打分，以实现其定量的评级过程，并且要对其进行标准化验证后才能应用不确定性理论，最后判断各要素的重要性和它们的各自权重值，即Uj，具体方法可以参考式（1）及式（2）：

（1）

（2）

式中，λ——不确定数值的修正参数，取值在0～1范围内。该次研究中取0.1。式（2）中的Uj′为风险因素结果权重，主要是对Uj*进行简化统一量级处理。

2 招投标管理问题及风险测算模型构建

2.1 基于支持向量机的测算模型

基于支持向量机建立招投标管理问题及风险测算模型，对其风险参数和修正参数进行最优解处理。根据结果的优化过程进行多次迭代计算，模型测算过程如图2所示。基于上述支持向量机的迭代优化测算模型，结合大量招投标问题及风险的案例数据，计算得到目前招投标风险的数据规律，具体计算过程按照式（3）进行：

（3）

式中，f（x）——风险因素的线性拟合方程；xI——风险参数指标；yI——结果参数；I——M个因素序列；u——1级影响因素的权重向量；ε——不确定性离散函数的误差；γI、γI*——浮动变量；c——修正参数；φ（xI）——非线性映射函数。

2.2 实例分析

2.2.1 确定招投标管理问题和风险测算指标的权重

依据问题和风险评估指标的权重计算，能够确定最终的修正赋权方案，具体的计算结果参见表3所示。

2.2.2 灰色关联分析确定問题及风险

设定母序列中所有招投标风险偏向评价指数均为100，对35项政府投资建设项目招投标事件进行分析。利用Matlab程序计算各比较序列的灰色相关系数，并按其等级进行排序，从而获得35种情景下的问题与风险的排行状况，分析数据见表4所示。

由表4可以看出，排列越靠前，则与参考数列的相似度越高，代表风险概率越大。实际案例中存在的风险因素与数据的灰色关联度，存在线性关系，风险因素的测算结果随其相似度的增加而逐渐升高，将灰色关联度应用于招投标风险问题测算可得到较好的评价效果。

2.2.3 K-means聚类确定风险等级及阈值

把上述算出的灰色相关性的数据，当作K-means聚类的参考标准，然后利用SPSS的数据分组工具执行。不断重复此步骤后，可以成功地将问题和潜在的风险划定为三个层次。依据样品与对应聚类中心之间的距离，将其转换为相应的级别数值区间，风险等级及阈值如表5所示：

表4 灰色关联度排序

排名 灰色关联度 案例

1 0.877 9 32

2 0.866 1 7

... ... ...

34 0.741 1 23

35 0.738 0 16

表5 问题及风险结果

序号 风险级别 结果评级数值

1 低级风险 （0，0.699 82）

2 中级风险 （0.699 82，0.807 99）

3 高级风险 （0.807 99，1）

2.2.4 测算模型预测结果

该研究致力于确定最优的处罚参数和核心参数，利用训练数据构建并优化以支持向量机为基础的问题解决和风险评估模型，然后把训练好的模型直接运用到测试数据中。依据对测试数据的预测成果，可以得出此模型的预估精准度达到72.207%，具体见图3所示。将这些预测数值与其相应的偏好级别进行对照，发现在案例1、3、4、5、7、9、12和13上存在错误判断的情况，其准确率仅有61.538%，这表明使用支持向量机的招投标问题及其风险评估模型并不完美，因此仍需对其进一步完善。

图3 支持向量机测试集实际与预测对比

把35个招标投标实例的风险评估矩阵当作输入数据，然后利用Matlab软件进行处理，并分析这30组训练样本和13份测试样品。经过优化后，问题解决和风险度量模型达到了86.803%的精确度，如图4所示，其预测结果与真实情况的相符程度较高。通过比较测试样本中预测数值与其相应的级别分类，可以看到仅有案例2存在错误识别的情况，且该系统的准确率达到92.308%，表现出良好的预测能力。

图4 粒子群优化的支持向量机测试集的实际与预测对比

3 结论

该文根据当前公路工程项目招投标管理的问题及风险，构建了评估系统，运用了灰度相关性和K-means聚类技术识别问题的严重程度、级别以及相应的警戒线。最终，利用机器学习方法创建了专门用来测算招标与投标过程中的问题和风险的预测模型，主要得到以下结论：

（1）利用基于粒子群优化的支持向量机自动计算模型，可以迅速且精确地对招投标事件进行问题、风险和等级的测算，其预测准确度大幅提升，在招投标问题、风险及等级测算的研究领域具有创新性。

（2）模型能够全面、精确地考虑招投标过程中的各种因素，从而对问题和风险进行测算。它可以有效地识别招投标中的风险行为，提升政府的管理能力和水平，并迅速采取应对措施以减少风险行为。

（3）进行实际公路工程招投标操作过程中，应从招标文件和招标参与人等方面建立风险指标，采用支持向量机建立预测模型，可以很好地降低公路工程招投標风险因素的影响程度。

参考文献

[1]张明. 公路工程招投标管理中的问题与对策研究[J]. 中国公路， 2020（7）： 107-109.

[2]王晓燕. 公路工程招投标中的风险分析与防范对策[J]. 交通世界， 2021（1）： 18-19.

[3]李伟. 公路工程招投标中的问题与对策探讨[J]. 交通建设与管理， 2021（2）： 42-44.

[4]刘彦. 公路工程招投标管理工作的问题及对策[J]. 交通企业管理， 2022（3）： 76-78.

[5]陈志强. 公路工程招投标中的风险分析[J]. 交通世界， 2023（1）： 34-36.