水利工程造价估算方法研究

王 鑫

(辽宁省抚顺市水利勘测设计研究院有限公司，辽宁 抚顺 113006)

0 引 言

造价估算在水利工程成本管理与控制中发挥着巨大作用，应作为水利项目各参建单位重点关注的内容。工程造价的合理估算为实现水利项目质量目标、成本目标和整体效益的重要保障，可为工程项目造价风险控制和成本管理提供科学的依据。结合以往工程实践，现阶段水利项目还普遍存在着超概算预算、超预算决算和超估算概算的“三超”问题，有些项目甚至存在责任人不明确的情况，这在一定程度上增大了建设出现“三超”的概率。对于不同的参建主体“三超”问题可能引起的后果存在一定差异，如水利项目投入资金的大幅度增加可能会导致建设单位项目预算的严重超标，工程项目实际消耗的资金明显大于投资预算，最终的投资额也会有所增大；由于项目资金不能按时到位且无法承担工程预算外的费用，施工单位将大大降低项目进度甚至完全陷入停滞的状态；为解决项目预算超标问题以及维护自身利益，部分施工单位及建设单位甚至会采取降低工程质量的方法，从而导致水利工程存在安全隐患或无法达到预期功能目标[1,.2]。

水利工程的概预算编制直接影响着项目的施工工期、投资成本和工程质量，其编制精度不仅与设计变更、自然灾害等因素有关，而且受政策变化和市场波动等因素影响。为提升水利工程的施工效率及保证建设项目的顺利实施，市场经济体制和快速发展的水利行业对概预算编制提出了更高的要求，从工程造价管理的角度可认为导致造价估算失真的原因有长期采用非标准化设计、造价估算针对性低、项目资金到位不及时和估算方法落后等。因项目初期的数据信息难以获取且地质资料相对较少，当前选用工程量计价清单或定额方式估算的工程概算准确性通常较低。鉴于此，通过对鸟群觅食算法基本理论的分析建立了一套科学高效、适用性强的工程造价动态估算模型，以期为提升造价风险控制水平和形成科学有效的成本管理模式提供一定的参考[3,4]。

1 工程造价动态估算模型

1.1 比较层项目

1.2 候选项目

根据水利工程项目实际情况选取具有一致性的造价估算参考项目，也即分部分项工程的候选项目。在工程造价动态估算中运用鸟群觅食算法的理论依据是利用具有一致性的分布分项工程，通过参考模糊数学中的隶属度以及调整、估算工程项目造价一致性，寻找待建水利工程与目标项目存在最高相似度的分项工程作为候选项目。

1.3 最优方案

通常情况下，水利工程造价估算的候选项目数量较多，实际应用过程中不可能也没必要考虑所有的候选项目，这就要求对其优化处理。将优化过程大致分为两步完成，若用户所设置的边界条件与候选工程特征基本保持一直，则将候选项目作为初始种群个体，然后对工程项目利用优化算法分析，进一步给出最佳的方案[8]。

1.4 估算指标体系

针对不同的建设项目其工程造价估算涉及指标不同，如挡水工程项目的造价预测输出应考虑不同因素对估算结果的影响程度，同时包括整体项目的最终概算[9]。因此，构建的评价指标体系应包括坝顶宽度、坝址岩石及流域面积等特征因素，通过检验粒子的相似度确保估算结果的准确性。详细的建模流程如下：

步骤一：引入集合W={w1，w2，…,wn}为水利项目的特征向量，设定{l1,l2,…,ln}为参评指标z的隶属度，则水利项目造价估算的模数特征向量W如下：

(1)

步骤二：假定U={u1,u2,…,un}为水利工程造价估算的模糊子集，采用下述供水作为模糊数学模型，即：

(2)

步骤三：水利项目的总体造价估算受模型中不同参数的影响程度不同，结合粗糙集中的属性重要度和不同计算参数之间的差异性，采用合适的方法适当调整不同指标的权重系数，通过对各项参数值的加权处理构造最终的有效模型，模型表达式为：

(3)

出于想要为偶像树立起更好社会形象，粉丝常常以偶像的名义参与各种慈善活动。“互联网+公益”的出现，粉丝轻易就能完成签订合同、办理转账、监督资金流向的全过程。“免费午餐”就是其中之一。

2 水利工程造价估算

2.1 建模流程

采用鸟群觅食算法和试算式法实现水利工程造价的动态估算及变动性价格量化模型的测算，即对工程造价映射函数利用试算式法进行数值模拟。若模拟结果受惯性系数赋值的影响呈现出递减的趋势，则假设条件下变动性项目存在最大点，各参评因子的权值较大，在该条件下所有最大点出现远离试算式最小值的情况，由此可实现部分大值的快速寻找及大动点估算效率的提升。采用下述优化算法作为极值约束条件，其表达式为：

(4)

(5)

式中：X(gt)为粒子群聚函数；m11为第j维粒子与第t个粒子的速度平均值；|t|为当前运算条件下的粒子距总数。

采用下述公式确定迭代运算中粒子的信息熵，计算式为：

(6)

(7)

采用惯性函数迭代运算任意粒子时，可能出现如下两种结果，其表达式为：

(8)

式中：dmax、vend、vstart各参数值分别为1000、0.05、0.95。在实际运算过程中若存在聚类度较低的现象，为提高自适应收敛速度应适当调低粒子系数，其调整公式为：

(9)

式中：p、gmax(d)、gmea(d)为粒子群的聚类度、最大粒子距和平均粒子距。在求解粒子权重过程中应结合模型运行实际情况进一步调整惯性系数，其调整方法为：

(10)

式中：θ、φ分别代表调整系数。为进一步提升造价估算的精准度对水利工程造价利用鸟群觅食算法估算前需要输入适用于工程项目的参数，详细流程如下：

步骤一：初始化粒子群。通过初始化处理设定水利工程造价估算范围和粒子约束条件，构造水利工程项目与候选方案之间的映射关系，并在约定范围内完成目标参数的多次迭代运算。

步骤二：确定粒子系数。运用Matlab软件自带的权重映射函数完成粒子的赋值处理，由此保证工程造价估算的稳定性和高效性。

步骤三：权系数的修正。为确保估算结果的精准度和可靠性，进一步调整粒子距聚集程度和核算粒子信息熵，即完成粒子权系数的修正。

步骤四：适应度、粒子即粒子群极值的更新。采用文中所述相关公式完成粒子适应度值的求解，通过对粒子及粒子群极值的更新处理输出最终的造价估算值。

2.2 模型评价

人工工资、设备费、安装费、工程费、预备费、水电风价格、材料补差、管理支出、贷款以及税金等为水利工程项目的投资成本基本构成，且不同参数间保持独立、互不干扰，综合考虑各项费用构成方可更加系统、准确的估算工程成本。以上任意一参数的改变均可对工程造价产生影响，且不同参数对工程造价的影响程度不同，若统一对待、未考虑不同指标间的差异必会导致造价估算偏离实际情况。为保证造价估算结果的准确性及提高模型运算效率，根据水利工程投资构成选取具有代表性的参数。然后将拟建水利项目及试算式值输入Matlab软件，结合拟建工程基本资料和试算式约束条件允许区间，迭代运算粒子的坐标向量，并以映射维度反映参数变化的快慢。

根据水利项目实际数据和建设情况，采用Matlab软件仿真模拟水利工程造价影响因子，从而构造工程造价估算指标体系和特征向量集合。设定指标权重取值范围0.3-0.9，解空间为8维度、粒子群迭代次数为500、粒子数为100，运算30次后动态估算各参数多样化变化程度，输出结果如图1。

图1 粒子群模型迭代次数

从图1可以看出，前20次运算过程中的曲线增大幅度较大，运算曲线经过100次迭代开始趋于收敛与稳定，在该条件下模型的适应度达到最优。为进一步验证该模型动态化估算工程造价的精准度和可行性，对比分析了神经网络模型、遗传模型和该模型结果如图2。

图2 水利工程造价估算误差对比

从图2变化趋势可知，神经网络法能够更加全面、系统的反映不同要素对造价估算的作用程度，但是该方法的运算过程复杂且具有较大的误差；遗传算法的结果输出较为稳定且在不同测区内的稳定性较好，但是该方法的全局收敛能力和运算速度较慢；相对于其它两种方法，鸟群觅食算法的具有较强的全局搜索能力且最终输出结果的误差较低[10]。

结合工程实践经验和相关研究资料，从如下2个方面提出了增强工程投资风险防控措施：①材料设备价格变化及人工工资等因素对水利工程造价受影响较为显著，其中市场供需关系的变化是驱动经济风险发生变化的内在动力，一般条件下随着工程的建设人工工资、材料设备价格会有所增大，由此使得工程成本的增加。所以，为保证工程后期的顺利实施应提前做好设备及材料的采购，尽可能的雇佣同批员工以减少人员变更概率②对由于地震、暴雨等突发灾害导致的情况突变，应制定应急预案和减少损失的防护措施，对由于现场条件勘察不足引起的场地条件的突变，对于水利工程项目应提前做好施工准备相关工作[11-13]。

3 结 论

结合鸟群觅食算法构建了科学高效、适用性强的工程造价动态估算模型，通过引入约束条件函数动态反映鸟群觅食算法与待选方案的关系，为进一步提升工程概算的精确性对比分析了神经网络法、遗传算法估算结果。结果发现，针对水利工程造价的动态化预测鸟群觅食算法的模型具有较高的精准度与可靠性，可为工程造价管理和造价风险防控提供一定参考依据。