建筑工程造价预测方法的研究

房树田 张 英

(1.黑龙江工程学院，黑龙江 哈尔滨 150050； 2.黑龙江职业学院，黑龙江 哈尔滨 150050)



·建设经济·

建筑工程造价预测方法的研究

房树田1张 英2

(1.黑龙江工程学院，黑龙江 哈尔滨 150050； 2.黑龙江职业学院，黑龙江 哈尔滨 150050)

提取了多个潜在与工程造价相关的参量，采用相关性分析法，筛选出了相关性较强的几个参量，并阐述了用这些参量预测工程造价的方法，有利于实现企业投资决策的科学合理性。

工程造价，参量，相关性分析，预测方法

0 引言

建筑工程造价预测的成功实现能够为建筑工程造价的控制管理带来较大便捷，因此，具有很高的研究价值。影响工程造价的因素极为复杂，在预测阶段，我们难以保证获取数据的精准性，因此为了解决不确定性较高的问题，本文引入了卡尔曼滤波。卡尔曼滤波是一种统计滤波方法，可以有效地滤出数据的噪声，应用领域极广。从投资决策科学性角度来看，住宅造价指标的合理编制和采集，指导人们合理确定建设规模和功能结构，综合考虑项目的工程造价，从多个可行性方案中，选择最佳的、合适的投资方案，从而实现更为科学合理的投资决策。

1 相关参量选择

我们一共获取了楼盘的23个参量，分别是楼盘所处城市等级、地上层数、地下层数、建筑面积、楼盘用途、檐高、平均层高、抗震等级、三级钢筋占比、挖基础土方单位含量、土方回填单位含量、砌体单位含量、混凝土单位含量、钢筋单位含量、屋面防水单位含量、墙地面装饰单位含量、楼地面装饰单位含量、墙柱面装饰单位含量、天棚装饰单位含量、电气配线单位含量、电气配管单位含量、配电箱单位含量、管道单位含量，本文也将楼盘所处城市等级作为一个预测工程造价的变量，其余变量都是与楼盘建造紧密相关的参量。对应的，我们也获取了楼盘的单位造价。

由于在实际应用中，我们可能无法得到如此多的参量，并且这23个参量中，并不是每一个参量都对于工程造价起着至关重要的作用。一些与工程造价相关性较低的参量甚至会对于预测造价起到相反的作用。因此，首先我们应进行相关性分析，选取与工程造价相关性较强的几个参量，再进行工程造价预测。

皮尔森相关系数(Pearson correlation coefficient)是一种线性相关系数。皮尔森相关系数是用来反映两个变量线性相关程度的统计量。相关系数用r表示，r的取值在-1～+1之间，r的绝对值越大表明相关性越强。若r>0，表明两个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；若r<0，表明两个变量是负相关，即一个变量的值越大另一个变量的值反而会越小。要注意的是这里并不存在因果关系。若r=0，表明两个变量间不是线性相关，但有可能是其他方式的相关(比如曲线方式)。计算公式如式(1)：

(1)

我们将23个参量分别与单位造价输入至公式中，可以得到不同参量与单位造价之间的相关系数。结果如表1所示。

表1 参量与单位造价之间的相关系数

筛选其中相关系数大于0.2的参量来预测工程造价，共10个参量，不同的参量的计量单位不同，反映在数值上差异较大，因此若直接做回归将造成数值本身较大的参量对回归起较大的作用，而数值较小的参量对回归基本不起作用。因此需将这10个参量变为无量纲的参量。本文选用Z-score标准化将参量归一化。也称为标准差标准化，是统计产品与服务解决方案中最为常用的标准化方法。经过此方法处理后的数据符合标准正态分布。计算公式如下：

(2)

其中，Xk为归一化后的数据点;xk为原数据点;μ为数据集均值;σ为数据集方差。

将数据处理后，可以看出各参量与单位造价间存在线性相关关系，且皮尔森相关系数绝对值越大曲线相关性越强。

综上，我们在23个参量中，筛选出了10个与单位造价较为相关的参量，并通过这10个参量用下文的预测方法对单位造价进行预测。

2 预测方法

卡尔曼滤波是于1960年提出的一种基于统计的滤波方法(KALMANRE，1960)，其通过前一时刻的估计值以及当前时刻的测量值反复递推迭代，最终从两个误差较大的值中估计出一个相对较为精准的值。用状态方程描述系统根据上一时刻向前推进的状态过程，并使用量测方程来描述外部观测系统所得到的量测值，将两个值结合白噪声的统计特性反复迭代，最终形成最优估计。

卡尔曼滤波方法能根据状态值和测量值得到准确的估计结果。

状态和测量方程由式(3),式(4)给出:

xk=Axk-1+Buk-1+wk-1

(3)

zk=Hxk+vk

(4)

其中，xk为kth的系统状态；A为矩阵转置；B为控制变量；w为基于标准分布N(0,Q)的状态方程噪声；H为测量矩阵；zk为测量值；vk为基于标准分布N(0,R)的噪声估计。

获取这些公式后，接下来进行如下步骤：

(5)

第2步：计算预协方差矩阵:

(6)

第3步：计算Kalman增益:

(7)

第4步：更新估计结果:

(8)

第5步：更新协方差:

(9)

第6步：重新计算前面的步骤1～步骤5。

综上，卡尔曼滤波可以有效地滤出数据噪声。要使用卡尔曼滤波，首先，我们要建立一个状态方程和一个量测方程，然后设置各类参数，最终我们便可以得到较为准确的工程造价。

3 结语

准确地预测工程造价，对业主、受业主委托的咨询机构以及投标者来说，都是一件至关重要的工作。在工程建设的每个阶段，业主都要预测拟建工程的全部预期价格，据此确定标底、评标与定标。对于投标者来说，工程造价预测则是决定投标成败以及在工程实施过程中能否盈利的关键。

本文首先提取了与工程造价潜在相关的23个变量，然后进行相关性分析，筛选出了与工程造价最相关的10个变量，最后利用这10个变量建模预测工程造价。本文提出一种新的方法来预测工程造价。得到一个较为准确的工程造价预测值。

选用与工程造价关系不大的变量进入建模时，不但会增加计算量，也会造成预测的精度降低。因此，本文所提方法结合统计滤波领域的KF算法，从两个粗略的工程造价预测值中，输出一个相对较为准确的预测值，是一种解决工程造价预测问题的新思路。

[1] 刘钟莹,徐 红.建筑工程造价与投标报价[M].南京：东南大学出版社,2002.

[2] 田金信.建筑企业管理学[M].北京：中国建筑工业出版社，2012.

[3] 曹国安.我国工程管理中存在的问题及其对策分析[J].科技风，2011(15)：142.

[4] 吴琪琦.基于清单计价模式下商品住宅开发全过程造价控制[D].荆州：长江大学，2012.

Study on building engineering cost forecasting methods

Fang Shutian1Zhang Ying2

(1.HeilongjiangCollegeofEngineering,Harbin150050,China;2.HeilongjiangVocationalCollege,Harbin150050,China)

The paper extracts some potential parameters correlating to the engineering cost, selects strong-correlating parameters by applying correlation analysis method, and describes its engineering cost forecasting method, which will be good for realizing scientific and rational enterprise investment decision.

engineering cost, parameter, correlation analysis, forecasting method

1009-6825(2017)15-0205-02

2017-03-07

房树田(1970- )，男，教授

TU723.33

A