政府公共建设项目投资估算研究综述

【前言】政府公共建设项目投资估算研究综述由文秘帮小编整理而成，但愿对你的学习工作带来帮助。1 常用投资估算模型介绍 1.1 BCIS估算模型 该模型产生于英国50年代末到60年代后期[10]，其主要思路是利用单位面积造价估算。它选择类似的一个已完工程的数据，分成六大部分预测。这六大部分是：基础部分、主体部分、公共设施部分、内装修部分、外部工作部分和设备安装...

摘 要：对政府投资项目造价的控制方法、投资估算方法以及现有估算模型的论述之后，总结了现有政府投资项目投资估算的方法和模型的不足、局限性，研究建立政府公共投资项目模型综述,以期得到更加合理准确度更高的投资估算方法。

关 键 词：公共建设项目；投资估算

中图分类号： F540.34文献标识码：A文章编号：

0.引言

每一项政府公共投资都受到社会各界的广泛关注，因此政府项目申报立项程序曲折，审批文件繁多，导致同样规模、同样标准的政府项目投资更大、周期更长，这种项目的特异性决定了政府项目的投资估算难度更大、精确度更难控制。因此建立一套特殊的针对政府公共投资项目的投资估算系统势在必行。

1 常用投资估算模型介绍

1.1 BCIS估算模型

该模型产生于英国50年代末到60年代后期[10]，其主要思路是利用单位面积造价估算。它选择类似的一个已完工程的数据，分成六大部分预测。这六大部分是：基础部分、主体部分、公共设施部分、内装修部分、外部工作部分和设备安装部分。其模型为：

(1-1)

公式中i为项目主要部分，即上述的六大项；t为时间调整系数；q表示数量调整系数；qu为质量调整系数；r为单位面积楼层成本。

该模型使用简单，但是需要造价人员对先前类似的工程在质量、时间和规模的比例上做出调整，以适用于将要预测的项目；模型的输出几乎完全依赖于所选择的作为基准的项目，这些很可能带有较大的主观性，这也正是该模型的最大的局限性。

仅以单一的相似工程为基准是该模型的另一局限性，因为两个工程物毕竟不可能完全一样，并且偶然因素的作用也很大的，所以，BCIS单位面积法投资估算的结果准确程度很差，仅仅适用于类似程度很高的两个投资项目的投资估算。

1.2 Kouskoulas回归估算模型

Kouskoulas估算模型始于上世纪70年代，至今仍在广泛使用，它以使用回归分析为重要特征。Kouskoulas和Koehn两人于1974年经过大量研究实验发现建筑物的造价能够经一些公开的指数回归后获得，在大量实验后总结归纳出这一模型。

C=a0+a1 v1+a2v2+a3v3+a4v4+a5v5+a6v6 (1-2)

式中，C为建筑的造价衡量；v1为地区指数；v2为价格指数；v3为建筑类型；v4为高度指数；v5为质量指数，v6为技术指标。衡量标准主要包括以下几方面：①建筑施工中人工和材料的消耗量；②建筑的用途；③设计水平④构件的材料类型的质量；屹为技术指数，它主要是考虑特殊类型建筑的额外造价或由于使用了新技术而使劳力和材料的节省。

从实验结果表明，用回归模型进行估算效果大大优于传统参照单个已完工程的方法。但是，回归模型的精确性极大依赖于参数的选择，不同的工程特征参数构成的回归方程式，预测精度有很大差距。此外，回归模型对所有已完工程样本等同对待，即认为所有已完工程的样本对拟建项目估价的参考作用相同。而实际上已完工程项目的样本在结构、规模等方面，由于同新项目的相似程度不一样，对拟估算项目的影响程度也不同。

1.3 BP神经网络估算模型

以BP人工神经网络作为投资估算模型的方法是年来国外估价领域探讨的热点．人工神经网络方法是人工智能的一个分支，它除了用在语言识别、自动控制等领域外，实践证明，它还可以用于工程、预测、评估等诸多方面，其准确性明显优于其他模型。

标准BP神经网络模型由三层神经元组成，最下层为输入层，中间层为隐含层(可是多层)，最上层是输出层，各个层次神经元形成全连接，单个层内的神经元不连结。BP算法的学习过程分为正向传播和反向传播两种方式。正向传播时，输入的信息从输入层、经隐含层逐次传递处理，每一层神经元状态只对下一层神经元状态有影响。若输出层不能得到期望的输出，就转入反向传播，将出现误差的信号沿原通路返回，再通过修改各层间连结的权值，逐次向输入层传播，再经正向传播过程。两个过程的循环往复运行使得误差不断减小，直到满足要求。

在BP神经网络中，神经元的输入与输出是非线性映射，通常采用S（Sigmoid）函数进行压缩

F(x)= (1-3)

式中，F(x)∈[0，1]。若设有P个输入样本，当第k个样本加入时，对于某层神经元来说，设上一层有m个结点，与它的连结权值表示为ωij；则单元j的输入和值为Sjk输出为yjk，得Sjk=；yjk=F（Sjk），yjk再作为下一层的输入，这样反复直至输出层。当定义系统误差为：

E（w）=(1-4)

时，其中Tjk为输出点j的期望输出，Yjk为输出点j的网络输出。如果系统误差不能满足要求，就转入误差的反向传播，主要是调节连接权值。按梯度下降法，每当加一个训练样本时，各层连接权调整量应为：

Δω=ηδjm ytm-1 (1-5)

其中: η∈[0.01,1]称为训练速率系数，δjm第m层的第j个单元的误差值，输出层结点是

δj=F´(S) [Tjk-Yjk]Yj(1-6)

网络通过连接权的自我调整，最终实现自适应和自组织。经多次训练后，网络具有了对样本的记忆、回忆和联想能力，即可用来进行预测。

BP神经网络工程造价估算模型充分利用人工神经网络的学习联想能力，从大量过去的工程资料中提取出工程特征与造价的规律关系，运转速度快，结果准确度高，操作非常简单。由于BP神经网络具有极高的容错性，因而对过去的已完工程资料中由于人为或某些偶然因素造成的偏差有很强自动纠偏功能；另外由于神经网络运行中对数据是并行处理数据的，因而它的处理速度相当快，这点也满足投资估算的时间要求，通过实践证明是有效的。BP神经网络主要限制在于工程造价主要影响因素的选取和训练样本数据的选取上，估算模型的准确度取决于这两点。然而目前这两个方面的确定只能凭借经验来完成，缺乏相关理论指导。

2国内外研究现状

2.1国内研究现状

当前在我国政府投资项目投资决策阶段投资估算过程中普遍使用仍然是一种静态的概预算方式[1]。这类投资预测方法有很多不足：首先这种粗线条的投资估算方法在项目可行性研究阶段中过于简单，通常是按照已完成的相似项目来测算，但是由于对项目间的相似程度无法定量推算，加上建设时间和市场条件可能存在很大不同，故直接采用定额中价格指数或回归分析类的方法过于粗糙，有很大的局限性、偏差很大，难以满足项目可行性研究阶段造价控制精度要求。其次，作为一种传统会计计账式管理思想的产物，多年来沿袭的都是在方案和图纸确定后，再把设备、材料等的定额价格汇总起来的核算式造价管理方法，使得工程造价人员技术经济观念和造价意识淡薄;最后，概预算制度向来只重视项目建安工程费而淡化了对其它方面的费用管理，这有悖于追求总体效果最优的现代先进管理思想[2]。

随着信息技术的快速发展，许多新的信息处理技术进入了工程投资估算研究领域，主要是有模糊估算法和神经网络法。人工神经网络是一种受到生物神经系统启发而发展起来的数据处理技术。通过对样本的训练过程，人工神经网络分析数据模式、建立新模型，进而发现新知识。[3]通过学习，神经网络能够按照规则自动调节神经元之间的输入∕输出来改变内部神经元权重达到降低误差的效果。