建筑工程投标决策组合模型的风险费用预测

8.4.1　确定样本数据

本文选取的样本空间为本建设工程公司近年的20个类似规模已完建设工程项目实例数据，为保证计算的简便性，选取的工程施工成本金额均较相近，且接近本项目工程量清单计价成本。确定分析样本为随机抽取的15组工程的数据，其余的5组工程数据作为检验数据，指标值见表8.16。Y1～Y13代表每个工程实际影响因素的取值，影响因素项目详见表5.1投标报价风险费用的影响因素及取值范围表。其中其他因素对风险费的影响力不是本模型的研究重点，故在计算中均取中间值0.5。Z代表每个工程实例的实际投标报价风险费用（单位：万元）。

表8.16　投标报价风险费用及其影响因素的指标值

（续表）

8.4.2　PSO-SVM估算模型的数据分析

输入变量为确定投标报价风险费用的影响因素值，输出变量为估算的投标报价风险费用值。选择随机抽取的15组工程数据作为分析样本，另外5组作为检验样本。根据本文算法，设置微粒群的搜索参数如下：

微粒群规模为20，向量维数为2维，c1=2，c2=2，Vmax=100，设定迭代次数为1000次，设定SVM模型的最高均方差MSEmax=0.001。

运行程序计算至迭代1000次结束时，搜索得到SVM的学习因子C=295.25，核参数σ2=2.25，MSE=0.0006，方差小于最高均方差MSEmax=0.001，证明计算结果符合预期要求。

8.4.3　研究结论的检验与比较

分析完毕后将5组检验样本输入PSO-SVM估算模型，设定微粒群规模为5，向量维数为2维，c1=2，c2=2，Vmax=100，迭代次数为1000次，设定SVM模型的均方差MSEmax=0.0006，学习因子C=295.25，核参数σ2=2.25，将Z列项作为求解项，运行程序计算至迭代1000次结束可以得到检验样本的估算结果，见表8.19。(www.xing528.com)

表8.17　检验样本投标报价风险费用估算结果及误差计算

将检验数据的相对误差与文献[152]提供的计算方法进行比较，通过计算表明，文献[152]中运用GA改进的BP神经网络的算法得出的投标报价估算误差3.63%，虽高于本文运用PSOSVM模型估算投标报价风险费用的平均相对误差2.17%，但文献[152]中计算的是投标总报价，而本文计算的是报价的风险费用部分，虽然本文计算结果误差比降低约40%，但若站在同一报价层面上分析，两种方法的误差率应相近，一定程度上验证了本文的PSO-SVM模型在投标报价的风险费用估算方面具备一定的准确率。

8.4.4　确定本案例项目风险费用的取值区间

这里指标取值要根据第5章的指标表表5.1分析（参见P69）。

本项目的投标报价风险费用影响因素指标值见表8.18。

表8.18　本项目投标报价风险费用影响因素指标值及优化值

将指标优化值代入参数模型，输入已经确定的模型参数，迭代1000次得到的投标报价风险费用结果为1185万元，将误差率2.17%代入后可以确定本项目风险费用取值区间为[1159，1211]万元。

计算投标报价为14310+1185=15495万元

同时可知，根据本章第3节式（8.7）项目最优投标利润率计算的计算结果，本企业在此项目上的最优报价利润率计算值θ=8.08%，又根据第6章最优利润报价与退让利润报价区间求解模型的研究结论式（6.9），项目的最优利润报价=（1+θ）·C′，代入公式（1+θ）·C′计算得最优利润投标报价为1.0808×14310=15466万元。最优报价利润为15466-14310=1156万元。根据投标报价=工程成本+标高金=工程成本+利润+风险费用的计算公式可以得到本项目的最优投标报价为14310+1156+1185=16651万元。