建设项目投资估算方法研究

摘要

建设项目在房地产业中占据了重要地位，建设项目投资决策决定着建设项目能否进行，对于建设项目的投资决策来说建设项目的投资估算是否准确十分重要。所以不难看出建设项目投资估算在建设项目中举足轻重的地位。对于建设项目来说投资估算方法的时效性和精确度是非常重要的。由于社会环境以及国内这方面研究起步较晚的影响，国内建设项目投资估算方法研究仍处于起步阶段，投资估算难度大，准确性低。对于工程造价来说是一大难题。本论文从建设投资估算、建设期利息、流动资金估算等各个方面，对建设项目流程的全部费用进行仔细分析。建设投资估算方法分为动态部分的估算方法和静态投资部分的估算方法，通过对这两个阶段投资估算方法进行研究，总结和掌握其规律，将传统投资估算方法与大数据和人工智能相结合，为建设项目进行投资估算提供理论依据。

【关键词】建设项目；估算方法；投资估算

　引言

伴随着房地产业的发展，建设项目在国民经济也占据了重要地位。建设项目投资估算方法的研究和与时俱进也必不可少。我国在这方面处于起步阶段，没有良好有效的投资估算方法用来保证投资估算的精度和效率，以及工程前期所需的图纸、工程量和相关资料的缺乏导致投资估算的难度大，准确性低。本论文从建设投资估算、建设期利息、流动资金估算等各个方面，对建设项目流程的全部费用进行仔细分析。建设投资估算方法分为动态部分的估算方法和静态投资部分的估算方法，通过对这两个阶段投资估算方法进行研究，总结和掌握其规律，将传统投资估算方法与大数据和人工智能相结合，为建设项目进行投资估算提供理论依据。项目在应用传统投资估算方法的同时，要注意结合实际，紧跟时事，随着科技的发展而发展，利用更加贴合项目本身的投资估算方法。软件计算与人工相结合，利用多种渠道方法，进行建设项目投资估算从而提高估算的准确性和时效性。

1绪论

　　1.1研究背景及意义

　　1.1.1研究背景

伴随建筑行业的日益发展，传统投资估算方法已经不能满足建设项目投资决策的需要。由于工程前期的相关工程资料缺乏，导致投资估算难度大，投资估算时间长，准确性低。这些问题已经对企业投资决策的效率和准确性产生了严重影响。随着建筑行业竞争的日趋激烈，从而使得建筑企业对于投资估算效率和精度的要求大大提高。

　　1.1.2国内外发展现状

我国对建设项目投资估算的研究仍处于初级阶段，尚未形成完整的理论体系。我国的投资估算方法仍然以经验为主，使得投资估算的风险不能得以有效控制。近年来，随着人工智能技术和计算机技术的发展，使得其有了新的研究方向。2012年，付雅芳[1]等人为提高估算的精度及降低项目选择中的难度，在遗传算法及案例推理的基础上建立了软件的成本估算模型。

国外在上世纪50年代左右就已经开始了关于建设项目投资估算方法的研究，经过几十年的发展，已经形成了相对完善的投资估算理论。形成了许多研究成果，主要研究成果为：多元回归分析，案例推理模型，模糊预测模型，人工神经网络模型等。

　1.1.3研究意义

伴随着房地产业的发展，建设项目在国民经济也占据了重要地位。建设项目投资估算方法的研究和与时俱进也必不可少。我国在这方面处于起步阶段，没有良好有效的投资估算方法用来保证投资估算的精度和效率，以及工程前期所需的图纸、工程量和相关资料的缺乏导致投资估算的难度大，准确性低。本论文通过中外参考文献以及各种投资估算方法的优劣对比，以及人工智能算法和大数据语言在建设项目投资估算方法中的应用和实践。从而研究和总结出在建筑中切实可行，合理有效的投资估算方法，从而为建设项目投资估算方法提供理论依据。因此本论文有着严格的理论依据和现实可行的实践意义。

1.2研究内容

在参考大量中外文献的基础上，对建设项目投资估算的编制程序进行预估。确定投资估算对于建设项目决策的影响，从建设项目的不同阶段，对项目投资估算的要求、依据编制程序进行研究，归纳和总结出投资估算的流程和规律。对传统投资估算方法进行分析，从中找出投资估算方法在我国项目运用过程中遇到的问题以及问题出现的原因，结合人工智能语言和大数据分析建立模型。在不同投资估算方法中总结分析出一些对建设项目切实可行，合理有效的投资估算方法，从而提高项目投资估算的精度和效率。

　1.3研究方法

本文在研究投资估算方法的问题中，使用DE-SVR改进模型方法进行研究，结合工程实例，从中选取数据建立特征指标体系，提取公共预测因子，最后将DE-SVR改进模型建立，运用改进模型对建设项目进行投资估算，使得投资估算精确度较改进前得以提高。以及使用基于BP神经网络的项目投资估算方法[3]，结合工程实例，运用大数据和人工智能语言，进行数据处理，最终搭建BP神经网络模型，利用BP神经网络的复杂性和准确性对项目进行投资估算，最后得出结果，使得投资估算过程简化，以及精确度提高。

　2建设项目投资估算

　　2.1建设项目投资估算概述

投资估算是指在整个建设项目规划及决策实施的前一个阶段中，根据掌握的大量和有用的各项相关经济资料文件和数据以及其他各种技术数据信息对每个参与单位项目实施时的实际总体投资额进行项目投资估算。建设项目投资估算是进行建设项目建议书阶段中一种重要的经济判断依据，是制定项目建议书和参与具体工程项目可行性方案初步研究分析过程中需要遵守的一道重要程序。投资决策流程可具体分为项目规划阶段，项目建议书阶段，初步可行性研究阶段，详细可行性研究阶段。投资估算及决策过程中各个主要时间阶段中对于投资估算方法的最低精度要求和误差范围也不同，四个阶段的最低精度要求和误差范围分别是±30%，±30%，±20%，±10%。随着项目决策的推进，投资估算的精度要求也在相应提高。

　2.2建设项目投资估算的内容

投资估算的内容包括了流动资金、建设资金、贷款利息的费用估算[4]。建设资金可以依据各种费用性质分类进行划分，大致可以分为：固定资产、无形资产以及其他相关的企业各类经营性资产。贷款利息是指该借款债务在建设期内实际已经投入并产生相应利息支出，并且能够直接计入固定资产，其相应固定资产平均折旧成本税前扣除金额的利息。流动资金总额指因建造一个工程固定资产时，所需要或动用的各种流动资金、周转性资金，其一般计算资金的基本公式是：流动资金=流动资产-流动负债。

2.3建设项目投资估算方案的编制

依据建筑市场经济意义上价格变动的行情，对工程各部门有关单项工程建筑、工程材料费用价格等资料进行综合价格估算。估算各类工器具原材料成本和各主要施工设备原材料价格以及安装调试设备的安装工程费用价格。估算其他费用以及因工程涨价涉及到的工程建设预备性费用、建设期利息、流动资金。最后对全部项目的估算数据进行全面汇总统计，最终得到建设项目的总投资估算。

　3建设项目投资估算方法研究

　　3.1建设投资静态估算方法

　　3.1.1项目规划及项目建议书编制

（1）单位生产能力估算法

根据已知的项目资料，将建设投资和生产能力之间视为简单的线性关系，即对相似的已建项目的单位生产能力投资乘以拟建项目的建设规模，就可以得出拟建项目静态投资，这样得出的估算结果的精确度较低。且在实际中不容易找到完全相似的建设项目，一旦寻找的相似的已建项目与拟建项目差距过大，容易导致误差过大。这种方法操作方便，但对于估价人员的专业素养要求极高，要拥有大量且典型的工程历史数据，用于类比。

（2）生产能力指标法

主要用于建议的安装或不同规模的项目以及现有的安装或参考项目。这种估算方法不需要知道确切的工程材料，只需要知道工艺流程和规模，简化了计算，提高了单位产能的准确性，误差可以控制在20%以内。大多数承包商使用这种方法。在有效理解项目估算相关性的过程中，可以使用能力指数法来增强所收集数据的有效参考。

（3）系数估算法

系数估算法主要用于项目决策的早期阶段，此时购买设备的成本是项目的很大一部分，并且工程数据完整。一个项目的静态投资是根据该项目的主要工程造价和购买主要设备的成本以及主要工程造价与其他工程造价的比值作为一个因素来估算的[5]。操作简单，但由于没有考虑设备规格、材料等影响因素，结果的准确性不高。根据计数方法的不同，分为设备计数法、主要专业计数法和朗格计数法三种计数方法。世行普遍采用朗格计价法进行项目投资估算，在国内工程项目中，设施计价法和主要专业计价法得到广泛应用

（4）比例估算法

依据统计资料，求出相似企业项目的主要设备购置投资额占建设项目静态投资额之间的合理比例，同时对拟建建设项目主要设备购置投资额进行估算，最终依据比例算出该项目的静态投资。

（5）混合法

依据资料，采用其他估算方法混合估算拟建项目的静态投资额。

3.1.2建设项目可行性分析

指标估算法主要是把拟建项目工程按照实际费用性质分为建筑工程费用的估算，设备采购及辅助工具购置费用的估算，安装及维护工程费用的估算。根据待建工程项目的各项估算指标，进行综合汇总，最后结合实际工程概算和其他投资费用的估算以及基本预备费，形成待建项目静态投资。

　3.2建设投资动态估算方法

　　3.2.1涨价预备费

汇率的变化对各种涉外业务项目的变动影响：一种是外币汇率对人民币汇率升值，另一种是外币汇率对人民币汇率贬值，以估算年份的投资额为基数。

　3.2.2建设期利息

拟建固定资产项目在建设期间内实际产生且已计入该项固定资产中包含的应付利息，主要包括支付银行贷款，出口信贷，债券等借款支付利息部分和项目融资费用。由此计算且计入建设投资中。

3.3流动资金估算方法

　　3.3.1分项详细估算法

这种资金估算主要方法之一是依据固定资产周转额和现金周转的速度变化之间存在的比率关系。对于能够构成流动资金需求的各项主要流动资产以及各项流动负债分别进行资金估算。为简化计算，分为存货估算，现金需要量估算，应收账款和应付账款估算。

　　3.3.2扩大指标估算法

根据全国各行业现有的相同规模的同类企业公布的企业资金和实际现金需要量等数据和资料，求得各种常用主要流动资金率为估算的得基本指标，也可以根据行业内各大公司和各部门预先给定的主要参考数据或根据实际经验资料确定估算比率，然后用各类流动资金率乘以相对应的费用基数来估算流动资金。

4建设项目投资估算在项目中的应用

　　4.1 DE-SVR改进模型在项目中的应用

房地产建设周期长，资金风险高，回报慢，资金投入量大是项目与一般其他建设项目的主要区别。所以在项目的决策阶段进行科学严谨的估算，既可以降低投资的风险性也可以综合选择效益好，成本低的项目，建设项目总投资估算是项目决策的重要依据依据，其编制的准确度及可信度直接影响到整个项目的效果评价[6]。

指标估算法是项目投资估算的常用方法，工程项目具有广泛的经验基础以及工程实例，通过大量已建成项目的数据资料为投资估算的信息化和智能化提供基础。通过特征指标体系建立改进模型。建筑行业未来发展与科技进步相结合，利用人工智能算法解决建筑工程中所遇到的问题，是建筑行业投资估算发展的必然趋势。

　4.1.1 DE-SVR特征指标体系的建立

对n个已建房地产建设项目中的单项工程估算指标进行汇总，分析出这些单项工程估算指标对于建设项目的影响因素。最后结合专家给出的意见以及参考文献的内容，在这些对于建设项目的影响因素中选取天棚、风险系数、质量合格等级、建筑面积、屋顶类型、工期、结构类型、砌筑、混凝土供应方式、楼地面、门窗、层数、内墙面、屋面防水保温、工程类别、外墙面作为主要特征指标，对上述这些特征指标进行探索性的因子分析[7]。对于其中的定量指标可直接输入模型，对于不能用数字来表达的定量指标结合相关资料和专家意见以及其对投资估算的影响进行量化处理。如表4.1所示。

ff6bc70dd9d7db3bf2048249f4c14dbc

dd13c606facf4c15352ce9b246dc92c4

　4.1.2公共预测因子的提取

已经初步建立指标体系。因为这些指标中存在一定的相关性，且数量巨多，全部参与建模过程将大大增加计算量。为了减少计算量，简化计算利用SPSS软件对这些指标进行探索性因子分析，提取公共预测因子。然后借助SPSS软件计算KMO值和巴特利特球度检验值来验证这些特征指标间是否存在线性关系。当KMO值越接近于1，可以看出，这些特征指标之间的相关性越高，越适合进行因子分析，当KMO值大于0.6时，可以进行因子分析。Bartlett球形检验中较小的P值是因子分析的更好指标。计算如表4.2所示，

bc424acbc5de0689ff26dba94d4cc38d

SPSS软件用于在初步指数系统中选择公因子，即特征值大于1的特征值。最后，随机选取包含现有项目单体项目投资估算特征指标体系中大部分信息的6个独立共性要素。根据您的因子分析结果为每个因子创建一个得分系数。这些共同的元素被用作模型估计预测器来表示参与模型计算和预测的原始模型或新模型的输入变量。可得到因子得分表，如表4.3所示。

62dabc657d78fa9ba211ab17adbd79c5

　4.1.3 DE-SVR模型的建立

基于SVR模型的参数值是由Matlab优化器框确定的，可以使用DE算法对SVR模型进行改进，过程如图4.1所示。六个共同因素和特定项目的项目投资估计被用作模型的输入和输出变量。SVR模型通过DE算法多次运行以选择最佳结果以提高预测的准确性。模型的性能由内核特征的类型决定和影响。为了优化改进参数的优化过程，我们使用性能相对较高的径向基核函数和性能更好的DE算法对模型参数进行优化，并在此基础上提出改进的投资估算预测模型。通过DE算法，最后得出SVR的参数C和G分别为1.06824和0.01。

图4.1改进的投资估算预测模型

aa38459d052cdf4447479d1f11b182f7 　　资料来源：基于DE-SVR的项目投资估算改进预测模型

为了达到利用这些已建项目案例数据从而达到更好预测结果的目的。利用数据插值法，采用LINSOACE函数，得到测试集样本。最后将SVR模型和DE-SVR模型进行比较。得出的结果显示改进后的项目投资估算预测模型精确度高，结果见下图4.2。

图4.2预测结果

45493b78aa49b1ab69b6314056eb0d38 　　资料来源：基于DE-SVR的项目投资估算改进预测模型

950e38f92641eafe60e779c4f6a29fe4

　4.1.4结果分析

项目投资估算决定着项目是否可行，是项目决策的重要依据。因此估算方法十分重要，科学严谨，切实可行的投资估算方法不仅可以优化项目的成本控制，还可以减少预测的时间。经过举例表明DE-SVR预测模型比SVR预测模型精确度高，更适合用于建设项目投资估算。

　4.2基于BP神经网络的项目投资估算方法

随着社会经济水平的不断提高，全社会固定资产投资在稳步增加的同时，投资不可控现象也日益增加[8]。在建设项目前期，对建设项目投资估算进行编制时，因为图纸信息和工程资料的缺少，以及建设项目投资估算编制人员的水平参差不齐，使得计算误差不能保证，难以进行投资估算的编制。所以将传统投资估算方法与科技相结合十分有必要。Python语言是一种数据分析与机器学习语言。可以广泛应用于各种神经网络模型的搭建。鉴于一般建筑工程投资估算问题的复杂性及神经网络算法的优点。BP神经网络依靠系统的复杂程度，从而达到处理信息的目的。BP神经网络具有自学习和自适应能力，且速度快、准确性高的特点。

　4.2.1数据处理

基础类型、建筑面积、结构类型、类型组合、层数、层高等工程特点影响工程的投资成本。其中，四个特征指标是最重要的特征：檐高、首层、地下层、建筑面积。为特征向量建模以供讨论。根据专家意见和信息显示数据，生成正态分布的数据样本。

图4.3显示了建筑总层数、屋檐高度、建筑面积以及相应的各项工程造价的分布。檐口。项目成本是制定投资估算计划最重要和最关键的部分。工程造价通常包括装修工程造价、安装工程造价和建筑工程造价。部分项目子项目关键指标见表4.6。然后通过建模和讨论目标向量并使用表4.7所示的线性函数归一化方程对数据进行归一化，将数据归一化为(0-1)的区间。

bd7b7e559962e5eb3b2e6deca3ff8a3c

表4.6部分项目主要工程指标

f41d1e311efcd64c1842256d818e9606

　4.2.2 BP神经网络模型搭建

Python语言中内置丰富的第三方模块为用户进行机器学习的研究数据分析和科学的计算方法建立了一个相当的强大且有效可靠的数据基础，选择了目前用于机器学习和研究中最广泛普遍的常用到的tensor flow模块，可用于BP神经网络模型框架的搭建，并且还可同时使用其它常用到的数据采集与分析的模块来作为一个辅助的功能模块，一并完成采集输入结果，以达到上述的具体应用目的。搭建模型导入的模块及其相关应用功能，如表4.7所示。

48dbb68ab5aa40fddcda8931ee5ca3ee

在某一个神经网络环境下中，每个网络底层节点通常都会被动的接受所检测收集到数据所对应的数据输入值，并于最终节点将该其数据输入对应的输出值直接地传递或者分配信息给其的下一层。在这种神经网络结构下，隐层节点之间和其输出层节点之间对应着的输入数据之间或其输出的数据之间也一般具有了特定的类型函数的函数关系，这个特定类型函数有时也会称为激励型函数。在我们整个的机器学习过程模型设计中，每一次的深度网络学习训练的实际训练结果数据可能都会同时包含了一定比例的或程度接近相同的模型误差或损失，定义了一个模型损失函数之后就已经可以做到较好而准确的结果，且比较快速的反映计算出训练模型结果数据与我们当前学习实际计算结果的真实数据差距，让我们对下一次的深度神经网络的学习和训练模型结果都能够很快得到逐渐修正和减小学习模型误差，提高机器学习模型计算和结果的精度。选取了一个MSE函数，即均方误差函数来对损失函数进行了定义，BP神经网络模型的搭建可参考相关文章，BP神经网络模型的搭建主要考虑参数，如表4.8所示。

4c78f76a850ae6b907ab86fb7102d06d

选取了房屋地面层数、檐口高度、地下层数、建筑面积这其中四个工程主要费用特征指标来作为模拟学习输入的向量，尝试学着通过神经网络模型来实现对房屋建筑工程材料费、装饰工程费用以及各类土建设备安装费等隐蔽性工程费额指标进行了机器仿真模拟学习。标准神经模型建立完成后，选取adam作为损失函数优化器，见图4.4。

图4.4BP神经网络损失函数稳定曲线

69c999f92e24dc1203dde55c678b8257 　　资料来源：基于BP神经网络的项目投资估算研究

根据全市建设造价信息网络平台公布的数据，该多层项目共20层，地上17层，地下3层。框架剪力墙结构，檐口高度67.55米，总建筑面积15140.62平方米。建设项目总建设费用为每平方米建筑面积2035.2元，装饰工程费用为每平方米1029.85元，安装、维修、改造及安装费用为每平方米588.49元。该项目的数据模型首先通过正则化设计和处理，然后替换为神经网络模型对模型进行重新预测。将最终得出的模型归一化的计算初步结果和原模型的预测及计算的结果做对比，如下表4.9所示。

表4.9项目归一化数据

4b5a7948365224e24e672bc0bf750aae

从预测偏差结果能力本身发展来看，BP神经网络模型技术本身也逐渐开始具备通过计算特征向量偏差来准确预测目标向量偏差程度的核心技术能力。通过单独计算单栋低层面积和实际建筑总面积，准确预测建筑物的建设、装修、粉刷装修总成本和安装、维护、改造成本。且可以通过进行针对房屋多个结构具体工程类型进行的施工项目案例，将使其估算偏差幅度尽量控制在其较为合理而有效合理的投资预测的幅度范围之内，这样较为精准可靠的投资偏差和预测数据也可以同时将其准确反馈传递给较高水平且富有专业工作经验、背景知识的实际施工与造价人员们来作为提供专业技术信息参考，让他们在投资偏差估算表中的设计编制工作和相关工作流程都可以更高效简洁。

　4.2.3本章小结

传统的投资估算方法常依据简单的线性数学模型，反映不出项目投资估算与影响因素之间复杂的非线性关系，所以传统投资估算方法存在精确度低，工作量大等问题。而BP神经网络模型具有一种较强的非线性动态运算处理分析能力，无需知道数据的分布形式和变量之间的关系，可以实现高度的非线性映射[8]，通过上述验证，结果误差较小，能够满足企业快速估算工程投资的要求。

　结论

通过对中外参考文献的研究和分析，从投资估算的不同角度来阐释投资估算对于建设项目的重要性。从静态投资估算方法、动态投资估算方法、流动资金估算对投资估算方法进行研究和分析。最后结合工程实例以及大数据和人工智能建立模型，对传统估算方法进行改进和完善，提高了投资估算的精确度和时效性。

对于建设项目投资估算来说，精确与否以及时效性是十分重要的。相较于传统投资估算方法来说，通过大数据和人工智能来搭建模型进行项目投资估算，更具有时效性和准确性。通过大数据和人工智能的运用，根据以前大量已建项目的工程资料进行分析和总结，用于搭建模型，不仅节省了人工，而且不受限于预算人员的经验和技术，更具备普及型。

以商品为主的房地产业的发展取得了令人瞩目的成就，也意味着投资估算方法需要与时俱进。投资估算的准确与否决定着投资决策是否可行。项目在应用传统投资估算方法的同时，要注意结合实际，紧跟时事，随着科技的发展而发展，利用更加贴合项目本身的投资估算方法。软件计算与人工相结合，利用多种渠道方法，进行建设项目投资估算从而提高估算的准确性和时效性。

　参考文献

[1]付雅芳,刘晓东,李延杰,邢晓莉.基于遗传算法和案例推理的软件费用估算方法[J].计算机工程与应用,2012,48(8),86-91.

[2]何照明.系统思维下建设项目投资估算有效性研究[J].建筑经济,2021,42(2).51-55.

[3]让兴燕,李海凌,赵邱旭,彭会根.基于BP神经网络的项目投资估算研究.工程造价管理,2021(1).18-24.

[4]马成英,解析建设项目投资估算编制影响因素及编制方法.经济师,2019(10).131-132.

[5]陈力攀.人工智能在工程估价中的应用研究.价值工程,2020,39(34).224-225.

[6]王雍.基于契合加权预测法建设项目投资估算方法研究[J].铜陵学院学报,2018,17(5).86-89.

[7]张媛媛,张学生,于巍.基于DE-SVR的项目投资估算改进预测模型.项目管理技术,2020,18(11).51-55.

[8]王杰,刘毅聪,刘祚秋.边坡安全系数预测的机器学习算法比较研究.广东土木与建筑,2020,27(7).55-58.

致谢

时光荏苒，岁月如梭，大学生活转眼已到达尽头。感谢各位老师对我的教育与培养，你们无私的奉献精神和爱岗敬业的治学态度。感谢我的论文指导老师，在我的论文的研究方向做出了指导性的意见和推荐，在论文撰写过程提出了很多有益的改善意见。最后，感谢论文评阅老师们的辛苦工作。衷心感谢我的家人、朋友，以及同学们。