第三章 工程项目建设前期的投资控制

第三章工程项目建设前期的投资控制第一节可行行研究与投资控制一、工程项目的可行性研究（一）可行性研究的概念可行性研究是工程项目投资规划阶段对拟投资项目所作的考察与鉴定，它要对拟建项目进行全面的、综合性的技术经济调查研究和系统分析，通过技术经济的综合性分析论证，要作出是放弃这个项目或实施这个项目的结论的一项综合性研究工作。项目的可行性研究主要包括项目在技术上的可行性、先进性、适用性，经济上的合理性、赢利性，对社会、环境的影响，以选择合适的项目进行投资。可行性研究要对项目作出全面的调查研究，调查研究的深度和广度要求能判断是放弃或是对项目继续研究并支付费用。研究的结果一般要求能回答以下问题：①What(投资于什么项目)？②Way(为什么要投资该项目)？③Who(谁来承担为好)？④Where(项目建在何处)？⑤When(何时建设为宜)？⑥How(如何进行建设)？(二）可行性研究的阶段划分及对投资估算的精度要求1.投资机会研究（项目建议书）投资机会研究，即投资的可能性研究，它比较粗略，只是在投资机会中作出选择。机会研究又可分为一般机会研究（地区研究、分部门研究、以资源为基础的研究）和具体项目的机会研究。投资机会研究阶段的投资额一般以类似的工程为例进行估算，比较粗略。估算的精度一般要求在±30%以内。其研究费用约为投资额的0.3-1.0%，研究时间对于大中型项目约需要1-2个月。2.初步可行性研究（预可行性研究）是投资机会研究的继续是可行性研究三个阶段的中间阶段，它应以较短的时间和较少的费用对项目生命力作进一步的粗略探讨，以判明是继续研究或终止研究。初步可行性研究的投资额估算精度要求在±20%以内，研究费用约占投资总额的0.25-1.5%；研究所需时间为4-6个月。3.技术经济可行性研究（工程可行性研究）可行性研究的最后阶段，其对投资额的估计精度要求在±10%以内；其研究费用小型项目约为投资额的1.0-3.0%；大中型项目约为投资额的1.0-2.0%；研究时间一般需要8个月-12个月，有的大型项目甚至需要更长。二、可行性研究阶段的投资估算方法（一）单位生产能力投资额估算法利用已成项目投资情况进行估算，其估算方法如下：拟检项目投资额=已成同类项目投资额已成同类项目生产能力×拟建项目生产能力×k1×k2×k3其中，K1-由于价格的差异引入的调整系数；K2-项目生产能力差异引入的调整系数；K3-由于技术、设备的差异引入的调整系数。例：某已成项目生产能力为年产产品10万件，投资总额8000万元；拟建同类项目生产能力确定为15万件(k1=1.05)，采用的主要设备性能基本相同(k2=1.0)，由于时间差异，劳动力价格、设备价格、建筑安装费用的价格增长约为20%；试估算其投资额。解：估算投资额=800010×15×1.2×1.05×1.0=15120（万元）（二）工程能力指数法当拟建项目的生产规模装置与已成同类工程项目不同，但在一个不太大的范围内变化时，可用工程能力指数法进行投资额估算。式中，Ca为估算的拟建项目投资额；Cb为已成项目B的投资额；Pa为拟建项目A的生产能力；Pb为已成项目A的生产能力；Ia，Ib为同期的价格指数；m为工程能力指数，在以提高工程项目主要设备的效率、功率来达到扩大生产规模时取0.6-0.7；在以增加设备数量来扩大生产规模时，取0.8-1.0。例：某已成项目生产能力为年产产品10万件，投资总额8000万元；拟建同类项目生产能力确定为15万件，采用的主要设备性能基本相同（取m=1.0)，由于时间差异，劳动力价格、设备价格、建筑安装费用的价格增长约为20%；试估算其投资额。解：由于估算方法不同，因此估算结果是有差异的。（三）分项类比估算法一般来说，可以将投资总额分为三部分，即装置、设备的投资，建筑物、构筑物的投资和其他费用。在生产性项目中，一般设备、装置的投资额占的比重很大，因此以它为基础，再来估计其它两部分费用。但对于像公路工程那样没有多少设备、装置的项目来说，则应以建筑物、构筑物的投资来作为估计的基础。其估计方法如下：1.设备、装置的投资额估算估算公式如下：2.建筑物、构筑物的投资估算3.其他费用的估算总的投资额估计值:例:某工程项目，根据项目生产需要确定了设备、装置的配置数量，根据市场调查调查估计了设备、装置的价格，其设备、装置所需费用如表所示，运输、安装费用系数取0.43；根据同类已成项目建筑物、构筑物投资额所占比重情况，其比重取0.65；其他费用所占比重假定为0.25，试估算其投资。设备、装置投资额估计表设备、装置种类数量单价（万元）金额（万元）A188.5153B364.5162C423.6151.2D482.8134.4E522.3119.6F561.795.2G641.276.8H750.5541.25合计391933.45解:投资额估计值为（四）用“显著性成本项CSIs”估算投资额1.显著性成本项CSIS显著性成本项（Cost-SignificantItems)是指约占总造价80%的分部分项工程项目，通常这类项目约占项目总数的20%左右。其规律性基本符合意大利经济学家帕雷托（Pareto)有关对社会财富的分布描述（即关键的少数和次要的多数）。而80%的项目占造价的20%，其对造价的影响不大。因此，只要抓住了对关键的少数的估计，则可保证估计精度，并能够进行快速估计，但应有一定的已成项目数据，以确定那些分布分项工程是显著性成本项（其显著性成本项的存在，已经过研究、实证；同类工程项目的显著性成本项也几乎一致）。2.CSIs模型（1）估计公式项目建设期中的投资额（不考虑利息的影响），可用下式估计：式中，Ia为投资估计额；csf为显著性因子（costsignificantfactor，简写为：csf）（不同项目类型为不同常数）；Ccsi为第i项显著性成本项目费用，如路基土石方费用、路面工程费用、桥梁基础工程费用、下部结构费用、主梁费用、隧道开挖费用、衬砌费用等。（2）应用步骤①通过均值理论，从同类已建工程中确定出显著成本项（CSIs）；②计算待建项目的CSIs造价；③计算同类工程CSIs的“显著性因子”csf，并对显“著性因子”求均值；④待建工程造价等于CSIs造价除以“显著性因子”均值。（3）估计精度根据资料（论述）显示，其估计精度有如表所示。已有CSIs模型及其估计精度表模型项目类型CSIs数目精确度(%)A1-Hajj(1991)建筑业117.5A1-Hubail(2000)海岸石油和天然气126.61Asif(1988)大桥108.92(平均）大桥3.58公路5.34公路5.11BouadazandHorner(1990)桥梁维修188.60Bridgeboxstructure4.0Horner(1990)大桥1510.0MCGowan(1994)土木工程264.0Rahman(1991)混凝土大桥275.0Saket(1986)公共建筑16±4.5(平均)Zakieh(1991)超市12±4.0该法是建筑业中估算造价的有效方法，它可以使工程投资估算花费的时间和成本减少80%；并改进投资估算的精确度。模型中，“显著性因子”的“一致性”将影响造价模型的准确度。一般来说，CSIs越多，“显著性因子”越稳定，，模型越复杂，精确度越高。(五）运用BP神经网络BPNN方法估计投资额1.BP神经网络原理BP（Back_Propagation)神经网络是应用较为广泛的一种神经网络模型，由输入层、隐含层（可以不止一层）和输出层构成。各层之间采用全互连接，但同一层单元间不相互连接。

BP神经网络模型示意图。。输入层输出层隐含层正向传播时，信息（又称学习样本）由输入层传入，经过隐含层逐层处理，最后由输出层输出，如果输出层的实际输出与期望输出不符，则转入误差的反向传播阶段，误差反传阶段将输出误差以某种形式通过隐含层向输入层逐层反转，通过修改各层权值（权重），反复训练神经网络，直到误差信号最小，此时的权重即为神经元之间最终值。利用训练好的神经网络，人们可以根据新的输入信息对预期的输出值提前作出预估。在正向和反向过程中，每个神经元仅影响与其联系的下一层神经元状态。BP神经网络学习过程：（1）选定训练组（学习样本）；（2）初始化权值和神经元阀值；（3）从训练组中取一个模型，并给出相应的期望输出矢量；（4）根据所取出的模型。利用神经网络得出实际输出矢量；（5）比较期望输出矢量和实际输出矢量，计算出各层误差信号；（6）依此计算出各权重值的调整值，并调整权重值；（７）返回第（３）步，继续迭代，直到权重达到稳定。这里权重稳定是指在训练组中所有模式作用下，权重调整量接近于０；实际训练时，常通过查看输出矢量间的接近程度来确定训练过程是否结束；只有训练组中所有模式加到网络上后，输出矢量都和对应的目标输出矢量接近，才认为训练已完成。２.BPNN(Back-propagationNeuralNetwork，简写为ＢＰＮＮ－误差反向传播网络）在投资估算中的应用将过去积累的许多类似的工程项目的造价资料，运用均值理论整理分析出每一个工程项目ＣＳＩs项目造价、单位造价、显著性因子数值，并根据工程分析资料和工程特性按一定的格式分析整理，作为训练样本，并以此输入神经网络中进行训练，从而完成从输入层（工程特征）到输出层（ＣＳＩＳ数据）的映射，这个映射是高度非线性的。神经网络模型自动提取这些知识，并以网络权值储存在神经网络内部。这样，工程技术人员可以根据拟建工程的特性，将相关信息输入神经网络，即可得到新建项目的ＣＳＩs和显著性因子数据。（1）建立BP神经网络投资估算模型神经网络投资估算模型分为以下几个部分：输入预处理模块，神经网络模块和输出处理模块，其核心是神经网络模块。①训练样本数的确定：网络训练所需要的样本数取决于输入-输出非线性映射的复杂程度；映射关系越复杂，为保证一定的映射精度需要的样本数就越多；但多到一定程度时，网络的精度就很难提高。②样本的选择与组织。网络训练中提取的规律蕴涵在样本中，因此样本一定要典型。网络训练样本的选取一定要注意样本类别的均衡，尽量使每个样本数量大致相等。样本的组织要注意将不同类别的样本交叉起来，因为同类样本太集中会使网络训练时倾向于只建立与集中的样本类别相匹配的映射关系。模型参数选取的方法：①选择网络隐含层个数。3层网络已能满足任何要求；此外隐含层数越多，网络结构越庞大，学习和训练时间就长。本文的隐含层设定为一层。②BP网络模型结构参数的确定。隐含层单元个数按柯尔莫哥洛夫定理，取值为2m＋１（m为输入数据个数）。③初始权值确定。通常情况下，初始值采用随机函数（－１，１）之间的随机数在计算机上随机选取．④节点函数选取。ＢＰ算法是将误差修正反向传至隐层节点；选Ｓigmoid函数为节点输出函数，其优点是对任何数据的输入都可以转化成为（０，１）之间的数．（２）举例以全断面掘进机（TBM）掘进铁路隧道“单位成洞米全寿命周期造价”估计为例。通过对竣工隧道TBM掘进费用（TBM折旧费，电力消耗费，刀具费，人工费，水、汽油费、管理费、利s润、税金等）；衬砌止水费；喷锚支护费；设备购置、安装费；竖斜井费；其他费等建设成本；隧道运营和维护成本等历史数据的收集、整理，分析出不同工程特征的CSIs和csf数据，工程特征应参照历史工程资料的统计分析和专家的经验确定，如表3-1所示。为说明问题，简化计算，从中选取19个典型工程CSIs汇总额(其中16-19作为检验样本），如表3-2所示。第1-15个数据作为学习样本，建立三层BP神经网络模型，对新建隧道全寿命周期造价的CSIs（万元/单位成洞米造价）和csf进行估算。表3-1TBM掘进隧道类目量化表类目量化值123456隧道长度（km)∠5[5，10）[10，20）[20，30）[30，40）40及以上围岩类别ⅠⅡⅢⅣⅤⅥTBM类型国产悬臂台车敞开式小直径5m盾构式小直径5m敞开式8-9m单护盾8-9m双护盾8-9m工时利用率（%）102030405060衬砌类型ⅠⅡⅢⅣⅤⅥ衬砌方法衬砌台车现浇衬砌台车预制TBM现浇TBM预制工厂制造喷锚支护不需要锚杆挂网锚杆挂网格珊挂网格珊锚杆挂网道床类型普通枕木普通整体道床加强型枕木加强整体道床高强型枕木高强型整体道闯表3-2基础数据表(单位:O1,CSIs万元/m,O2,csf系数)序号输入项输出项I1I2I3I4I5I6I7I8O1O21314214621.5160.8362324324521.4230.8243334334421.3660.8214344444221.0780.8135354454120.8610.8016364564120.8160.8147141441210.5150.7968233231410.7160.7839244444241.1690.801表3-2(续）基础数据表(单位:O1,CSIs万元/m,O2,csf系数)序号输入项输出项I1I2I3I4I5I6I7I8O1O210636435561.6100.81211433433420.8160.79412544444240.9680.79813646445161.4100.82414534335341.0760.83115443333320.7010.79316424324541.6070.82017434334441.4060.83118444444241.0190.78919454554140.9410.789求解过程：①对工程特征因素进行定量化描述。工程特征是指表示主要工程特点，且能够反映工程的主要成本项CSIs和csf构成因素。工程特征的选取，应参照历史工程资料的统计和分析，根据专家的经验确定。通过对影响隧道工程“单位成洞m”造价的因素分析，确定隧道长度、围岩类别、TBM类型、工时利用率、衬砌类型、喷锚支护、道床类型8种因素作为工程特征，根据统计资料，不同类别进行赋值，见表3-1所示。②建立造价估算模型。这里采用三层模型，选择sigmoid函数为节点输出函数；取模型的输入单元为8个：隧道长度、围岩类别、TBM类型、工时利用率、衬砌类型、喷锚支护、道床类型，分别用I1–I8表示；输出单元1个，为单位成洞m造价，用O1，O2表示。隐层单元为2×8+1=17个，初始权值是（-1，1）之间的随机数。根据输入-输出映射复杂程度，共收集训练样本15个，测试样本4个，用matlab6.5中提供的BP网络函数构造模型。表3-2中列出了19个隧道工程特征数量化数据、CSIs单位米造价和csf。③构建BP网络主要过程构建BP网络主要过程如下:a.将输入向量I1-18,输出向量O1,O2中数据标准化。标准化方法为：其中Xij为原向量数据，X/ij为标准化后数据，用X/ij代替Xij。b.构建BP网络，输入参数为8个输入单元，17个隐层单元，1个输出单元，其余为默认值。c.训练BP网络，将1-15个工程数据作为训练样本，最大迭代次数200次，容许误差10-12。d.将第16-19个工程数据周围检验样本，作为训练后神经网络的输入。e.O1训练过程如图3-1所示。f.用收敛后的网络对16-19组数据进行预测，由于神经网络对预测结果不唯一，应将其预测值与实际值进行比较；对显著性因子按同样方式预测。表3-3为对01，02预测结果的比较。01/02即为预测的每单位成洞m的造价估计值（万元/成洞m）。注意:a.对历史工程不同工程特征的CSIs和csf数据的整理应能满足造价估计精度要求。b.虽然BP网络每次给出的预测值不同，具有一定随机性，但多次运算之后，通过求均值可以消除这种随机性。由表3-3可见，求均值后的预测值与实际值的误差很小（≤±5%），完全能够满足投资估算精度要求。10010-210-410-610-810-1010-12051015202530实际误差0.9558×10-12,目标误差10-12迭代30次

图3-1BP网络收敛过程示意图表3-3结果分析表样本序号16171819O1预测值1.5781.4711.0330.92O1实际值1.6071.4061.0190.941O1相对误差（%）-1.794.641.38-2.27O2预测值0.8060.8000.8000.798O2实际值0.8200.8310.8070.789O2相对误差（%）-1.71-3.78-0.940.56预测WLC1.9581.8391.2911.153实际WLC(Wholelifecost)1.9601.6921.2631.193相对误差（%）-1.028.692.22-3.35（四）一定历史数据下的模糊聚类（FuzzyClustering，FC）法估计投资