【作　　者】
应雪琴，张绍文（博士生导师）

【作者单位】
北京林业大学经济管理学院，北京100083

【摘　　要】

      【摘要】为解决现阶段园林绿化企业目标成本测算过程未充分考虑项目特色、测算结果误差较大、不具备实际指导意义的问题，在园林绿化项目工作分解结构的基础上，结合粗糙集和支持向量机理论构建园林绿化项目目标成本测算模型。模型首先采用粗糙集理论对园林绿化项目工作包的成本影响因素进行约简，并依据约简属性集从实例库中抽取样本数据；然后，通过支持向量机的回归估计测算出园林绿化项目的目标成本；最后，以某园林绿化企业的绿化种植工程为例，演示了模型的具体实现过程，验证了模型的有效性和实用性。
【关键词】园林绿化项目；目标成本；粗糙集；支持向量机
【中图分类号】F062.4      【文献标识码】A      【文章编号】1004-0994（2017）27-0059-6一、引言
目标成本通常在项目实施前设定，它是项目组进行成本控制和分析的依据。在园林绿化项目成本管理水平跟不上行业整体扩张速度的背景下，如何快速、科学、准确地测算出园林绿化项目的目标成本，对提高项目的成本管理水平，增强企业的行业竞争力十分关键。
目前，在园林绿化企业的实际应用中，根据工程量清单计价规范文件，并利用国家或各省市颁发的各项定额文件进行目标成本测算的定额测算法使用得最广泛。但是由于各项定额的制定未考虑企业的项目管理水平和施工技术水平，也未体现园林绿化项目的具体特征，应用该方法测算出来的目标成本往往与实际发生成本偏差过大，致使后期的成本控制较为困难。在学术界，应用模糊数学法、神经网络法测算目标成本的研究较热，但是这些研究大多直接测算项目的整体成本，测算粒度较粗。对于园林绿化项目来说，不同种类或者大小的苗木成本相差巨大，简单地用“乔灌木比”等参数来测算项目成本是不科学的。同时由于园林绿化项目“数据杂而少，贫信息”等特点，使得应用多元回归法、模糊数学法、神经网络法等方法测算出的园林绿化项目目标成本精确度不高，不能达到指导项目进行成本控制的要求。
本文以园林绿化项目的工作分解结构为基础，首先利用项目历史数据，基于工作包维度分析园林绿化项目的成本影响因素；然后采用粗糙集理论，对冗余以及重要度不高的属性进行约简，利用约简的属性集从实例库中抽取样本，采用小样本学习能力强的支持向量回归估计，确定项目的各工作包的目标成本；最后将各工作包的目标成本汇总，从而得到整个项目的目标成本。
二、园林绿化项目成本影响因素
园林绿化项目一般包括土方工程、绿化种植工程、排水工程、喷灌工程、照明工程、铺装工程、园建小品工程等，是集建筑科学、生物科学、艺术科学和经济管理科学于一体的工程建设项目，既具有一般建设工程项目的特点，又具有自身的特殊性。园林绿化项目的特殊性在于：①项目实施对象的活体性。不同的施工季节、气候条件、地域跨度均会影响苗木的成活率、施工效率及项目成本。②项目养护管理的长期性。要求项目的成本管理兼顾施工和养护两个阶段。③项目整体造景的艺术性。不同施工团队的施工水平和艺术修养不同，将会导致不同的景观效果，产生不同的成本消耗。
因园林绿化项目的特殊性，对于不同的园林绿化项目工作包，影响其成本的因素较多，且各不相同，可以从一般工程项目影响因素和园林绿化项目特殊影响因素两个层面进行分析：
1. 一般工程项目影响因素。具体包括：项目用途、项目现场条件、项目施工时长、工程量、工序编林绿化项目施工范围、施工要求以及养护标准来影响项目成本的发生；项目现场条件的好坏影响施工的难易程度，施工越难，造成的资源消耗越多；项目施工时长影响苗木的采购进度和实施进度，会产生赶工成本或提前完成的奖励；工程量主要考虑的是规模化操作对项目成本产生的影响；不同的施工工序会导致不同的资源消耗量；因实际供应商的不同或苗木采购人员的努力或采购时间与预算时间的时间差，项目的苗木的实际采购价格会与市场价格有一定的差异。
2. 园林绿化项目特殊影响因素。其需针对工作包的特点进行具体分析，一般包括：苗木成活率、项目实施季节、苗木种类、苗木胸径（地径、盆径）、苗木高度、项目养护时长、项目养护等级、项目质量等级、项目团队等级等9个影响因素。其中，因园林绿化项目实施对象的活体性，苗木成活率成为影响项目成本的一大重要因素；项目实施季节通过苗木成活率和项目施工效率来影响项目成本；不同种类和规格的苗木价格差异巨大，施工工艺也不同，产生的成本相差较多；因为园林绿化项目养护管理的长期性，项目的养护时长和养护等级对项目养护阶段的成本影响较大，其中项目养护时间越长发生的成本越多；不同的养护等级对应不同的养护方案，所消耗的材料和人工不同；项目质量等级和项目团队等级则因项目整体造景的艺术性而直接影响着项目的实施过程，进而影响各项资源的消耗、成本的产生。
由上述分析可以看出，各因素对成本的影响方式不同，影响程度不同，且各因素之间隐含着一定的相关关系。因此，在构建园林绿化项目的目标成本测算模型前，应先对上述影响因素进行分析，并剔除冗余或者影响程度较小的因素。
三、基于支持向量机的项目目标成本测算模型
1. 基于粗糙集理论的属性约简。属性约简的方法较多，常用的有主成分分析方法、灰色关联系数法、偏最小二乘法、粗糙集方法等。前三种方法对属性间隐含信息的挖掘能力较弱。粗糙集理论将研究对象看作一个信息系统，根据信息系统中不同属性的重要度，剔除冗余或影响小的属性，是一种处理含糊、不确定性和不一致性问题的数学工具，不需要任何先验信息，并能有效地挖掘属性间的隐含信息。
粗糙集理论算法如下：
假定信息系统S=（U，A，V，f）。其中：U=（x1，x2，x3，…，xn）表示非空有限集合，称为论域；A是属性集合；V=Ua∈AVa是值域；f：U×A→V是信息函数，表示U中样本与A中属性取值的对应映射关系。当A=C∪D，其中C是条件属性，D是决策属性，且C∩D=Ø，C≠Ø，D≠Ø，称S为一个决策表。将决策表中的属性值进行离散化处理，从而提高分类准确性。基于属性重要度指标，找出相关属性的最小子集。
根据园林绿化项目成本的构成特点，需要将项目的实施阶段、养护阶段分开测算，同时需要分别测算这两个阶段的人工成本、材料成本、机械成本。项目内的各属性对这两个阶段的三类成本的影响程度是不同的，因此应分别进行粗糙集的属性约简操作。园林绿化企业在进行属性约简后，可将约简的属性集暂时固定下来，在一段时间内，可直接按照已经约简的属性集来提取样本数据。但在项目成本管理的实践过程中，可能会出现新的影响项目成本的因素，也可能由于技术的改进或者政策的变化等使得原来某项特别重要的影响因素变得不再重要，因此，不断地完善或更新项目的影响因素以及对这些影响因素进行约简操作是十分必要的。
2. 基于支持向量机的目标成本测算。支持向量机是一种数据驱动的“黑箱”建模方式，避开了传统的从归纳到演绎的过程，简化了回归过程。同时支持向量机的最终决策仅由少量的支持向量所决定，既对样本数据量的要求不高，也避免了维数灾难的发生。支持向量机的回归算法如下：对样本集合{（xi，zi）}（i=1，2，…，n），xi是输入向量，zi是目标输出，n是样本数。根据结构风险最小化准则，SVM将其学习过程简化，采用Lagrange乘子法把其转换为对偶问题：
max    zi[(ai-a∗i)]-ε   [(ai-a∗i)]-[12]       [(ai-a∗i)][(aj-a∗j)]K（xi，xj）

其中，K（xi，xj）=φ（xi）×φ（xj）是满足Mercer条件的核函数。在实际应用本文方法的过程中，发现采用RBF核函数取得的效果要优于多项式核函数和Sigmoid核函数，故本文采用RBF核函数：K（x，y）=exp（-[||x-y||2σ2]）。回归函数为f（xi）=
[+b。]   
支持向量机需要对模型进行反复的训练，直到达到规定的精度为止。
3. 基于支持向量机的项目目标成本测算模型。园林绿化项目的成本管理不应成为信息孤岛，必须将企业的项目管理信息系统、工艺管理系统、物供管理系统、财务管理系统的信息进行集成，从而提取项目信息、施工工艺信息、历史成本信息、项目属性信息、施工消耗资源信息、成本项目信息等。通过粗糙集及支持向量机理论，确定项目消耗在工作包上的目标成本，然后向上汇总得到整个园林绿化项目的目标成本。在此集成管理思想的基础上建立园林绿化项目的目标成本测算模型及其系统集成关系，具体如图1所示。
基于粗糙集和支持向量机理论的园林绿化项目目标成本测算模型，是由基于粗糙集的预处理和支持向量机的回归模型构建两部分组成的。结合园林绿化项目目标成本测算模型及系统集成关系，算法流程如图2所示。
Step1：按项目的工作分解结构、工序链信息、成本项目内容等，整理企业内部的历史成本数据，构建成本实例库。Step2：从项目管理信息系统内提取待测算项目的工程量清单、施工图纸、施工技术要求等项目信息。Step3：按照企业的项目分解规则制定待测算项目的工作分解结构。Step4：结合工作分解结构内容，从工艺管理信息系统内提取各工作包的施工工艺路线，并转化为工序链。Step5：结合工作分解结构和工序链内容，从财务管理系统内提取各工作包所包含的成本项目，最终形成包含工序链、成本项目的工作包全信息。Step6：提取项目成本的影响因素，即项目实施的过程属性，判断是否需要进行属性约简。若需要进行属性约简进入Step7，否则进入p10。Step7：从成本实例库中随机抽取部分实例作为样本。Step8：对样本数据进行离散化处理。Step9：利用成熟粗糙集处理软件，采用Genetic algorithm算法、Johnson"s algorithm算法，找到各约简方法得出的没有规则冲突的相同的约简属性集。Step10：结合约简属性集和待测算项目内容，从成本实例库中选择与待测算项目内容相似的样本数据。Step11：对样本数据进行预处理，构造学习样本集{（xi，zi）}（i=1，2，…，n），作为支持向量机的输入。Step12：确定支持向量机的核函数和各项参数，进行SVM学习，建立回归模型，得到回归函数。Step13：利用回归函数，求取工作包各成本项目的目标成本。Step14：将工作包成本向上级层层汇总得到整个项目的目标成本，在经过财务审核等程序后，录入目标成本实例库。
利用上述模型进行项目目标成本的测算，能够有效地集成园林绿化企业内部的各种管理信息系统，避免信息分离导致的使用时信息不一致问题以及相应的工作繁重性、重复性问题，确保信息流通畅，进而提高各相关部门的工作效率。采用粗糙集和支持向量机理论相结合的目标成本测算方法，能实现企业内部信息的有效挖掘，减少目标成本测算过程中的人为误差，提高测算出的项目目标成本的合理性和准确性。
四、案例分析
××园林绿化企业的室外绿化项目A是一个“居住小区”的绿化种植项目，于2015年3月20日开工，即施工季节为春季，预计工期为60天。苗木的养护期为2年，养护等级为3级。由专家评分法得出项目的实施环境为优，质量要求为合格，施工团队质量为优。以该项目为例，验证基于粗糙集和支持向量机理论的园林绿化项目目标成本测算模型的有效性和实用性。
1. 属性约简。此案例中需要将绿化种植工程的成本影响因素作为目标成本测算的指标，将绿化种植成本作为目标，从××园林绿化企业的项目管理信息系统和成本管理信息系统内提取近期的数据，构建实例库。
绿化种植工程的成本影响指标有14项，其中项目施工时长、项目养护时长、苗木胸径、苗木高度、工程量、市场价格等6项为定量指标；项目用途、项目现场条件、项目实施季节、项目质量等级、项目团队等级、项目养护等级、苗木种类、工序编号等8项为定性指标。需要将这些定性指标转化为数值型数据，采用表1的规则进行处理。

其中现场条件、质量等级、团队等级等3个指标需要根据专家评判法得出。将实例库中数据进行离散化处理后就得到了适用于粗糙集理论的决策表，本文采用专业的粗糙集软件Rosetta对决策表内的属性进行约简，得到种植阶段与养护阶段的人工成本、材料成本、机械成本的约简属性集，具体属性约简如表2所示。

2. 模型构建。属性约简完成后，根据约简的属性集选择样本数据作为支持向量机的输入。为消除不同量纲对结果的影响，需要先对数据进行归一化处理。本文采用离差标准化方法，将数据映射到［0，1］之间，转换公式为X∗=[x-minmax-min]。在完成归一化操作后，取80%的数据作为训练集，剩余的20%作为测试集，验证模型的训练精度以及测算精度。
选择径向基核函数，利用Libsvm工具，对SVM模型进行训练，各阶段的各类成本的拟合结果如图3（a） ~ 图3（f）所示，可以看出均有较优的回归效果。其中圆点表示原始数据，星号表示回归数据。
一般采用均方误差来衡量模型回归效果的优劣，均方误差越小，模型的准确度越高。

分别计算上述6个模型的训练集的均方误差和测试集的均方误差，如表3所示。由表3可知，6个模型的回归估计模型均较优，预测结果较理想。
3. 目标成本测算。将室外绿化项目A项目通过工作分解结构得到的工作包代入训练好的模型中，分别计算出各工作包种植阶段、养护阶段的人工成本、材料成本、机械成本，汇总得到该绿化种植项目的目标成本为7091.73元，如表4所示。
另外，采用传统的工程量清单及国家定额的目标成本测算方法得到该绿化种植项目的预测成本为8215.65元。与实际发生的成本6870.25元进行比较，模型预测值的相对误差为3%，传统预测值的相对误差为20%。可见，此方法能较有效地测算出园林绿化项目的目标成本，为园林绿化项目的成本管理提供控制目标。
五、结论
本文通过集成企业内部各管理信息系统内的项目数据，完善了项目成本管理系统的应用，细化了项目目标成本测算的粒度。以园林绿化项目工作分解结构为基础，采用粗糙集理论约简项目各工作包的成本影响因素，通过约简的属性集从企业的成本管理系统内选取样本构建实例库，并用支持向量机的回归方法，确定各工作包的目标成本。经过××园林绿化企业的绿化种植工程的实例分析，验证了使用该方法测算园林绿化项目的目标成本，测算精度较高，预测效果较理想。在企业的实际应用过程中，可结合本企业的项目特色，丰富项目成本影响因素的内容，从而更好地为企业的项目成本管理提供指导。

主要参考文献：
于娟．园林绿化施工项目成本管理存在的问题及对策［J］．现代园艺，2014（24）．
冯丹彤．居住项目的工程成本估算研究［D］．成都：西南交通大学，2015．
王代香，雷凤杰，刘丽萍等．园林绿化工程造价定额的应用［J］．内蒙古农业科技，2012（6）．
廖先泉．浅析新计价模式下园林绿化工程投标的报价策略［J］．江西建材，2015（23）．
陆红梅，王雪青．基于模糊模式识别和BP神经网络的工程项目成本预测模型研究［J］．项目管理技术，2013（5）．
孙方元，卫晨．基于广义回归神经网络的煤炭企业成本预测［J］．计算机与数字工程，2015（8）．
訾书宇，魏汝祥，林名驰．成本预测系统中的自变量约简方法［J］．统计与决策，2012（18）．
刘晓冰，周世宽，薄洪光等．基于支持向量机的作业基础标准成本制定方法［J］．计算机集成制造系统，2012（10）．
蒋丽娜．基于支持向量机的建筑工程造价预测研究［D］．邯郸：河北工程大学，2009．