冯兵，杜晓春，郑国雄，蒋佳，唐刚

(中国石油西南油气田分公司输气管理处，四川 成都 610213)

0 引言

我国已成为世界上最大的能源生产国和消费国。管道，特别是长输管道，是能源运输最主要、最经济安全的方式。截至2020年底，我国油气长输管线总里程达到16.5万千米，已实现西气东输、川气出川、北气南下。随着能源生产与储运量的增加，预计到2025年我国长输管道总里程将超24万千米。长输管道项目线路呈现工期长、工程内容复杂、变化大等特点，这给项目造价管理造成极大不确定性[1]。造价管理决定长输管道项目总体成本，对促进石油与天然气行业的发展、提升社会经济效益有直接影响。在油气行业造价管理过程中，预算、概算与结算“三超”现象普遍存在[2]。长输管道附属的地面工程项目是项目总体造价构成的主要部分之一，其造价管理直接影响项目总体成本控制。目前，长输管道造价管理模式总体相对落后[3]，内外部影响工程造价管理的因素繁杂，缺乏建设单位、咨询单位及施工单位三方协同的造价管理整体控制[4]，致使工程造价得不到有效控制，结算金额超合同签订价格现象普遍存在[5]。长输管道项目管理轻视成本控制、项目范围定义不清晰、合同条款歧义、工程主体间协作问题等均易造成施工成本无法控制现象频发[6]。针对油气长输管道项目造价的复杂性，有学者提出对工程的造价从投资决策阶段到竣工结算阶段进行全过程的管理[7]。然而，长输管道地面工程建设项目的造价管理在项目全生命周期管理过程中受各因素影响，如成本管理认识不足、项目频繁产生变更、材料价格失调、施工方法不当、合同管理失败、外部环境变化等[8]。大数据、人工智能等高新技术被逐步运用于工程项目管理，如自然语言处理(natural language processing)方法被用于提取合同条件中的合同风险条款[9]，人工神经网络法(人工智能方法之一)被用于预测施工变形[10],BIM (building information modeling)技术被用于开发协作系统可视化平台[11]等。大数据背景下，高新技术也被逐步运用于油气行业，如GIS运用于管道路径选择有效降低15%～30%的项目成本[12-13]，云计算、大数据等运用于物联网长输管道构架、实现数据采集自动化、生产过程实时监测、管理模式优化等，降低维护运营成本及工程造价[14]等。基于大数据的机器学习方法可运用于处理大量数据、识别工程造价管理中的关键影响因素。为了有效提高长输管道地面工程项目造价管理实践，本文在扎实的理论分析研究基础上，运用大数据分析方法构建机器学习决策树模型，识别影响长输管道地面工程建设项目造价管理的关键因素，填补相关领域研究空白，为长输管道地面建设工程项目的造价管理提供政策建议与决策参考。

1 方法

1.1 理论分析

围绕长输管道地面工程建设项目造价管理失败、造价超支等问题，本研究开展了大量的文献研究。通过关键词在知网(中文)、web of science(英文)搜索相关文献、进行系统的理论分析，初步提取影响长输管道地面建设工程项目造价管理的关键因素，包括范围界定、频繁变更、材料管理、施工方法、合同条款、合同执行、变更管理、政策法规、市场变化、自然条件等，以构建长影响输管道地面工程项目造价管理因素的概念模型。

1.2 数据收集

为了实证研究识别在设计决策阶段、施工阶段影响长输管道地面建设工程造价管理的关键因素，本研究开展了问卷调查研究。本研究采用经验证的成熟量表设计调查问卷，向长输管道地面工程项目造价管理相关人员收集定量分析数据。问卷调研法是工程项目造价管理常用数据收集方法之一[15]。调查问卷主要包含两部分问题：(1)答题者个人信息相关问题；(2)影响长输管道地面建设工程造价管理的关键因素，包括主体相关因素、施工环境的变化、合同管理、材料管理、市场因素、自然环境因素等因素。问卷使用五分级Likert量表，答题者以1分(非常不重要)到5分(非常重要)的任意分值表明其对长输管道地面建设工程造价管理的关键影响因素重要程度的评判。本次问卷的受访者均满足三点要求：(1)从事长输管道地面工程相关工作，取得专业资格；(2)具有至少半年的长输管道相关行业工作经验；(3)就职于长输管道行业相关的主要组织机构，包括建设单位、咨询单位、施工单位等。依托中国石油西南油气田公司长输管道项目，本次问卷调研共收回有效问卷100余份，其中男性答题者占比近八成；答题者年龄大多集中于30～39岁(近60%)，教育程度多为本科(近75%)，符合我国长输管道行业的实际情况；答题者工作年限普遍较长(6～15年工作经验的占比近65%)，对长输管道地面工程造价管理等相关工作较熟悉，观点能反映工程实际。总体上，问卷样本满足抽样调查的要求，具有普遍现实意义。

1.2 大数据机器学习决策树分析

机器学习是常见的大数据处理方法，被广泛运用于语音识别、光学文字识别、手写识别、计算机视觉、医学图像分析、文件分类、生物特征识别、自然语言处理、搜索引擎等。机器学习方法也被应用于工程项目的造价管理，包括构建工程造价预测的模型[16]和造价控制[17]。决策树是一种常用于大数据处理的机器学习方法[18]。通过从一系列有特征和标签的数据中总结决策规律、用树状结构呈现规律解决问题。该方法包含训练集和测试集，可对数据进行分类及回归分析，已被证明是一项可靠的大数据预测方法。本文运用scikit-learn对问卷收集的有效数据进行决策树分析，开发环境是Jupyter lab，库包括Numpy、Pandas、Matplotlib等，最终运用可视化工具Graphviz制作结果决策树模型。

决策树方法需将每个输出数据标记类别。本文问卷采用李克特5级量表，选项从5到1分别表示“非常同意”、“非常不同意”等五种回答。在建立决策树模型时，以造价管理的平均值作为分界点，大于平均值标记为“1”类，表示造价管理成功；其他为“0”类，表示造价管理失败。 “不纯度”是衡量决策树拟合度的指标，可通过其确定决策树的最佳节点和最佳的分枝方法。不纯度越低，拟合度越好。基尼系数(Gini)和信息熵(Entropy)常用来表示不纯度，其计算公式如下:

2 结果

为了识别长输管道地面工程项目造价管理的关键影响因素，本文根据研究假说建立了“影响因素–造价管理”的决策树模型。在决策树模型中，以“范围界定、频繁变更、材料管理、施工方法、合同条款、合同执行、变更管理、政策法规、市场变化、自然条件”为输入量，以“造价管理”为输出量。决策树模型结果显示，材料管理是对长输管道地面工程项目造价管理的预测能力最高的因素，其他预测因素依次为自然条件、频繁变更、范围界定等。在决策树模型中，每个数据按照因素特征值自上而下判断决策树结构分枝。首先，在决策树最高层级按材料管理特征值进行判断，当满足特征值≤3.5时，进入左边的非叶结点，再根据频繁变更的特征值，当≤4.5时，进入左边叶节点，得到结果“0”，即“造价管理成功”，结束判断。节点中的samples属性显示应用于该节点的训练样本数量，value属性表明此节点“0”“1”样本数量(例如，根结点材料管理中，samples为74个，其中23个属于0类(class 0)，51个属于1类(class 1)。entropy值表示节点的不纯度，entropy值越高该节点数据不确定性越高，entropy=0时，则该节点所有训练样本均为同一类别。

3 结论与建议

工程造价管理是长输管道地面工程管理的重要工作。围绕工程造价超支现象频发，本课题旨在运用大数据分析方法识别影响该类项目工程造价管理的关键因素。在大量文献研究的基础上，本文提出了影响长输管道地面工程造价管理的关键因素及研究假说，通过问卷调研法采集了超过一百个实证数据、运用机器学习决策树方法构建决策树模型。研究发现，材料管理是影响长输管道地面工程造价管理的最主要因素，其他重要因素还包括自然条件、频繁变更、范围界定等。材料费用占工程项目直接费的较大比例，而材料供应、材料价格容易受到市场波动影响。材料的现场管理保证材料的质量及使用量，不当的材料进场检查、施工浪费等造成材料消耗量增加，最终造成长输管道地面工程项目成本超支。项目范围的界定不清晰被发现是影响长输管道地面工程造价管理的主要因素之一。作为长输管道的重要附属工程，地面建设工程的范围受到管道主体工程的影响，导致原定的造价管理失效。此外，在工程实际中，由于业主原因、设计原因、地质条件不符等引起的设计变更，恶劣气候现象等自然原因导致的停工、产生的窝工费用及财产损失等，亦是影响长输管道地面工程建设项目造价管理的主要原因。为了更好地管理长输管道地面工程项目、有效实施造价管理，建议与材料供应商建立长期战略合作关系，以保障材料供应充足以及减少价格波动；建议建立良好的材料进场验收、现场储备、领取使用制度。为避免不必要的变更，项目建设方应在前期阶段开展充分的调研、做足可行性研究，避免由于地质勘探原因、决策失误等被迫发起变更，致使项目成本超支、造价管理失效。同时，建议建设方采用EPC、设计施工等新型承发包模式，充分发挥施工方在设计阶段的作用，避免由于设计原因等造成的项目变更。最后，项目建设方、施工方应在制定项目预算时预留风险保证金，就可能发生的恶劣天气条件做好预防措施。通过购买保险、风险转移等方式有效规避自然条件相关风险、降低其造成的损失。本文的研究发现将为科学开展长输管道地面工程造价管理提供理论支持，对提升造价管理实践产生积极作用。