建筑工程造价管理是确保项目顺利实施和企业经济效益的关键，竣工结算阶段对项目的整体造价具有重要影响，然而传统的造价管理模式存在信息孤立、经验依赖等问题，难以全面把控影响因素，随着建筑信息化的不断发展，大数据分析技术为工程造价管控带来了新的契机。本研究提出一种基于大数据分析优化竣工结算阶段工程造价的新模型，通过构建工程造价影响因素的大数据分析框架识别关键因素并集成评价，为项目决策提供数据支持，从而提高工程造价的准确性和科学性。
一、工程竣工结算造价影响因素识别
1.1数据采集与预处理
工程造价数据来源广泛，包括设计、施工、采购、监理等多个环节，数据类型也呈现出多样性，既有结构化数据如表格和报告，也有非结构化数据如文本、图像等，这些异构数据具有海量、多源、动态等特点给数据采集和预处理带来了挑战，有效的数据采集是大数据分析的基础，需要建立统一的数据标准和规范并开发相应的数据采集系统，自动化地从不同来源提取数据。在完成数据采集后需要对原始数据进行预处理以确保数据质量和一致性，数据预处理包括数据清洗、数据转换和数据集成等步骤，数据清洗是指消除数据中的错误、重复和不完整的部分，提高数据质量；数据转换则是将不同来源的数据转换为统一的格式和形式，方便后续的数据处理；而数据集成是将来自多个数据源的相关数据整合到一个统一的数据存储系统中，形成集中式的数据仓库或数据湖。在工程造价领域数据预处理需要考虑到数据的时间、空间和语义上的关联性，例如工程款支付数据需要与施工进度数据相匹配，不同分包商的报量数据需要按专业和分项进行归并，同一项目在多个信息系统中的数据需要进行对应和映射，预处理后的数据将构建成统一的大数据模型，为后续的分析和挖掘奠定基础。
1.2影响因素挖掘
在构建完整的工程造价大数据模型后需要运用数据挖掘技术发现影响竣工结算造价的潜在关联因素，常用的数据挖掘算法包括关联规则挖掘、频繁模式树、决策树等，关联规则挖掘能够发现数据集中存在的有趣关联模式，用于识别影响造价的多个相关因素及其组合，该算法通过支持度和置信度两个指标评估规则的重要性，能够发现隐含在数据中的频繁项集和关联规则，在工程造价中可以利用关联规则挖掘技术发现某些设计变更、材料采购、施工工艺等因素与造价的关联性。频繁模式树算法则能更有效地发现数据中的频繁模式和关联关系，特别适用于具有层次结构或序列数据的分析场景，在工程项目中施工活动之间、设计变更之间往往存在时序或层次关系，频繁模式树能够挖掘出这些关系对造价的影响规律。还可以结合领域知识引入其他机器学习模型如决策树、贝叶斯网络等对影响因素进行分类和预测建模，同时引入造价专家的经验知识至关重要，通过知识库构建和规则匹配等方式剔除无关因素，识别出真正的关键影响因素。
二、工程造价影响因素评估模型
2.1层次分析法评估
在工程造价影响因素评估中可以构建一个层次分析结构模型将总目标(评估影响因素的重要性)分解为多个准则和多个备选方案(影响因素)，首先需要确定评估目标和影响因素集，将影响因素构建成层次结构，在此基础上通过专家打分等方式建立成对比较矩阵反映各准则或因素间的相对重要性，之后利用矩阵计算方法求取特征值和特征向量得到各准则和备选因素的权重值，权重值越高代表该因素在影响工程造价中的作用越大，层次分析法具有结构清晰、计算简单、定量和定性结合的优点，能够较为全面地刻画各影响因素的主次关系及相对重要性。在实际应用中可以从几个维度构建层次分析模型，例如按照影响范围将层次分为工程造价的设计影响因素、施工影响因素、采购影响因素等；按照影响性质将层次分为可控因素和不可控因素，对于具体的影响因素也可以进一步分层细化，如设计变更因素下可以细分为平面布局变更、结构方案变更等，通过层次分析法评估能够对各影响因素进行定量评分和排序，为后续集成评估提供参考。
2.2模糊评价法评估
模糊评价的基本思路是先构建评价指标体系，将影响因素作为评价指标，然后对每个指标设置若干个评语等级，形成评价集合，例如{很高、较高、中等、较低、很低}等等，再邀请专家对每个指标给出所属等级的评估，通过模糊统计原理计算各指标在评价集合上的隶属度。具体来说可以采用多种模糊评价模型如模糊层次分析法、模糊综合评价法等，以模糊综合评价为例，首先需要构建评语集及其隶属度函数，然后组建专家评审团队，每位专家针对每个指标给出隶属度评分，计算综合隶属度，根据最大隶属度原则或加权平均隶属度原则确定各影响因素的等级。模糊评价法与层次分析法相比更加关注影响因素的定性描述，突出主观评价的作用，它能够很好地处理评价过程中的不确定性和模糊性，不过模糊评价也存在一定缺陷，如评语设置和评语权重确定的主观性较大、不同专家评分的一致性难以保证等，因此在实际应用中可以将模糊评价与其他评估方法相结合，发挥各自优势。
三、基于集成算法的决策支持
3.1集成评估算法设计
基于上述层次分析法和模糊评价法的评估结果，我们可以设计一种集成算法对影响因素进行综合打分和排序，集成算法的基本思路是将不同评估模型的结果进行加权融合，获得各影响因素的最终评分，从而确定优先关注和优化的重点因素。集成评估算法包括以下几个步骤，首先对层次分析法和模糊评价法的评估结果进行归一化处理，将不同量纲的评分映射到同一数值范围如0-1之间，其次根据每种评估模型的特点确定其在集成算法中的权重，例如可以基于专家打分的方式衡量层次分析法和模糊评价法在反映影响因素重要性方面的优劣，从而确定两者的权重值，然后采用加权平均或其他集成策略计算每个影响因素的综合评分，按照评分从高到低的顺序，确定优先关注的影响因素集合。在设计集成算法时还需要考虑影响因素之间的关联性和耦合关系，某些因素之间可能存在内在联系，需要整体打包评估，而非简单相加，这种情况下可以先对高度相关的影响因素进行分组，再对分组结果进行集成评估，算法还应当具有一定的自适应能力，能够根据不同工程项目的特点动态调整评估模型和权重，提高评估的针对性和准确性。
3.2决策支持与优化
基于集成算法得到的影响因素重要性评分结果可以为项目决策提供数据支持和优化建议，首先从影响程度最大的因素着手分析其对造价的具体作用机理，找出造成造价增高的症结所在，例如如果设计变更是重要影响因素，需要进一步查明是平面布局变更、结构方案变更还是装修方案变更导致的造价增加。在明确症结后项目管理团队可以针对性地制定优化措施，优化的基本思路是削减或降低重要影响因素的负面作用，最大限度地控制不利因素的影响，对于可控因素可以采取提高设计深度、加强施工组织、优化采购策略等措施，减少不必要的设计变更、返工、浪费等；对于不可控因素则需要提前制定应对预案，加强风险管控。此外项目团队还可以从战略层面出发，对工程造价管理进行系统优化，通过梳理各影响因素之间的关联关系找到系统性的根源问题并采取综合治理措施。在实施优化措施的还需要建立监控评估机制，持续跟踪各影响因素及其对造价的影响情况，项目团队可以基于大数据分析模型对优化效果进行动态评估，发现潜在的新问题及时调整优化策略，同时要加强经验总结和知识沉淀，不断更新和完善影响因素库，为未来项目的造价优化提供决策支持。
结语
大数据分析在工程项目管理领域具有广阔的应用前景，本研究构建了一种基于大数据分析的工程竣工结算造价优化模型，能够综合识别、评估影响造价的关键因素，为项目决策提供数据支持从而提高造价管理的科学性，未来还需进一步丰富影响因素库，优化集成算法并将模型推广应用于更多工程项目实践中以持续优化工程造价管控能力。
