随着我国经济的快速发展和“一带一路”倡议的实施，在建筑业推广工程总承包模式与国际接轨成为一种必然，在未来几年势必会超越传统模式(Design-Bid-Build，简称“传统模式”)，成为我国建筑业项目承发包模式的主流。在我国，工程总承包是指依据合同约定对建设项目的设计、采购、施工和试运行全过程或若干阶段的承包，一般采用设计—采购—施工总承包(即：EPC模式)或者设计—施工总承包模式(即：DB模式)。工程总承包企业项目交易决策主要包含前期的交易机会决策以及后期利用何种竞标策略、如何确定最终报价等内容，目前国内工程总承包模式尚处探索阶段，承包企业对工程总承包项目交易机会决策经验匮乏，相关研究成果有限。

在我国工程总承包工程项目承包主体可以是具备相应资质的一家企业，也可以是具备相应资质的设计、施工、咨询等企业组成联合体，承包范围可以是建设项目的设计、采购、施工和试运行全过程，也可以是若干阶段的承包，与传统模式相比无论在项目合同主体、项目执行结构、项目招标要求、项目风险分担机制、项目管理能力要求等都存在较大差异。总承包项目的竞标成本比传统模式要高，通常达到报价额的0.5%-2.0%，一旦企业无法中标或决策失误很容易给企业带来较大损失，因此，有必要对工程总承包企业前期的项目交易机会如何决策开展研究，避免企业盲目竞标造成损失。目前关于这一问题进行的研究，主要从项目风险角度及企业的优势/劣势分析等方面展开，决策依据比较单一，决策指标基本为定性指标，决策结果较为主观。本文提出一种基于纯语言多属性群决策理论与人工智能案例推理技术的建筑工程总承包企业定性与定量相结合地展开工程总承包项目交易机会决策的方法，解决工程总承包项目竞标前期在经验不足、无施工图纸、无项目工程量清单等情况下如何快速初选项目机会并预测工程项目利润率，为建筑工程总承包企业开展项目交易机会决策提供借鉴。

在国外，工程总承包企业项目交易机会决策的影响因素因各国工程总承包的市场环境及模式特点各异，具有明显的地域性。我国工程总承包模式处于探索阶段，国内相关研究成果有限。对影响因素识别时，在借鉴部分国外成果的基础上，结合我国工程总承包特点，利用专家问卷调查和专家访谈对影响因素进行补充完善，初步识别出了影响因素26个，并根据影响因素的属性特征将其归纳为建设单位因素、总承包企业因素、项目因素、竞争环境因素四个类别。

为确定影响因素中的关键影响因素，对识别出的26个影响因素利用问卷调查的方式向参与过工程总承包项目经营与管理的11名专家进行了访谈及问卷调查，并采用专家排序法对调查结果进行一致性检验，专家评价结果的肯德尔和谐系数最小为0.73，最大为0.83，表明该调查结果具有相当好的信度，由此确定的各类别关键影响因素如表1所示：

在关键影响因素指标中“项目预期利润率”属于定量指标，其余为定性指标，体现出定性指标与定量指标并存且多是定性指标的特点。这些指标具有一定的动态特性，对决策的重要性影响程度会随着决策项目的建设单位、项目特点、招标方式等情况的不同而有所变化。在构建决策模型时，应尽量保持各决策指标信息完整，还要考虑各待决策项目决策影响指标影响权重能充分体现各项目实际状况，并能做到定性指标与定量指标相结合。

根据关键影响因素的特点，将定性指标与定量指标分列，先以定性指标为基础使用纯语言多属性群决策理论进行初步决策，在初步决策的基础上使用案例推理技术确定定量指标值，并以此为依据开展最终决策。以此构建的决策指标体系如表1所示。

以构建的决策指标体系为基础，首先利用纯语言多属性群决策理论进行项目交易机会的初步决策，实现项目的初步筛选。其次，利用人工智能案例推理技术R-4理论为框架，借助myCBR软件开发出“建筑工程工程总承包企业案例推理决策支持系统”，利用决策支持系统准确快速地实现工程总承包企业对待决策项目“项目预期利润率”指标定量预测，最后以此为依据实现最终决策。具体的决策模型构建流程如图1所示。

相比现有的决策方法，该法充分发挥了纯语言多属性群决策理论和案例推理技术在解决复杂问题时分别对定性指标与定量指标的评价优势，决策方便快捷，结果可靠。

下文将以W工程公司在同期内需对项目A及项目B进行交易机会决策为例进行研究。决策前W公司在企业自身构建的经营专家库基础上，聘请一些具有较丰富经验的勘察设计、施工技术、商务管理及项目管理等人员共计5人组建决策专家小组，利用图1所示决策模型开展决策。

初步决策模型主要基于纯语言多属性群决策理论构建，在现实中由于决策问题往往具有一定的模糊性和不确定性，决策专家对决策对象的属性使用一些例如“优”、“良”、“中”、“差”等模糊性语言短语来表示，专家权重、属性权重及属性值都以语言短语作为标度变量，这种形式的多属性群决策问题则称为纯语言多属性群决策问题，一般由决策方案集合、决策者集合、属性集合及属性值集合四大要素组成。决策的方法步骤如下：

步骤1：对工程总承包项目交易机会决策问题进行模型化描述。

模型化描述为：拟决策项目集合X={x₁，x₂，…，x_n}，S为语言术语下标为整数的评估标度，S={S_α|α=0，1，…，t}，是在S基础上进行拓展的评估标度，决策者集合E={e_k|k=1，2，…，r}，其决策者权重s_v=(sv₁，sv₂，…，sv_n)^T∈；G={g₁，g₂，…，g_m}为属性集，其属性权重为s_w=(sw₁，sw₂，…，sw_m)^T∈；决策者e_k∈E对决策项目x_i∈X按属性g_i∈G进行测度，得到x_i关于g_i的属性值α^k_ij∈，得到关于决策者e_k的纯语言评价矩阵如下所示：

项目集合X中的各项目为同一项目建设单位管理下，相同类型项目所构成的集合，若在不同建设单位管理下或不同类型的项目则需要进行单独归类。

步骤2：定义语言评估标度。

决策时使用的语言短语集S为语言评估标度，语言评估标度的设定需符合一定要求。

在W工程公司的A项目及B项目交易机会决策中，决策专家小组使用语义分别定义为：“极差”、“很差”、“差”、“一般”、“好”、“很好”、“极好”的7粒度语言短语集作为语言评估标度。

步骤3：确定决策专家权重及决策指标权重。

工程总承包企业在开展群组决策时，多以企业自身的专家资源为基础，抽调内部一些对企业状况熟悉、具有较强专业知识，相关工作经验丰富、业绩突出的内部专家构建企业专家库，必要时外聘部分外部专家组成决策专家组开展决策。决策专家组成员大多彼此相互熟知，有利于决策专家之间形成良性沟通与协调，能够更好地考虑企业整体利益。

在决策专家权重方面，由于决策专家组中的成员大多彼此相互熟知，决策专家的权重可采取专家互评的方式确定。

在决策指标权重方面，初步决策阶段指标均为定性指标，对于不同类型的项目、不同建设单位、不同的承包企业、不同的时期这些指标权重大小都有所差异。针对这些特点可由决策组专家根据实际情况使用语言评估标度共同评估给出。

在案例中，5位决策专家进行互评确定专家权重，专家互评得的权重矩阵为：

步骤4：决策专家对决策指标属性值进行评价并形成语言评价矩阵。

决策者e_k∈E对决策方案x_i∈X按属性g_i∈G进行语言评价，得到x_i关于g_i的属性值α^k_ij∈，通过评价结果构造出关于决策者e_k的纯语言评价矩阵E^k=(a^k_ij)_n×m。

步骤5：分别对每位决策专家所给出的评价矩阵进行综合属性集结。

利用纯语言加权算术平均算子(PLWAA)对纯语言评价矩阵E^k=(a^k_ij)_n×m中第i行的属性值进行集结，得到决策者e_k所给出的决策项目x_i的综合属性值：

E_i^k=PLWAAS_W(a^k_i1，a^k_i2，…，a^k_im)_n×m

通过上式可分别求得A、B项目的综合属性值：E_A¹=s₂₉₀，E_A²=s₂₈₄，E_A³=s₃₀₆，E_A⁴=s₂₉₉，E_A⁵=s₂₉₅，E_B¹=s₂₄₇，E_B²=s₂₅₂，E_B³=s₂₄₆，E_B⁴=s₂₅₄，E_B⁵=s₂₃₆。

步骤6：对单个决策专家的综合属性集结结果进行群体综合属性集结。

利用纯语言混合算术平均算子(PLHAA)对r位决策者给出的决策项目x_i的综合属性值E_i^k，k=1，2，…，r进行集结，得到决策项目x_i的群体综合属性值：

E_i^k=PLWAAS_WW(E_i¹，E_i²，…，E_i^r)

通过上式可分别求得A、B项目的群体综合属性值：E_A=s_6412.8，E_A=s_5332.5。

步骤7：计算初步决策的合格值E_b，并进行初步决策。

对初步决策的标准确定是以每位决策专家对决策项目中每个决策指标属性值的评价语言评价结果均设定为“好”作为计算依据，同时结合决策前所确定的各决策专家权重及项目各决策指标权重情况，分别利用PLWAA算子及PLHAA算子对评价信息进行集结，算出对应的群体综合属性值E_b，即：工程总承包企业项目交易机会初步决策的群体综合属性合格值。当拟决策的工程总承包项目x_i的群体综合属性值E_i<E_b时，则该表示项目应该放弃；当群体综合属性值E_i≥E_b时，则表示项目在初步决策阶段合格，可进入第二个决策阶段进行最终决策。

以每位决策专家对决策项目中每个决策指标属性值的评价语言评价结果均设定为“好”作为计算标准分别计算出项目A与项目B的合格群体综合属性值，得到项目A的合格群体综合属性值为s_5350.5，项目B的合格群体综合属性值为s_6003.0。

由计算结果可知项目A其群体综合属性值为s_6412.8大于项目A的合格群体综合属性值s_5350.5，项目B其群体综合属性值为s_5332.5小于项目B的合格群体综合属性值s_6003.0，因此，将项目A列为待最终决策项目；项目B应该放弃。

决策支持系统主要是利用人工智能案例推理技术R-4理论为框架，以调研收集的广西27个已竣工公共建筑、住宅小区项目案例为对象，借助myCBR软件平台构建决策支持系统。系统在构建过程中主要涉及到项目案例表达与案例库构建、案例检索与匹配、案例修正与应用及案例保存等环节。

案例表达是指将涉及的案例按照一定的格式进行结构化表示。根据案例推理技术中案例表达的要求，对所收集到的项目案例特点进行分析，可以采用归纳工程项目的共性特征进行表达。

项目案例特征归纳时，其特征属性应尽量全面地反映各案例项目实际特点，并具有一定的共性特征，便于项目案例的检索和相似度计算。将房屋建筑工程总承包项目案例特征归纳为：房屋建筑工程总承包项目案例={项目建筑类型，工程等级，项目建设规模，总承包企业组成，设计资质级别，施工资质级别，合同估算价，计划工期，合同价格形式，地质水文情况，项目所在地，质量要求}。

归纳出的案例表达属性特征具有多样性，其中计划工期的属性值体现为整数(Integer)类型，合同估算价的属性值主要以浮点型(Float)数据表达，其余的属性可以使用符号语言(Symbol)数据类型进行表达。通过对收集到的项目案例资料的归纳，并结合国家建筑工程现行的相关技术管理标准，项目案例特征属性领域值，赋值范围如表2所示。

案例库的构建是核心，在案例表达的基础上利用myCBR软件平台中的数据库功能来实现。将收集到的项目案例信息按案例表达特征要求对应抽取特征信息，并在myCBR软件平台中创建对应项目案例，结合项目案例实际情况进行特征赋值，同时将收集到的项目案例必要的知识源(含实际的项目利润效益知识)在系统对应的知识存储模块中描述和储存，形成所需的房屋建筑工程总承包案例库。所构建完成的案例库如图2所示。

案例的检索主要是从所构建的案例库中利用检索条件，即：问题描述部分，检索出与新问题尽可能相似的案例。检索一般可以通过对新问题特征属性输入、案例相似度计算及输出优选案例集三个步骤来完成。

案例检索的关键在于案例相似度的计算，从项目案例的属性表达特征赋值来看，案例的属性特征赋值存在数值类型，使用CBR系统中最近邻法算法进行相似度计算比较准确和快捷。而部分案例属性特征赋值为Symbol类型的需要进行必要的数字化处理。

属性特征中合同的价格形式、地质水文条件、工程等级、总承包企业组成、施工资质级别、设计资质级别、质量要求、项目建筑类型、项目建筑规模、项目所在地等特征属性为Symbol数据类型，其特征赋值中部分值与值之间彼此相互独立(如：在合同价格形式的赋值中，“固定总价”、“固定单价”这两种价格形式相互独立)；而有些值与值之间没有明确的界限(如：在地质水文条件属性的赋值中，其赋值为“简单”、“一般”、“复杂”，这三个赋值在实际工程中清晰界面的界定是较为困难的，彼此可能存在着一定的交集性)，可将其分为两类，第一类为属性赋值之间是相互独立，第二类为属性值之间界限模糊。对于第一类，当新问题对应属性取值相同时，系统中其相似度定义为“1”，否则相似度定义为“0”；对于第二类其属性值与值之间的相似度则可以利用专家打分法，通过专家给出的分值计算出相对值，并作为其相似性计算的依据在系统中进行赋值，从而实现Symbol类型向数值定义形式的转化。

针对建筑工程总承包项目案例所提出的特征属性，其各属性特征主要体现了对案例的表达过程，各特征属性之间可以理解为是相互独立的，对案例检索的重要性影响也是一致的，在系统中可将所有的案例属性权重赋值为“1”，并利用软件平台集成的最近邻法计算引擎进行总体相似度计算。

案例的重用主要是将检索出的高相似度案例存储在系统中，将案例知识或案例信息输出并应用于解决待解问题。决策时主要通过决策支持系统检索相似工程案例，并选取系统输出相似度最高的四个项目案例作为检索结果，以输出的实际案例的项目利润率为依据进行案例知识的重用，为工程总承包项目交易机会的最终决策提供依据。

每个工程案例的实际项目利润效益，除工程总承包企业的内在因素外，还与项目实施阶段诸多不确定因素存在联系，为确保案例输出的准确性有必要对案例库进行适时扩充和案例修正。然而，影响工程总承包项目利润效益的因素复杂而多变，其变化规律往往难以准确预测，具有一定的不确定性。因此，可以采用系统外修正的方式对案例做适时修正，将解决的新问题作为新案例存储到案例库中，丰富系统案例库，实现系统新知识的学习，从而提高系统决策支持能力。

结合项目A实际情况按案例描述要求抽取特征信息，对应特征赋值为：

项目建筑类型：住宅小区、工厂生活区；

工程等级：二级；

项目建设规模：小型；

总承包企业组成：联合体(施工企业主办)；

设计资质级别：甲级；

施工资质级别：一级；

合同估算价：7987.54万元；

计划工期：260天；

合同价格形式：固定总价合同；

地质水文情况：简单；

项目所在地：广西；

质量要求：合格

然后通过人机对话窗口在系统中输入抽取的特征值并执行系统“Start retrieval”命令，系统将自动计算并检索出相似案例。系统输出结果如图3所示。

最终决策时，工程总承包企业将以系统输出的项目案例的利润效益知识对“项目预期利润”决策指标进行定量化评价，输出项目案例的最高相似度在0.9以上时，对应项目案例的利润率值可作为决策项目的决策利润率直接引用，作为决策项目的“项目预期利润”指标值。当决策支持系统输出的项目案例中，相似度均在0.9以下时，可根据以下公式计算项目的利润率：

其中，Π表示项目预期利润率；S_i表示第i个案例系统对应计算的相似度；n表示系统输出的案例个数n∈(1，2，3，4)；Π_i表示系统输出的第i个案例的工程利润率。

最后，通过定量化的“项目预期利润”指标值作为最终决策依据，当“项目预期利润”指标值高于决策企业可接受的最低利润率时，企业应该把握本项目的交易机会参与项目的竞标，反之应放弃。

由图3输出结果可知，系统案例库中房屋建筑工程2#案例与项目A具有很高的相似性，相似度为0.91高于0.9。因此，2#案例的项目利润率值知识将作为项目A的“项目预期利润”指标值，在案例库中2#案例项目利润率为15.6%，高于W公司可接受项目最低利润率为10%的利润预期，因此，W公司可参与项目A的竞标。

本文对工程总承包企业项目交易机会决策的关键影响因素进行了识别和确定，并以此为基础构建决策指标体系。在这些决策指标中存在定性指标与定量指标，且多为定性指标，同时所确定的决策影响因素指标对决策的影响程度会因项目建设单位、项目特点、招标方式、市场环境等条件的不同而有所变化。针对这些特性本文提出将定性指标与定量指标分离，采取初步决策和最终决策相结合的二阶段综合决策的方法，介绍了决策支持系统的构建以及二阶段决策的过程，并通过实践测评验证了该决策方法能较好实现工程总承包企业在经验不足、无施工图纸、无项目工程量清单等情况下快速进行工程总承包项目交易机会决策的目的，该决策方法具有一定的可操作性和可靠性，对工程总承包企业对工程总承包项目交易机会的决策或开展同类课题研究具有借鉴意义。