Tổng quan nghiên cứu

Trong bối cảnh ngành xây dựng Việt Nam đang chuyển dịch mạnh mẽ từ mô hình truyền thống Thiết kế - Đấu thầu - Thi công (DBB) sang phương thức Thiết kế & Thi công (Design and Build - D&B), việc xác định chi phí chính xác ngay từ giai đoạn tiền đấu thầu đóng vai trò sống còn. Các nghiên cứu quốc tế chỉ ra rằng hình thức D&B có thể rút ngắn từ 20% đến 30% tiến độ thực hiện và tiết kiệm từ 10% đến 15% tổng mức đầu tư vốn. Tuy nhiên, tại Việt Nam, các phương pháp ước tính chi phí sơ bộ truyền thống – đặc biệt là phương pháp suất vốn đầu tư theo diện tích sàn xây dựng (Gross Floor Area) – thường bộc lộ độ lệch sai số rất lớn, dao động từ 15% đến 25%. Sai lệch này làm gia tăng rủi ro vượt ngân sách, gây thất thoát tài chính và giảm tỷ lệ trúng thầu của doanh nghiệp.

Luận văn thạc sĩ chuyên ngành Quản lý Xây dựng của tác giả Thông Thị Kim Anh, thực hiện tại Trường Đại học Bách khoa – ĐHQG TP.HCM từ tháng 2 năm 2023 đến tháng 6 năm 2023, tập trung giải quyết triệt để rào cản trên. Mục tiêu cốt lõi của nghiên cứu là xây dựng và kiểm chứng mô hình ứng dụng Trí tuệ Nhân tạo (AI) – bao gồm Rừng ngẫu nhiên (Random Forest - RF), Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) và Lý luận dựa trên trường hợp (Case-Based Reasoning - CBR) – để dự báo chi phí các dự án D&B tại Việt Nam dựa trên nguồn dữ liệu lịch sử. Kết quả nghiên cứu mang ý nghĩa chiến lược khi giúp giảm biên độ sai số dự toán xuống dưới 8%, tối ưu hóa 100% nguồn lực lập hồ sơ dự thầu và nâng cao năng lực cạnh tranh cho các tổng thầu xây dựng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết quản lý chi phí dự án hiện đại và khoa học dữ liệu ứng dụng. Bốn khái niệm trọng tâm xuyên suốt công trình bao gồm: phương thức giao thầu tích hợp Design & Build, mối quan hệ ước tính chi phí tham số (Cost Estimating Relationships - CER), cấu trúc phân chia công việc (Work Breakdown Structure - WBS), và học máy có giám sát (Supervised Machine Learning).

Về mặt mô hình toán học và thuật toán, tác giả khai thác chuyên sâu ba nhánh lý thuyết:

  • Lý thuyết mạng nơ-ron nhiều lớp (Multilayer Perceptron - MLP) áp dụng thuật toán lan truyền ngược (Back-propagation) kết hợp hàm kích hoạt Tangent Hyperbolic (Tanh) với miền giá trị trong khoảng từ -1 đến 1, giúp giải quyết triệt để các mối quan hệ phi tuyến phức tạp giữa đặc tính kiến trúc và đơn giá xây dựng.
  • Lý thuyết tập hợp cây quyết định (Ensemble Learning) thông qua thuật toán Rừng ngẫu nhiên (Random Forest) nhằm hạn chế hiện tượng quá khớp (overfitting) và tự động xếp hạng mức độ quan trọng của các biến số.
  • Lý thuyết lập luận dựa trên tình huống (Case-Based Reasoning - CBR) vận hành theo chu trình khép kín 4R (Retrieve - Reuse - Revise - Retain), hỗ trợ trích xuất và tái sử dụng tri thức từ ít nhất 20 dự án tương đồng trong quá khứ.

Phương pháp nghiên cứu

Nghiên cứu kết hợp phương pháp định lượng và lấy ý kiến chuyên gia đa vòng. Nguồn dữ liệu phục vụ huấn luyện mô hình được thu thập từ hồ sơ dự toán, bản vẽ thiết kế sơ bộ và số liệu thanh quyết toán thực tế của các dự án công trình dân dụng và công nghiệp tại Việt Nam. Cỡ mẫu nghiên cứu bao gồm bộ dữ liệu thực tế được chuẩn hóa và phân chia theo tỷ lệ khoa học: mẫu huấn luyện (Training Set), mẫu kiểm định (Testing Set), và mẫu kiểm tra độc lập (Holdout Sample). Phương pháp chọn mẫu có chủ đích (Purposive Sampling) được áp dụng nhằm đảm bảo tính đại diện cao nhất của các dự án D&B có quy mô từ 5 đến 40 tầng.

Bộ dữ liệu đầu vào gồm 9 biến số cốt lõi được sàng lọc kỹ lưỡng: tổng diện tích sàn, chiều cao công trình, chiều cao thông tầng, vị trí xây dựng, loại kết cấu sàn, số lượng căn hộ trên một tầng, thời gian bảo hành, tiêu chuẩn quy cách vật liệu, và tiến độ thi công. Trong đó, 3 biến số về số căn hộ/tầng, thời hạn bảo hành và tiêu chuẩn vật liệu được bổ sung riêng dựa trên khảo sát chuyên gia để phù hợp với đặc thù Việt Nam.

Quy trình xử lý số liệu sử dụng phần mềm Python phiên bản 3.9 (môi trường Spyder IDE 5.1) để lập trình mô hình Random Forest và phần mềm IBM SPSS Neural Networks phiên bản 22 để thiết lập cấu trúc ANN đa lớp. Độ chuẩn xác của mô hình được đánh giá thông qua chỉ số hiệu quả Nash-Sutcliffe (NSE) tiệm cận mức 1 và sai số bình phương trung bình (Mean Squared Error - MSE) tiệm cận mức 0. Timeline nghiên cứu được thực hiện nghiêm ngặt từ ngày 6 tháng 2 năm 2023 đến ngày 11 tháng 6 năm 2023 trước khi bảo vệ chính thức vào ngày 13 tháng 7 năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm định mô hình đã mang lại các kết quả định lượng rõ nét:

  • Mô hình Random Forest (RF) chứng minh năng lực vượt trội trong việc phân tích trọng số 9 biến số đầu vào, đạt chỉ số hiệu quả Nash-Sutcliffe (NSE) đạt mức 0.93, thể hiện mức độ tương thích rất cao giữa giá trị dự báo và chi phí thực tế.
  • Mạng nơ-ron nhân tạo (ANN) trên nền tảng IBM SPSS 22 với cấu trúc MLP và hàm kích hoạt Tanh giúp tối ưu hóa ma trận trọng số (Synaptic Weights), giảm thiểu sai số bình phương trung bình MSE xuống dưới 0.05, vượt trội hơn 40% so với mô hình hồi quy tuyến tính đa biến truyền thống.
  • Phương pháp Case-Based Reasoning (CBR) đạt độ chính xác tìm kiếm tương đồng trên 85%, cho phép tái sử dụng hiệu quả dữ liệu từ các gói thầu cũ.
  • Khi kiểm định chéo trên 6 trường hợp dự án thử nghiệm độc lập, độ lệch sai số tuyệt đối bình quân giữa giá trị dự báo bằng AI và chi phí thực tế chỉ dao động từ 4.8% đến 7.2%, giảm đáng kể so với mức sai số từ 15% đến 25% của phương pháp tính theo suất vốn đầu tư sàn truyền thống.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự vượt trội của các mô hình AI là khả năng tự động học hỏi và mô hình hóa các tương tác phi tuyến tính phức tạp giữa nhiều thông số kỹ thuật cùng lúc mà phương pháp thủ công không thể xử lý. Trong thực tế, các yếu tố như tiêu chuẩn hoàn thiện vật liệu hay vị trí địa lý có tác động không đồng biến đến đơn giá gói thầu phần thân và mặt dựng (façade).

Dữ liệu kết quả nghiên cứu có thể được trực quan hóa sinh động thông qua biểu đồ phân tán (Scatter Plot) thể hiện tương quan tuyến tính chặt chẽ giữa chi phí thực tế và chi phí dự báo, cùng với biểu đồ cột so sánh sai số giữa ba mô hình CBR, RF và ANN. So sánh với các công bố quốc tế tại Anh (với tỷ lệ dự án D&B đạt 23%) và Singapore (đạt 34.5% ở khu vực tư nhân), kết quả của luận văn khẳng định rằng việc ứng dụng công cụ thống kê như SPSS và ngôn ngữ Python hoàn toàn giải quyết được bài toán dữ liệu hạn chế tại các nước đang phát triển, biến kho dữ liệu thầu quá khứ thành tài sản dự báo chính xác.

Đề xuất và khuyến nghị

Nhằm hiện thực hóa kết quả nghiên cứu vào thực tiễn quản lý dự án xây dựng tại Việt Nam, bốn nhóm giải pháp hành động cụ thể được đề xuất:

  1. Chuẩn hóa và số hóa cơ sở dữ liệu chi phí lịch sử: Tổng thầu và các đơn vị tư vấn cần tiến hành số hóa toàn bộ dữ liệu dự toán của ít nhất 50 dự án đã hoàn thành trong vòng 5 năm qua. Hoạt động này cần hoàn thành trong Quý 1 và Quý 2 năm 2024, tạo lập bộ cơ sở dữ liệu tình huống (casebase) đồng bộ theo cấu trúc 9 tham số chuẩn.

  2. Ứng dụng phần mềm SPSS và Python vào quy trình lập dự toán tiền đấu thầu: Phòng Đấu thầu và Ban Quản lý Chi phí của doanh nghiệp cần tích hợp mô hình Random Forest và mạng nơ-ron nhân tạo vào giai đoạn thẩm định giá sơ bộ. Mục tiêu là rút ngắn 60% thời gian lập dự toán và duy trì biên độ sai số dưới mức 7%, triển khai thử nghiệm trong thời gian 6 tháng.

  3. Thiết lập quy trình tra cứu dự án tương đồng theo mô hình CBR: Đội ngũ kỹ sư QS (Quantity Surveyor) cần áp dụng chu trình 4 bước của CBR để so sánh nhanh đơn giá các gói thầu có tính chất tương tự, nâng cao độ tin cậy của đề xuất tài chính lên trên 90% trước khi nộp hồ sơ dự thầu. Thời gian đào tạo nhân sự kéo dài 3 tháng.

  4. Hoàn thiện khung chỉ số giá xây dựng chuyên biệt cho dự án D&B: Các cơ quan quản lý nhà nước và Hiệp hội Nhà thầu Xây dựng Việt Nam cần xây dựng 12 bộ chỉ số giá điều chỉnh theo thời gian và khu vực địa lý cho các hợp đồng trọn gói D&B, áp dụng định kỳ trong giai đoạn 2024 - 2025 nhằm hỗ trợ chuẩn hóa công tác lập dự toán toàn ngành.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu này mang lại giá trị ứng dụng cao cho 4 nhóm đối tượng chính:

  • Ban Lãnh đạo và Giám đốc Dự án thuộc các Tổng thầu D&B: Cung cấp công cụ chiến lược để đưa ra quyết định chào giá nhanh chóng, nâng cao tỷ lệ trúng thầu và kiểm soát biên lợi nhuận ròng mục tiêu từ 8% đến 12%.

  • Kỹ sư Định giá và Quản lý Chi phí (QS Engineers): Nắm vững phương pháp trích xuất 9 biến số ảnh hưởng trọng yếu và kỹ thuật sử dụng công cụ IBM SPSS 22 để thiết lập mô hình nơ-ron dự báo chi phí tự động mà không đòi hỏi kỹ năng lập trình chuyên sâu.

  • Chủ đầu tư và Đơn vị Tư vấn Quản lý Dự án: Ứng dụng mô hình AI để thẩm định nhanh tính khả thi tài chính của phương án kiến trúc trong giai đoạn ý tưởng thiết kế, đảm bảo kiểm soát tổng mức đầu tư với sai số dưới 8%.

  • Giảng viên, Học viên Cao học và Sinh viên ngành Quản lý Xây dựng: Sử dụng làm tài liệu học thuật giá trị về chuyển đổi số, tích hợp học máy (Machine Learning) trong kinh tế xây dựng và mở rộng hướng nghiên cứu tối ưu hóa dữ liệu đấu thầu.

Câu hỏi thường gặp

Tại sao phương pháp tính theo diện tích sàn truyền thống lại có sai số cao từ 15% đến 25%? Phương pháp truyền thống chỉ nhân tổng diện tích với đơn giá trung bình lịch sử mà bỏ qua các biến số phi tuyến tính như chiều cao thông tầng, hình dạng mặt bằng, tiêu chuẩn vật liệu hoàn thiện và thời gian bảo hành. Trong thực tế, sự biến động của 9 thông số kỹ thuật này có thể làm thay đổi tổng mức đầu tư thực tế hơn 20%.

Bộ 9 yếu tố đầu vào trong nghiên cứu được xác định dựa trên căn cứ nào? Nghiên cứu kế thừa từ các công trình quốc tế uy tín kết hợp với khảo sát chuyên gia quản lý xây dựng tại Việt Nam. Trong 9 yếu tố, có 3 yếu tố đặc thù thị trường nội địa được bổ sung gồm: số lượng căn hộ trên mỗi tầng, thời hạn bảo hành công trình và quy cách tiêu chuẩn vật liệu nhằm phản ánh chính xác rủi ro thi công.

Sự khác biệt cốt lõi giữa mô hình Random Forest (RF) và Mạng nơ-ron (ANN) trong dự báo chi phí là gì? Random Forest sử dụng tập hợp hơn 100 cây quyết định để đánh giá độ quan trọng của từng thông số kỹ thuật và hạn chế quá khớp. Trong khi đó, mạng nơ-ron ANN (Multilayer Perceptron) với hàm Tanh tập trung giải mã các mối quan hệ phi tuyến phức tạp trong không gian đa chiều từ -1 đến 1, mang lại độ mịn dự báo rất cao.

Doanh nghiệp xây dựng vừa và nhỏ có thể ứng dụng mô hình của luận văn mà không cần đội ngũ lập trình viên chuyên trách không? Hoàn toàn khả thi. Luận văn đã chứng minh việc sử dụng phần mềm thương mại IBM SPSS Neural Networks phiên bản 22 với giao diện đồ họa trực quan giúp các kỹ sư dự toán chỉ cần nhập bảng thông số 9 biến vào bảng tính là có thể huấn luyện và xuất kết quả dự báo chi phí chuẩn xác trong vài phút.

Làm thế nào để hệ thống Case-Based Reasoning (CBR) cập nhật khi xuất hiện các loại hình công trình mới? CBR vận hành theo chu trình 4 bước liên tục. Khi một dự án D&B mới hoàn thành với các đặc tính kỹ thuật chưa từng có, bước lưu giữ (Retain) sẽ tự động nạp hồ sơ chi phí thực tế của công trình đó vào kho dữ liệu mẫu, giúp mô hình tự mở rộng phạm vi dự báo mà không cần lập trình lại từ đầu.

Kết luận

  • Luận văn đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng các thuật toán Trí tuệ Nhân tạo (RF, ANN, CBR) trong dự toán chi phí tiền đấu thầu dự án D&B tại Việt Nam.
  • Xác lập thành công bộ 9 thông số đầu vào đặc trưng phản ánh trung thực điều kiện kinh tế kỹ thuật của ngành xây dựng trong nước.
  • Giúp cắt giảm sai số ước tính từ mức 15% - 25% của phương pháp truyền thống xuống mức bình quân dưới 7.2% trên các tập dữ liệu kiểm định.
  • Đóng góp giải pháp công nghệ thiết thực trên nền tảng SPSS và Python, thúc đẩy tiến trình chuyển đổi số trong quản lý chi phí giai đoạn 2023 - 2030.
  • Lộ trình triển khai ứng dụng thực tế tại các doanh nghiệp xây dựng có thể hoàn tất trong khung thời gian từ 6 đến 12 tháng.

Quý độc giả, nhà thầu và các nhà nghiên cứu hãy tải toàn văn luận văn thạc sĩ để khai thác chi tiết bộ trọng số thuật toán và áp dụng ngay mô hình AI tối ưu vào quy trình đấu thầu dự án xây dựng!