Tổng quan nghiên cứu

Trong bối cảnh ngành xây dựng ngày càng phát triển, việc lựa chọn nhà thầu đủ năng lực thi công đóng vai trò quyết định đến thành công của dự án. Theo ước tính, các dự án xây dựng nhà cao tầng tại TP. Hồ Chí Minh từ năm 2008 đến 2019 đã chứng kiến sự gia tăng mạnh mẽ về số lượng và quy mô, kéo theo nhu cầu cấp thiết về công cụ đánh giá năng lực nhà thầu một cách nhanh chóng, chính xác và giảm thiểu rủi ro. Vấn đề đặt ra là làm thế nào để xác định nhà thầu phù hợp với chi phí thấp, thời gian ngắn và độ chính xác cao trong môi trường phức tạp, phi tuyến tính của ngành xây dựng.

Mục tiêu nghiên cứu của luận văn là xây dựng một công cụ đánh giá năng lực nhà thầu dựa trên thuật toán máy học SVM (Support Vector Machine) kết hợp thuật toán Di truyền (GA) và phương pháp phân tích thứ bậc (AHP) trong môi trường Matlab. Phạm vi nghiên cứu tập trung vào các gói thầu xây dựng dân dụng và công nghiệp cao tầng tại TP. Hồ Chí Minh, với dữ liệu thu thập từ các dự án hoàn thành trong giai đoạn 2008-2019. Nghiên cứu nhằm cung cấp một công cụ hỗ trợ chủ đầu tư và nhà quản lý dự án trong việc lựa chọn nhà thầu một cách khách quan, giảm thiểu chi phí phân tích và rủi ro, đồng thời nâng cao hiệu quả quản lý dự án xây dựng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên ba nền tảng lý thuyết chính:

  1. Thuật toán Support Vector Machine (SVM): Là phương pháp phân loại phi tuyến mạnh mẽ, SVM tìm siêu phẳng tối ưu phân tách dữ liệu thành hai lớp với biên lớn nhất. Hàm hạt nhân Radial Basis Function (RBF) được sử dụng để chuyển đổi dữ liệu vào không gian đặc trưng, giúp phân loại các trường hợp phi tuyến tính. Hai tham số quan trọng là hệ số phạt C và hệ số gamma (γ) ảnh hưởng trực tiếp đến hiệu suất của SVM.

  2. Thuật toán Di truyền (Genetic Algorithm - GA): GA được áp dụng để tối ưu hóa hai tham số C và γ của SVM. Thuật toán mô phỏng quá trình tiến hóa tự nhiên qua các bước mã hóa, chọn lọc, lai ghép và đột biến nhằm tìm ra cặp tham số tối ưu, giúp nâng cao độ chính xác của mô hình phân loại.

  3. Phương pháp Phân tích thứ bậc (AHP): AHP được sử dụng để xác định trọng số các tiêu chí đánh giá năng lực nhà thầu dựa trên ý kiến chuyên gia. Phương pháp này xây dựng cấu trúc phân lớp, so sánh cặp tiêu chí và kiểm tra độ nhất quán qua chỉ số CR, đảm bảo tính khách quan và hợp lý trong việc đánh giá.

Các khái niệm chính bao gồm: năng lực nhà thầu, tiêu chí đánh giá (tiến độ, chất lượng, tài chính, kinh nghiệm, công nghệ, nhân lực, an toàn), hàm hạt nhân RBF, tham số C và γ trong SVM, các phép toán trong GA (chọn lọc, lai ghép, đột biến), và chỉ số độ chính xác (Accuracy) trong đánh giá mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ các gói thầu xây dựng dân dụng và công nghiệp cao tầng tại TP. Hồ Chí Minh, với tổng số mẫu khoảng 50 gói thầu đã hoàn thành trong giai đoạn 2008-2019. Dữ liệu bao gồm hồ sơ năng lực, hợp đồng, thanh quyết toán và các thông tin liên quan đến tiến độ, chất lượng, tài chính, kinh nghiệm thi công, công nghệ thiết bị, nguồn nhân lực và an toàn thi công.

Phương pháp chọn mẫu là chọn mẫu phi xác suất theo phương pháp thuận tiện, tập trung vào các gói thầu có đầy đủ thông tin và được đánh giá bởi các chuyên gia trong lĩnh vực xây dựng. Dữ liệu được xử lý bằng phần mềm SPSS để kiểm định độ tin cậy thang đo (Cronbach’s Alpha = 0.853), phần mềm Expert Choice để tính trọng số tiêu chí theo AHP, và Matlab R2018b để xây dựng mô hình SVM kết hợp GA.

Quy trình nghiên cứu gồm các bước: xác định tiêu chí đánh giá qua khảo sát chuyên gia, xây dựng tập huấn luyện và tập kiểm thử (tỷ lệ 70:30), phát triển mô hình SVM với tham số tối ưu bằng GA, đánh giá mô hình qua chỉ số Accuracy, và đề xuất ứng dụng công cụ trong thực tế. Thời gian nghiên cứu từ tháng 8/2018 đến tháng 6/2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Xác định 8 tiêu chí cơ bản thể hiện năng lực nhà thầu: Qua khảo sát 10 chuyên gia và phân tích thống kê, các tiêu chí gồm: tiến độ thực tế đạt được, quản lý chất lượng, tình hình tài chính, kinh nghiệm chỉ huy trưởng, kinh nghiệm nhà thầu, công nghệ thiết bị máy móc, nguồn nhân lực và an toàn thi công. Tiêu chí tiến độ thực tế đạt được được đánh giá cao nhất với điểm trung bình 4.8/5, tiếp theo là tình hình tài chính và kinh nghiệm nhà thầu với điểm trung bình trên 4.5.

  2. Tối ưu tham số SVM bằng GA nâng cao hiệu suất phân loại: Thuật toán GA đã tìm ra cặp tham số C* và γ* tối ưu cho mô hình SVM, giúp tăng độ chính xác phân loại lên khoảng 92% trên tập kiểm thử, cao hơn so với mô hình SVM không tối ưu (khoảng 85%).

  3. Mô hình đánh giá năng lực nhà thầu đạt độ chính xác cao: Công cụ xây dựng trên Matlab cho phép phân loại nhà thầu thành hai nhóm "đạt" và "không đạt" dựa trên điểm số tổng hợp từ các tiêu chí. Tỷ lệ dự đoán chính xác trên tập kiểm thử đạt 92%, giúp giảm thiểu rủi ro trong lựa chọn nhà thầu.

  4. So sánh với các phương pháp truyền thống: Mô hình kết hợp SVM-GA-AHP cho kết quả khách quan và nhanh chóng hơn so với phương pháp thủ công hoặc chỉ dựa trên AHP, đồng thời xử lý tốt tính phi tuyến và phức tạp của dữ liệu xây dựng.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt hiệu quả cao là việc kết hợp hài hòa giữa phương pháp đánh giá trọng số tiêu chí AHP dựa trên ý kiến chuyên gia và thuật toán máy học SVM được tối ưu tham số bằng GA. Việc sử dụng hàm hạt nhân RBF giúp mô hình xử lý tốt các dữ liệu phi tuyến tính đặc trưng trong lĩnh vực xây dựng. Kết quả này phù hợp với các nghiên cứu quốc tế về ứng dụng SVM trong phân loại và dự đoán, đồng thời khắc phục hạn chế của các phương pháp truyền thống như tính chủ quan và thời gian xử lý lâu.

Dữ liệu có thể được trình bày qua biểu đồ cột thể hiện điểm trung bình các tiêu chí đánh giá, bảng so sánh độ chính xác mô hình SVM trước và sau tối ưu tham số, cũng như biểu đồ ROC minh họa hiệu quả phân loại của mô hình. Những phát hiện này có ý nghĩa thực tiễn lớn trong việc hỗ trợ chủ đầu tư và nhà quản lý dự án lựa chọn nhà thầu phù hợp, giảm thiểu rủi ro và chi phí.

Đề xuất và khuyến nghị

  1. Triển khai công cụ đánh giá năng lực nhà thầu trên quy mô rộng: Chủ đầu tư và các ban quản lý dự án nên áp dụng công cụ SVM-GA-AHP trên Matlab để đánh giá nhanh chóng và chính xác năng lực nhà thầu, đặc biệt trong các dự án xây dựng nhà cao tầng tại TP. Hồ Chí Minh trong vòng 1-2 năm tới.

  2. Đào tạo và nâng cao năng lực sử dụng công cụ cho cán bộ quản lý: Tổ chức các khóa đào tạo về phần mềm Matlab và thuật toán SVM kết hợp GA cho cán bộ quản lý dự án, giúp họ hiểu và vận dụng hiệu quả công cụ trong công tác lựa chọn nhà thầu.

  3. Mở rộng ứng dụng công cụ sang các lĩnh vực xây dựng khác: Nghiên cứu và phát triển thêm các tập huấn luyện phù hợp để áp dụng công cụ đánh giá năng lực cho các lĩnh vực như dự đoán địa tầng, chất lượng vật liệu, năng lực tổ chức tư vấn giám sát, và năng lực chủ đầu tư trong vòng 3-5 năm tới.

  4. Cập nhật và bổ sung tiêu chí đánh giá định kỳ: Định kỳ rà soát, cập nhật các tiêu chí đánh giá năng lực nhà thầu dựa trên thực tiễn và phản hồi từ các chuyên gia, đảm bảo công cụ luôn phù hợp với xu hướng phát triển của ngành xây dựng.

Đối tượng nên tham khảo luận văn

  1. Chủ đầu tư và Ban quản lý dự án xây dựng: Giúp họ có công cụ khách quan, nhanh chóng để lựa chọn nhà thầu phù hợp, giảm thiểu rủi ro và chi phí trong quá trình đấu thầu.

  2. Các nhà thầu xây dựng: Tham khảo để hiểu rõ các tiêu chí đánh giá năng lực, từ đó nâng cao chất lượng và năng lực thi công nhằm đáp ứng yêu cầu của chủ đầu tư.

  3. Các nhà nghiên cứu và sinh viên chuyên ngành Quản lý Xây dựng: Cung cấp cơ sở lý thuyết và phương pháp ứng dụng trí tuệ nhân tạo trong đánh giá năng lực nhà thầu, mở rộng hướng nghiên cứu về máy học và tối ưu hóa trong xây dựng.

  4. Các tổ chức đào tạo và tư vấn xây dựng: Áp dụng công cụ để tư vấn cho khách hàng trong việc lựa chọn nhà thầu, đồng thời tích hợp vào chương trình đào tạo nâng cao năng lực quản lý dự án.

Câu hỏi thường gặp

  1. Công cụ đánh giá năng lực nhà thầu này có thể áp dụng cho các loại dự án nào?
    Công cụ được phát triển chủ yếu cho các dự án xây dựng dân dụng và công nghiệp cao tầng tại TP. Hồ Chí Minh, nhưng có tiềm năng mở rộng sang các lĩnh vực xây dựng khác với tập huấn luyện phù hợp.

  2. Phương pháp SVM kết hợp GA có ưu điểm gì so với các phương pháp truyền thống?
    SVM xử lý tốt dữ liệu phi tuyến, GA tối ưu tham số giúp nâng cao độ chính xác, trong khi các phương pháp truyền thống thường mang tính chủ quan và không xử lý được tính phức tạp của dữ liệu.

  3. Làm thế nào để xác định trọng số các tiêu chí đánh giá năng lực nhà thầu?
    Trọng số được xác định bằng phương pháp AHP dựa trên khảo sát ý kiến của các chuyên gia trong lĩnh vực xây dựng, đảm bảo tính khách quan và hợp lý.

  4. Độ chính xác của mô hình được đánh giá như thế nào?
    Mô hình được đánh giá bằng chỉ số Accuracy trên tập kiểm thử, đạt khoảng 92%, cho thấy khả năng phân loại nhà thầu đạt và không đạt rất cao.

  5. Công cụ này có thể tự động dự đoán năng lực nhà thầu mới không?
    Có, sau khi được huấn luyện với tập dữ liệu đủ lớn và đa dạng, công cụ có thể dự đoán năng lực nhà thầu mới dựa trên các tiêu chí đầu vào, giúp giảm chi phí phân tích và rủi ro.

Kết luận

  • Đã xác định và thống nhất 8 tiêu chí cơ bản thể hiện năng lực nhà thầu xây dựng phù hợp với thực tiễn tại TP. Hồ Chí Minh.
  • Phát triển thành công công cụ đánh giá năng lực nhà thầu dựa trên thuật toán SVM kết hợp GA và phương pháp AHP trên môi trường Matlab.
  • Mô hình đạt độ chính xác phân loại khoảng 92%, vượt trội so với các phương pháp truyền thống.
  • Công cụ giúp chủ đầu tư và nhà quản lý dự án lựa chọn nhà thầu nhanh chóng, chính xác, giảm thiểu rủi ro và chi phí.
  • Đề xuất mở rộng ứng dụng công cụ sang các lĩnh vực xây dựng khác và cập nhật tiêu chí đánh giá định kỳ để nâng cao hiệu quả sử dụng.

Tiếp theo, nghiên cứu sẽ tập trung vào mở rộng tập dữ liệu huấn luyện, phát triển giao diện người dùng thân thiện hơn và tích hợp công cụ vào hệ thống đấu thầu điện tử. Chủ đầu tư, nhà quản lý dự án và các nhà nghiên cứu được khuyến khích áp dụng và phát triển công cụ nhằm nâng cao hiệu quả quản lý năng lực nhà thầu trong ngành xây dựng.