Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của ngành công nghiệp và xây dựng công nghiệp tại Việt Nam, kết cấu thép nhà xưởng ngày càng trở thành lựa chọn ưu việt với tỷ lệ sử dụng chiếm hơn 70% trong các công trình nhà xưởng công nghiệp. Thị trường nhà thép tiền chế dự kiến tăng trưởng với tốc độ CAGR khoảng 13% đến năm 2027, giá trị toàn cầu đạt khoảng 30 tỷ USD, trong đó khu vực Châu Á Thái Bình Dương chiếm thị phần lớn nhất từ 43% đến 52%. Việt Nam nhập khẩu thép chủ yếu từ Trung Quốc (chiếm khoảng 41,38% tổng lượng thép nhập khẩu), Nhật Bản, Hàn Quốc và Ấn Độ, tạo điều kiện thuận lợi cho sự phát triển của ngành kết cấu thép trong nước.

Tuy nhiên, sự cạnh tranh gay gắt giữa các nhà thầu kết cấu thép, đặc biệt trong giai đoạn đấu thầu, đặt ra thách thức lớn về việc ước lượng chi phí xây dựng chính xác và nhanh chóng. Việc ước tính chi phí sai lệch có thể dẫn đến mất hợp đồng hoặc thiệt hại tài chính nghiêm trọng. Trước thực trạng này, nghiên cứu tập trung xây dựng mô hình hỗ trợ báo giá đấu thầu phần kết cấu thép dự án nhà xưởng, nhằm nâng cao độ chính xác và tiết kiệm thời gian trong quá trình báo giá.

Mục tiêu nghiên cứu bao gồm phân tích 16 nhân tố ảnh hưởng đến chi phí xây dựng kết cấu thép nhà xưởng trong giai đoạn đấu thầu, đồng thời phát triển mô hình dự báo chi phí dựa trên mạng neuron nhân tạo (ANN) sử dụng phần mềm Rapidminer Studio 9.5, với dữ liệu thực tế từ 40 dự án đã hoàn thành trong nước từ năm 2018 đến nay. Nghiên cứu có ý nghĩa thiết thực trong việc hỗ trợ nhà thầu và chủ đầu tư tối ưu hóa chi phí, nâng cao năng lực cạnh tranh và đảm bảo chất lượng công trình.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai nền tảng lý thuyết chính: lý thuyết ước lượng chi phí xây dựng và mô hình mạng neuron nhân tạo (Artificial Neural Network - ANN).

  1. Lý thuyết ước lượng chi phí xây dựng: Chi phí xây dựng kết cấu thép nhà xưởng được phân thành các loại chính gồm chi phí thiết kế, nguyên vật liệu, gia công, vận chuyển & bảo quản, thi công và các chi phí khác (văn phòng, quản lý, dự phòng). Tỷ lệ chi phí vật liệu chiếm khoảng 25%, gia công 35%, thi công 25%, và chi phí khác 15%. Các phương pháp ước lượng chi phí truyền thống như phương pháp đơn vị, diện tích sàn, thể tích, phân tích phần tử và phương pháp ước lượng thừa số được phân tích để làm cơ sở so sánh và lựa chọn.

  2. Mạng neuron nhân tạo (ANN): Mạng ANN mô phỏng hoạt động của hệ thần kinh sinh học, gồm các lớp đầu vào, lớp ẩn và lớp đầu ra. Mỗi neuron nhận tín hiệu đầu vào, xử lý qua hàm truyền (activation function) như sigmoid, ReLU, hoặc Leaky ReLU, và truyền tín hiệu đầu ra. Quá trình học của mạng là điều chỉnh trọng số liên kết để giảm thiểu sai số dự báo. ANN có khả năng xử lý các mối quan hệ phi tuyến phức tạp giữa các biến đầu vào và đầu ra, phù hợp với bài toán dự báo chi phí xây dựng có nhiều yếu tố ảnh hưởng đa dạng.

Các khái niệm chuyên ngành được sử dụng gồm: chi phí thiết kế, chi phí gia công, chi phí thi công, mạng neuron nhân tạo, hàm kích hoạt, thuật toán lan truyền ngược (back-propagation), và các phương pháp học có giám sát, không giám sát.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ 40 dự án xây dựng kết cấu thép nhà xưởng của một công ty trong nước, giai đoạn từ 2018 đến nay. Dữ liệu bao gồm các thông số kỹ thuật, chi phí từng hạng mục và các yếu tố ảnh hưởng được xác định qua khảo sát và phân tích thống kê.

Phương pháp phân tích sử dụng phần mềm Rapidminer Studio 9.5 để xây dựng mô hình mạng neuron nhân tạo. Quy trình nghiên cứu gồm các bước: thu thập và làm sạch dữ liệu, phân tích độ tin cậy bằng hệ số Cronbach’s Alpha, lựa chọn biến đầu vào, thiết kế mô hình ANN với các tham số như số lớp ẩn, số neuron, hàm kích hoạt sigmoid, và thuật toán học lan truyền ngược. Mô hình được huấn luyện và kiểm thử bằng phương pháp phân chia dữ liệu 5-fold cross-validation để đảm bảo tính tổng quát và độ chính xác.

Timeline nghiên cứu kéo dài từ tháng 2/2022 đến tháng 6/2022, bao gồm giai đoạn thu thập dữ liệu, xây dựng mô hình, đánh giá hiệu suất và hoàn thiện luận văn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Xác định 16 nhân tố ảnh hưởng chính đến chi phí xây dựng kết cấu thép nhà xưởng: Qua khảo sát và phân tích dữ liệu, các nhân tố như quy mô dự án, loại vật liệu thép, tiến độ thi công, vị trí công trình, chi phí nhân công, và điều kiện thi công được xác định có ảnh hưởng lớn đến chi phí. Ví dụ, chi phí nguyên vật liệu chiếm trung bình 25% tổng chi phí, trong khi chi phí gia công chiếm khoảng 35%.

  2. Mô hình ANN đạt độ chính xác cao trong dự báo chi phí: Mô hình mạng neuron nhân tạo được xây dựng trên dữ liệu 40 dự án cho kết quả dự báo với sai số trung bình tuyệt đối (MAE) thấp và hệ số tương quan (R) đạt khoảng 0.85, vượt trội so với các phương pháp hồi quy tuyến tính truyền thống.

  3. Tiết kiệm thời gian báo giá dự thầu: So với phương pháp thủ công, mô hình ANN giúp rút ngắn thời gian ước lượng chi phí từ vài ngày xuống còn vài giờ, tăng hiệu quả công tác đấu thầu.

  4. So sánh chi phí giữa các phương án xây dựng: Mô hình cho phép nhà thầu và chủ đầu tư nhanh chóng so sánh chi phí dự kiến của các phương án thiết kế và thi công khác nhau, hỗ trợ quyết định tối ưu hóa chi phí và chất lượng.

Thảo luận kết quả

Nguyên nhân mô hình ANN đạt hiệu quả cao là do khả năng xử lý các mối quan hệ phi tuyến và đa chiều giữa các nhân tố ảnh hưởng đến chi phí xây dựng kết cấu thép. Kết quả này phù hợp với các nghiên cứu quốc tế đã ứng dụng ANN trong dự báo chi phí xây dựng và các lĩnh vực kỹ thuật khác.

So với các phương pháp ước lượng chi phí truyền thống như phương pháp diện tích sàn hay phân tích phần tử, mô hình ANN không chỉ dựa vào các biến đơn lẻ mà còn khai thác được sự tương tác phức tạp giữa các biến, từ đó nâng cao độ chính xác dự báo. Biểu đồ so sánh giữa chi phí thực tế và chi phí dự báo của mô hình thể hiện sự gần khớp với đường chéo lý tưởng, minh chứng cho tính khả thi của mô hình.

Ý nghĩa của nghiên cứu không chỉ giúp nhà thầu nâng cao năng lực cạnh tranh trong đấu thầu mà còn hỗ trợ chủ đầu tư có cái nhìn tổng quan và chính xác hơn về chi phí dự án, từ đó đưa ra các quyết định đầu tư hợp lý. Ngoài ra, mô hình còn tạo tiền đề cho các nghiên cứu mở rộng về dự báo chi phí trong các loại công trình khác.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình ANN vào quy trình báo giá đấu thầu: Các công ty xây dựng kết cấu thép nên tích hợp mô hình ANN vào hệ thống quản lý dự án để tự động hóa và nâng cao độ chính xác báo giá, giảm thiểu sai sót và tăng tốc độ phản hồi khách hàng. Thời gian thực hiện: 6 tháng; Chủ thể: Ban quản lý dự án và phòng kỹ thuật.

  2. Đào tạo nhân sự về kỹ thuật máy học và phân tích dữ liệu: Tổ chức các khóa đào tạo chuyên sâu về mạng neuron nhân tạo và phần mềm Rapidminer cho đội ngũ kỹ thuật và quản lý nhằm nâng cao năng lực vận hành và phát triển mô hình. Thời gian: 3 tháng; Chủ thể: Phòng nhân sự và đào tạo.

  3. Mở rộng thu thập dữ liệu và cập nhật mô hình thường xuyên: Thiết lập hệ thống thu thập dữ liệu chi phí dự án liên tục để cập nhật và tinh chỉnh mô hình, đảm bảo tính chính xác và phù hợp với biến động thị trường. Thời gian: liên tục; Chủ thể: Phòng quản lý chất lượng và công nghệ thông tin.

  4. Phát triển mô hình dự báo chi phí cho các loại công trình khác: Nghiên cứu mở rộng ứng dụng mô hình ANN cho các hạng mục xây dựng khác như bê tông cốt thép, hạ tầng kỹ thuật nhằm đa dạng hóa công cụ hỗ trợ quản lý chi phí. Thời gian: 12 tháng; Chủ thể: Bộ phận nghiên cứu và phát triển.

Đối tượng nên tham khảo luận văn

  1. Nhà thầu xây dựng kết cấu thép: Giúp nâng cao năng lực dự báo chi phí, tối ưu hóa báo giá đấu thầu, tăng khả năng trúng thầu và quản lý chi phí hiệu quả.

  2. Chủ đầu tư dự án công nghiệp: Cung cấp công cụ tham khảo để đánh giá sơ bộ chi phí dự án, so sánh các phương án xây dựng và đưa ra quyết định đầu tư hợp lý.

  3. Chuyên gia và nhà nghiên cứu trong lĩnh vực quản lý xây dựng: Là tài liệu tham khảo về ứng dụng mạng neuron nhân tạo trong dự báo chi phí xây dựng, góp phần phát triển các nghiên cứu tiếp theo.

  4. Sinh viên và học viên cao học chuyên ngành quản lý xây dựng: Hỗ trợ học tập, nghiên cứu và phát triển kỹ năng ứng dụng công nghệ mới trong quản lý dự án xây dựng.

Câu hỏi thường gặp

  1. Mô hình mạng neuron nhân tạo (ANN) là gì và tại sao được chọn cho bài toán dự báo chi phí?
    Mạng ANN là mô hình máy học mô phỏng hoạt động của hệ thần kinh sinh học, có khả năng xử lý các mối quan hệ phi tuyến phức tạp giữa các biến đầu vào và đầu ra. Nó được chọn vì có thể dự báo chi phí xây dựng chính xác hơn các phương pháp truyền thống dựa trên hồi quy tuyến tính hoặc phân tích phần tử.

  2. Dữ liệu sử dụng để xây dựng mô hình được thu thập như thế nào?
    Dữ liệu được thu thập từ 40 dự án xây dựng kết cấu thép nhà xưởng đã hoàn thành trong nước từ năm 2018 đến nay, bao gồm các thông số kỹ thuật, chi phí từng hạng mục và các yếu tố ảnh hưởng được khảo sát qua bảng câu hỏi và phân tích thống kê.

  3. Mô hình ANN có thể áp dụng cho các loại công trình khác ngoài nhà xưởng kết cấu thép không?
    Có thể. Mô hình ANN có tính linh hoạt cao và có thể được điều chỉnh để dự báo chi phí cho các loại công trình khác như bê tông cốt thép, hạ tầng kỹ thuật, tuy nhiên cần có dữ liệu phù hợp và hiệu chỉnh tham số mô hình.

  4. Mô hình giúp tiết kiệm thời gian báo giá như thế nào?
    So với phương pháp thủ công mất vài ngày để ước lượng chi phí, mô hình ANN tự động hóa quá trình tính toán và dự báo, rút ngắn thời gian xuống còn vài giờ, giúp nhà thầu phản hồi nhanh hơn trong đấu thầu.

  5. Làm thế nào để đảm bảo mô hình luôn chính xác khi thị trường và chi phí biến động?
    Cần thiết lập hệ thống thu thập dữ liệu liên tục và cập nhật mô hình định kỳ để điều chỉnh trọng số và tham số, đảm bảo mô hình phản ánh đúng thực tế thị trường và các yếu tố ảnh hưởng mới.

Kết luận

  • Nghiên cứu đã xác định 16 nhân tố ảnh hưởng chính đến chi phí xây dựng kết cấu thép nhà xưởng trong giai đoạn đấu thầu, dựa trên dữ liệu thực tế từ 40 dự án.
  • Mô hình mạng neuron nhân tạo (ANN) được xây dựng trên phần mềm Rapidminer Studio 9.5 cho kết quả dự báo chi phí với độ chính xác cao, sai số trung bình thấp và hệ số tương quan đạt khoảng 0.85.
  • Mô hình giúp tiết kiệm thời gian báo giá, nâng cao năng lực cạnh tranh của nhà thầu và hỗ trợ chủ đầu tư trong việc so sánh và tối ưu hóa chi phí dự án.
  • Đề xuất áp dụng mô hình vào quy trình báo giá, đào tạo nhân sự, mở rộng thu thập dữ liệu và phát triển mô hình cho các loại công trình khác.
  • Các bước tiếp theo bao gồm triển khai thực tế mô hình tại các công ty xây dựng, cập nhật dữ liệu liên tục và nghiên cứu mở rộng phạm vi ứng dụng.

Các nhà thầu, chủ đầu tư và chuyên gia quản lý xây dựng nên nghiên cứu và áp dụng mô hình ANN trong quản lý chi phí xây dựng để nâng cao hiệu quả và tính cạnh tranh trong thị trường xây dựng công nghiệp hiện nay.