铁路工程工程投标论文提纲

论文题目：铁路建筑企业工程项目投标决策研究

摘要：随着《中长期铁路网规划》（2016年调整）“八纵八横”客运专线的提出和“一带一路”战略的推进,我国和“一带一路”国家铁路建设事业进入了跨越式发展的黄金时期。面对庞大的铁路基建市场,铁路建筑企业迎来重要发展机遇期,与此同时铁路建筑企业之间的市场竞争程度不断加剧。铁路建筑企业在激烈的市场竞争中获得铁路工程项目对其生存与发展起到关键作用。参与工程项目招投标是铁路建筑企业获得工程项目承建机会的主要方式,如何在资源约束条件下优化工程项目投标决策,提高对工程项目的选择能力,对铁路建筑企业提高中标概率以及中标后的效益具有重要意义。已有的研究成果中,铁路建筑企业项目投标决策模型方法具有目标单一、假设条件苛刻、对数据可得性与特征考虑不足的特点,部分模型理论程度高、操作复杂,对相关企业投标决策实际指导意义有限。因此,为推进铁路建筑企业工程项目投标决策科学化、合理化,迫切需要一种理论更加可靠、实践指导性更强的工程项目投标决策方法。本文以铁路建筑企业为研究对象,在铁路建筑企业特征和铁路建筑企业工程投标问题分析的基础上;综合考虑铁路建筑企业的可持续发展性、项目的盈利水平、企业竞争力等因素,建立了基于粗糙集的项目投标评价模型、工程项目成本预测模型、资源约束条件下的多项目综合择优模型,解决投标前“是否投、怎么投和投哪个?”这样一个多目标投标决策组合问题,形成了一个相对完整的铁路建筑企业工程项目投标决策体系。同时,为验证模型的有效性,采集国内某大型铁路建筑企业工程项目投标的相关数据进行了实证分析。本文具体研究内容和结论如下:（1）从企业竞争力、业务结构以及企业经营环境等方面分析铁路建筑企业特点的基础上,剖析了工程项目招投标特点及主要流程,根据决策内容划分投标决策阶段,重点分析了铁路建筑企业在各个投标阶段存在的主要问题,论证了铁路建筑企业工程项目投标决策的重要性。（2）针对单个工程项目投标机会决策问题（“是否投”问题）,将盈利与竞争力提升作为铁路建筑企业工程项目投标决策的直接影响因素,构建了工程项目投标机会决策指标体系,建立了项目类别判定的粗糙集模型。考虑到粗糙集项目评价模型求解在属性约简、权重计算以及二级指标离散化等存在的难点,利用遗传算法和SVM对粗糙集模型进行改进。结合某大型铁路建筑企业70个项目数据分析验证了模型的科学性,得出基于改进粗糙集方法的工投标程项目评价模型的准确率达到了 95%。（3）在对某个工程项目做出投标决策的基础上,针对投标项目成本预测方法问题（“怎么投”问题）,识别工程项目成本影响因素,建立LOGISTIC回归模型,分析工程项目成本与影响因素之间的关系;建立基于神经网络的成本预测静态模型,对铁路建筑企业工程项目成本进行预测;考虑长工期导致的相关因素随时间的变化特征,对静态成本模型的输入层数据进行修正,利用某大型铁路建筑企业20个项目数据分析得出,时间序列修正能进一步提升投标项目成本预测模型的准确度,更有利于支持报价和利润测算;同时也说明工期的长短对投标项目成本的影响程度很大。（4）在研究单个工程项目的投标机会决策和成本预测的基础上,以多个投标项目组合为研究对象,考虑铁路建筑企业面对多项目投标情况下,研究资源限制条件下多项目投标择优方法（“投哪个”问题）。通过层次分析法量化投标项目的综合效益目标,以企业资源为约束条件建立资源约束条件下的投标项目择优模型明确项目间的优先级,筛选出投标项目组合,并利用改进的粒子群算法求解多项目最优投标策略。通过某铁路建筑企业的实例分析说明改进的粒子群算法在模型约束条件众多,初始方案选择客观性不足等情况下能够有效搜索全局,较快求得最优投标项目组合。

关键词：铁路建筑企业;工程项目;投标决策;成本预估;多项目投标择优

学科专业：管理科学

致谢

摘要

ABSTRACT

1 绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 企业决策过程研究

1.2.2 企业决策方法研究

1.2.3 工程项目投标决策研究

1.2.4 研究评述

1.3 研究内容

1.4 研究方法与研究思路

1.4.1 研究方法

1.4.2 研究思路

1.4.3 技术路线

1.5 本章小结

2 工程项目投标决策理论基础

2.1 粗糙集理论

2.1.1 粗糙集理论原理

2.1.2 知识与知识库

2.1.3 知识表达系统

2.1.4 粗糙集的约简

2.1.5 粗糙集理论应用

2.2 支持向量机理论(SVM)

2.2.1 支持向量机原理

2.2.2 用于分类的支持向量机

2.2.3 用于回归估计的支持向量机

2.2.4 支持向量机理论应用

2.3 人工神经网络理论

2.3.1 人工神经网络基本概念

2.3.2 人工神经网络架构

2.3.3 人工神经网络运作过程

2.3.4 人工神经网络分类

2.3.5 一类重要的人工神经网络—BP神经网络

2.3.6 人工神经网络理论的应用

2.4 粒子群算法

2.4.1 粒子群算法的基本思想

2.4.2 粒子群算法模型

2.4.3 粒子群算法流程

2.4.4 几种改进的粒子群算法

2.4.5 粒子群算法理论应用

2.5 本章小结

3 铁路建筑企业特点与投标决策

3.1 铁路建筑企业的特点

3.1.1 企业核心竞争力

3.1.2 业务结构与特征

3.1.3 企业经营环境

3.2 企业工程招投标

3.2.1 工程项目招投标

3.2.2 工程项目招投标流程

3.3 铁路建筑企业工程投标问题分析

3.3.1 投标决策阶段划分

3.3.2 投标决策中的主要问题

3.4 本章小结

4 单个工程项目的投标机会决策

4.1 投标机会决策指标体系构建

4.1.1 工程投标项目分类

4.1.2 投标前期决策因素分析

4.2 基于粗糙集的项目投标评价模型

4.3 基于遗传算法和SVM的模型改进

4.3.1 基于遗传算法的属性约简和权重计算

4.3.2 支持向量机与指标离散化

4.4 某铁路建筑企业项目评估实例分析

4.4.1 样本数据收集与处理

4.4.2 决策因素权重计算

4.4.3 基于SVM改进模型的求解

4.5 本章小结

5 投标中的工程项目成本预估

5.1 工程项目成本影响因素分析

5.2 工程项目成本与影响因素之间的关系

5.2.1 LOGISTIC回归模型构建

5.2.2 回归模型下的影响因素分析

5.3 工程项目成本预测的静态模型

5.3.1 基于神经网络的成本模型构建

5.3.2 成本预测静态模型实例分析

5.4 时间序列下的成本预测模型修正

5.4.1 影响因素的输入数据修正

5.4.2 修正模型成本预测结果验证

5.5 结果分析与成本控制

5.6 本章小结

6 资源约束条件下铁路工程多项目综合择优

6.1 投标项目初步筛选的原则

6.2 铁路建筑企业资源约束与配置管理

6.2.1 资源约束的产生

6.2.2 工程项目间的资源配置

6.2.3 资源配置优化方法

6.3 资源约束条件下工程项目多目标的择优模型

6.3.1 多目标量化方法选择

6.3.2 多目标择优模型的构建

6.3.3 基于二阶段粒子群算法的求解

6.4 某铁路建筑企业的实例分析

6.4.1 项目优先级确定

6.4.2 有限资源下最优投标策略求解

6.5 本章小结

7 结论与展望

7.1 主要结论

7.2 主要创新点

7.3 研究展望

参考文献

附录A

附录B

附录C

附录D