Ước lượng chi phí xây dựng nhà xưởng trong giai đoạn đấu thầu ứng dụng mạng neural nhân tạo (ann)

7 2022 ISSN 2734 988876 Ước lượng chi phí xây dựng nhà xưởng trong giai đoạn đấu thầu ứng dụng mạng neural nhân tạo (ANN) Estimation the cost of insdustrial construction factory based on artifical neu[.]

NGHIÊN CỨU KHOA HỌC nNgày nhận bài: 15/4/2022 nNgày sửa bài: 10/5/2022 nNgày chấp nhận đăng: 07/6/2022 Ước lượng chi phí xây dựng nhà xưởng giai đoạn đấu thầu ứng dụng mạng neural nhân tạo (ANN) Estimation the cost of insdustrial construction factory based on artifical neural network (ANN) > THS LÊ HỮU QUỐC PHONG1,2, PGS.TS TRẦN ĐỨC HỌC1,3, PGS.TS NGUYỄN NINH THỤY3, THS PHAN QUỲNH TRÂM1,3 Khoa Kỹ thuật Xây dựng, Trường Đại học Bách khoa TP.HCM Khoa Kỹ thuật Xây dựng, Trường Đại học Kỹ thuật - Công nghệ Cần Thơ Đại học Quốc gia TP.HCM TĨM TẮT Trong q trình cơng nghiệp hóa ngày tăng, việc xác định chi phí xây dựng nhà xưởng trình đấu thầu mang ý nghĩa vơ quan trọng Có nhiều phương pháp ước lượng chi phí xây dựng đề xuất hầu hết phương pháp truyền thống, tính tốn thủ công chủ yếu dựa vào kinh nghiệm Nghiên cứu đề xuất mơ hình ước lượng chi phí xây dựng ứng dụng mơ hình mạng neural nhân tạo (ANN - Artifical Neural Network) Mơ hình xây dựng phần mềm Rapidminer Studio 9.5 dựa yếu tố ảnh hưởng đến q trình ước tính chi phí từ 11 yếu tố đầu vào 35 cơng trình Từ khóa: Nhà cơng nghiệp; chi phí đấu thầu; Rapidminer Studio; trí tuệ nhân tạo ABSTRACT In the process of increasing industrialization, the determination of building factory cost is extremely important during the bidding process Numerous construction cost estimation methods have been proposed, however, most are traditional methods, manual calculation and mainly based on experience This research proposes a cost estimation method for factory building by an artificial neural network (ANN) model The model is built on Rapidminer Studio 9.5 software based on factors affecting the cost estimation process from 11 inputs at 35 projects Keywords: Industrial construction; bidding cost; Rapidminer Studio; artificial intelligence 76 7.2022 ISSN 2734-9888 GIỚI THIỆU Trong năm gần đây, Việt Nam từ nước có kinh tế nơng nghiệp chủ đạo chuyển trở thành trung tâm cơng nghiệp trọng điểm châu Á Theo đánh giá ngành Bất động sản công nghiệp công bố Công ty CBRE Commercial Real Estate Services [1], Việt Nam có 335 khu cơng nghiệp thành lập, có 260 khu công nghiệp thành lập với tổng diện tích khoảng 68,7 nghìn 75 khu cơng nghiệp xây dựng với tổng diện tích khoảng 29,2 nghìn Tỉ lệ lấp đầy khu công nghiệp hoạt động đạt khoảng 75,7% Tính đến năm 2019, khu vực phía Nam có khoảng 380.500 m2 nhà xưởng xây sẵn, tăng 18,9% so với kì năm trước, khu vực phía Bắc 321.420 m2, tăng 25,2% so với kì năm 2018 Hiện nay, nhà đầu tư nước đẩy mạnh hợp tác với nhà phát triển lĩnh vực công nghiệp nước, nhằm khai thác tối đa tiềm thị trường cơng nghiệp Việt Nam Vì vậy, đầu tư xây dựng nhà xưởng công nghiệp phát triển thời gian tới Theo đó, q trình nhu cầu dự thầu cho dự án công nghiệp tăng theo Vấn đề quan tâm phần ước tính chi phí q trình đấu thầu, vấn đề nhiều công ty xây dựng chủ đầu tư quan tâm Theo Borja García de Soto [2]: “Ước tính chi phí xây dựng sở phần ước tính chi phí Một nhà thầu xây dựng thường phải chuẩn bị dự tốn chi phí để chuẩn bị hồ sơ dự thầu trình đấu thầu xây dựng để cạnh tranh trúng thầu Tuy nhiên, q trình đấu thầu việc có nhiều người tham gia vào q trình tính tốn khơng phải việc cần thiết mà cần phải chuẩn bị phương pháp khác người tính tốn kết hợp phương pháp khác để hỗ trợ trình lập dự toán so sánh với hồ sơ dự thầu trước Thực cách ước lượng nguồn lực cần thiết cho dự án (như vật liệu xây dựng), sau lấy số lượng loại nguồn lực nhân với chi phí với chi phí đơn vị tương ứng với Phương pháp có ưu điểm phân biệt số lượng, chi phí cập nhật có thơng tin mới” Hiện nay, có nhiều nghiên cứu ước lượng chi phí xây dựng nhà xưởng Pan Hua [3] đưa 11 yếu tố ảnh hưởng đến chi phí xây dựng nhà xưởng Trung Quốc, sau huấn luyện mạng ANN với 27 liệu liệu thử nghiệm cho sai số 10% Ở nước, nghiên cứu Võ Minh Hồ [4] “Ước lượng chi phí nhà thép mơ hình động học hệ thống (System dynamics)” nghiên cứu tính tốn chi phí phần kết cấu thép, chi phí lắp dựng thép Vì vậy, nghiên cứu hướng đến dự báo chi phí xây dựng nhà xưởng phù hợp với môi trường Việt Nam dựa liệu giá dự thầu dự án hoàn thành dự án thực thông qua yếu tố tác động đến chi phí đầu tư xây dựng giúp nhà đầu tư nhà thầu thuận lợi việc ước lượng chi phí đầu tư xây dựng cơng trình nhà xưởng Trên giới, có nhiều phương pháp áp dụng để ước lượng chi phí xây dựng như: lập luận dựa tình (CRB- case reason based), hồi quy (RA - Regression analysis), máy vec-tơ hỗ trợ (SVM - Support vector machine), logic mờ (Fuzzy logic), mạng nơ rôn nhân tạo (ANN - Artificial neural network), mô hình lai ghép (Hybrid model),…Theo Dr Nabil, (2012) [5] “ANN có tiềm tốt khả tạo mơ hình phức tạp cung cấp ước tính chi phí so với phương pháp ước lượng hồi quy tuyến tính Việc ước tính xác chi phí xây dựng quan trọng dự án xây dựng để lập ngân sách, lập kế hoạch giám sát việc tuân thủ ngân sách có, thời gian cơng việc cịn tồn đọng khách hàng Trong ước tính chi phí, kinh nghiệm người lập dự tốn thơng tin dự án nhân tố quan trọng Do đó, mơ hình ước tính chi phí tham số hữu ích giai đoạn đầu vịng đời dự án biết thông tin phạm vi dự án Những mô hình ước tính chi phí tham số bao gồm liệu lịch sử sử dụng thực tế liệu cụ thể cho dự án mới” Gary, (2010) [6] cho ước tính chi phí liên quan đến việc lấy thứ nguyên, thuộc tính yếu tố khác đề xuất kết hợp với liệu khứ để phát triển chi phí ước tính cho đối tượng Một ưu điểm việc sử dụng ANN khả hiểu mô chức phức tạp bao gồm thứ nguyên, thuộc tính yếu tố khác Mạng neural sử dụng để tạo hàm phức tạp phương pháp cũ hồi quy tuyến tính, làm cho lượng liệu có sẵn ngày quan trọng Prechelt, (2008) [7] ANN tạo mơ hình tối ưu chất chung tạo lỗi bình phương nhỏ cho liệu khơng có tập huấn luyện có ảnh hưởng lớn đến hiệu suất Haytham H Elmousalami (2019) [8] tổng hợp đưa phần trăm nghiên cứu sử dụng mô hình AI (Artificial Intelligence) Ngồi mơ hình kết hợp thuật tốn (Hybrid model) chiếm 27% mơ hình ANN sử dụng nhiều chiếm tỷ lệ 25%, ANN có nhiều ưu điểm vượt trội so với mơ hình khác xây dựng mơ hình đơn giản, thời gian huấn luyện mơ hình nhanh cho kết xác CƠ SỞ NGHIÊN CỨU 2.1 Các phương pháp ước tính chi phí Có nhiều phương pháp để ước lượng chi phí, phương pháp sử dụng dựa vào yếu tố: mục đích, số lượng thơng tin, thời gian, liệu chi phí 2.1.1 Phương pháp đơn vị Phương pháp đơn giá chi phí đến đơn vị sử dụng cơng trình, phương pháp áp dụng cho giai đoạn ước tính dự tốn, tùy thuộc vào độ chi tiết khối lượng Đối với khái tốn chi phí, phương pháp giá áp dụng cho trường hợp như: trường học (chi phí/học sinh hay chi phí/1m2 sàn xây dựng), bệnh viện (chi phí/giường bệnh, nhà hát - chi phí/ghế người), bãi đậu xe (chi phí/chỗ đậu xe) Đối với lập dự án theo đơn giá tổng hợp, phương pháp áp dụng để lập giá dự thầu CPXD = Psd x Cđv (1) Trong đó: Psd: Năng lực sử dụng (còn gọi lực thiết kế báo cáo thống kê Việt Nam) Cđv: Chi phí đơn vị 2.1.2 Phương pháp diện tích sàn Tổng diện tích sàn tổng diện tích tất sàn tầng (tính diện tích lọt lịng, khơng trừ diện tích tường ngăn bên trong, thang máy cầu thang) (2) CPXD = Ssàn x Cđv Trong đó: Ssàn: Tổng diện tích sàn (m2) Cđv: Chi phí đơn vị theo m2 sàn 2.1.3 Phương pháp thể tích Mục tiêu phương pháp ước lượng chi phí cơng trình thơng tin qua đơn vị khối tích: (3) CPXD = V x Cđvtt Trong đó: V: Thể tích cơng trình (m3) Cđvtt: Chi phí đơn vị thể tích (1m3) 2.1.4 Phương pháp SEM (Story Enclosure Method) Phương pháp ước lượng cho phép tính đến thiết kế kiến trúc tiêu chuẩn hồn thiện thơng qua bảng miêu tả hình dạng cơng trình, tổng diện tích sàn, chiều cao tầng… n m m  n  CPXD (2  0.15i ) fi  pi si  (2  3) f j'  p 'j s 'j  r  R    i   i j 0j   Trong đó: n: số tầng mặt đất fi: diện tích sàn tầng thứ i (trên mặt đất) trừ trường Pi: chu vi tưởng phía bên ngồi tầng thứ i (trên mặt đất) S: chiều cao tầng thứ i (trên mặt đất) m: số tầng hầm fi’: diện tích sàn tầng hầm thứ i trừ tường Pj’: chu vi tường bên tầng thứ j Sj’: chiều cao tầng hầm thứ j r: diện tích sàn mái R: chi phí xây dựng theo diện tích quy đổi 2.1.5 Phương pháp phân tích phần tử (Elemental Cost Analysis) Phương pháp áp dụng phân tích kết chi phí phần tử dự án tương tự thực trước làm sở cho ước lượng chi phí tính tốn theo dạng thức cụ thể Royal Institution of Chartered Surveyors (RICS) Chi phí tính tốn dựa vào diện tích bề mặt diện tích sàn sở chi phí đơn vị bề mặt tồn phân chia thành phần tử phần tử phụ Tại mức thấp phân chia, trở nên dễ hiệu chỉnh cho khác biệt thiết kế dự án so sánh với dự án cũ mà liệu có sẵn QF1  C1  C0 QF0 (5) n QF  dv S Trong đó: C1: Chí phí/m2 cơng trình C0: Chí phí/m2 cơng trình hữu QF1: Thừa số khối lượng cơng trình QF0: Thừa số khối lượng cơng trình hữu ndv: Số đơn vị phần tử cơng trình S: Diện tích sàn   ISSN 2734-9888  7.2022  77 (4) NGHIÊN CỨU KHOA HỌC Thực bước làm cho loại phần tử tổng chi phí dự án tổng tất chi phí loại phần tử 2.1.6 Phương pháp ước lượng thừa số (Factor estimating) Phương pháp ưu tiên áp dụng cho dự án với thành phần chi phí trội nhà máy lọc dầu, nhà máy tinh chế kim loại,… Các thừa số tính cho thành phần hàm số chi phí trội (predominant cost) Thơng thường chi phí trội chi phí mua sắm thiết bị cho dự án Người ta xem dự án có tỷ lệ chi phí thành phần chi phí trội giống dự án hữu Sử dụng liệu dự án hữu tương tự ước lượng sơ chi phí dự án cơng nghiệp nhanh với độ xác chấp nhận (6) CPXDTP = khh x Cm Trong đó: CPXDTP: chi phí xây dựng thành phần khh: thừa số tương ứng dự án hữu Cm: Chi phí mua sắm thiết bị dự án 2.2 Thuật toán ANN (Artificial Neural Networks) Một mạng ANN bao gồm neural tổ chức thành thành nhiều lớp lớp đảm nhận công việc cụ thể ANN thường có lớp: lớp vào, lớp ẩn lớp đầu [9], mơ hình mạng neural hình Inputs (Lớp đầu vào) Hidden (Lớp ẩn) khai thác văn phân tích dự đốn Đây hệ thống mã nguồn mở hàng đầu cho khai thác liệu Chương trình viết hồn tồn ngơn ngữ lập trình Java.RapidMiner Studio Developer cung cấp lược đồ Learning Schemas, mơ hình thuật tốn, mở rộng ngơn ngữ R Python PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Quy trình nghiên cứu Quy trình nghiên cứu biểu thị hình bên Thiết kế bảng câu hỏi khảo sát Không đạt Đánh giá sơ bảng câu hỏi Đạt Xây dựng bảng câu hỏi thức Khảo sát Thu thập liệu dự án xử lý số liệu Outputs (Lớp đầu ra) Xây dựng mơ hình ANN phần mềm Rapidminer Studio 9.5 Khơng đạt Đánh giá mơ hình Đạt Kết luận Hình Quy trình nghiên cứu 3.2 Phương pháp thu thập liệu Trong nghiên cứu này, mẫu lấy theo phương pháp thuận tiện, công tác thu thập liệu thực cách gửi Bảng khảo sát gặp trực tiếp vấn gián tiếp (online) đường dẫn Google Form thông qua ứng dụng Gmail, Zalo, Messenger, đến đối tượng khảo sát 3.3 Quy trình xây dựng mơ hình Quy trình xây dựng mơ hình thơng qua bước : - Bước 1: Thu thập xử lý số liệu (Hình 3) Hình Mơ hình mạng neural nhân tạo 2.3 RapidMiner Studio 9.5 RapidMiner tảng phần mềm khoa học liệu cung cấp mơi trường tích hợp để chuẩn bị liệu, học máy, học sâu, Lần Fold Fold Fold Fold Fold Lần Fold Fold Fold Fold Fold Lần Fold Fold Fold Fold Fold Lần Fold Fold Fold Fold Fold Lần Fold Fold Fold Fold Fold Training Huấn luyện Hình Phân chia tập liệu 5-fold 78 7.2022 ISSN 2734-9888 Testing Kiểm tra - Bước 2: Xây dựng mạng neural nhân tạo phần mềm Rapidminer Sutido 9.5 (Hình 4) Dữ liệu đầu vào Lựa chọn thuộc tính Cài đặt vai trò Chuyển đổi liệu Kiểm thực chéo Đầu OUTPUT Huấn luyện Thử nghiệm mơ hình Hình Sơ đồ qui trình thực Rapidminer Studio 9.5 - Bước 3: Đánh giá mơ hình với hệ số tương quan (R), sai số trung bình tuyệt đối (MAE - Mean absolute error), sai số phần trăm sai số tuyệt đối trung bình (MAPE - Mean Absolute Percent Error), sai số tồn phương trung bình (RMSE - Root mean squared error) KẾT QUẢ 4.1 Thiết kế thông số Mạng nơ ron nhân tạo (ANN) sử dụng nhiều lĩnh vực cho nhiều ứng dụng khác chứng minh đáng tin cậy Mặc dù có ưu điểm độc đáo chất phi tham số, khả giới hạn định tùy ý dễ dàng thích ứng với loại liệu khác chúng có số hạn chế Những hạn chế kết số yếu tố, ảnh hưởng đến độ xác việc phân loại Các yếu tố chia thành hai nhóm chính: yếu tố bên yếu tố bên Các yếu tố bên bao gồm đặc điểm tập liệu đầu vào quy mô nghiên cứu, yếu tố bên lựa chọn cấu trúc mạng thích hợp, trọng số ban đầu, số lần lặp, chức truyền tốc độ học [10] Có thông số ban đầu cần xác định hệ ANN số lớp ẩn tốc độ học mơ hình (learning rate) Có nhiều nghiên cứu xác định số neural lớp ẩn sử dụng phương pháp thử sửa đạt kết tối ưu mong muốn Để khắc phục điều K Gnana Sheela (2013) [11] thức tính số neural lớp ẩn Tijana Vujičić cộng (2016) [12] chứng minh cơng thức giúp q trình huấn luyện đạt sai số thấp với n số neural lớp đầu vào công thức 4n  n2  (7) Tốc độ học siêu tham số sử dụng việc huấn luyện mạng neural, thường nằm khoảng Tốc độ học kiểm sốt tốc độ mơ hình thay đổi trọng số để phù hợp với tốn cơng thức Wnew = W old - (*v + * gradient) (8) Việc lựa chọn giá trị phụ thuộc nhiều vào liệu yêu cầu tốn phải làm vài thí nghiệm để chọn giá trị tốt Ở nghiên cứu tác giả thử chọn tốc độ học 0,02 kết sai số thấp 4.2 Thiết lập mơ hình Các thơng số bảng hình Các bước thực tham khảo tài liệu hướng dẫn [13] cụ thể thiết lập phần mềm Rapidminer Studio Bảng : Các thông số cho mô hình mạng ANN Thơng số Giá trị Rapidminer Số nút lớp vào 26 Số lớp ẩn Số nút lớp ẩn Số vòng lặp 200 Momentum (động lượng) 0.9 Learning rate (tỉ lệ học) 0.02 Hàm truyền Sigmod Error epsilon (sai số cho phép) 1.0E-4 ISSN 2734-9888 7.2022 79 In1 0 In1 In1 In1 In1 Lớp ẩn Lớp đầu vào NGHIÊN CỨU KHOA HỌC In1 In1 In1 In1 In1 In1 0 In1 In1 In1 0 In1 In1 0 In1 0 In1 In1 In1 In1 In1 In1 In1 In1 In1 0 1 Lớp đầu Kết Hình Mơ hình hoạt động ANN Sau chạy mơ hình, kết hiệu suất liệt kê bảng Bảng : Kết hiệu suất mơ hình ANN MAE RMSE Model R MPAE (%) (triệu (triệu VNĐ) VNĐ) 0,910 22,49 4.153,246 5.661,965 ANN Sai số tuyệt đối trung bình (MAE) cho giá trị thơng qua mơ hình (4.153 triệu đồng), chấp nhận dự án có tổng mức đầu tư lớn sai số lớn dự án có tổng mức đầu tư nhỏ Do đó, số khơng định quan trọng đánh giá hiệu suất mô hình Sai số phần trăm tuyệt đối trung bình mơ hình tính tốn từ thử nghiệm, 22,49% chấp nhận Hệ số tương quan (R) 0,910 tương đối cao, có mối tương quan tuyến tính tốt giá trị thực tế giá trị neural ước tính chi phí mạng giai đoạn thử nghiệm 4.3 So sánh với mơ hình khác Sử dụng liệu 35 cơng trình chạy mơ hình hồi quy mơ hình máy véc tơ hỗ trợ (SVM) Kết mơ hình thể bảng 10, hệ số tương quan (R), phần trăm sai số trung bình tuyệt đối (MAPE), sai số trung bình tuyệt đối (MAE), sai số tồn phương trung bình (RMSE) mơ hình ANN có độ tin cậy cao, tốt hơn, mơ hình hồi quy cuối mơ hình véc tơ hỗ trợ (SVM) Vì vậy, mơ hình ANN sử dụng nghiên cứu mơ hình cho kết tin cậy cao Bảng : So sánh kết mô hình MAE RMSE Model R MPAE (%) (triệu VNĐ) (triệu VNĐ) 0,910 22,49 4.153,246 5.661,965 ANN Hồi quy 0,849 35,54 4.890,241 6.559,556 SVM 0,763 88,78 10.538,749 12.162,688 Mơ hình ANN có hệ số tương quan lớn 0.910, lớn mơ hình hồi quy máy vec-tơ hỗ trợ (Hình 6), từ cho thấy mơ hình ANN có độ tin cậy lớn Hình Biểu đồ hệ số tương quan mơ hình 80 7.2022 ISSN 2734-9888 KẾT LUẬN Nghiên cứu đưa mơ hình dự báo giá thầu giai đoạn thiết kế giai đoạn đấu thầu, nghiên cứu giúp nhà đầu tư có nhìn tổng thể giá thầu xây dựng, lên kế hoạch tài giúp nhà thầu đánh giá giá thầu giúp tăng khả thắng thầu Nghiên cứu xác định nhân tố ảnh hưởng đến chi phí xây dựng nhà xưởng giai đoạn đấu thầu đưa mô hình dự báo giá thầu tảng phần mềm Rapidminer Studio 9.5 Nghiên cứu xây dựng mơ hình neural nhân tạo ANN, trọng số trình huấn luyện tối ưu hiệu suất mơ hình tính tự động phần mềm Rapidminer Studio 9.5 Cấu trúc mạng ANN gồm 03 lớp: 01 lớp nhập (26 neural), 01 lớp ẩn (04 neural), 01 lớp xuất (01 neural), hàm truyền Singmod, thuật toán lan truyền ngược Mơ hình mạng neural nhân tạo có độ tin cậy cao mơ hình hồi quy véc tơ hỗ trợ SVM Lời cảm ơn: Nghiên cứu tài trợ Đại học Quốc gia TP.HCM (ĐHQGHCM) khuôn khổ Đề tài mã số DS2022-20-01 TÀI LIỆU THAM KHẢO [1] H Line (2020) Vietnam Industrial Market - Time For A Ciritical Makeover [2] Y Rezgui, H El-Sawah, and O Moselhi, "Comparative study in the use of neural networks for order of magnitude cost estimating in construction," Journal of Information Technology in Construction, vol 19, pp 462-473, 10/01 2014 [3] P v c s Hua, "Practical application study of neural network in cost estimation of industrial plants," China Acad J Electron Publ house, 2010 [4] V.M.Hồ, "Ứng dụng System Dynamics phân tích & dự báo chi phí xây dựng nhà thép tiền chế," ĐHQG TP.HCM - Đại học Bách Khoa, 2012 [5] N I El-Sawalhi, "MODELLING THE PARAMETRIC CONSTRUCTION PROJECT COST ESTIMATE USING ANN," Creative construction conference, vol 3, 2012 [6] Gary R Weckman, "Using Neural Networks with Limited Data to Estimate Manufacturing Cost," Master of Science (MS), Ohio University, Industrial and Systems Engineering (Engineering and Technology), Ohio University, 2010 [7] L Prechelt, "Automatic early stopping using cross validation: quantifying the criteria," Neural Networks, vol 11, no 4, pp 761-767, 1998/06/01/ 1998 [8] H H Elmousalami, "Intelligent methodology for project conceptual cost prediction," Heliyon, vol 5, no 5, p e01625, 2019/05/01/ 2019 [9] T Q Dũng, "Ứng dụng mạng neural nân tạo (ANN) dự báo độ rỗng," Tạp chí dầu khí, vol 7, 2019 [10] T Kavzoglu, Determining Optimum Structure for Artificial Neural Networks 1999 [11] K G Sheela and S N Deepa, "Review on Methods to Fix Number of Hidden Neurals in Neural Networks," Mathematical Problems in Engineering, vol 2013, p 425740, 2013/06/20 2013 [12] T M Tijana Vujičić, Jelena Ljucović, Adis Balota, "Comparative Analysis of Methods for Determining Number of Hidden Neurals in Artificial Neural Network," Central European Conference on Information and Intelligent Systems 2016 [13] RapidMiner, "RapidMiner 9," 2021  ... xác định nhân tố ảnh hưởng đến chi phí xây dựng nhà xưởng giai đoạn đấu thầu đưa mơ hình dự báo giá thầu tảng phần mềm Rapidminer Studio 9.5 Nghiên cứu xây dựng mô hình neural nhân tạo ANN, trọng... báo giá thầu giai đoạn thiết kế giai đoạn đấu thầu, nghiên cứu giúp nhà đầu tư có nhìn tổng thể giá thầu xây dựng, lên kế hoạch tài giúp nhà thầu đánh giá giá thầu giúp tăng khả thắng thầu Nghiên... ? ?Ước lượng chi phí nhà thép mơ hình động học hệ thống (System dynamics)” nghiên cứu tính tốn chi phí phần kết cấu thép, chi phí lắp dựng thép Vì vậy, nghiên cứu hướng đến dự báo chi phí xây dựng