Hiểu được những khó khăn trong việc báo giá dự thầu đối với nhà thầu kết cấu thép, nghiên cứu được xây dựng để góp phần hỗ trợ nhà thầu trong việc ước tính chi phí xây dựng kết cấu thép
TỔNG QUAN
Các khái niệm
Nhà thép tiền chế là loại nhà thép được làm theo yêu cầu bản vẽ kiến trúc và kỹ thuật đã chỉ định sẵn
Quá trình làm ra sản phẩm hoàn chỉnh (có kết hợp các bước kiểm tra và quản lý chất lượng) được trải qua 3 giai đoạn chính: Thiết kế, gia công cấu kiện và lắp dựng tại công trình Toàn bộ kết cấu thép có thể sản xuất đồng bộ sẵn rồi đưa ra công trường lắp dựng trong thời gian khá ngắn
Những công trình kiến trúc thường sử dụng loại nhà này gồm: nhà xưởng (nhà máy sản xuất, nhà kho, …), nhà trưng bày, siêu thị, công trình thương mại, nhà cao tầng,
Nhà thép tiền chế có các ưu và nhược điểm sau:
Giới thiệu chung về nhà thép tiền chế
Cấu tạo nhà xưởng kết cấu thép Các loại chi phí trong xây dựng nhà xưởng Uớc tính chi phí: khái niêm và phương pháp
Giới thiệu về mạng ANN
Mức độ ứng dụng mạng ANN hiện nay
Các nghiên cứu trước Ưu điểm Nhược điểm
Tỷ số cường độ/trọng lượng cao
Linh hoạt trong thiết kế
Dễ dàng mở rộng và sửa chữa
Độ bền công trình cao
Ứng dụng trong ngành công nghiệp tiền chế
Thời gian xây dựng nhanh
Tổng chi phí có thể cao hơn phương pháp xây dựng thông thường ở một số công trình
Cấu trúc yếu đi dưới tác động của nhiệt độ cao
Dễ bị ảnh hưởng bởi yếu tố thời tiết như mưa và độ ẩm
Nhà xưởng được định nghĩa là không gian có diện tích rộng, có sức chứa cũng như quy mô lớn hơn so với nhà ở, văn phòng làm việc thông thường
Nhà xưởng công nghiệp là nơi tập trung nguồn nhân lực lớn, trong đó có chứa trang thiết bị máy móc, nguyên vật liệu, nhằm cung ứng cho quy trình sản xuất dây chuyền, bảo quan hoặc vận chuyển các loại hàng hóa sử dụng trong ngành công nghiệp
Các bộ phận nhà xưởng:
Hình 2.1 Các bộ phận nhà xưởng
Hình 2.2 Kết cấu nhà xưởng
2.1.3 Các loại chi phí trong xây dựng kết cấu thép nhà xưởng:
Chi phí phần kết cấu thép dự án nhà xưởng về cơ bản bao gồm các chi phí sau: chi phí thiết kế, chi phí nguyên vật liệu, chi phí gia công, chi phí vận chuyển & bảo quản, chi phí thi công và chi phí khác
Theo nghiên cứu của C J Carter, T M Murray and WA Thornton (2000) [3]:
- Chi phí vật liệu khoảng 25% chi phí dự án
- Chi phí gia công, sản xuất khoảng 35% chi phí dự án (bao gồm vận chuyển và bảo quản)
- Chi phí thi công khoảng 25% chi phí dự án
- Chi phí khác khoảng 15% chi phí dự án
- Chi phí thiết kế = đơn giá thiết kế x diện tích xây dựng
- Diện tích xây dựng = diện tích đất xây dựng * số tầng của công trình + mái
- Đơn giá thiết kế do đơn vị thiết kế báo giá, đơn giá này hoàn toàn xác định được và ít biến động Do đó, chi phí thiết kế gần như dễ dàng kiểm soát được
2.1.3.2 Chi phí nguyên vật liệu:
- Chi phí nguyên vật liệu = đơn giá vật liệu* khối lượng (hoặc diện tích)
- Đơn giá vật liệu sẽ biến động theo từng thời điểm, nhưng nhìn chung về cơ bản có thể kiểm soát được
- Chi phí gia công chủ yếu là chi phí gia công vật liệu thép
- Chi phí gia công = đơn giá gia công * khối lượng
- Đơn giá gia công do đơn vị gia công báo giá, đơn giá này hoàn toàn xác định được và ít biến động Do đó, chi phí gia công gần như dễ dàng kiểm soát được
2.1.3.4 Chi phí vận chuyển & bảo quản:
- Chi phí vận chuyển sẽ phụ thuộc nhiều vào vị trí dự án
- Nhìn chung chi phí này hoàn toàn có thể tính được một cách dễ dàng
- Chi phí thi công nhà xưởng = đơn giá thi công * diện tích xây dựng (khối lượng thép xây dựng)
- Về đơn giá thi công, có rất nhiều yếu tố làm ảnh hưởng tới đơn giá thi công (qui mô, địa điểm, biện pháp thi công, tiến độ thi công, thời điểm thi công…), nên rất khó để đưa ra một giá chính xác, mỗi nhà thầu lại đưa ra một mức giá khác nhau
2.1.3.6 Chi phí khác (văn phòng, láng trại, chi phí quản lí, chi phí dự phòng,…):
- Thường lấy từ 10% đến 15% chi phí dự án
- Từ những phân tích trên, ta có thể thấy được việc khó khăn nhất đối với cả chủ đầu tư lẫn nhà thầu là xác định được đơn giá lắp dựng một cách chính xác và tối ưu
2.1.4 Khái niệm và tầm quan trọng của ước lượng chi phí
Văn phòng Trách nhiệm Chính phủ Hoa Kỳ (GAO) định nghĩa: một ước tính chi phí là "tổng các yếu tố chi phí riêng lẻ, sử dụng các phương pháp đã được thiết lập và dữ liệu hợp lệ, để ước tính chi phí trong tương lai của chương trình, dựa trên những gì được biết ngày hôm nay" [20]
Việc ước lượng chi phí được thể hiện thông qua 5 lớp ước tính [21] như bảng dưới:
Bảng 2.1 Các lớp trong ước lượng chi phí:
Lớp ước tính Tên Mục đích Mức độ định nghĩa dự án
Lớp 5 Theo độ Sàng lọc hoặc khả thi 0% đến 2%
Nghiên cứu khái niệm hoặc tính khả thi 1% đến 15%
Lớp 3 Sơ bộ Ngân sách, ủy quyền hoặc kiểm soát 10% đến 40%
Lớp 2 Thực chất Kiểm soát hoặc bỏ thầu/ đấu thầu 30% đến 70%
Lớp 1 Dứt khoát Kiểm tra ước tính hoặc bỏ thầu/ đấu thầu 50% đến 100%
Nghiên cứu này ước tính thuộc mức độ lớp 1 và lớp 2 khi mức độ định nghĩa dự án đã được ít nhất 30%
Hiện nay, trong thực tế hoạt động đầu tư và xây dựng công tác định giá và quản lý giá còn bộc lộ một số tồn tại sau:
- Còn thiếu căn cứ, cơ sở khoa học để xác định các chỉ tiêu về giá sản phẩm xây dựng trong các giai đoạn của quá trình đầu tư và xây dựng như tổng mức đầu tư, tổng dự toán Các chỉ tiêu này được xác định theo cách ước tính
- Một số công việc chưa có định mức, đơn giá hoặc có định mức, đơn giá nhưng đã lạc hậu, không phù hợp với trình độ phát triển khoa học công nghệ và tình hình quản lý giá xây dựng hiện nay
- Việc quản lý giá trong đấu thầu xây dựng còn nhiều tồn tại như giá gói thầu trong kế hoạch đấu thầu sẽ khó có thể là mức giá hợp lý là giá trần khi xét thầu vì giá gói thầu không có một điều kiện ràng buộc nào có thể lớn hơn hoặc nhỏ hơn dự toán hay tổng dự toán được duyệt
Hiện tượng bỏ giá thầu thấp hiện nay dẫn tới các hiện tượng làm bừa, làm ẩu, bớt xén nguyên vật liệu, gây tổn hại đến chất lượng công trình, ảnh hưởng đến lợi ích dài hạn và sự tồn tại, phát triển của doanh nghiệp
Từ đó ta có thể thấy việc ước tính chi phí là rất quan trọng
2.1.5 Các phương pháp ước lượng chi phí
Có nhiều phương pháp để ước lượng chi phí Các phương pháp được sử dụng dựa vào các yếu tố: mục đích, số lượng thông tin, thời gian, dữ liệu về chi phí
Phương pháp đơn vị phân bổ chi phí đến mỗi đơn vị sử dụng của công trình
- Sân đậu xe: chi phí/ khoảng chiếm chỗ của xe
- Bệnh viện: chi phí/ giường bệnh
- Nhà ở: chi phí/ diện tích sàn
- Nhà hát: chi phí/ chỗ ngồi
- Trường học: chi phí/ học sinh
Ứng dụng mạng ANN trong các lĩnh vực
Đầu tiên ANN được giới thiệu năm 1943 bởi nhà thần kinh học Warren McCulloch và nhà logic học Walter Pits Nhưng với những kỹ thuật trong thời gian này chưa cho phép họ nghiên cứu được nhiều Những năm gần đây mô phỏng ANN xuất hiện và phát triển Các nghiên cứu ứng dụng đã được thực hiện trong các ngành: điện, điện tử, kỹ thuật chế tạo, y học, quân sự, kinh tế và mới nhất là các nghiên cứu ứng dụng trong lĩnh vực quản lý dự án xây dựng
Các ứng dụng của ANN có thể được điểm qua sơ bộ như sau:
- ANN có thể ứng dụng cho tài chính, lập kế hoạch doanh nghiệp, giao dịch, phân tích kinh doanh và bảo trì sản phẩm
- ANN được sử dụng rộng rãi trong các hoạt động kinh doanh như dự báo và tìm kiếm giải pháp nghiên cứu tiếp thị, phát hiện gian lận và đánh giá rủi ro [31] Mạng nơ-ron nhân tạo có thể đánh giá dữ liệu giá và khai quật các cơ hội giao dịch dựa trên phân tích dữ liệu lịch sử ANN cũng có thể phân biệt sự phụ thuộc phi tuyến lẫn nhau của đầu vào mà các mô hình phân tích kĩ thuật khác không thể làm được ANN cũng được sử dụng để đưa ra dự đoán giá cho cổ phiếu là khác nhau Một số mô hình dự đoán giá cổ phiếu chính xác 50 đến 60% thời gian, trong khi những mô hình khác có tính chính xác lên đến 70% trong tất cả các trường hợp [25]
- Trong an ninh quốc phòng: Điều khiển hệ thống tên lửa, đạn đọa tự hành, nhận dạng địa hình, phát hiện thủylôi…” Áp dụng kỹ thuật mạng neuron nhân tạo tối ưu hóa đầu phun động cơ tên lửa” (Wei Shyy và các tác giả) [24]
- ANN tạo được sử dụng trong các bài toán xử lý tín hiệu phức tạp khi mà các công cụ kinh điển tỏ ra không hiệu quả
- ANN cũng được sử dụng trong việc cảnh báo an ninh mạng [26], phần lớn hoạt động của các hệ thống phát hiện tấn công trong giám sát an toàn thông tin chủ yếu dựa trên cơ sở dữ liệu (CSDL) các dấu hiệu và quy luật để phân tích các dữ liệu đầu vào sau đó đưa ra kết luận có hay không có tấn công Để việc phát hiện tấn công đạt hiệu quả cao thì CSDL này cần phải thường xuyên được cập nhật (thực hiện bằng phương pháp thủ công) Khi cuộc tấn công có dấu hiệu và quy luật khác với các dấu hiệu và quy luật trong CSDL thì tấn công đó sẽ không được phát hiện Vì lúc này các CSDL chưa được cập nhật dấu hiệu của các kiểu tấn công này Do hệ thống phát hiện tấn công thông thường không phải lúc nào cũng có khả năng nhận dạng được mọi cuộc tấn công nên cần một hệ thống có khả năng cập nhật thường xuyên dấu hiệu của các cuộc tấn công mới hay chưa có trong hệ thống, ANN là một giải pháp có thể đáp ứng được yêu cầu này
- Trong khoa học: Ứng dụng mạng neuron để nhận dạng dấu vân tay “Neural Networks forFingerprint Recognition (Pierre Baldi and Yves Chauvin)” [27]
- Trong kỹ thuật chế tạo: Ứng dụng trong giám sát quá trình gia công, đúc khuôn mẫu, tối ưu chế độ cắt thép… “Sử dụng mạng neron nhân tạo mô hình lực cắt thép” [28]
Tình hình nghiên cứu
Hiện nay, có rất nhiều nghiên cứu trong vào ngoài nước áp dụng ANN trong ước lượng chi phí Tổng hợp các nghiên cứu trong bảng bên dưới:
Bảng 2.4 Các nghiên cứu về ước lượng chi phí
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu
Min-Yuan Cheng, Hsing-Chih Tsai, Erick Sudjono (2010)
Conceptual cost estimates using evolutionary fuzzy hybrid neural network for projects in construction industry (Ước tính chi phí khái niệm sử dụng kết hợp giữa mạng nơron nhân tạo và tiến hóa mờ cho các dự án
- Tích hợp mạng nơ-ron (NN) và mạng nơ-ron bậc cao (HONN) thành một hỗn hợp mạng nơ-ron (HNN)
- Sử dụng Logic mờ (FL) trong HNN để xử lý các điểm không chắc chắn phát triển HNN thành mạng nơron lai mờ (FHNN)
- Chi phí trang thiết bị
Kết quả cho thấy rằng EFHNN được đề xuất có thể được triển khai hiệu quả như một công cụ ước tính chi phí chính xác trong thời gian đầu các giai đoạn của dự án xây dựng Hơn nữa, hiệu suất của các đầu nối lớp nơron tuyến tính và phi tuyến tính trong EFHNN vượt qua các mô hình triển khai NN tuyến tính đơn lẻ
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu trong ngành xây dựng)
Steve Barg, ForestFlager, Martin Fischer (2017)
An Analytical Method to Estimate the Total Installed Cost of Structural Steel Building Frames during Early Design (Một phương pháp phân tích để ước tính tổng chi phí lắp đặt của khung kết cấu nhà thép trong quá trình thiết kế ban đầu)
- Tích hợp (ISD), đầu tiên các kỹ sư tải lên một mô hình cấu trúc bao gồm bố cục khung với kích thước cấu kiện sơ bộ và các loại liên kết được chỉ định
Các liên kết khung sau đó được tự động chi tiết hóa để tạo ra một bảng kê số lượng phù hợp để chế tạo
- Tiếp theo, tổng chi phí lắp đặt được ước tính dựa trên báo giá bởi các nhà cung cấp trên một cổng thông tin (trang web) an toàn
- Cuối cùng, đưa ra chi phí, thể hiện
- Dữ liệu khung kết cấu
• Ước tính chi phí phân tích dựa trên thông tin thiết kế ban đầu
• Liên kết tự động chi tiết kết cấu khung thép
• Cổng thông tin điện tử cho phép các nhà cung cấp thép duy trì dữ liệu chi phí hiện tại
• Trực quan hóa dữ liệu chi phí trong bối cảnh của mô hình thông tin tòa nhà (BIM)
• Chứng minh lợi ích của hội nhập dọc trong ngành AEC
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu trong mô hình 3-D với thời gian thực
Cost-effective steel building design (Thiết kế nhà thép tiết kiệm chi phí)
Thống kê, tổng hợp dữ liệu, đưa ra đề xuất thiết kế
- Chi phí nhân công lắp dựng
- Đề xuất các phương án thiết kế
- Có giá trị chung giải quyết mục tiêu cuối cùng quan trọng: chất lượng mà không tốn kém
An artificial neural system for cost estimation of construction projects (Hệ thống nơ ron nhân tạo để ước tính chi phí dự án xây dựng)
- Sử dụng mô hình ANN
- Nghiên cứu này và dữ liệu liên quan của họ đã được trích xuất từ cơ sở dữ liệu
13 thuộc tính quyết định chi phí, nhưng ngược lại, chỉ có 4 biến đầu vào là tham gia phát triển mô hình II
- Số lượng đơn vị dự thầu
- Lưu thông trong công trường
Kết quả cho thấy, hai mô hình ANN học một cách hiệu quả trong giai đoạn đào tạo và đạt được khả năng khái quát hóa tốt trong phiên thử nghiệm Mô hình ANN I và II quản lý để đạt được độ chính xác trung bình tỷ lệ phần trăm tương ứng là 79,3% và 82,2%
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu
Gwang-Hee Kim, Sung- Hoon An, Kyung-In Kang
Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning (So sánh các mô hình dự báo chi phí xây dựng dựa trên phân tích hồi quy, mạng nơron và lập luận theo tình huống)
- Phân tích hồi quy đa bội
- Suy luận dựa trên tình huống
Mặc dù mô hình ước tính NN tốt nhất cho kết quả ước tính chính xác hơn so với mô hình ước tính MRA hoặc CBR, mô hình ước tính CBR hoạt động tốt hơn mô hình ước tính NN về việc sử dụng lâu dài, với thông tin có sẵn từ kết quả và sự cân bằng giữa thời gian so với độ chính xác
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu
Predicting changes in construction cost indexes using neural networks (Dự đoán những thay đổi trong chỉ số chi phí xây dựng bằng mạng nơron - NN)
Sử dụng mạng nơ- ron lan truyền ngược
- Phần trăm chênh lệch chỉ số giá xây dựng mỗi tháng
- Phần trăm chênh lệch chỉ số giá xây dựng mỗi
- Lãi suất cho vay cơ bản
- Phần tram chênh lệch lãi suất cho vay cơ bản mỗi 6 tháng
- Sự thay đổi tỉ giá cơ bản mỗi 6 tháng
- Số nhà đưa vào sử dụng trong tháng
- Phần trăm chênh lệch số nhà đưa vào sử dụng mỗi tháng
- Phần trăm chênh lệch số nhà
Kết quả là từ mạng nơron lan truyền ngược có khả năng nhận dạng mẫu mạnh mẽ, đã giảm thiểu sai số bình phương trung bình của các bộ thử nghiệm
Tuy nhiên, mạng nơ-ron tạo ra những dự đoán kém kém chính xác về những thay đổi trong chỉ số chi phí xây dựng do sự phức tạp liên quan
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu đưa vào sử dụng mỗi 6 tháng
Sung-Hoon Ana, Gwang-Hee Kimb,
A case-based reasoning cost estimating
Mô hình CBR kết hợp sử dụng AHP
Mô hình AHP – CBR, được coi là mô hình ước tính chi phí xây dựng hiệu quả, áp dụng kinh nghiệm của chuyên gia và các
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu
Kyung-In Kang model using experience by analytic hierarchy process (Mô hình ước tính chi phí dựa trên phương pháp lập luận theo tình huống sử dụng kinh nghiệm từ quy trình phân tích thứ bậc - AHP)
- Diện tích trung bình hạng mục
- Mức hoàn thiện trường hợp trước đó để có được chi phí xây dựng dự án mới
Tuy nhiên, mô hình AHP-CBR này yêu cầu cấu trúc hệ thống thứ bậc và so sánh theo cặp để đánh giá ảnh hưởng của các thuộc tính đến chi phí xây dựng dựa trên kinh nghiệm Nghiên cứu thêm là cần thiết để phát triển một mô hình CBR cải tiến phản ánh kinh nghiệm trong tất cả các quy trình ước tính mà không cần phân cấp cấu trúc và so sánh theo cặp
Neural Network Modeling of Highway Construction Costs (Mô hình hóa mạng nơ-ron về chi phí công trình
- Sử dụng mạng thần kinh nhân tạo (ANN) để lập mô hình con về chi phí đại diện phải trả của các hạng mục trong mỗi mô hình con
Các thay đổi về điều kiện xung quanh hợp đồng nói chung dường như được mô hình nắm bắt phần lớn, bằng chứng là mức độ mô hình tái tạo các ước tính hàng năm về chi phí xây dựng tổng thể bằng việc dõi các giá trị quan sát được
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu đường cao tốc)
- Quý mà hợp đồng được ký kết
- Khối lượng dự thầu hằng năm
- Phương sai khối lượng thầu
- Số lần thay đổi kế hoạch
- Số lần thay đổi tiêu chuẩn và SPEC
Regularization neural network for construction cost estimation (Mạng nơ ron chính quy để ước tính chi phí xây dựng)
Sử dụng mạng nơron ANN xác định trọng số của nó và tổng hợp ước lượng một cách thích hợp bằng phương pháp cross- validation
- Diện tích trung bình hạng mục
Chi phí ước tính từ mô hình đáng tin cậy và có thể dự đoán được
Kết quả của ước tính từ nơron chính quy mạng chỉ phụ thuộc vào các ví dụ đào tạo Nó không phụ thuộc vào kiến trúc của mạng nơ-ron (chẳng hạn là số lượng nút trong lớp ẩn), tham số học (chẳng hạn như tỷ lệ học tập và động lượng trong thuật toán BP) và số lần lặp lại bắt buộc
Stt Tác giả Tên đề tài Phương pháp nghiên cứu
Nhân tố nghiên cứu Kết quả nghiên cứu để đào tạo hệ thống Như vậy, mạng nơ ron chính quy hóa được trình bày trong bài báo này là một công cụ ước tính chi phí khách quan
Vấn đề nhiễu dữ liệu, điều quan trọng là dữ liệu chi phí xây dựng đường cao tốc, được tính đến một cách hợp lý
Dr Osama Moselhi, PE, and Ines Siqueira
Neural networks for cost estimating of structural steel buildings (Mạng nơron để ước tính chi phí của kết cấu nhà thép)
- Sử dụng phương pháp ANN với nguồn dữ liệu từ 75 dự án đã được thu thập từ công ty sản xuất thép kết cấu lớn ở Canada, phân tích và xem xét kỹ lưỡng về độ chính xác
PHƯƠNG PHÁP NGHIÊN CỨU
Quy trình nghiên cứu
Quy trình này gồm 4 bước được thể hiện chi tiết sơ đồ khối của nghiên cứu này trong bảng và hình bên dưới
Thiết kế bảng câu hỏi Xác định kích thước mẫu Phương pháp thu thập
Phân tích độ tin cậy bằng hệ số Cronbach’s Alpha Đánh giá hiệu suất mô hìnhPhần mềm RapidMiner 9.5
Bảng 3.1 Quy trình nghiên cứu
- Tìm hiểu và đọc các bài báo, tạp chí nghiên cứu khoa học, dự toán xây dựng, chi phí xây dựng nhà xưởng và các tài liệu liên quan về ứng dụng ANN trong quản lý xây dựng
- Trao đổi với chuyên gia để sàng lọc và lựa chọn các tiêu chí phù hợp trong lĩnh vực xây dựng nhà xưởng
- Tham khảo website của các nhà thầu kết cấu thép uy tín
- Tổng hợp lại thông tin về các tiêu chí phù hợp từ các nguồn tài liệu đã nghiên cứu
- Thiết kế bảng câu hỏi sơ bộ về các tiêu chí ảnh hưởng đến chi phí xây dựng nhà máy ở giai đoạn đấu thầu
Gửi bản khảo sát sơ bộ đến các chuyên gia, những người có nhiều kinh nghiệm để xác định chi phí xây dựng nhà xưởng bằng hình thức phỏng vấn trực tiếp hoặc gửi qua email Thang đo khảo sát là Likert 5 theo mức độ tang dần Cuộc khảo sát sơ bộ này cho phép các chuyên gia trả lời, chỉnh sửa và đề xuất các tiêu chí phù hợp hơn cho việc khảo sát
- Xây dựng bảng khảo sát chính thức và tiến hành khảo sát các chuyên gia trong lĩnh vực kết cấu thép
- Dùng phần mềm SPSS để phân tích dữ liệu thu thập được, tính giá trị trung bình và kiểm tra độ tin cậy Cronbach's Alpha, loại bỏ các biến không phù hợp và xếp hạng các nhân tố
- Kết luận các nhân tố ảnh hưởng chính đến chi phí xây dựng kết cấu thép nhà xưởng trong giai đoạn đấu thầu
4 - Thu thập dữ liệu công trình và xử lý dữ liệu để đưa vào mô hình
- Xây dựng mô hình ANN với phần mềm Rapidminer Studio 9.5
- Đánh giá mô hình và kết luận
Hình 3.1 Quy trình nghiên cứu
Tham khảo tài liệu và ý kiến chuyên gia Lập danh sách sơ bộ các yếu tố ảnh hưởng
Lập bảng khảo sát sơ bộ
Khảo sát và phân tích kết quả đánh giá từ chuyên gia
Thiết kế bảng câu hỏi khảo sát chính thức
Khảo sát và thu nhận kết quả Dùng phần mềm SPSS để phân tích dữ liệu thu thập được.
Xác định và xếp hạng các nhân tố ảnh hưởng chính Đưa ra kết luận
Thu thập thông tin dự án dựa trên các nhân tố đã kết luận
Xử lý số liệu và xây dựng mô hình ANN Đánh giá mô hình
Thu thập dữ liệu
3.2.1 Thiết kế bảng câu hỏi
Bảng câu hỏi là công cụ điều tra phổ biến nhất, được sử dụng để thu thập thông tin từ nhiều người, và bảng câu hỏi có thể kết hợp với nhiều kỹ thuật khác nhau Số lượng câu hỏi bao nhiêu phụ thuộc vào nội dung nghiên cứu Bảng câu hỏi được xây dựng dựa trên những nguyên tắc tâm lý và những nguyên tắc này là nền tảng cho các hành vi của con người Dữ liệu thu thập được có tin cậy hay không tin cậy phụ thuộc vào việc thiết kế bảng câu hỏi, do đó bảng câu hỏi khảo sát có liên quan đến sự thành công của một dự án nghiên cứu
Vấn đề khó khăn là: bảng câu hỏi tốt nhất là bảng câu hỏi có những câu hỏi đơn giản nhất, nhưng rất khó khăn để làm cho câu hỏi trở nên đơn giản
Bảng câu hỏi khảo sát cần xác định được đối tượng khảo sát phù hợp và đảm bảo rằng tất cả các câu hỏi phù hợp với mục tiêu nghiên cứu giúp thu được những dữ liệu cần thiết tránh trường hợp thiếu dữ liệu cần thiết hoặc dư thừa dữ liệu không cần thiết Thiết kế bảng câu hỏi gồm 3 phần chính:
- Phần 1: Giới thiệu tổng quan đề tài nghiên cứu để người được khảo sát nắm được những thông tin sau:
• Mục đích của cuộc khảo sát
• Lý do tại sao người nhận đã được chọn để khảo sát
• Lý do tại sao người nhận phải tham gia vào cuộc khảo sát
- Phần 2: Quan tâm đến các vấn đề sau:
• Về nội dung của câu hỏi
• Về việc định dạng cho các câu trả lời: Thu thập mức độ đánh giá các nhân tố ảnh hưởng đến chi phí xây dựng kết cấu thép nhà xưởng theo thang đo Likert với 5 mức độ, phân chia từ 1 đến 5 với quy ước: (1) Không ảnh hưởng, (2) Ít ảnh hưởng, (3) Có ảnh hưởng, (4) Ảnh hưởng lớn, (5) Ảnh hưởng rất lớn
• Về từ ngữ trong các câu hỏi
• Về trình tự của các câu hỏi
• Về các đặc tính hình thức của bảng câu hỏi
• Kiểm tra thử, rà soát lại và sau đó tạo ra bản thảo cuối cùng
- Phần 3: Phần thông tin cơ bản của đối tượng khảo sát, đưa ra các câu hỏi về chức vụ, nơi công tác, lĩnh vực hoạt động, kinh nghiệm làm việc, quy mô dự án đã tham gia để sàng lọc các đối tượng không phù hợp với đề tài nghiên cứu
3.2.2 Xác định kích thước mẫu
Việc nghiên cứu có thu được kết quả tốt hay có độ tin cậy cao hay không phụ thuộc rất nhiều vào mẫu được chọn và kích thước của mẫu, kích thước của mẫu được phân tích phải đại diện cho quần thể.Vì vậy, việc chọn mẫu và số lượng mẫu phù hợp đóng vai trò quan trọng, quyết định đến kết quả nghiên cứu này
Ba câu hỏi thường được đặt ra khi chọn mẫu là:
- Quần thể nào mà từ đó mẫu sẽ được lấy ra cho nghiên cứu?
- Làm thế nào để mẫu có thể đại diện cho quần thể nghiên cứu?
- Bao nhiêu mẫu là đủ cho một nghiên cứu?
Trả lời cho ba câu hỏi này chính là giải quyết vấn đề xác định quần thể nghiên cứu, chọn mẫu và tính toán kích cỡ mẫu
Về chọn mẫu, theo Cochran (1977) [37] có 2 phương pháp chọn mẫu (sampling method): Theo xác suất và phi xác suất
Phương pháp chọn mẫu xác suất (ngẫu nhiên) có các kỹ thuật lấy mẫu:
- Chọn mẫu phân tầng và
- Chọn mẫu nhiều giai đoạn
Phương pháp chọn mẫu phi xác suất (phi ngẫu nhiên) có các kỹ thuật lấy mẫu:
- Thuận tiện: nhà nghiên cứu có thể chọn những phần tử nào mà họ có thể tiếp cận được, lấy đủ số quan sát theo kích thước mẫu mà nghiên cứu cần
- Định mức (Quota sampling): phân chia kích thước mẫu nghiên cứu với tỷ lệ nào đó, áp dụng kỹ thuật chọn mẫu thuận tiện chọn cho đủ số quan sát cần thiết
- Phát triển mầm (Snowball sampling): Chọn một số phần tử biết được địa chỉ, sau đó thông qua những phần tử này hỏi ý kiến họ để giới thiệu các phần tử khác cho mẫu
Bảng 3.2 Phân biệt phương pháp chọn mẫu
Cơ sở để so sánh Chọn mẫu xác suất Chọn mẫu phi xác suất Ý nghĩa là một kỹ thuật lấy mẫu, trong đó các đối tượng của quần thể có cơ hội bình đẳng để được chọn làm mẫu đại diện là một phương pháp lấy mẫu trong đó các đối tượng của quần thể không có khả năng ngang nhau để được chọn vào mẫu nghiên cứu
Cơ sở lựa chọn Ngẫu nhiên Tự ý
Cơ hội lựa chọn Đã sửa và đã biết Không được chỉ định và không xác định
Nghiên cứu Kết luận Thăm dò
Kết quả Không thiên vị Xu hướng
Phương pháp Mục tiêu Chủ quan
Suy luận Thống kê Phân tích
Giả thuyết Thử nghiệm Tạo Ưu điểm
- Một mẫu có khả năng đại diện cho tổng thể mẫu
- Sử dụng các phương pháp ước lượng thống kê, xử lý dữ liệu để suy rộng kết quả trên mẫu cho tổng thể chung
- Cách lấy mẫu dựa trên sự thuận tiện hay dựa trên tính dễ tiếp cận của đối tượng, ở những nơi mà nhân viên điều tra có nhiều khả năng gặp được đối tượng
- Khó áp dụng khi không xác định được danh sách cụ thể của tổng thể chung, tốn kém nhiều thời gian, chi phí, nhân lực cho việc thu thập dữ liệu khi đối tượng phân tán trên nhiều địa bàn cách xa nhau…
- Kết quả điều tra thường mang tính chủ quan của người nghiên cứu
- Không thể tính được sai số do chọn mẫu, do đó không thể áp dụng phương pháp ước lượng thống kê để suy rộng kết quả trên mẫu cho tổng thể chung
Với sự hạn chế về thời gian và khả năng tiếp cận các đối tượng nên nghiên cứu này, tác giả chọn phương pháp chọn mẫu phi xác suất, kiểu lấy mẫu thuận tiện và phát triển mầm Việc lấy mẫu này có thể sẽ ảnh hưởng đến độ tin cậy của kết quả phân tích nhưng việc khoanh vùng đối tượng khảo sát trước (những đối tượng lĩnh vực xây dựng công nghiệp) có thể làm nghiên cứu đạt được sự tin cậy cần thiết Yêu cầu về kích thước cỡ mẫu nhằm mục đích đảm bảo về độ tin cậy của số liệu đề ra, đồng thời đảm bảo phù hợp với điều kiện về thời gian và năng lực thực hiện
Số lượng mẫu rất quan trọng nhằm thu thập được những kết quả nghiên cứu chính xác và có ý nghĩa về mặt thống kê cũng như triển khai hoạt động nghiên cứu một cách thành công
Công cụ phân tích
Các công cụ nghiên cứu được trình bày cụ thể trong bảng sau:
Bảng 3.3 Các công cụ nghiên cứu
TT Nội dung nghiên cứu Công cụ nghiên cứu
1 Mô tả các tính chất của dữ liệu Thống kê mô tả trên SPSS
2 Kiểm tra độ tin cậy của thang đo Hệ số Cronbach’s Alpha trên SPSS
3 Xây dựng mô hình ước lượng Phần mềm Rapidminer Studio
Hệ số tương quan biến tổng, phần trăm sai số trung bình tuyệt đối, sai số trung bình tuyệt đối, sai số toàn phương trung bình
3.3.1 Phân tích độ tin cậy bằng hệ số Cronbach’s Alpha
Cronbach (1951) [38] đưa ra hệ số tin cậy cho thang đo Chú ý, hệ số Cronbach’s Alpha chỉ đo lường độ tin cậy của thang đo (bao gồm từ 3 biến quan sát trở lên) chứ không tính được độ tin cậy cho từng biến quan sát [35]
Hệ số Cronbach’s Alpha có giá trị biến thiên trong đoạn [0,1] Về lý thuyết, hệ số này càng cao càng tốt (thang đo càng có độ tin cậy cao) Tuy nhiên điều này không hoàn toàn chính xác Hệ số Cronbach’s Alpha quá lớn (khoảng từ 0.95 trở lên) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong thang đo [38]
Luận văn sử dụng IBM SPSS (Statistical Package for the Social Sciences, một phần mềm được sử dụng rộng rãi trong phân tích thống kê) để nhập các dữ liệu khảo sát đầu vào và tìm ra các nhân tố ảnh hưởng đến chi phí xây dựng kết cấu thép nhà xưởng trong giai đoạn đấu thầu
Khi sử dụng thang đo đánh giá Likert 5 mức độ của người được khảo sát thì trị trung bình của mức độ đánh giá các yếu tố ảnh hưởng đến chi phí xây dựng nhà xưởng được sử dụng để phân tích và sắp xếp các yếu tố ảnh hưởng
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không, nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại Khi đó, việc tính toán hệ số tương quan giữa biến-tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo [34] Công thức tính hệ số Cronbach’s Alpha:
: hệ số tương quan trung bình giữa các mục hỏi
Phân tích độ tin cậy thông qua nhận xét hệ số Cronbach’s Alpha để loại các biến không phù hợp
Hệ số tương quan biến tổng là hệ số cho biết mối quan hệ giữa các biến quan sát trong nhân tố với các biến còn lại Nếu một biến đo lường có hệ số tương quan biến tổng (Corrected Item – Total Correlation) lớn hơn hoặc bằng 0.3 thì biến đó đạt yêu cầu theo Nunnally, J (1978) [40]
Mức giá trị hệ số Cronbach’s Alpha theo [13]:
- Từ 0.8 đến gần bằng 1: thang đo lường rất tốt
- Từ 0.7 đến gần bằng 0.8: thang đo lường sử dụng tốt
- Từ 0.6 trở lên: thang đo lường đủ điều kiện
- Dưới 0.6: thang đo lường không phù hợp
Hệ số tin cậy Cronbach’s Alpha là công cụ sẽ giúp kiểm tra xem các biến quan sát có đáng tin cậy hay không, phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng một nhân tố Nó cho biết trong các biến quan sát của một nhân tố, biến nào đã đóng góp vào việc đo lường khái niệm nhân tố, biến nào không Kết quả Cronbach’s Alpha của nhân tố tốt thể hiện rằng các biến quan sát chúng ta liệt kê là rất tốt, thể hiện được đặc điểm của nhân tố mẹ, chúng ta đã có được một thang đo tốt cho nhân tố mẹ này Để có thể thực hiện những điều này, chúng ta cần phải xác định câu hỏi nào không ảnh hưởng trong tập hợp toàn bộ câu hỏi Khi đó, việc tính toán, đánh giá hệ số tương quan giữa biến tổng sẽ giúp chúng ta có thể loại bỏ những biến quan sát không quan trọng, ít đóng góp cho sự mô tả của các khái niệm cần đo, theo [13]
Chúng ta cũng cần chú ý đến giá trị của cột Cronbach's Alpha if Item Deleted, cột này biểu diễn hệ số Cronbach's Alpha nếu loại biến đang xem xét Mặc dù đây không phải là một tiêu chuẩn phổ biến để đánh giá độ tin cậy thang đo, tuy nhiên, nếu giá trị Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha của nhóm thì chúng ta nên cân nhắc xem xét biến quan sát này tùy vào từng trường hợp
3.3.2 Đánh giá hiệu suất mô hình
Các chỉ số đánh giá hiệu suất mô hình ở bảng bên dưới:
Bảng 3.4 Đánh giá hiệu suất mô hình
Hệ số tương quan tuyến tính R
Phần trăm sai số trung bình tuyệt đối
Sai số trung bình tuyệt đối
Sai số toàn phương trung bình
Rapidminer là một mã nguồn mở, là một môi trường cho Machine learning và Data mining và được viết bằng ngôn ngữ lập trình Java Chúng sử dụng mô hình Client/Server với máy chủ là on-premise hoặc public cloud hoặc private cloud
Rapidminer cung cấp các lược đồ Learning Schemas, các mô hình và các thuật toán, và có thể được mở rộng bằng ngôn ngữ R và Python
Các thuật toán trong Data mining được chia thành 2 loại:
- Thuật toán Learning được giám sát: Là các thuật toán yêu cầu đã có đầu ra Output (hoặc gọi là Label hay Target) Một số mô hình thuộc thuật toán này có thể kể đến như: Nạve Bayes, cây quyết định (Decision Tree), mạng thần kinh (Neural Networks), SVM (Support Vector Machine), mô hình hồi quy (Logistic Regression),
- Thuật toán Learning không được giám sát: Là các thuật toán không bắt buộc phải biết trước đầu ra Output nhưng có thể tìm kiếm các khuôn mẫu hoặc các xu hướng mà không có Label hoặc Target, như mô hình K-Mean Clustering, Anomaly Detection, Association Mining
Với Rapidminer, có thể giúp bạn:
- Tải và chuyển đổi dữ liệu (Extract, Transform, Load (ETL))
- Xử lý dữ liệu và trực quan dữ liệu
- Xây dựng các mô hình dự báo và phân tích thống kê
- Đánh giá và triển khai dữ liệu
PHÂN TÍCH DỮ LIỆU
Khảo sát thử nghiệm
Sau khi tổng hợp được bảng các nhân tố ảnh hưởng đến chi phí xây dựng kết cấu thép nhà xưởng, tác giả tiến hành khảo sát ý kiến chuyên gia Những chuyên gia này sẽ giúp đánh giá, loại bỏ và bổ sung các tiêu chí để hoàn chỉnh bảng khảo sát chính thức Tổng hợp kết quả, tác giả lựa chọn những tiêu có sự tương đồng giữa các chuyên gia, loại bỏ những yếu tố được đánh giá thấp Ngoài ra, các chuyên gia bổ sung một
Khảo sát đại trà Khảo sát thử nghiệm
Phân tích dữ liệu Quy trình xây dựng mô hình
Thu thập dữ liệu theo biến đã xác định
Thiết kế thông số mô hình
So sánh với các mô hình khác trượt giá Sau khi tổng hợp ý kiến chuyên gia Nghiên cứu nhận dạng được 18 yếu tố ảnh hưởng đến chi phí xây dựng nhà xưởng như bảng bên dưới:
Các biến quan sát được đo lường theo thang đo Likert 5 theo mức độ tăng dần (1)- Không ảnh hưởng, (2)-Ít ảnh hưởng, (3)-Ảnh hưởng trung bình, (4)-Ảnh hưởng nhiều, (5)- Ảnh hưởng rất nhiều Thang đo định danh (nominal) được sử dụng để phân biệt các đối tượng tham gia khảo sát
Bảng 4.1 Bảng mã hóa các yếu tố ảnh hưởng khảo sát sơ bộ
STT Yếu tố ảnh hưởng Mã hóa
1 Thời điểm thi công NT1
2 Địa điểm công trình NT2
3 Công năng sử dụng NT3
4 Biện pháp thi công NT4
5 Tiến độ thi công NT5
7 Khẩu độ nhà (nhịp nhà) NT7
12 Địa hình tính gió NT12
13 Tải treo (bao gồm tải phụ và tải pin mặt trời) NT13
14 Diện tích xây dựng NT14
17 Hệ số trượt giá NT17
18 Hệ số ứng suất (Stress ratio) NT18
Bảng khảo sát sơ bộ được thực hiện với 15 người có nhiều năm kinh nghiệm trong công tác đấu thầu, thiết kế, thi công và quản lý dự án nhà xưởng tại Việt Nam bằng cách phỏng vấn trực tiếp và online Sau phỏng vấn nhận lại 15 bảng câu trả lời ở bảng 4.2 Trong đó, công tác tại phòng đấu thầu (chiếm 40%), công tác thi công (chiếm 13.3%), công tác thiết kế (20%), công tác quản lý dự án (30%) và có kinh nghiệm làm việc từ 5 năm trở lên Số liệu này cho thấy đối tượng khảo sát phù hợp với yêu cầu, phạm vi của nghiên cứu và đáng tin cậy
Bảng 4.2 Danh sách chuyên gia khảo sát sơ bộ
STT Nơi công tác Kinh nghiệm làm việc Số lượng Tỷ lệ (%)
4 Phòng quản lý dự án
Tiến hành sử dụng IBM SPSS 15 phân tích thu được kết quả ở bảng 4.3:
Bảng 4.3 Kết quả phân tích trị trung bình của khảo sát sơ bộ
STT Nhân tố Mã hóa Trị trung bình Xếp hạng Độ lệch chuẩn
1 Thời điểm thi công NT1 4.13 6 0.743
2 Địa điểm công trình NT2 4.27 4 0.704
3 Công năng sử dụng NT3 4.47 1 0.64
4 Biện pháp thi công NT4 4.2 5 0.561
5 Tiến độ thi công NT5 4.33 3 0.617
STT Nhân tố Mã hóa Trị trung bình Xếp hạng Độ lệch chuẩn
7 Khẩu độ nhà (nhịp nhà) NT7 4.4 2 0.737
12 Địa hình tính gió NT12 3.87 9 0.834
Tải treo (bao gồm tải phụ và tải pin mặt trời)
14 Diện tích xây dựng NT14 4.07 8 0.458
17 Hệ số trượt giá NT17 4.07 7 0.704
Sau khi phân tích dữ liệu bằng IBM SPSS 20, tác giả nhận thấy rằng độ lệch chuẩn của tất cả các nhân tố đều nhỏ hơn 1, điều này chứng tỏ nhận định của các chuyên gia khá đồng nhất với nhau Trong đó có các nhân tố: Thời điểm thi công (NT1), Địa điểm công trình (NT2), Công năng sử dụng (NT3), Biện pháp thi công (NT4), Tiến độ thi công (NT5), Kết cấu khung (NT6), Khẩu độ nhà (nhịp nhà) (NT7), Diện tích xây dựng (NT14), Hệ số trượt (NT17) giá có mức trung bình trên 4 (trong đó NT3 và NT6 có giá trị trung bình cao nhất là 4.47), các nhân tố còn lại đều có mức trung bình trên 3 (thấp nhất là NT10 với trị trung bình 3.07) Do đó 18 nhân tố trên sẽ được đưa vào khảo sát đại trà.
Khảo sát đại trà
Đối tượng khảo sát là giám đốc dự án, trưởng phòng và chuyên viên phòng dự án, trưởng phòng thi công, chỉ huy trưởng công trình, ban chỉ huy công trình, trưởng phòng và chuyên viên quản lý án, thuộc lĩnh vực xây dựng công nghiệp
Tổng số bảng câu hỏi khảo sát là 80 bảng, kết quả thu về được 75 bảng kết quả đạt yêu cầu, chiếm tỉ lệ 93.75%
Tổng số bảng câu hỏi hợp lệ và đưa vào phân tích dữ liệu là 75 bảng phù hợp với kích thước mẫu đã phân tích ở trên Các yếu tố ảnh hưởng khảo sát được thể hiện ở bên dưới:
Bảng 4.4 Bảng mã hóa các yếu tố ảnh hưởng khảo sát đại trà
STT Yếu tố ảnh hưởng Mã hóa
1 Thời điểm thi công NT1
2 Địa điểm công trình NT2
3 Công năng sử dụng NT3
4 Biện pháp thi công NT4
5 Tiến độ thi công NT5
7 Khẩu độ nhà (nhịp nhà) NT7
12 Địa hình tính gió NT12
13 Tải treo (bao gồm tải phụ và tải pin mặt trời) NT13
14 Diện tích xây dựng NT14
17 Hệ số trượt giá NT17
18 Hệ số ứng suất (Hệ số ứng suất (Stress ratio)) NT18
4.2.1 Phân tích của đối tượng khảo sát
Kết quả trả lời nơi công tác của người khảo sát được thể hiện như bảng bên dưới:
Bảng 4.5 Nơi công tác của đối tượng khảo sát
Mã hóa Nơi công tác Số lượng
1 Ban quản lý dự án 10 13%
Tổng 75 100% Đối tượng khảo sát phần lớn là nhà thầu thi công chiếm tỷ lệ cao nhất (51%), Tư vấn thiết kế (24%), Ban quản lý dự án (13%), cơ quan nhà nước (6%), các tổ chức khác (6%) Các chuyên gia ở đây chủ yếu là nhà thầu xây dựng và chủ đầu tư thì dữ liệu sẽ đa dạng góc nhìn, quan điểm khác nhau nên dữ liệu khách quan và tin cậy hơn
Kết quả trả lời theo chức vụ của người khảo sát được thể hiện như bảng bên dưới:
Bảng 4.6 Chức vụ của đối tượng khảo sát
Mã hóa Vị trí Số lượng
Tổng 75 100% Đối tượng phần lớn là chuyên viên (thiết kế, thi công, đấu thầu…) chiếm 55%, Trưởng phòng (13%), đây là những người có đầy đủ kiến thức đồng thời trực tiếp tham gia công việc lập và quản lý chi phí xây dựng nên ý kiến của họ rất phù hợp với phạm vi và mục tiêu của nghiên cứu Riêng Quản lý cấp cao chiếm 7% và Giám đốc dự án chiếm 3%, mặc dù chiếm tỉ lệ rất nhỏ nhưng với vị trí và kinh nghiệm làm việc thì ý kiến của các chuyên gia này cũng rất quan trọng
4.2.1.3 Kinh nghiệm làm việc Đối tượng khảo sát từ 5-10 năm kinh nghiệm chiếm đa số là 40,4%, tiếp đến là kinh nghiệm từ 3 đến 5 năm chiếm 29,2%, kinh nghiệm dưới 3 năm chiếm 15,7%, thấp nhất là trên 10 năm kinh nghiệm chiếm 14,6% Đa số kinh nghiệm làm việc trên
5 năm, với kinh nghiệm và kiến thức trong lĩnh vực xây dựng thì ý kiến của các chuyên gia có độ tin cậy cao
Kết quả trả lời theo kinh nghiệm của người khảo sát được thể hiện như bảng sau Bảng 4.7 Kinh nghiệm của đối tượng khảo sát
Mã hóa Kinh nghiệm Số lượng Phần trăm Biều đồ
Trong 75 người khảo sát, có 100% người thuộc lĩnh vực xây dựng công nghiệp, với đề tài ước lượng chi phí xây dựng kết cấu thép nhà xưởng thì nhóm đối tượng nghiên cứu chính thuộc lĩnh vực xây dựng công nghiệp nhưng việc thu thập dữ liệu bị hạn chế
Kết quả trả lời theo Quy mô dự án đã thực hiện của người khảo sát được thể hiện như bảng sau
Bảng 4.8 Quy mô dự án đã tham gia của đối tượng khảo sát
Quy mô dự án Số lượng
Quy mô trên 200 tỷ chiếm tỉ lệ cao nhất là 48%, tiếp đến là từ 100-200 tỷ chiếm 22.7%, kế tiếp là từ 50-100 tỷ và dưới 50 tỷ lần lượt là 16% và 13,3% Với sự đa dạng quy mô thì phù hợp với các quy mô của nhà xưởng do đó số liệu thu thập phù hợp với đề tài nghiên cứu.
Phân tích dữ liệu
Sử dụng phần mềm hỗ trợ IBM SPSS để tiến hành phân tích đối với các nhân tố, kết quả trình bày ở bảng bên dưới
Bảng 4.9 Kết quả Cronbach’s Alpha nhóm nhân tố
Hệ số Cronbach's Alpha Số lượng biến
Bảng 4.10 Kết quả Cronbach’s Alpha và tương quan biến tổng của các biến
STT Yếu tố ảnh hưởng Mã hóa
Hệ số tương quan biến tổng
1 Thời điểm thi công NT1 0.875 0.882
2 Địa điểm công trình NT2 0.836 0.882
3 Công năng sử dụng NT3 0.198 0.905
4 Biện pháp thi công NT4 0.578 0.892
5 Tiến độ thi công NT5 0.581 0.891
7 Khẩu độ nhà (nhịp nhà) NT7 0.325 0.901
12 Địa hình tính gió NT12 0.804 0.885
Tải treo (bao gồm tải phụ và tải pin mặt trời)
14 Diện tích xây dựng NT14 0.697 0.889
17 Hệ số trượt giá NT17 0.542 0.893
Nếu giá trị Corrected Item – Total Correlation 0.7, như vậy thang đo được xem là đáng tin cậy, nhân tố NT3 (Công năng sử dụng) và NT10 (Cầu trục) có hệ số tương quan biến tổng nhỏ hơn giá trị 0,3 nên ta tiến hành loại bỏ biến X3 và X10, tiến hành chạy Cronbach’s Alpha lần 2 và kết quả thể hiện ở bảng sau
Bảng 4.11 Kết quả Cronbach’s Alpha chạy lần 2 của nhóm
Nhóm đặc điểm kỹ thuật
Hệ số Cronbach's Alpha lần 2 Số lượng biến
Sau khi loại bỏ nhân tố NT3 (Công năng sử dụng) và NT10 (Cầu trục) kết quả Cronbach’s Alpha là 0.919>0.7, như vậy thang đo được xem là đáng tin cậy, hệ số tương quan của các biến lớn hơn giá trị 0.3, đạt yêu cầu về độ tin cậy Sau khi đã đánh giá, lựa chọn các nhân tố phù hợp với mô hình, tiến hành xếp hạng sự ảnh hưởng các nhân tố theo trị trung bình mức độ ảnh hưởngm và được thể hiện ở bảng 4.13 Bảng 4.12 Bảng xếp hạng nhân tố theo trị trung bình
Nhân tố ảnh hưởng Mã hóa Trung bình Xếp hạng
Thời điểm thi công NT1 4.01 10 Địa điểm công trình NT2 4.04 9
Biện pháp thi công NT4 4.12 5
Tiến độ thi công NT5 4.63 1
Khẩu độ nhà (nhịp nhà) NT7 4.57 3
Số tầng NT11 4.12 6 Địa hình tính gió NT12 3.96 11
Tải treo (bao gồm tải phụ và tải pin mặt trời) NT13 3.93 13
Diện tích xây dựng NT14 4.15 4
Hệ số trượt giá NT17 4.09 8
Hệ số ứng suất (Stress ratio) NT18 3.23 16
Nhân tố có mức độ ảnh hưởng nhiều nhất là Tiến độ thi công (NT5) với trung bình 4.63 tiếp theo là Kết cấu khung NT6 với trung bình 4.59, Khẩu độ nhà NT7 là 4.57 Nhân tố có mức ảnh hưởng thấp nhất là Hệ số ứng suất NT18 với trung bình là 3.23
Kết quả 75 bảng khảo sát, với hầu hết các chuyên gia có trên 5 năm kinh nghiệm (chiếm hơn 38%), tất cả đều hoạt động trong lĩnh vực xây công nghiệp (100%), có chuyên môn về công tác lập và quản lý chi phí Ý kiến đánh giá của các chuyên gia đồng ý với 16 yếu tố ảnh hưởng theo thứ tự ở bảng trên, với mức trung bình cao nhất là 4,63 thấp nhất là 3,23 Trong một số nghiên cứu trước đây, thì với thang đo Likert
5 mức độ thì mức độ trên 3 được đánh giá là mức độ chấp nhận được Vì vậy, kết quả khảo sát này đạt yêu cầu.
Quy trình xây dựng mô hình
Quy trình xây dựng mô hình gồm 3 bước sau:
Bước 1: Thu thập và xử lý số liệu
Từ các yếu tố ảnh hưởng đã xác định ở chương 4, thu thập dữ liệu từ 40 dự án Chia
40 bộ dữ liệu thành 5-fold, mỗi fold gồm 8 bộ dữ liệu
Fold 1 Fold 2 Fold 3 Fold 4 Fold 5
Fold 1 Fold 2 Fold 3 Fold 4 Fold 5
Fold 1 Fold 2 Fold 3 Fold 4 Fold 5
Fold 1 Fold 2 Fold 3 Fold 4 Fold 5
Fold 1 Fold 2 Fold 3 Fold 4 Fold 5
Hình 4.1 Phân chia tập dữ liệu 5-fold
Bước 2: Xây dựng mạng neuron
- Thiết kế các tham số đâu vào: Số lớp ẩn, số nút trong lớp ẩn, hàm truyền
- Tiến hành xây dựng mô hình bằng phần mềm Rapidminer Studio 9.5
Hình 4.2: Sơ đồ quy trình thực hiện trong Rapisminer Studio 9.5
Bước 3: Đánh giá mô hình Đánh giá mô 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 toàn phương trung bình (RMSE - Root mean squared error).
Thực hiện mô hình
Dữ liệu thu thập từ các hồ sơ các dự án khu công nghiệp Có tổng cộng 40 dự án khu công nghiệp và thu thập các thông tin liên quan đến bảng sau
Bảng 4.13 Các nhân tố và kiểu dữ liệu được chọn để thu thập
Kí hiệu Nhân tố Phân loại Thứ nguyên
X1 Thời điểm thi công 2018, 2019, 2020, 2021 Không thứ nguyên
X2 Địa điểm công trình Bắc, Trung, Nam Không thứ nguyên
X3 Biện pháp thi công khó, trung bình Không thứ nguyên
X4 Tiến độ thi công [min-max] = [÷] ngày
X5 Kết cấu khung RF, MS, BC1, BC2, BC3,
X6 Khẩu độ nhà (nhịp nhà) [min-max] = [÷] m
X8 Chiều cao nhà [min-max] = [÷] m
X9 Số tầng [min-max] =[0÷4] Không thứ nguyên
X10 Địa hình tính gió B, C, D Không thứ nguyên
X11 Tải treo (bao gồm tải phụ và tải pin mặt trời) [min-max] =[0.05÷0.47] kN/m 2
X12 Diện tích xây dựng [min-max] =[÷] m 2
X13 Loại mái tôn mạ màu, tôn thường, panel
Kí hiệu Nhân tố Phân loại Thứ nguyên
X14 Loại vách tôn mạ màu, tôn thường, panel
X15 Hệ số trượt giá [min-max] =[÷] %
(Hệ số ứng suất (Stress ratio)) [min-max] =[0.93÷1] Không thứ nguyên
Y Giá trúng thầu [min-max] =[÷] VNĐ
Các dữ liệu như Địa điểm xây dựng, Biện pháp thi công, Kết cấu khung, Loại tường,
Loại mái được thu thập phân loại như sau:
- Địa điểm xây dựng bao gồm 20 địa điểm: An Giang, Bình Dương, Bình Phước, Cần Thơ, Đà Nẵng, Đồng Nai, Hà Nội, Hải Phòng, Hậu Giang, Kiên Giang, Lâm Đồng, Long An, Nghệ An, Quãng Nam, Quãng Bình, Quãng Ngải, Tây Ninh, Thừa Thiên Huế, Tp.HCM, Trà Vinh
- Biện pháp thi công: khó, trung bình
- Địa hình tính gió: B, C, D theo ASCE 7-05
- Loại tường: gồm 3 loại là tôn mạ màu, tôn thường, panel
- Loại mái: gồm 3 loại là tôn mạ màu, tôn thường, panel
Vậy dữ liệu đầu vào của lớp neuron đầu vào (input) gồm 40 dữ liệu Trước khi xử lý số liệu, các kiểu dữ liệu cần mã hóa và đặt tên thể hiện ở bảng bên dưới:
Bảng 4.14 Mã hóa và gọi tên biến các nhân tố
Ký hiệu Nhân tố Dạng dữ liệu Ký hiệu
X1 Thời điểm thi công Dạng số nguyên Interger
X2 Địa điểm công trình Dạng chữ: Vị trí (tỉnh) Polynominal
X3 Biện pháp thi công Dạng chữ Polynominal
X4 Tiến độ thi công Dạng số nguyên (ngày) Interger
X5 Kết cấu khung Dạng chữ Polynominal
X6 Khẩu độ nhà (nhịp nhà) Dạng số thực (m) Real
X7 Bước nhà Dạng số thực (m) Real
X8 Chiều cao nhà Dạng số thực (m) Real
X9 Số tầng Dạng số nguyên Interger
X10 Địa hình tính gió Dạng chữ: B, C, D Polynominal
X11 Tải treo (bao gồm tải phụ và tải pin mặt trời) Dạng số thực (m) Real
X12 Diện tích xây dựng Dạng số thực (m) Real
X13 Loại mái Dạng chữ Polynominal
X14 Loại vách Dạng chữ Polynominal
X15 Hệ số trượt giá Dạng số thực Real
X16 Hệ số ứng suất (Stress ratio) Dạng số thực Real
Y Giá trúng thầu Dạng số thực Real
Mạng nơ ron nhân tạo (ANN) đã được sử dụng trong nhiều lĩnh vực cho nhiều ứng dụng khác nhau và được chứng minh là đáng tin cậy Mặc dù có những ưu điểm độc đáo như bản chất phi tham số, khả năng giới hạn quyết định tùy ý và dễ dàng thích ứng với các loại dữ liệu khác nhau thì chúng có một số hạn chế Những hạn chế này là kết quả của một số yếu tố, có thể ảnh hưởng đến độ chính xác của việc phân loại Các yếu tố này có thể được chia thành hai nhóm chính: yếu tố bên ngoài và yếu tố bên trong Các yếu tố bên ngoài bao gồm các đặc điểm của tập dữ liệu đầu vào và quy mô của nghiên cứu, trong khi các yếu tố bên trong là sự lựa chọn cấu trúc mạng thích hợp, trọng số ban đầu, số lần lặp, chức năng truyền và tốc độ học Vì vậy, một trong những thách thức lớn trong thiết kế mạng neuron là việc xác định các thông số nhằm để quá trình huấn luyện đạt sai số tối thiểu và độ chính xác cao nhất
4.5.2.1 Số lớp ẩn và số neuron trong lớp ẩn
Vì các mạng có hai lớp ẩn có thể thể hiện các hàm với dáng điệu bất kỳ, nên về lý thuyết, không có lý do nào sử dụng các mạng có nhiều hơn hai lớp ẩn Người ta đã xác định rằng đối với phần lớn các bài toán cụ thể, chỉ cần sử dụng một lớp ẩn cho mạng là đủ Các bài toán sử dụng hai lớp ẩn hiếm khi xảy ra trong thực tế Thậm chí đối với các bài toán cần sử dụng nhiều hơn một lớp ẩn thì trong phần lớn các trường hợp trong thực tế, sử dụng chỉ một lớp ẩn cho ta hiệu năng tốt hơn là sử dụng nhiều hơn một lớp Việc huấn luyện mạng thường rất chậm khi mà số lớp ẩn sử dụng càng nhiều
Một vấn đề quan trọng trong việc thiết kế một mạng là cần có bao nhiêu đơn vị trong mỗi lớp Sử dụng quá ít đơn vị có thể dẫn đến việc không thể nhận dạng được các tín hiệu đầy đủ trong một tập dữ liệu phức tạp, hay thiếu ăn khớp (underfitting)
Sử dụng quá nhiều đơn vị sẽ tăng thời gian luyện mạng, có lẽ là quá nhiều để luyện khi mà không thể luyện mạng trong một khoảng thời gian hợp lý Số lượng lớn các đơn vị có thể dẫn đến tình trạng thừa ăn khớp (overfitting), trong trường hợp này mạng có quá nhiều thông tin, hoặc lượng thông tin trong tập dữ liệu mẫu (training set) không đủ các dữ liệu đặc trưng để huấn luyện mạng Số lượng tốt nhất của các đơn vị ẩn phụ thuộc vào rất nhiều yếu tố - số đầu vào, đầu ra của mạng, số trường hợp trong tập mẫu, độ nhiễu của dữ liệu đích, độ phức tạp của hàm lỗi, kiến trúc mạng và thuật toán luyện mạng
Trong phần lớn các trường hợp, không có một cách để có thể dễ dàng xác định được số tối ưu các đơn vị trong lớp ẩn mà không phải luyện mạng sử dụng số các đơn vị trong lớp ẩn khác nhau và dự báo lỗi tổng quát hóa của từng lựa chọn Cách tốt nhất là sử dụng phương pháp thử-sai (trial-and-error) Trong thực tế, có thể sử dụng phương pháp Lựa chọn tiến (forward selection) hay Lựa chọn lùi (backward selection) để xác định số đơn vị trong lớp ẩn Lựa chọn tiến bắt đầu với việc chọn một luật hợp lý cho việc đánh giá hiệu năng của mạng Sau đó, ta chọn một số nhỏ các đơn vị ẩn, luyện và thử mạng; ghi lại hiệu năng của mạng Sau đó, tăng một chút số đơn vị ẩn; luyện và thử lại cho đến khi lỗi là chấp nhận được, hoặc không có tiến triển đáng kể so với trước Lựa chọn lùi, ngược với lựa chọn tiến, bắt đầu với một số lớn các đơn vị trong lớp ẩn, sau đó giảm dần đi Quá trình này rất tốn thời gian nhưng sẽ giúp ta tìm được số lượng đơn vị phù hợp cho lớp ẩn Để khắc phục điều này K Gnana Sheela (2013) đưa ra công thức tính số neuron trong lớp ẩn và Tijana Vujičić và cộng sự (2016) đã chứng minh công thức này giúp quá trình huấn luyện đạt sai số thấp nhất với n là số neuron lớp đầu vào:
Nghiên cứu có 16 tham số của lớp đầu vào thì số lượng neuron trong lớp ẩn là 4
4.5.2.2 Tốc độ học (learning rate)
Tốc độ học là một siêu tham số sử dụng trong việc huấn luyện các mạng neuron, thường nằm trong khoảng giữa 0 và 1 Tốc độ học kiểm soát tốc độ mô hình thay đổi các trọng số để phù hợp với bài toán Cập nhật trọng số: weight new = weight old - (learning rate * gradient)
Tốc độ học lớn giúp mạng neuron được huấn luyện nhanh hơn nhưng cũng có thể làm giảm độ chính xác Nếu tốc độ học quá thấp sẽ ảnh hưởng tới tốc độ của thuật toán rất nhiều, thậm chí không bao giờ tới được đích Ngược lại, tốc độ học lớn thì thuật toán tiến rất nhanh tới gần đích sau vài vòng lặp nhưng thuật toán không hội tụ được vì bước nhảy quá lớn, khiến nó cứ quẩn quanh ở đích
Việc lựa chọn giá trị này phụ thuộc nhiều vào dữ liệu và yêu cầu mỗi bài toán và phải làm một vài thí nghiệm để chọn ra giá trị tốt nhất Ở nghiên cứu này tác giả đã thử và chọn tốc độ học là 0.02 thì kết quả sai số thấp nhất
Khi tốc độ học quá lớn hoặc quá bé sẽ khiến quá trình huấn luyện gặp khó khăn, momentum- động lực hoặc gọi là đà giúp cho quá trình diễn ra thuận lợi hơn
Wnew = W old - (*v + * gradient) Trong đó:
: momentum, thường chọn 0.9 v: vận tốc
Trước khi đưa các tập dữ liệu vào mô hình, ta cần thiết lập các thông số mô hình Các thông số này được ở bảng và hình bên dưới Các bước thực hiện được tham khảo ở tài liệu hướng dẫn và cụ thể các thiết lập trong phần mềm Rapidminer Studio sẽ được trình bày ở phần tiếp theo
Bảng 4.15 Thiết lập các thông số cho mô hình mạng ANN
Thông số Giá trị trong Rapidminer
Số nút của lớp vào 16
Số nút của lớp ẩn 4
Thông số Giá trị trong Rapidminer
Learning rate (tỉ lệ học) 0.02
Error epsilon (sai số cho phép) 1.0E-4
Mô hình thực hiện được thể hiện qua hình 4.3:
Hình 4.3 Mô hình huấn luyện ANN Các bước thực hiện mô hình:
- Bước 1: Đưa dữ liệu excel vào phần mềm
- Bước 2: Gán thuộc tính cho biến
- Bước 3: Thay đổi vai trò của thuộc tính, chọn Y là biến mục tiêu (Output)
- Bước 4: Chuyển đổi các thuộc tính về dạng số
Các thuộc tính không phài dạng số sẽ được ánh xạ về dạng số nhưng không làm thay đổi bản chất của thuộc tính ban đầu
Mô hình 5 fold, kiểu dữ liệu xáo theo tuỳ chọn bố trí lại (shuffled) bộ dữ liệu
- Bước 6: Thiết lập các thông số của mô hình
- Bước 7: Chạy mô hình và xuất kết quả
Sau khi chạy các mô hình, kết quả hiệu suất được liệt kê trong bảng dưới đây Chi tiết các kết quả được trình bày ở phụ lục
Bảng 4.16 Kết quả hiệu suất mô hình ANN
Giá trị sai số tuyệt đối trung bình (MAE) cho giá trị được thông qua mô hình có thể chấp nhận được đối với dự án có tổng mức đầu tư lớn nhưng nó là một sai số lớn nếu dự án có tổng mức đầu tư nhỏ Do đó, chỉ số này không quyết định quan trọng khi đánh giá hiệu suất của mô hình Sai số phần trăm tuyệt đối trung bình của mô hình là được tính toán từ bộ thử nghiệm, bằng 26.56% có thể chấp nhận được Hệ số tương quan (R) là 0.931 tương đối cao, có mối tương quan tuyến tính tốt giữa giá trị thực tế và giá trị nơ-ron ước tính chi phí mạng ở giai đoạn thử nghiệm
Hình 4.4 Biểu đồ so sánh Y và Y’
So sánh với các mô hình khác
Sử dụng bộ dữ liệu 40 công trình chạy mô hình hồi quy và mô hình máy véc tơ hỗ trợ (SVM) Kết quả của 3 mô hình thể hiện ở bảng bên dưới, hệ số tương quan (R),
Y Y' số toàn phương trung bình (RMSE) của mô hình ANN có độ tin cậy cao, tốt hơn, tiếp theo là mô hình hồi quy và cuối cùng là mô hình véc tơ hỗ trợ (SVM) Vì vậy, mô hình ANN sử dụng trong nghiên cứu này là mô hình cho kết quả tin cậy cao
Bảng 4.17 So sánh kết quả các mô hình
Mô hình ANN có hệ số tương quan lớn nhất 0.931, lớn hơn mô hình hồi quy Vậy mô hình ANN có độ tin cậy lớn hơn
Kết quả xuất ra từ mô hình Hồi quy tuyến tính
Kết luận
- Sau khi khảo sát và phân tích chọn lọc được 16 nhân tố chính ảnh hưởng đến chi phí xây dựng kết cấu thép nhà xưởng trong giai đoạn đấu thầu
- Nhân tố quan trọng nhất là tiến độ dự án, tiếp theo là nhân tố kết cấu khung và thấp nhất là nhân tố hệ số ứng suất thiết kế
- Mô hình ANN có hệ số tương quan R tương đối cao (R=0.931)
- Mô hình ANN có hệ số tương quan lớn hơn mô hình hồi quy
KẾT LUẬN VÀ KIẾN NGHỊ
Nội dung chương 5 bao gồm:
Kết luận
Đề tài đã góp phần xây dựng mô hình hỗ trợ ước lượng chi phí dự thầu trong giai đoạn đấu thầu và lên phương án thiết kế sơ bộ Nghiên cứu này giúp cho nhà thầu có cái nhìn tổng thể về giá dự thầu, lên các phương án tối ưu về thiết kế, thi công … để giảm chi phí dự thầu cũng như tăng khả năng trúng thầu
Nghiên cứu đã giúp cho thấy được các nhân tố chính ảnh hưởng đến chi phí xây dựng kết cấu thép nhà xưởng và đưa ra mô hình dự báo giá thầu trên nền tảng của phần mềm Rapidminer Studio 9.5
Từ việc nghiên cứu và tham khảo ý kiến chuyên gia, cũng như những kinh nghiệm của bản thân khi làm việc trong lĩnh vực kết cấu thép, nghiên cứu đã đưa ra 18 nhân tố để khảo sát sơ bộ (với 15 chuyên gia có kinh nghiệm trên 5 năm trong lĩnh vực kết cấu thép) để lược bỏ các nhân tố không cần thiết làm tăng tính chính xác của mô hình, đánh giá và xếp hạng các nhân tố ảnh hưởng
Với 18 nhân tố đã chọn, sau khi khảo sát tác giả đã loại bỏ 2 nhân tố không cần thiết và giữ lại 16 nhân tố quan trọng để tiến hành khảo sát đại trà đối với các đối tượng có kinh nghiệm trong lĩnh vực kết cấu thép
Khảo sát đại trà được tiến hành thông qua phỏng vấn trực tiếp hoặc gửi mẫu đánh giá online, tổng cộng 80 bảng khảo sát được thực hiện, thu về 75 bảng đạt chuẩn từ 100% những đối tượng có kinh nghiệm làm việc trong lĩnh vực kết cấu thép, dùng IBM SPSS 20 phân tích trị trung bình, hệ số Cronbach’s Alpha đưa ra được 16 yếu tố ảnh hưởng đến chi phí xây dựng nhà xưởng có mức độ đánh giá từ 3.23 đến 4.63 bao gồm: Địa điểm xây dựng, Địa hình tính gió, Thời điểm xây dựng, Kết cấu khung, Khẩu độ nhà, Tải treo, Diện tích, Chiều cao, Bước cột, Số tầng, Loại vách, Loại mái, Biện pháp thi công, Thời gian thi công, Hệ số ứng suất, Hệ số trượt giá
Nguồn dữ liệu thu thập được của một công ty (tác giả xin được phép giấu tên) từ hồ sơ dự thầu, hợp đồng thi công, bản vẽ thiết kế Tổng 16 nhân tố được chọn và đưa
Kết luận chungHạn chế của đề tàiHướng phát triển vào thực hiện mô hình Nghiên cứu xây dựng mô hình neuron nhân tạo ANN, bộ trọng số trong quá trình huấn luyện được tối ưu và hiệu suất mô hình tính tự động bằng phần mềm Rapidminer Studio 9.5 Cấu trúc mạng ANN gồm 03 lớp: 1 lớp nhập (26 neuron), 1 lớp ẩn (4 neuron), 1 lớp xuất (1 neuron), hàm truyền là Singmod, thuật toán lan truyền ngược Mô hình ước lượng chi phí xây dựng có hệ số tương quan R=0.931 có thể chấp nhận Mô hình mạng neuron nhân tạo có độ tin cậy cao hơn mô hình hồi quy và véc tơ hỗ trợ SVM.
Hạn chế của đề tài
- Hạn chế về mặt thời gian nên không thể phát triển xây dựng phần mềm hỗ trợ trực quan, thuận tiện cho người sử dụng
- Nghiên cứu chỉ quan tâm đến các chi phí xây dựng kết cấu thép trong giai đoạn ban đầu, chưa bao quát được các chi phí liên quan đến phát sinh khối lượng và các chi phí phát sinh khác
- Về dữ liệu biện pháp thi công, vẫn cần một chuyên gia thi công để nhận định về mức độ khó trong việc thi công với từng dự án, chưa thể tối giản để một người không chuyên môn có thể tự xác định dữ liệu đầu vào Bên cạnh đó, các dữ liệu thu thập được từ 2018-2021, dữ liệu thu thập chưa toàn diện do đó dẫn đến tính toán sai số còn lớn
- Mô hình huấn luyện ít dữ liệu chỉ có 40 dự án do đó cũng ảnh hưởng đến kết quả ước lượng từ mô hình
- Mô hình dự báo còn chạy trên phần phầm Rapidminer Studi0 9.5, khó sử dụng với người dùng.
Hướng nghiên cứu tiếp theo
- Bổ sung bộ dữ liệu để kết quả chạy mô hình được tốt hơn
- Xây dựng phương pháp đánh giá chi tiết hơn về nhân tố biện pháp thi công
- Xây dựng giao diện đơn giản bằng phần mềm trên Matlab, VBA excel hoặc website để có thể trở thành công cụ dự báo đơn giản, nhanh chóng.