政府监督数据驱动的工程建设质量风险全景式预警模型

张 可 ，周雨欣 ，张 政 ，马 敏

（1.河海大学 商学院，江苏 南京 211100，E-mail：47778639@qq.com；2.河海大学 项目管理研究所，江苏 南京 211100）

确保工程质量安全对维护人民生命财产安全及经济高质量发展具有重要意义。为我国构建了政府监督、业主检查、监理控制和承包商保证的四级质量管理体系。政府监督在质量管理体系中具有独特地位，提升其监督管理水平对保障工程质量安全至关重要。准确预警质量风险是有效预防、控制工程质量事故的必要前提，提高对工程质量风险的预警能力是提升政府监督管理水平的重要方式之一。因而从政府监督视角出发研究工程质量风险预警方法具有重要价值。

已有工程质量风险评估、预警方法研究主要分为两类：模型驱动的方法和数据驱动的方法。模型驱动的方法依托于专家经验，借助定性及定量方法建模，其主要包括德尔菲法、层次分析法[1]、物元评价模型[2]和模糊评价法[3，4]等。虽然该类方法便于使用，但主观性较强、评价成本偏高。数据驱动方法借助机器学习技术自动挖掘已有工程质量风险数据中的规律，能够有效弥补该不足。其主要包括神经网络[5]、文本挖掘[6]和贝叶斯网络[7]等。如乌云娜等[8]将MOBP神经网络引入工程质量缺陷免疫算法，实现了质量缺陷风险因素识别与预警。卢鑫月等[9]提出了基于动态贝叶斯网络的地铁隧道施工风险评估方法。但已有基于数据驱动的研究多针对单个工程，从业主、承包商角度探讨工程质量风险预警的机器学习方法，而较少从政府监督角度，对大量在建工程建立全景式的风险评估、预警模型。

为此，本文从政府监督视角出发，针对监督数据的多元时间序列特征及其风险特征提取的全局和全过程性要求，提出了一种监督数据驱动的工程质量风险全景式预警模型。一方面从政府对大量工程的监督责任出发，引入共同主成分分析（Common Principle Component Analysis，CPCA）[10]构建全局风险因素特征提取方法，以解决质量风险特征提取的全面性问题；另一方面从政府监督工程建设全过程的职责出发，采用门控循环单元（Gated Recurrent Unit，GRU）[11]构建关键历史风险特征提取方法，以提升关键历史特征对质量风险预测的影响力，从而提高风险预警准确度。从政府监督职责出发，构建基于全局和全过程特征提取的工程质量风险全景式预警模型，以期满足政府监督部门的特殊风险管控需求，为其探索科学高效的工程质量监管方式提供参考。

1 理论分析

1.1 政府监督数据特征

工程质量监督的抽查监督方式，使得监督数据具有多维时序特征。由于工程数量众多、监督资源有限，政府部门通过抽查重点选择可能存在质量风险的工程开展现场监督。在现场抽查过程中，质量监督人员检查、记录相关指标情况，形成一条监督检查记录。通常一个工程项目需要经过多次监督抽查，其监督数据形成一个多元时间序列。

定义 1：记每个工程对应多元时间序列为：MX=[X1，X2，…，XT]，式中T为该工程质量检查总次数，即时间序列长度；Xi表示该工程第i次监督抽查时各指标的取值，即：Xi=[xi(1)，xi(2)，…，xi(D)]T；D为质量监督风险指标个数，即序列特征数量；xi(j)表示该工程第i次检查第j个指标的结果。

通常一个监督部门同时监督多个工程项目，这些工程监督数据构成数据集合。此外，监督部门定期组织监督计划编制，监督人员会对具有潜在质量风险的项目进行风险识别和关注，形成风险标签。

定义 2：记工程质量风险数据集为Q={(MX1，Y1)，(MX2，Y2)，…，(MXN，YN)}，其包括N个工程对应的二元组数据(MXk，Yk)，其中MXk为第k个工程多元时间序列；Yk为其对应的风险等级标签。

1.2 工程质量风险的全局特征提取

政府质量监督的全面性特征，要求工程质量风险的特征提取具有全局性。一方面，政府监督部门对所辖范围内的全部工程具有监督责任，这要求其要从工程项目群体角度，以统一标准全面分析项目质量监督数据，开展全景式评估和预警；另一方面，政府质量监督包括质量体系、质量行为等多方面指标。这些指标具有复杂的相关性，消除这种相关性，关注重要数据，有助于构建良好的风险预警模型。

为消除指标间相关性，最为经典的特征提取方法是主成分分析法[12]（PCA）。但对于本文研究的政府监督多元时间序列数据集来说，PCA处理的每个工程项目对应一个独特的特征提取空间坐标系MWk={Wk1，Wk2，…，WkD}。在确定主成分个数P后，政府监督的N个工程项目对应序列分别被映射到MWk′=(Wk1，Wk2，…，WkP)的N个不同的特征空间中，这使得各项目主成分指标由原指标通过多种线性变换方式得到，其含义无法一一对应。比如工程MX1特征提取时第一主成分更多关注施工单位安全防护工作是否到位，而工程MX2更多关注是否分解确认安全任制。这导致监督部门在评判每个工程项目风险时所参考的标准不同，不能以全局视角整体把握各工程风险状况，从而出现预警失误。

针对该问题，本文引入共同主成分分析（CPCA），基于所有工程公共特征投影空间提取全局特征，以保证各工程风险主成分指标含义相同，为各工程风险预警提供标准统一的参考数据[10]。

1.3 质量风险数据全过程特征提取

工程建设受管理、技术、环境等多方面因素影响，质量风险随时间推移具有动态变化特征，关键建设阶段的质量状况对未来质量风险等级具有重要影响。为确保工程建设项目的安全可靠，政府监督部门必须对工程建设全生命周期进行质量监管。充分利用历史监督数据，提取关键历史风险特征，对有效预警高风险工程项目至关重要。

对于数据类型为时间序列的质量监督数据，门控循环单元（GRU）的“门”结构能够自动提取关键历史与当前风险信息，将历史监督信息“聚合”至当前风险特征中[13]。相比于长短期记忆网络（LSTM），GRU在时间成本更低的前提下，具有与其相当的性能[11]。因此，本文采用GRU对工程建设生命周期内的监督数据进行全过程特征提取。

2 模型构建

根据政府质量监督全面性及全生命周期性的特点，将全局特征提取方法CPCA与全过程特征提取方法GRU相结合，构建基于CPCA-GRU的工程建设质量风险全景式预警模型。

2.1 CPCA全局因素特征提取

给定工程质量风险多元时间序列数据集Q={(MX1，Y1)，(MX2，Y2)，…，(MXN，YN)}，消除量纲影响并转置每个多元时间序列得到Q′={(MX1′，Y1)，(MX2′，Y2)，…，(MXN′，YN)}，其中

基于表达特征提取后样本超平面的最近重构性原则[12]，为构建后续优化模型，需要先求取Q′中每个工程序列的协方差矩阵：

由于特征提取空间的选择基于协方差矩阵的特征值与特征向量，为充分考虑工程质量风险数据集中工程样本的全局因素特征，使原始特征经相同的线性变换得到各工程序列主成分，基于式（1）结果求取各工程序列平均协方差矩阵：

将之作为求解特征提取空间基向量的对象；构建优化模型：

对式（2）所示平均协方差矩阵进行特征值分解，得到特征值λ1，λ2，…，λD（λ1≥λ2≥…≥λD）和对应的特征向量矩阵MW=(W1，W2，…，WD)。

记前P个特征向量累计方差贡献率为：

并与阈值α作比较：当φ(P)≥α时，说明该P个特征向量W1，W2，…，WP满足特征提取后信息保留量的要求，将其构成的空间作为投影空间MW′=(W1，W2，…，WP)。

记第k个工程序列第i次检查对应特征提取坐标系中的投影为Uki=(uki(1)；uki(2)；…；uki(P))。

由式（5）得到第k个工程序列第i次检查指标得分在特征提取空间第j个维度上的投影。对每次检查数据做相同处理，最终得到MUk=[Uk1，Uk2，…，UkTk]T为第k个工程序列经CPCA降维后的主成分矩阵。

合并所有工程样本的主成分矩阵结果，得到降维后的工程序列数据集QU={(MU1，Y1)，(MU2，Y2)，…，(MUN，YN)}。

2.2 GRU全过程时序特征提取及风险等级分类

采用全局因素特征提取结果QU代替原始数据集Q构建工程质量风险预警模型。结合GRU原理[14]可知，GRU网络的输入为MUk第i次检查对应主成分值Uki和i-1次检查隐藏状态Hk(i-1)。训练标签为Yk。

GRU的重置门Rki、更新门Zki计算如下：

式中，Wur，Wuz，Whr，Whz为权重参数；br，bz为偏置参数；σ为激活函数。

经重置门筛选第i-1次检查隐藏状态信息Hk(i-1)，再结合当前检查对应主成分信息Uki，得到当前检查的候选隐藏状态H~ki；通过更新门控制对i-1次检查隐藏状态信息Hk(i-1)的保留度及对第i次检查候选隐藏状态信息H~ki的接受度，得到第i次检查隐藏状态信息Hki：

式中，tanh为激活函数。

每一次检查对应数据均需经过以上处理。

由于第Tk次检查对应隐藏状态综合提取了前Tk-1次数据的关键历史信息，对第Tk次检查时该工程序列风险随时间的动态变化特征最具代表性，故基于该次隐藏状态计算，得到第Tk次检查时模型对工程质量风险分类等级，即风险水平的预判结果。

正向预测风险后，将其与真实标签作对比，以最小化损失函数为目标，反向更新网络中各参数。

2.3 工程建设质量风险全景式预警流程

综合上述分析，基于政府监督数据驱动的工程建设质量风险全景式预警算法步骤如下：

（1）计算各工程序列协方差矩阵。以Q集合为输入，采用式（1）获得N个工程样本协方差矩阵Ck（k=1，2，…，N）。

（2）计算工程样本集协方差矩阵。以N个工程序列协方差矩阵Ck作为输入，采用式（2）获得N个样本的平均协方差矩阵C。

（3）构建样本共同主成分集合。通过式（3）～式（5）将N个样本在统一特征提取空间MW′上投影变换，得到样本共同主成分集合QU。

（4）全景式预警模型训练。以QU作为输入，通过式（6）～式（8）提取关键历史特征并前向预测样本风险，然后反向训练网络参数。

（5）算法结束。当达到指定训练轮数时，结束训练得到模型。将新的工程质量风险数据输入模型，即可获取该工程对应的质量风险水平。

3 实例应用

为检验本文政府监督数据驱动的工程建设质量风险全景式预警模型的有效性，将其应用于浙江省水利工程质量监督管理实践中，并与经典多元时间序列分类算法GRU[13]、DTW-KNN[15]和基于PCA特征提取的PCA-GRU方法作对比。

3.1 实例背景

应用数据来源于浙江水利工程质量监督管理中心的质量风险管理系统。数据内容包括各工程风险因素及未来风险水平。工程质量及安全生产是工程项目管理的两个重要内容，其风险影响因素具有相通之处，二者本身也存在相辅相成的关系。本文质量风险预警同时涵盖这两个方面，风险因素对应分为安全风险因素和质量风险因素，均由浙江水利工程质量监督管理中心组织全省质量评估专家论证确定（见图1和图2）。未来风险水平为质量监督人员依据抽检时的风险因素状况，对各工程未来发生相关风险可接受度的评判。评判对象包括安全伤亡事故、外观质量及质量缺陷与质量事故，风险水平分布如表1所示。

图1 安全风险指标

图2 质量风险指标

表1 风险等级分布

3.2 全局因素特征提取结果及分析

经过数据转化、数据集划分等处理后，取累计方差贡献率阈值为90%，此时质量风险和安全风险主成分个数为 7（累计方差贡献率与主成分个数关系见表2）。由于篇幅限制，本文仅对质量风险主成分对应原始指标得分展开分析（得分见表3），安全风险与此相似。

表2 累计方差贡献率与主成分个数关系

表3 质量风险指标得分

根据主成分指标得分结果，针对浙江省水利工程项目质量实际情况，可以得出以下几点结论：

（1）质量人员管理应作为政府监督工作的重中之重。排名越靠前的主成分取值波动性越大，其主要关注的原始指标在工程建设周期内的动态变化越强，给工程质量带来更多的风险隐患。由主成分指标得分结果可知：第一主成分的主要关注点为质量人员管理，人员管理状况在建设周期内具有较高的不稳定性。出现这种现象的原因一方面是浙江省水利工程规模较大，管理人员相对缺乏，人员管理工作的开展存在不及时和不全面性；另一方面是近些年人力资源成本显著上升、人员流动性不断增强，导致质量管理人员的资质保障及稳定性下降。

（2）参建单位保障质量的内源性动力有待提升。质量风险第二、第三主成分均着重关注支持与配合指标，说明即使参建单位质量意识较高，但更多可能源于外在监督压力较大，而自身主动保障质量、积极接受政府监督指导的意识较弱。从政府监督视角来看，较强的质量管理能力只是保证工程质量的客观因素，这受监督资源的影响存在一定波动性；而参建单位支持与配合质量监督的态度间接反映了其履行质量义务的主观意愿，积极的主观意愿是保障工程质量的根源性动力。只有政府监管能力与参建单位主观意识均达到较高水平，才能真正有效降低质量风险。

（3）参建单位整体质量意识有所提高、施工组织能力不断增强、机构设置比较完善。质量意识、施工组织只在第八、第九主成分被重点关注，说明其对质量风险的贡献较小；而所有主成分对组织机构关注度较弱，说明参建单位的机构设置较为成熟，在建设周期内处于相对稳定的状态，未出现明显问题。针对以上现象，可能存在如下原因：一是自《中共中央国务院关于开展质量提升行动的指导意见》（中发〔2017〕24号）实施以来，各单位贯彻相关精神，质量意识显著提升，整体一致性较强；二是浙江省水利建设市场的监管较为严格，对工程建设单位的信用管理、资质管理形成了较好的震慑效应；三是浙江省工程规模较大，大部分参建单位为央企、国企，具有较强的质量意识及施工组织能力和较为成熟的机构设置体系。

由特征提取结果可知，政府监督部门与项目法人、监理单位肩负着不同的监督责任，监督要点存在共性，但又各有侧重。从共性来看，其对质量人员管理均十分重视。但受监督责任及能力影响，三者的检查要点又各有侧重。政府监督部门是质量监督体系中最具权威性的保障力量，从职责出发，其需要对所有在建工程质量进行全局把控。但由于监管项目众多，其无法细致检查工程现场的质量保障工作，更多是从面上监督参建单位的质量管理体系及支持配合态度，以从基础和意识根源上降低安全质量隐患。项目法人及监理单位对工程质量安全负有更直接的责任，其往往需要，也有条件针对单个项目特点细致检查每项风险点。

3.3 全景式风险预警模型结果及分析

将训练集、验证集全局因素特征提取结果及对应未来风险水平标签输入 GRU初始模型，以最小化交叉熵损失函数为目标训练模型参数，最终以训练好的模型预测测试集工程项目质量风险等级。将预测结果与真实风险标签作对比，模型分类准确度如表4所示。

表4 风险分类准确度

从直观结果来看，本文模型对未来风险水平分类的准确度高于其他方法，且性能较为稳定，能够很好地解决工程质量风险预警问题。

从全景式预警模型原理角度对比，一方面从全局因素特征提取分析，PCA提取后再分类的准确度甚至低于基于原始数据的模型准确度。这证实了PCA在面对多个工程序列提取特征时分别关注单个工程项目数据，存在导致不同工程主成分含义不一致的缺陷，无法在政府对大量在建工程同时开展质量监督时进行有效的特征提取；而基于CPCA的模型分类效果较好，说明CPCA在消除指标相关性的同时，从所有项目整体角度分析获得的构成相同的主成分，使得政府监督以统一的标准审视所有在建工程质量，从而准确判断各工程质量风险水平；另一方面从全过程时序特征提取分析，可看出即使单独使用GRU，其预警准确度也高于DTW-KNN。这是由于针对政府质量监督数据的时间序列特征，DTW-KNN对各次检查结果同等对待，而GRU能够着重关注对当前风险水平具有重要影响的关键历史信息，从而得到更高的预警准确度。

综上，本文基于 CPCA-GRU的工程建设质量风险全景式预警模型具有显著良好的预警效果。随着政府监管工程项目数量、监管内容和监督抽查次数的增加，本文模型的优越性将会进一步显现。

3.4 对策建议

（1）对于质量、安全人员管理状况风险隐患较大的问题，一方面提醒质量监督人员在抽检时，要特别注意安全、质量管理人员是否按时到岗，人员更换是否具备资质、是否及时备案，作业人员上岗是否持证，安全教育、交底、培训及考核工作是否正常开展等；另一方面提醒政府相关部门加强对资金划拨、使用的监管力度，以提高资金使用效率，保证参建单位的人力资源资金，从而减小人员管理工作不到位给工程质量安全带来的风险。

（2）对于参建单位履行质量义务内源性动力不足的问题，从政府监督部门自身职责出发，其可以面向参建单位主持开展工程质量保障主题教育；并在相关文件中强调参建单位积极的主观意愿对提升工程质量安全的重要作用，以提高其履行质量义务、保障质量安全的自觉性与主动性。

（3）对于参建单位当前表现出的良好施工组织能力、机构设置及质量意识状态，要采取持续性促进措施。从正向激励角度，对于质量行为长期规范的单位，可施行信用加分政策；同时组织相关培训，以协助参建单位提升机构设置及施工组织水平。从反向惩治角度，政府监督部门一方面应保证自身严格持续落实监管工作；另一方面，对于工程质量问题频发、对监督检查意见拒不整改或屡改屡犯的质量责任主体，根据问题严重程度，监督部门可采取行政约谈、不良行为记录及量化扣分等多种监管措施，以形成震慑效应，规范责任主体行为。

4 结语

本文从政府监督视角出发，依据其监督职责提出的 CPCA-GRU质量风险全景式预警模型，能够很好地解决政府质量监督部门对大量在建工程的质量风险预警问题。CPCA全局因素特征保证了对大量工程开展风险预警时参考标准的统一性；GRU全过程特征充分提取关键历史风险信息，提升了质量风险水平预判的准确度；基于 CPCA-GRU的全景式模型具有显著的预警优势，为监督部门提高对工程质量事故的事前预防及精准管控能力提供了理论支撑。实例应用结果表明，本文模型能够为监督部门提供有效的风险预警信息。本文对比分析了政府监督部门与项目法人、监理单位监督重点的异同，明确了质量人员管理、支持与配合态度等政府监管重点，为其开展精准管控工作提供了决策支持。

工程质量风险指标随时间对风险水平的影响具有动态变化趋势，质量监督工作在工程建设各阶段具有不同的侧重方向，未来研究需引入更具动态性的特征提取方法获取不同阶段的风险趋势特征。