在所有的工程建设总承包模式中, EPC合同模式最具代表性, 也是国际上使用最频繁的总承包模式。EPC合同在施工总承包中特别复杂, 以及EPC合同自身的特点, 使得总承包商承担的项目风险更多, 其合同索赔数额比传统合同模式更大。而索赔数额的增多必然导致争端数额的上升, 这对于EPC总承包工程的顺利执行造成了困难。文中主要是通过建立模型来预防并有针对性地解决争端。国外在EPC合同争端方面已有理论和方法研究, 主要研究争端产生的原因和争端预防, 以及争端产生后的解决方式。Chen等^[1]结合神经网络和基于案例推理分析来预测由于变更引起的潜在争端和诉讼, 但偏重预测潜在的争端, 没有具体地分析引起争端的原因和跟踪控制引发争端的因素。Chi等^[2]提出CBR与RBR混合推理模型后, 该模型研究及应用日益增多。CBR+RBR^[3-4]模型一般情况下主要是CBR和RBR两个阶段, 在这基础上添加CCBR(改变变量再次运用CBR模型), 对变量进行控制。在国外, 该类推理运用在合同预警方面已有一定研究^[5-6], 而国内几乎没有。国内主要是定性地研究争端产生的原因、争端预防及解决方法的研究^{[4, 7-8]}。文中在总承包的视角上, 建立CCBR+RBR模型来有针对性地进行预警和控制EPC合同争端。

1 EPC合同的特点和产生争端的根源

EPC合同争端主要体现在设计、工期、质量、采购等方面。基于EPC合同自身特点, 与其他模式相比虽然工程争端相对较少, 但发生争端所涉及争端复杂、争端数额较大且争端造成的影响也比较严重。

1.1 EPC合同的特点

EPC(engineering, procurement and construction)是指总承包商按照合同要求, 向业主提供包括设计、采购、施工直至工程交付使用全过程服务, 并对工程质量、安全、工期和造价全面负责的建设模式。这种模式责任主体单一, 有利于工程平行作业, 提升项目综合效益；同时, 简化了合同组织关系, 便于业主进行管理。目前, 已成为国际上一种通行的工程建设模式^[9]。EPC总承包与其他模式相比有独特的特点^[10], 如表 1所示。

1.2 争端产生的根源

争端是指当事人对某一事件或许多事件所持的观点和主张不一致而引发的对立和冲突。在EPC合同中, 由于项目本身的特点和参与方所处的立场不同, 从而在整个过程中会产生不同的看法而引起争端。EPC总承包项目之所以会出现争端, 主要体现在业主潜在需求显现度、合同条款不明确、环境不确定性、工程项目的复杂性和参与方的有限理性、认知差别和机会主义^[7]5个方面, 如图 1所示。其中潜在需求显现从两个角度考虑：1) 自身需求的显现。由于EPC合同自身特点, 工期长就有可能会遇到法律、法规、技术方面不了解的情况。2) 总承包向业主提供潜在的需求或者相关的信息。在施工过程中随着技术和信息的变化, 施工单位可能会掌握好的技术和有价值的信息使双方能够达到共赢。然而要使显现度达到完全透明化这一过程就会产生很多争端。

2 推理模型 2.1 CBR推理

CBR是基于历史经验和知识的智能推理技术。CBR基于这样的思想：人类在解决新问题时, 往往在大脑中搜索过去发生的类似情况, 借鉴类似事件的处理方法来完成对当前问题的解决。这种过去的类似情况及其处理方案在CBR中就被称之为案例(case)。历史案例可以用来评价新的问题及新问题的求解方案, 并且对可能产生的错误进行预防^[11]。CBR系统主要具有案例检索(retrieve)、案例重用(reuse)、案例修正(revised)和案例保存(retain)4个推理步骤。其基本原理为：以已经发生过的案例为基础, 把现在将要发生的争端特征属性与案例库中的案例进行检索, 检索到相似度较高的案例作为参考甚至借鉴它的解决方式。这主要体现了对经验的重用, 如果没有达到相似度阀值可以对原有的案例进行修改, 以适应当前的情况^[6]。

2.2 RBR推理

规则推理是系统中最简单、最常用的一种知识表示方法, 它将领域专家的经验知识表示成IF〈条件〉THEN〈结论〉的规则形式。其中〈条件〉是征兆的逻辑组合, 结论是预警集合, 这样就建立起征兆与预警的对应关系。在RBR系统中, 一个规则的结论可能是另一个规则的前提, 求解的过程是一个反反复复从规则数据库中选用合适的规则并实施过程。一个典型的RBR系统主要有知识库、数据库和推理机^[12]。该推理也是需要收集大量的相关信息并且需要经验丰富的知识工作人员来执行, 所以经验和收集数据对于RBR推理至关重要。

2.3 CBR+RBR模型的基本流程

根据领域的不同把融合模型分为4类, 文中模型主要是以CBR为主RBR为辅的混合模型^[2]。CBR+RBR模型融合后能够在丰富的知识库上实现高效实时推理, 还能够相互弥补各自存在的不足, 能够很大限度地找到问题的解。文中对该模型稍微有点改进, 推理基本流程如图 2所示。

CBR+RBR模型的推理思路为：1) 通过人机交互获得引起争端的事实因素, 这些因素要根据争端的类型进行分类并进行案例表达存储于案例库中。2) 应用欧式距离把收集到的同类案例特性与案例库中的特征进行相似度计算, 并进行预警级别判定。3) 若达到规定的相似度阀值, 再判断是已经发生过的争端案例还是之前预测成功的案例；如果是已经发生过的, 则取出与之相似度最高的, 并依次更改各特征属性的值与相似度最高案例在进行相似度计算(CCBR), 直到找出某一主次关键特征属性, 以便有针对性地预防争端的发生。如果是没有发生争端的案例, 则直接输出该案例的相关信息, 输入案例预防就按照该案例进行。若低于阀值, 则进行规则推理, 得出预警等级并把成功案例添加到案例库中。若不满意, 修改推理规则再次进行规则推理。

3 CBR推理分析 3.1 案例表达

一个好的系统能够提供有价值的信息给用户。文中的模型主要是依赖于收集到的历史案例, 案例的质量由收集的数据质量和是否均匀分布在有意义的范围内确定。因此, 在模型运转的初始初阶段, 收集历史案例对系统尤为重要。案例的来源一般主要是从学者、仲裁委员会、建筑协会和查找相关文献来获取。

就EPC合同本身而言, 争端预警实例检索可以从合同文件的错误表述、合同范围不明确、合同表述模糊、黑白合同、口头与书面混合、合同变更等方面进行。笔者主要是针对合同范围不明确来进行研究。不同的特征在实例匹配过程中所起的作用在很大程度上是不同的, 因此, 要给每个案例的特征赋予不同的特征权重来体现和区分不同的案例。用一个多元数组来表达实例为

C=[N, A, W, T]^[13],

式中：N代表每一个实例的标示符；A为问题的初始描述, 即一系列的属性特征, A=[a₁, a₂, a₃, a₄]；W体现每个属性特征的重要性, 即特征权重W=[w₁, w₂, w₃, w₄]；T为求解目标。由此, 构成实例库如图 3所示。

3.2 案例相似度计算 3.2.1 基于熵的特征权重计算

熵权决策法是在没有专家权重的情况下, 根据被评价对象的指标构成的判断矩阵来确定指标权重的一种方法^[12]。

1) 假设案例库中有m个案例, 每个案例的属性特征有n个, 则每个方案各指标构成判断矩阵

$ \mathit{\boldsymbol{R}} = {\left( {{r_{ij}}} \right)_{m \times n}}\left( {i = 1, 2, \cdots, m;j = 1, 2, 3, \cdots, n} \right)。$

(1)

2) 运用2)对1)进行归一化, 从而得到归一化矩阵B, B的元素为

$ {b_{ij}} = \frac{{{r_{ij}} - {r_{\min }}}}{{{r_{\max }} - {r_{\min }}}}, $

(2)

$ \mathit{\boldsymbol{B}} = {\left( {{b_{ij}}} \right)_{m \times n}}\left( {i = 1, 2, \cdots, m;j = 1, 2, 3, \cdots, n} \right), $

(3)

式中, r_max是在同一特征属性下不同方案的属性值最大值, r_min是最小值。

3) 熵可以定义为${H_j} = -\left({\sum\limits_{i = 1}^m {{f_{ij}}\ln {f_{ij}}} } \right)/\ln m\left({i = 1, 2, \cdots m; j = 1, 2, 3, \cdots, n} \right)$其中${f_{ij}} = \frac{{1 + {b_{ij}}}}{{\sum\limits_{i = 1}^m {\left({1 + {b_{ij}}} \right)} }}, $从而, 信息偏差度可以通过公式：Dev_j= 1-H_j。

4) 权重公式^[14]为${W_j} = \frac{{{\rm{De}}{{\rm{v}}_j}}}{{\sum\limits_{j = 1}^n {{\rm{De}}{{\rm{v}}_j}} }}$。

3.2.2 欧式距离计算相似度

就给定目标案例, 从案例库中检索到最为相似案例是该模型的关键。文中主要采用最近相邻算法计算案例之间的相似度^[15-16]。

定义1  假设案例库中有m个案例, 记为S=(S₁, S₂, …, S_m), 每个案例有n个属性, 记属性集为C=(C₁, C₂, …, C_n), 目标案例为Y=(Y₁, Y₂, …, Y_n), 其中S_i=(X_i1, X_i2, …, X_in), i =1, 2, …, m, C_j= (X_1j, X_2j, …, X_mj), j=1, 2, …, n。特征属性矩阵为

$ \mathit{\boldsymbol{A}} = \left[{\frac{\mathit{\boldsymbol{X}}}{\mathit{\boldsymbol{Y}}}} \right] = \left[{\begin{array}{*{20}{c}} {{X_{11}}}&{{X_{12}}}& \cdots &{{X_{1n}}}\\ {{X_{21}}}&{{X_{22}}}& \cdots &{{X_{2n}}}\\ \vdots&\vdots &{}& \vdots \\ {{X_{m1}}}&{{X_{m2}}}& \cdots &{{X_{mn}}}\\ {{Y_1}}&{{Y_2}}& \cdots &{{Y_n}} \end{array}} \right]。$

定义2   假设案例X={X₁, X₂, X₃, …, X_n}, X_i(1≤i≤n)是它的特征值, W_i是其权重。X是n维特征空间D=(D₁^*, …, D_n^*)上的一点, X_i∈D_i, 对于D上的X, Y, 则X, Y在D上的距离为${\rm{Dist}}\left({X, Y} \right) = {\left({\sum {{W_i}*D{{\left({{X_i}, {Y_i}} \right)}^r}} } \right)^{1/r}}$,

其中

$ D\left( {{X_i},{Y_i}} \right) = \left\{ {\begin{array}{*{20}{c}} {\left| {{X_i} - {Y_i}} \right|}&{如果{D_i}是连续的,}\\ 0&{如果{D_i}是离散的,且{X_i} = {Y_i},}\\ 1&{如果{D_i}是离散的,且{X_i} \ne {Y_i}} 。\end{array}} \right. $

当r=2时, 即Dist(X, Y)为欧拉距离。

定义3   相似度是指两个案例的相似程度, 设案例X, Y的相似度用Sim(X, Y)表示, 对特征属性矩阵$\left[ {\frac{\mathit{\boldsymbol{X}}}{\mathit{\boldsymbol{Y}}}} \right]$中的数据进行归一化处理得到X′, Y′即Sim(X′, Y′)∈[0, 1], 且满足对称性、子反性和传递性为

$ \begin{array}{l} {\rm{Sim}}\left( {X', Y'} \right) = {\rm{Sim}}\left( {X, Y} \right) \\ = 1 - {\rm{Dist}}\left( {X, Y} \right) = 1 - \sqrt {\sum\limits_{j = 1}^n {{W_j}{D^2}\left( {{X_i}, {Y_i}} \right)} }, \end{array} $

当X, Y为模糊值时, 相似公式为：Sim(X, Y)=e^-f(x)-f(y), 其中f(x), f(y)分别为相应模糊变量的隶属度函数。

4 实例分析 4.1 案例数据选取

文中从参考文献、调研和工作经验方面收集到关于合同本身范围界定不清楚, 而引发争端和预防争端的一些成功案例来建立一个简单的案例库。总共收集到5个有效案例, 并存放在数据库。该类案例的主要特征属性有项目形式、风险范围、试运行范围、不可抗力范围、工程保险范围和变更范围。案例相关信息如表 2所示。

4.2 属性值符号化

将所有特征属性值取值映射为符号。对于离散的属性值如项目形式可以根据上面表格说明中提及到的依次映射为1、2、3、4和5；对于连续的属性值如不可抗力, 先运用Boolean reasoning algorithm算法把该属性进行属性离散化, 离散化区间为：(0, 50), [50, 86), [86, 100);并依次符号化为1、2、3。这6个属性特征符号化如表 3所示。

经过上述数据处理后, 其中有的属性并不一定在计算相似度时起作用, 因此, 经过属性约简^[18]把risk属性删去, 即5个案例数据的处理结果如表 4~7所示。

由上述数据可知, 案例库中S₅与输入案例的相似度值最高并达到相似度阀值, 所以该案例已经进入预警的高危阶段, 需要根据案例S₅的相关信息进行分析。由取出案例S₅的信息可以得到该案例是已发生过的案例, 并使用枚举法进行关键因素分析。首先, 找出两个案例之间特征属性值不同的属性。其次, 改变该不同属性值使案例之间的相似度提高, 并计算该提高的量找出关键因素, 此处对比发现只有不可抗力特征属性是不同。所以该案例以监控不可抗力因素为重点, 并对其进行实时跟踪。

5 结论

EPC合同项目中总承包商风险明显加大, 主要在于该合同是固定总价合同, 几乎承担了所有风险, 一旦签订就很难修改与索赔。但如果发生争端将会是比较大的争端, 而且时间比较长。文中主要研究了基于CCBR+RBR模型及其在争端预警中的应用来帮助总承包企业减少甚至避免合同争端, 其研究创新主要体现在：

1) 构建了案例推理模型和规则推理模型、欧式距离法、枚举法、布尔推理算法和属性约简法相集成的EPC合同争端预警模型, 起到预防、警告和实时追踪的作用。

2) 在CBR+RBR模型的基础上增加了CCBR过程, 主要是找出控制关键因素。

3) 设计了一套完整的模型, 可以针对不同的案例形式来进行预警并有针对性的控制案例的关键要素来减少甚至避免争端的发生。在以上的基础上通过实验表明, 采用基于CBR+RBR模型处理EPC合同争端预警是可行的。