文摘
有效地诊断和监控建设项目招标的垂直勾结,本文开发了一个综合评价模型与深层神经网络学习和转移。通过这个模型中,投标人的勾结特点,招标人和评标专家从有限的数据集挖掘隐藏,勾结趋势评价。首先,18个评价指标建立了从文献综述,法庭文件总结、典型案例分析、专家咨询。这时,一个综合评价模型开发与深层神经网络学习和转移。最后,模型训练与收集到的数据集和测试。测试结果表明,开发的模型实现了87.3%的识别精度勾结趋势评估不同的科目。
1。介绍
有许多问题在工程建设的过程中,尤其是勾结现象在投标阶段(1,2]。此外,勾结在招标已成为越来越突出的由于信息不对称等因素,监管不足,系统不完善和不科学的管理(3),和隐藏non-detectability建设项目招标勾结的逐渐增加(4]。
垂直勾结的问题在施工招标项目中,很多学者进行的研究,主要包括:勾结行为的动机,Aoyagi [5]推导出投标人与投标人相互勾结的平衡条件和分析后的分配利益勾结;Zarkada-Fraser和Skitmore6]研究了影响因素投标人勾结基于他们的心理,态度,和行为当勾结;,佩森多费尔(7)表示,tenderer-bidder勾结的两种主要方法是补偿和分包;Lugovskyy et al。8)表示,合作经验、信誉和倡议的主要因素,导致监管机构和买家勾结;Dotoli et al。9]表明,政府监管不足的投标勾结和惩罚成本低导致无效的监督和发生勾结;弗里德曼(10]发现高回报率(经济利益)的潜在动机勾结通过分析勾结的原因。学者还发现,参与者的心理有一些影响共谋的投标(11];成本不对称和不合理的提供是勾结的“触发”(12,13]。勾结的预防、张(14]分析了串谋的可能性根据项目属性,市场环境,勾结成本,和共谋利益,也构建了一个三方博弈模型,表明,降低监管成本,提高监管工具,增加处罚,参与者可以强烈抑制共谋和福利;卡维尔和卡维尔15)指出,加强利益相关者参与投标的问责制,提高各自的责任,有效地履行其义务防止勾结有重要影响;拉赫曼et al。16强调维护信息对称的重要性,保证信息安全,和保护数据隐私对共谋的过程中,并提出隐私收购协议的签字作为治理措施;布恩和Mulherin17和石黑浩18)表明,消除勾结的发生在投标的基本方式是建立一个招标监督机构,并充分发挥政府的监管角色表演,监管效率和及时处理;Howlader et al。19]发现垂直勾结在投标通过构造一个系统网络体系结构(SNA)网络模型的个人、组织、社区和其他参与者,取得了良好的效果;Van Den Heuvel [20.]阻止投标涉众意愿的特性分析,垂直勾结串通招标的主人和追随者和跟踪招标与遗传算法相结合。学者们还考虑参与者的心理(21和拍卖价格的概率密度函数22预防勾结)等。
总之,大多数研究勾结在施工招标项目的重点是勾结主题和影响因素的分析,而研究评估和确定共谋倾向比较少见。针对不断变化的垂直勾结在施工招标项目中,勾结检测更加困难,不可用的评估数据,缺乏样本,和复杂的相关指标,综合评价模型的垂直勾结的趋势在竞标建设项目开发基于深层神经网络(款)。首先,通过文献研究、文件总结、案例分析和专家咨询,确定了18个评价指标对投标人的倾向,投标者,勾结和评标专家;其次,基于深层神经网络综合评价模型开发,和收集的130例作为训练集和测试集款模型的输入数据;最后稳定模型能有效地评估款垂直勾结招标的趋势,它可以帮助防止垂直勾结的目标。
2。方法
2.1。数据收集
(1)文献综述:在中国国家知识基础设施(CNKI)和网络科学(我们),关键字“勾结”、“投标勾结”,搜索“招标腐败”。为了避免潜在的影响从古老的文学,847篇论文在过去5年(从2015年到2020年)被选为数据样本,包括一般的期刊,291年从187年的硕士或博士论文,369年从核心以上期刊。(2)研究中总结的法院文件:投标勾结、法院文件给足够的资源的情况下,有必要充分利用这个数据源。为其丰度和真实性,投标阴谋从2015年到2020年在中国注册判断在线研究和总结。表1显示了某些情况下犯罪的。(3)典型案例分析:投标的典型案例是搜索和总结中国政府的采购网络,重庆公共资源交易网络,和其他网站。表2在网站上显示了一些勾结的典型例子。
2.2。专家咨询
通过定性分析和总结收集到的共谋的数据,五个领域的专家在中国招标咨询在垂直勾结招标人、投标人、和评标专家。表3显示了专家小组的形象。包括三个具体问题。广义指标提取通过记录和分析原专家回答。问题1:你认为投标人一般表现或行为当他们参与共谋?问题2:根据投标人的行为由我们提供,将你认为投标人参与共谋时吗?问题3:在您看来,是什么在招标评标专家的主要偏向实践活动吗?
2.3。深层神经网络
主要浅机器学习模型是支持向量机(SVM) [23),提高模型(24)和最大熵模型(25]等。BP算法的出现,有效地促进了发展的深层神经网络由多层感知器(MLP) [26]。深与浅的机器学习模型相比,神经网络模型的特点是网络层,大量的网络模型参数,和强大的学习能力,引发了一波又一波的学者在这一领域的研究。例如,朱镕基和掸族(27)建立了一个高维的概率神经网络模型,全面评估公共工程项目投资风险。Langkvist et al。28)指出,深层神经网络有三个优点:突破数据的局限性,考虑复杂的交互,避免过度拟合问题。竹内,李和丁等。29日,30.)两个深层神经网络用于探索股票价格波动的趋势,并通过实证研究验证了模型。迪克森等。31日)通过大量案例证明深层神经网络具有多种信息的融合和分析的优势,从而为后续研究形成一套更有效的信息。裴et al。32]白箱测试框架应用于深层神经网络系统进一步提高深度学习系统的性能。马等。33)移植成熟的组合测试技术与传统软件测试到深层神经网络系统,在测试期间,使用测试覆盖相结合的技术来指导测试用例的生成提出了并取得了良好的结果。太阳et al。34)提出了一套相对完整、系统的测试标准基于深层神经网络的特点和适用性,这为后续的研究提供了强有力的支持,等款是一个神经网络模型添加了几个隐藏层,也称为延时。中几种常见的结构深度学习,款优越在特征提取能力强,模型结构简单,训练难度低,收敛速度快,等。考虑的问题的数据指标综合评价投标垂直勾结的建设项目并不容易获得,样本量不足和复杂的相互关系,以及综合评价的特点和需求的趋势,垂直勾结,本研究使用款模型进行综合评价。
2.3.1。款的结构
深层神经网络通常由一个输入层、隐藏层,和一个输出层(如图1),层完全连接到对方,即。任何神经元层我必须连接到任何神经元层我+ 1。在当地的小型模型中,数据在款,一样的感知器,由线性函数不同神经元之间的转移 和功能σ(z习),代表的输入我th神经元,连接的重量吗我th神经元,b代表抵消,神经网络的学习过程是至关重要的,不断调整神经元之间的连接权值和神经元补偿接近训练样本的输出。
2.3.2。款应用
深层神经网络的训练和测试过程包括培训,确定参数,测试和检查网络精度(如图2)。
2.4。研究流
针对小数据集,本文开发了模型采用方法和款转移学习算法,获得投标人倾向评估价值,投标人,评标专家作为输入。学习可以应用学到的知识转移在一个域或一个任务到另一个域或任务。给定一个源域Ds和学习任务Ts在源域,目标域Dt Tt和相应的学习任务,学习转移的目标是使用知识在Ds和Ts完成任务Tt Dt。可以使用此方法时没有足够的数据。结合学习转移与深层神经网络可以减少款模型的样本容量的要求,以适应小数据集的垂直勾结在投标以获得综合评价精度高。流的发展评价模型如图3。
3所示。结果
基于文献的关键词,勾结在典型情况下,导致在法庭文件中,勾结的投标人和招标人的频率是绘制如图4。
基于收集到的关键词投标人和招标人的共谋的实践,三个问题采访了专家和他们的原判决被记录。基于整理专家咨询结果,指标和解释在建设项目投标,达到评价演员表所示4。模型的输入值的范围为所有指标是(1,10]。
4所示。款模型的发展
4.1。数据输入
在这项研究中,共收集130例(由于大量的参与者,只有前5投标人获得的数据对每个案例),并分成两部分:训练样本和测试样本。的训练和测试样本的比例设置,张和赵(35]90%作为训练集和10%设置为测试集在构建神经网络模型的用户Q&A-related变量和月度销售服装;温家宝et al。(36)随机数据分为训练集的80%和20%的测试集,以构建一套与有效波高反演神经网络;丁等。37]使用改进的狮群算法优化的神经网络模型房地产价格预测问题通过使用第一个数据样本作为训练样本的70%,最后30%作为测试样品,等。针对隐蔽的垂直勾结在竞标,监测指标之间的相关性和难以获得指标数据,这项研究花了大约60%的训练样本和测试样本40%左右,即75个训练样本(前60共谋的情况下,后者15 non-collusive例)和55个测试样本(前40共谋的病例和正常休息15例)(见表5)。
4.2。转移学习
基于参数传递的学习方法是在这项研究中,使用的前提,一些参数或先验分布在源和目标之间共享任务模型。该算法实现知识转移,发现这些共享的参数或先验分布和处理它们。的独特优势转移学习引起了学者广泛应用:廖等人,刘等人。38,39)使用转移学习算法完成文本检测任务和边缘检测的基础上视觉几何集团网络结构;吴et al。40)转让学习算法用于控制船的名称标识,和相当大的测试结果。考虑垂直勾结的隐蔽招标指标之间的复杂关系,研究改进了模型参数的帮助下传输算法,旨在提高垂直勾结评估的准确性。
在趋势评估分析,胡锦涛(41)研究电力消费特征和构造电力盗窃用户的跟踪监测模型的帮助下改进的BP神经网络进行深度监测的电力用户。使用这个模型的主要原因作为转移学习来源是:(1)电力消费特征的相似度和垂直勾结评价指标作为源域;(2)输出的两个模型基本上是相同的,一个是盗窃嫌疑系数,另一个是垂直勾结的倾向;(3)指标的数据很容易就可以从内部系统的电力公司、电力消费数据的丰富和方便;以后,具体过程的综合评价模型基于迁移学习算法在这项研究中,见图5。
其中,模型的调整方法如下:源模型的相关参数都被转移到目标模型;一些层的权重固定调整其他层的权重,这个过程被重复,直到误差模型的输出值与实际值符合要求;在这个时候,得到了层之间的最优权重。假设有P样本训练,Xπ=的我th的输入值p,n,问,米=各自在每一层的节点数,=重量从节点我在输入层节点k在隐藏层,=重量从节点k隐层的节点j输出层的激活函数是乙状结肠函数。这个模型网络的正向输入过程如下。
输入层到隐层的输出
隐层到输出层的输出
总模型误差 在哪里Ep=样本误差,tpj=预期输出和ypj=模型的输出。
逆过程使用梯度下降法调整权重值,计算过程如下。
层之间的权值更新如下: 在哪里η=学习速率。
输出层的误差
隐藏层节点权值更新为:
隐层的错误
4.3。网络的训练和测试
4.3.1。转移的基准网络结构
在这项研究中,配置10-6-1(隐层的inputs-number neurons-number输出)款模型的跟踪和监测电力偷窃用户作为基准的网络结构是基于迁移学习算法开发一款综合评价模型(41),基准网络参数如表所示6。
4.3.2。优化和培训
的特征评价投标垂直勾结趋势,基准网络传输是调试在这项研究中,具体来说:考虑到小样本量的参与者的评价指标在垂直勾结和更复杂的数据相关性,增加网络维度和调整神经元的数量。小型网络结构有利于通过减少训练数据得到最优的结论。由于投标人之间的勾结评价指标的差异,招标人和评标专家,两个不同的网络结构设计与综合评价;投标人与投标人的配置网络。DNN-based的训练参数综合评价模型对投标人,招标人和评标专家终于决定在表7。
具体来说,均方误差均方误差通常被选为培训款模型的损失函数,如以下所示方程。 在哪里米=输出节点的数量,=网络的期望输出值,p=训练样本的数量yrj=网络的实际输出。乙状结肠,隐藏层和输出层的激活函数,也充当阈值函数的神经网络,其变量映射到区间为0 - 1,与输入间隔整个实数和输出内部[0,1],满足了设计需要综合垂直共谋的评价。乙状结肠的表达方程函数如下所示。
根据训练结果,发达的配置模型得到如图6。
在这项研究中,Python 3.9的代码实现了模型训练,和输出目标值勾结的情况下被设置为任何值(0.3,1)和正常情况下的输出目标价值被设置为任何值在[0,0.3]在训练42]。
招标人和投标人网络结构,输入层是垂直勾结的价值指标的投标人,投标人值范围(1,10),根据实际情况输入随机;隐藏层,最优数量取决于不断调整,2和4和2层神经元,分别;输出层在投标人的任何值,投标人合谋倾向间隔(0,1)。此外,两次降维的运动成就趋势评估的精度高,重量分布矩阵是矩阵8×4和4×2,分别。在第三维度退化,重量分布矩阵l3 -l4是矩阵2×1(0.169−0.317)在投标网络和矩阵2×1投标人网络[0.404,0.827]。
因为只有4个指标评估评标专家的共谋行为,本文综合评价款的尺寸调整网络向专家指的是网络对招标人和投标人款。评标专家网络结构,输入层是评标专家垂直勾结的价值指标,值范围(1,10),根据实际情况输入随机;隐藏层,最优数量取决于不断进行调整,是1与2层神经元;输出层任何价值在收购专家勾结倾向间隔(0,1)。在达到高精度综合趋势评价模型在评标专家的聚会,第一次降维的重量分布矩阵是矩阵4×2,第二个维度,即从l2l3,是矩阵2×1 [0.044,0.075]。
4.3.3。梯度下降法的误差
由于使用的损失函数模型是最小化损失函数,模型输出误差可以通过梯度下降算法来解决。在这项研究中,迭代的数量设置为2000时,培训开发模型,它被发现,训练样本的均方误差接近0(见图7)。因此,最终确定网络参数和重量分布矩阵可以反映出开发模式被认为是可靠的。在这项研究中,为了减轻或避免过度训练的问题,提前终止算法进行减轻过度拟合,即。尽快,训练是终止的过度拟合趋势模型检测。
4.3.4。测试
进行了测试使用上述55测试样品,结果如表所示8。实验结果表明,开发的模型预测48 7正确和不正确的,有一个全面的87.3%,准确度高,进一步表明该模型可以被看作是可靠和准确的。
5。模型应用程序和讨论
5.1。背景
评标的省级公路干线网站建设项目,专家小组最后锁定4候选人的顺序一个1,一个2,一个3,一个4所示。项目部门确定第一和第二获胜候选人的数量根据劳动力团队招募和获胜候选人的推荐顺序。
结合得到招标人的评估指标,竞拍者和评标专家,下面的不当行为被发现在招标活动中经过反复审查和连续追溯跟踪指标的政府监管部门:(1)的过程中准备投标文件,招标人添加“特殊技术”,和“企业资质”,评分标准和评分指标评标部分是不合理的;(2)招标过程中一个1、招标人相关招标信息泄露给企业招标公告之前,更重要的是,招标人使用他的立场通知企业重要的信息所需的材料;(3)投标过程中一个2,招标人将“有限系统”资格预审条件他;选择了评标专家在他,最后由企业指定他的下一个评标专家;(4)一个3和一个4参与招标依照正常的程序,在指标,未发现异常;(5)在评标过程中,评标小组故意给了一个2高分投标者的指令,明显的有偏见的言论。
5.2。综合评价的倾向垂直勾结
吴(42)建立了一个模型测量的强度倾向基于循证的投标人与招标人串通推理方法,并得出结论,强度级别可分为弱(0 - 0.3),弱(0.3 - -0.5),强(0.5 - -0.8),和更强的(0.8 - 1),和强烈的水平反映了两党勾结的存在。通过比较分析,在这种情况下,勾结评价水平如表所示9,它提供了一定的理论参考意义的综合评估水平的趋势勾结模型的输出值。
模型的输入值如表所示10,每个被三个监管专家的调查和跟踪指标的招标人,4投标人和评标专家。
上述三组值的应用开发模型和运行在Python 3.9中,分别,结果如表所示11。
根据输出结果,我们可以有一个高概率的共谋在招标活动中,受试者招标人勾结,一个1投标人,一个2投标人,评标专家。
5.3。讨论
基于垂直勾结的趋势指标招标综合趋势模型的垂直勾结、四种类型的预防建议垂直勾结可以提出竞价,即常规预防、预警预防、温和的预防,预防和严重。(1)常规预防面临形势的演员是较弱的开发模型。预防措施主要是例行检查,不规则的检查、特殊检查,并强调身体的检查材料和实践的投标人,投标人,评标专家的实现过程。(2)监测预警预防适合弱者的开发模型,评估和预防措施主要是动态监测招标活动的整个过程,比较投标数据在多个水平,并审查投标问题在各方面的帮助下5 G通信网络等智能技术,物联网和云计算。同时,数据保密管理的区块链多点存储技术,识别系统加强管理专家和其他智能技术相结合,可以保证整个过程,多层次、全方位的严格审查的投标,法官、评估和管理在建设项目招标活动。(3)适度预防适用于那些得分强劲实干家评估开发的模型,和预防措施主要包括承诺的实现系统,连带处罚系统和沉重的罚款制度。此外,交易平台的优点发挥设施和资源和实时交互的网络信息,建议相关政府监管部门和法律部门应该合理重组业务流程,有效防止施工招标勾结。(4)预防严重的适应较强的参与者的开发模型,和预防措施主要包括引入社会信用代码系统和编织一个详细的和良好的信用记录系统对于那些bidding-related派对。有了这个系统,任何相关活动总是观察,记录,暴露在指定平台上的大胆的心理学不勾结。此外,消耗公共服务和第三方的监督作用,不断创新监管理念,改进监督方法,和维护管理的概念,都是有机连着一个系统的监督机制来监控整个招标阶段。
6。结论
本研究开发了一种深层神经网络综合评价模型的趋势垂直勾结转移学习的帮助下,细分为投标层模型(8-4-2-1),投标人层模型(8-4-2-1),3 - layer模型(4-2-1)评标专家。收集到的130例训练和测试款建立模型,和87.3%的准确率的结果表示该模型是可靠的。根据模型的综合评价结果,四种类型的勾结预防提出了建议:常规,预警、中度和严重。常规预防的具体措施包括例行检查,不规则的检查,特殊检查,并强调检查;早期预警预防包括加强参政党的审计力量,提高招标活动的透明度,并推广了智能技术;温和的预防主要是系统实现承诺,加强公众举报渠道,和提高电子招标;严重预防落在临时加入黑名单,鼓励联合部门监督,建立一个新的监管机制衔接整个招标过程。倾向的垂直勾结行为的综合评价模型开发的这项研究有参考价值的标准化招标市场在中国和其他国家。
综合评价执行以来,在这项研究中需要充分考虑各种因素,这项研究需要进一步探讨和改进,主要在以下两个方面:一方面,企业文化的差异和当地海关时没有考虑获得综合评价指标,在未来的研究需要考虑;另一方面,有一些主观数据收集利用专家咨询作为输入值,因此后续评价数据的收集方法等深入探索接近实际情况。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由中国国家自然科学基金(批准号71771031),研究生研究长沙科技大学创新项目(批准号CXCLY2022006),公路工程的重点实验室开放基金(长沙科技大学),教育部(批准号kfj130107)。