人工神經網絡在工程項目風險分析中的應用

曹園園 肖俊

摘 要：工程項目建設過程中風險的識別、評價極其重要，能否根據評價結果采用正確的風險管理策略，是決定工程建設成敗的關鍵性因素之一。在工程項目投標決策和風險管理過程中，如何將工程項目中的風險進行定量測算已成為工程項目管理人員關注的重要問題。該文采用了人工神經網絡模型中使用最廣泛的一種BP神經網絡算法來對工程項目的風險進行分析，所得出來的工程項目風險評估結果，可為工程項目管理人員進行決策提供參考。

關鍵詞：項目管理 ?風險分析 ?BP ?神經網絡 ?模型

中圖分類號：F282 ? ? ? ? ? 文獻標識碼：A 文章編號：1674-098X（2015）10（c）-0062-02

1 工程項目中的風險

風險在任何工程項目中都存在，按照風險種類分類有自然風險、政治風險、經濟風險、技術風險、責任風險和決策風險等。工程項目實施過程中，可能遇到暴雨、洪水、泥石流、不良的地質條件等自然風險;工程所在國政局動蕩等政治風險;通貨膨脹、資金籌措困難等經濟風險;設計不完善、施工工藝很落后等技術風險;合約方違約等責任風險;信息失真和經驗缺失等帶來的決策風險。諸如此類風險都會造成工程項目的不確定性，如工期延長、成本超支、工程質量未達要求等，導致工程項目無法正常交付使用。

2 傳統風險分析的方法

傳統的風險分析方法可分為定性和定量兩種。

2.1 定性風險分析方法

定性風險分析的方法一般是憑經驗界定風險源，如列舉法、專家經驗法（Delphi法）及決策樹方法等。以專家經驗法為例，風險分析的過程為專家憑借在工程項目中的大量經驗識別出工程項目可能存在的風險源，并給出對每一類風險源的綜合印象，判明各種風險源可能對工程項目造成的破壞，是一種定性對風險的嚴重程度進行分析的方法。

2.2 定量風險分析方法

傳統的定量的風險分析方法是在定性分析的基礎上進行數學處理而實現的。如PRA（概率風險評估），DPRA（動態風險概率評估）及仿真通用軟件VERT（風險評審技術）等。在定性分析的基礎上，定量風險分析對工程項目中各個風險源發生的概率，給出各個風險源的風險量化指標，通過進行數學處理，得到工程項目中各類風險的量化值。

3 BP神經網絡模型

3.1 人工神經網絡模型

神經網絡的研究始于20世紀40年代，人工神經網絡，是指模擬人類神經細胞群學習特性的結構和功能而構成的一種信息處理系統或計算機系統，由于人工神經網絡模型適用于復雜環境，可實現多目標控制要求，并具有以任意精度逼近任意非線性連續數的特性，已應用于許多復雜控制系統的領域。

3.2 BP神經網絡

1986年D.E.Runelhart和J.L.McCelland及其研究小組提出PDP（Parallel Dis2t ributed Processing）網絡思想，他們還提出了一種網絡學習算法——BP算法（誤差反向傳播算法），至今在人工神經網絡中，影響最大、使用最廣泛的一類就是BP神經網絡。BP網絡在結構上分為輸入層、隱層和輸出層，是典型的多層網絡結構，層與層之間多采用全互連方式，同一層單元之間不存在相互連接。3層的BP神經網絡結構見圖1。

除輸入層單元外，BP神經網絡的其他基本處理單元均為非線性輸入輸出關系，層與層之間的的連接權值也是可以調節的，一般選用以下函數計算公式。

4 基于BP神經網絡的風險分析模型

在BP神經網絡的基礎上，我們建立模型對工程項目中的風險進行分析，可分為3個階段：風險辨識、BP神經網絡處理和風險評估。

4.1 風險辨識

辨識工程項目所面臨的風險為工程項目風險分析的第一階段，我們將工程項目所面臨的風險進行分類，分為6種：自然風險、政治風險、經濟風險、技術風險、責任風險和決策風險，也可根據具體工程項目實際情況確定風險分類;然后，根據已做出的工程項目風險分類，列出每一類風險可能會造成工程項目的無法正常完成的不確定因素。

4.2 BP神經網絡處理

根據風險辨識得到的工程項目風險因素清單，我們首先要對各種風險因素的歷史數據進行格式化處理，以便完成輸入層信息的輸入。還需提供歷史的項目風險系數，然后進行BP神經網絡中連接權值的訓練，得到輸入層、隱層及輸出層的之間權值。完成訓練后，在具體的某一工程項目中，即可根據現有的專家風險評估數據作為輸入，得到風險評價系數。

項目風險系數是一種評價項目的風險程度的指標，工期、費用和效益投入比是用于評價工程項目的3個客觀指標，工程項目的風險系數可以用下式表述。

式中：r為風險系數;

、分別為實際工期和計劃工期;

、分別為實際費用和計劃費用;

、分別為實際效能和預計效能;

分別是時間、費用和效能的加權系數，結合工程項目對各種資源的要求確定3個指標的值，且滿足=1的條件。

4.3 風險評估

風險評價系數的取值越小，說明風險越小，取值越大，說明風險越大，風險狀況的分區需要根據工程項目的具體情況進行劃分。以下列出了5個區間的劃分方法。

（1）r<0.2，工程項目的風險很低，即使損失發生，對工期、費用和效益投入比的影響很小;

（2）0.2r<0.4，工程項目的風險較低，如果損失發生，對工期、費用和效益投入比有一定的影響;

（3）0.4r<0.6，工程項目的風險處于中等水平，如果損失發生，有出現重大損失的可能;

（4）0.6r<0.8，工程項目的風險較大，必須采取避險措施，杜絕損失發生;

（5）0.8r<1，工程項目的風險極大，建議重新進行對該工程項目決策論證。

5 結語

將人工神經網絡方法應用于工程項目風險分析之中，在大量的歷史數據的基礎上，采用BP神經網絡模型對風險進行定量分析，大大提高了對風險評價系數預測的準確性，為工程項目的投資決策提供可信度較高的風險評價方案，特別適用于有著豐富的同類項目實施經驗和資料的企業。

參考文獻

[1] 成虎.工程項目管理[M].北京：中國建筑工業出版社，2001.

[2] 雷勝強.國際工程風險管理與保險[M].北京：中國建筑工業出版社，1996.

[3] 聞新.Matlab神經網絡應用設計[M].北京：科學出版社，2001.

[4] 焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1991.

[5] 陳理榮.數學建模導論[M].北京：北京郵電大學出版社，1998.

[6] 胡守仁，余少波，戴葵.神經網絡導論[M].長沙：國防科技大學出版社，1992.