“一帶一路”沿線地區煤礦企業基建項目風險發生概率預測研究

李紅霞 黃已芯 田水承 李 琰

(1. 西安科技大學管理學院，陜西省西安市，710054；2. 西安科技大學能源學院，陜西省西安市，710054；3. 西安科技大學安全管理研究所，陜西省西安市，710054)

“一帶一路”沿線地區煤礦企業基建項目風險發生概率預測研究

李紅霞1黃已芯2田水承3李 琰1

(1. 西安科技大學管理學院，陜西省西安市，710054；2. 西安科技大學能源學院，陜西省西安市，710054；3. 西安科技大學安全管理研究所，陜西省西安市，710054)

依據“一帶一路”沿線地區風險發生不確定性的產生根源，將煤礦企業基建過程中的風險進行分類與識別，提出“一帶一路”沿線地區煤礦企業基建活動的風險包括自然風險、文化宗教風險、市場風險、外協條件風險等11類風險及39個風險影響因素，并構建了風險發生概率的預測指標體系。利用CMAC神經網絡理論，結合人工魚群算法構建了風險發生概率預測模型，選取孟加拉國巴拉普庫利亞煤礦基建過程中2013-2017年風險發生概率樣本，對風險發生概率模型進行驗證及風險發生概率進行預測。這對后續在“一帶一路”沿線地區煤礦企業基建活動的風險預測與風險管控起到一定的參考作用。

“一帶一路”沿線地區 能源基建項目 風險發生概率 風險預測 CMAC神經網絡 人工魚群算法

由于煤礦企業的基建項目具有不可回收、不可逆轉、建設周期長等特殊性，大多數煤礦基建項目在實施過程中，由于某一個風險已經發生，且發生頻率較高，導致煤礦企業在“一帶一路”沿線地區進行基礎設施建設具有較強的挑戰性。例如，2013年大海則煤礦由于安全風險頻發導致煤礦被迫停產接受檢查，2015年巴基斯坦部分煤礦由于能源所屬爭議問題使得項目擱置等。諸多專家和學者也針對“一帶一路”沿線地區的工程項目風險評價、工程風險預測方面進行了許多有益的研究，為部分能源企業基建項目的風險管控提供了理論支持。最具有代表性的是2014年楊晨曦等人依據博弈理論從政治角度分析了大國之間博弈對“一帶一路”沿線國家能源合作的影響，闡述了破壞能源合作政治環境的根源，為后續能源企業選擇合作國家提供了參考依據。而2015年馬昀等利用事件梳理法提出“一帶一路”戰略下沿線國的工程基建項目最高的風險為政治風險、經濟風險、安全風險與經營風險，深入識別了“一帶一路”建設中突出風險的類別，以風險產生的根源為依據對風險進行分類細化，為后續更進一步分析風險發生的概率奠定了基礎。2016年，方旖旎等人針對中國企業對“一帶一路”沿線國家基建投資的特征與風險進行了分析，首次將OROIC-IWEP評級系統應用于基建類投資風險評價中，通過定量的方法將基建投資項目的特征及損失程度進行分析，切實提出了企業保護機制的建議，為后續基建類投資項目提供了實證依據。可是，在“一帶一路”的特殊背景下，風險變化頻率遠遠超過風險評價的速度，導致風險發生頻率的預測值仍然低于實際風險發生頻率。迫切需要一個更簡單、收斂速度更快并具有泛化能力的風險發生概率預測的算法，完善針對“一帶一路”沿線地區基建項目風險管理領域的理論體系。

CMAC模型是一種自適應、自學習的局部學習網絡，已公開的研究成果主要聚焦于機器人控制、模式識別和信號處理等領域。信號領域的FCMAC控制器最具典型代表性，李彬等基于PID并行算法控制基礎，巧妙地將神經網絡理論CMAC算法與模糊控制結合，提高了控制精度并且具有良好的自適應特性；而模式識別領域，火力安全發電關鍵設備故障診斷的CMAC算法被作為拓展應用范圍的奠基石，侯媛彬等利用CMAC算法與設備故障診斷檢驗相互結合，清晰地描述了CMAC算法診斷出關鍵設備故障的原理。由于該模型結構清晰，收斂速度更快，還具有一定的泛化能力，能解決風險預測的發生概率與實際風險發生頻率不匹配的問題。因此，本文基于“一帶一路”的大背景，試圖探討一種結合時代背景的能源企業風險發生概率的預測模型，為后期“一帶一路”沿線地區的能源企業基建項目風險預測與控制提供一種新的參考。

1 風險識別及發生概率標準劃分

1.1 風險識別

針對能源企業“走出去”面臨的風險成因，結合已有的研究報道，運用模糊聚類方法，將風險劃分為11類風險和引發各類風險的39個風險影響因素，利用數據可視化手段對“一帶一路”戰略下能源企業基建項目進行風險識別，如圖1所示。

圖1 “一帶一路”戰略下煤礦企業基建項目風險識別

1.2 風險發生概率標準劃分

通過對“一帶一路”沿線國能源企業基建風險識別，依據《工程建設項目可行性研究指南》的風險劃分標準，將風險和風險影響因素的發生頻率劃分為5個等級，為數據樣本的生成和風險發生概率預測提供理論依據，具體如表1所示。

表1 風險與風險影響因素發生頻率等級標準 %

1.3 歸一化處理

1.3.1 數據缺失的處理

(1)

j=1,2,…,nk

式中：P——風險發生頻率；

j——某一個評價等級生成的評價樣本序列容量；

i——某一風險；

k——評價等級數目。

1.3.2 歸一化處理

能源基建項目風險發生概率預測指標體系共計39個風險影響因素及11類風險指標。由于每一個指標的單位和量綱存在較大差別，因此，在計算過程中需要對所有風險指標進行歸一化處理，目的在于消除各指標之間單位和量綱產生的影響和數量級差別。歸一化采用的公式如下：

(2)

式中：Xi*——歸一化后的風險指標值；

Xi——歸一化后的影響因素值；

Xmax——樣本最大的影響因素指標值。

2 風險發生概率預測模型的構建

2.1 改進IAFSA算法定權

CMAC的權重值調整通常有兩種情況：一種是學習方式，采用的是線性代數方程的雅可比迭代方法；另一種是輪訓方式，采用高斯—賽德爾迭代法。但是，這兩種方法所得權重均為一個值，而非一個值域。考慮到風險發生概率的特殊性，為求解并預測出風險發生概率的區間范圍，避免風險由于受到時間、傳導系數的波動影響而產生的波動性。利用人工魚群對“營養區”的聚群的特性，采用對人工魚個體優化，從而達到全局優化的特點，將IFASA算法用于調整權重大小，對每個風險進行權重域的計算。

定義單個人工魚Is(t)在時期t的狀態。則有：

(3)

式中：AF_number——人工魚群的規模；

Is(t)——單條人工魚在t時期的狀態(維度為w)。

在CMAC中具有一個隱含層網絡，那么初始設定輸入層X集合中有x個輸入量，維度w為hn個，輸出層Y集合的個數為m個，則有：

w=h1(m+1)+h2(h1+1)+n(h2+1)

(4)

為保證人工魚群算法調試的權值與CMAC模型的泛化能力互相匹配，按照每個AF中的分CMAC模型權重分布規律，AF取值應是由底層向高層的順序，先取風險活躍度最強的前幾組數據，后取風險活躍度最弱的后幾組數據。那么第s個AF的狀態經過幾番輪訓后可以得到一個數值或者是值域，如下式所示：

(5)

其中，Xs(t) 標識第s個AF的狀態。不同的泛化能力將控制AF的大小，AF上下浮動影響wn，wn即為CMAC中的ωi。

2.2 CMAC網絡模型構建

CMAC網絡模型是一種類似神經生理學小腦皮層結構提出的“關聯控制器”的網絡態模型。圖2為本文構建的二維輸入/一維輸出的CMAC風險發生概率預測模型網絡結構。圖2中的X空間表示一組n維輸入的風險影響因素的發生概率，即輸入變量的“虛擬”空間；而實際空間A表示具有m類風險個數的“存儲單元”；X={x1,x2,…,xn}t則表示在X空間中所有n維的輸入分量，即風險的特征分量，也被稱為引發風險的影響因素；Y={y1,y2,…,yn}t則表示對應輸出變量的特征向量。在實際過程中，“一帶一路”沿線國家能源企業基建項目的風險不可能全部引發。那么則有，輸入空間的X的一個元素xi會同時激活A實際空間中的yn個風險同時發生。使得yn個風險權重的疊加值為1，而其他沒有發生的風險則為0。其中的n為C，即為CMAC網絡中的泛化能力。

圖2 CMAC風險發生概率預測模型網絡結構

具體每一層網絡結構解釋如下：第一層輸入層：將“虛擬”空間X的因素映射為實際空間A中的離散點，將X={x1,x2,…,xn}進行量化并進行數據預處理。設每一個風險的風險影響因素發生概率的分量可量化為一個值q，那么n個風險影響因素的分量集合可以成為一個風險的狀態空間qn，那么具體風險發生概率的量化公式為：

Xp={x1,x2,…，xn}T,n=1,2,…,n

(6)

式中：Xp——風險影響因素集合；

xn——特征向量中分量的個數。

貧困地區基層組織弱化，部分地方執行人員由于自身素質不高，以一副領導視察的態勢對待扶貧指導工作，執行力不夠。部分審查與管理專項扶貧資金部門存在管理不嚴，自身內部督管不力，制度不健全的不良行政現象。在利益、權勢驅動下少數地區政府為了追求短期政績，不惜大量浪費和透支扶貧資源，有的還攤指標、造數字，使得扶貧開發的收效甚微。

第二層中間層：為滿足“虛擬”空間Xp在實際空間Yp上有唯一的映射，那么實際空間Yp“儲存單元”的個數則必須大于或等于“虛擬”空間Xp的狀態個數。那么具體公式則為：

m≥qn

(7)

式中：m——Yp儲存單元狀態個數；

qn——n個特征分量個數。

那么，則有第二層的輸入關系式：

輸入關系：

(8)

輸出關系：

(9)

式中：Yp——風險影響因素集合；

yn——特征向量中分量的個數；

p——特征分量集合的狀態空間個數。

那么，通過哈希編碼(Hash-coding)可將具有qn個存儲單元的地址實際空間A映射到壓縮后的物理地址空間Yp中。

第三層輸出層(風險發生概率預測層)：通過第一層特征分量所組合出的風險和第二層“虛擬”空間Xp到實際空間Yp的唯一映射，將風險存放的權重值通過學習并將其累加為1則為CMAC網絡的輸出，達到風險發生概率(損失程度)的預測。那么則有某一個輸入風險Xi的網絡輸出為：

(10)

式中：Y*——可能發生的風險個數；

ωi——風險對應的權重。

3 實證研究

在風險及風險影響因素發生概率等級標準基礎上，選取《孟加拉國巴拉普庫利亞礦井基礎設施建設(第三期)基礎說明書》中2012-2017年不同風險的風險發生頻次。對巴拉普庫利亞煤礦進行風險預測，為該煤礦后續的開拓和經營提供新的依據。

3.1 工程概況

巴拉普庫利亞煤礦是孟加拉國第一個開發興建的產能為1.0 Mt/a的大型現代化礦井。礦井位于孟加拉國的西北部，行政區劃屬于迪納杰普爾省帕巴提布地區，地理位置為北緯25°31′～25°34′，東經88°57′～88°59′。本區交通便利，寬軌鐵路自南向北在井田外緣西部穿過，是南北向寬軌鐵路與東西向米軌鐵路的交匯處。南部距井田5 km處有一條近東西向公路，向東與國家公路相連，向西北約5 km可達迪納杰普爾省府，南行75 km可抵西北重鎮博格拉市。距井田東部70 km的賈木納河自北向南延伸，水運可達國內大小港口。井田北部30 km有賽伊德布爾飛機場，可直達首都達卡。本井田地面為恒河沖積平原的一部分，由恒河和賈木納河沖積而成。區內地勢平坦，地面標高+29～+32 m，北高南低，坡度甚微。

由于該礦的交通方便、煤層特厚、儲量豐富、煤質良好、地質構造較簡單、沼氣含量低等優勢，它成為了“一帶一路”沿線地區較為典型的能源基建項目之一。但是，由于水文地質條件與人文環境復雜、地溫較高，給礦井的開采帶來較大的不利因素。由于該礦井具有豐富的儲量，開采價值與投資回報率較高，因此，用巴拉普庫利亞煤礦作為算例進行解釋，是非常必要的。

3.2 驗證

3.2.1 樣本預處理

數據樣本共780個，數據缺失率為1.4%，運用公式(1)填補5年內未搜集到的11個風險影響因素發生概率的樣本。運用公式(2)對風險數據進行歸一化處理，解決不同量綱所帶來的無法進一步分析的問題。具體結果如表2所示。

表2 孟加拉國巴拉普庫利亞煤礦基建項目部分風險與風險影響因素原始數據歸一化結果 %

原始數據來源：《孟加拉國巴拉普庫利亞礦井投資可行性分析簡本》

3.2.2 編碼

基于上述歸一化結果，分別對11類風險及39個風險影響因素采用十進制法在[0,1]區間隨機選取一組初始權值和閾值，利用MATLAB2016a軟件依據公式(2)至公式(4)進行代碼編程，其中，閥值控制在α=±0.1，浮動系數β=0.01，分別選取風險最高的2組和風險最低的2組樣本作為權重調試。具體不同風險的權重上下值域如表3所示。

表3 不同風險的權重結果T

3.2.3 訓練樣本

選取11類風險與39個風險影響因素作為模型的輸入，計算風險影響因素發生的概率值為輸出。泛化參數C=11，風險發生概率值為輸出，分別利用風險最高的5組和風險最低的5組樣本作為訓練的樣本，其余樣本用作預測。具體與BP模型標準狀態下的訓練誤差的對比如圖3所示。

圖3 訓練誤差對比

3.2.4 驗證

將求解的總風險發生概率的區間與2016年實際總風險發生的概率相比較，計算出與實際風險發生的概率出現的相對誤差，以方便后續預測時將風險發生的波動差值作為預測浮動系數。具體驗證結果對比如表4所示。

表4 驗證結果對比

3.3 預測

在本文構建的風險發生概率預測模型的基礎上，利用剩余的10組風險與風險影響因素樣本數據，對巴拉普庫利亞煤礦2017-2023年期間礦井基建項目風險發生概率進行預測，以便為決策者提供一定的參考依據。具體評價與預測結果如圖4所示。

由圖4可知，未來6年(2017-2023年)的風險發生概率分別為：0.3543-0.4628、0.2937-0.3633、0.3714-0.4553、0.4111-0.5371、0.4273-0.5311、0.3682-0.5017；風險等級分別為中(中低)風險、中低風險、中(中低)風險、中風險、中風險、中(中低)風險，說明煤礦企業在孟加拉國進行基建活動的風險依舊偏高。自然災害、社會穩定程度、文化宗教差異、投資風險、非傳統安全、外協條件等方面容易發生風險，應增強企業對企業所在國的法律及相關文化的培訓與認知、加強抗雨水或干旱等自然災害的能力、增強企業員工應對突發事故的應急管理能力等。投資與管理人員應根據項目實際情況，合理安排人力、物力、財力，不能只看見機遇看不到風險而出現盲目投資，投資前應做好風險防控預案與風險應對策略，以避免該能源基建項目在保證總體目標和效率的情況下順利實施。

圖4 IAFSA-CMAC風險發生概率預測結果

4 結論

本文針對當前在“一帶一路”沿線地區進行基建活動出現的風險發生頻率的預測值仍然低于實際風險發生頻率的現狀，在對影響“一帶一路”沿線地區風險發生概率的影響因素的成因進行深入分析的基礎上，結合煤礦企業基建項目建設周期，建立“一帶一路”沿線地區能源基建項目風險發生概率預測指標體系。在傳統CMAC神經網路模型的基礎上，將改進的IAFSA引入CMAC模型，彌補了當前“一帶一路”沿線地區煤礦基建項目風險評價時受到時間、傳導系數的波動影響，導致評估風險發生的概率與實際發生概率不匹配的問題。最后綜合應用于孟加拉國巴拉普庫利亞煤礦的基建項目風險發生概率的預測中，得出了2017-2023年巴拉普庫利亞煤礦風險發生概率的區間預測值，通過區間的劃定，解決了當前評估過程中評價與實際發生的滯后問題，同時解決了當前定權過程中的盲目性與受主觀影響的缺陷。為后期項目投資和管理人員制定風險防控預案和應對策略提供了一定的參考依據，對當前“一帶一路”沿線地區能源企業及相關企業基建活動的投資與風險管控起到一定的指導作用。

[1] 裴長洪，于燕.“一帶一路”建設與我國擴大開放[J]. 國際經貿探索，2015(10)

[2] 翟崑.“一帶一路”建設的戰略思考[J].國際觀察，2015(4)

[3] 楊晨曦.“一帶一路”區域能源合作中的大國因素及應對策略[J].新視野，2014(4)

[4] 馬昀.“一帶一路”建設中的風險管控問題[J].政治經濟學評論，2015(4)

[5] 方旖旎.“一帶一路”戰略下中國企業對海外直接投資國的風險評估[J].西安財經學院學報，2016(1)

[6] 周姝春.CMAC學習性能及泛化性能研究綜述[J].計算機仿真，2005(6)

[7] 李彬，鄭賓，殷云華.基于MATLAB的新型CMAC控制器的設計與仿真[J].微計算機信息，2007(16)

[8] 侯媛彬，杜京義.改進小腦模型網絡的干式變壓器卷線機跑偏信號諧波分析[J].西安交通大學學報，2005(10)

[9] 張春軒.論工程項目風險成因與基本對策[J].科技信息(科學教研)，2007(27)

[10] 周平.“一帶一路”面臨的地緣政治風險及其管控[J].探索與爭鳴，2016(1)

[11] 周紹瓊.EPC工程總承包項目風險管理研究[D].西南財經大學，2013

[12] 《投資項目可行性研究指南》編寫組.《投資項目可行性研究指南》[M].中國電力出版社，2002

[13] 飛艷.一種改進人工魚群算法對BP神經網絡的優化研究[J].湖南科技大學學報(自然科學版)，2016(1)

[14] 魏立新，張峻林，劉青松.基于改進人工魚群算法的神經網絡優化[J].控制工程，2014(1)

Studyonforecastofriskprobabilityofmininginfrastructureprojectsbasedonregionsalong"theBeltandRoad"

Li Hongxia1, Huang Yixin2, Tian Shuicheng3, Li Yan1

(1. College of Management, Xi'an University of Science and Technology, Xi'an, Shaanxi 710054, China；2. College of Energy, Xi'an University of Science and Technology, Xi'an, Shaanxi 710054, China；3.Institute of Safety Management, Xi'an University of Science and Technology, Xi'an, Shaanxi 710054, China)

In this paper, according to the origin of the uncertainty of the risk along the regions along "the Belt and Road", the risk index of mining enterprise infrastructure construction was classified and identified as 11 kinds of risks and 39 risk influencing factors including natural risk, cultural and religious risk, market risk, and external cooperation risk. The risk prediction model was established by using CMAC neural network theory and the artificial fish swarm algorithm. The risk occurrence possibility sample from infrastructure construction of Barapukuria Mine in Bangladesh in 2013-2017 was chosen to be predicted and verified.This would offer mining enterprises a reference value following the mining infrastructure management with the risk forecast and risk control aspect.

regions along "the Belt and Road", energy infrastructure, risk probability, risk forecast, CMAC neutral network, artificial fish swarm algorithm

TD-9

A

國家自然科學基金項目(71273208、71271169)，陜西省教育廳項目(14JK1445、14JZ026、15JZ036)，陜西省社科基金項目(2015R043)，西安科技大學項目(2013SY01、2014SX07、2012SZ01、15BY46)

李紅霞，黃已芯，田水承等. “一帶一路”沿線地區煤礦企業基建項目風險發生概率預測研究[J].中國煤炭，2017，43(11):30-36.

Li Hongxia, Huang Yixin, Tian Shuicheng, et al. Study on forecast of risk probability of mining infrastructure projects based on regions along "the Belt and Road" [J].China Coal，2017，43(11):30-36.

李紅霞(1965-)，女，教授，博士生導師，陜西省教學名師、陜西省高校人文社會科學青年英才支持計劃獲得者。現任西安科技大學管理學院副院長，礦業經濟與管理博士點學科帶頭人，兼任中國煤炭工業協會專家委員、中國管理工效學學會委員。主要研究方向：能源經濟與管理、組織行為與管理等。

(責任編輯 宋瀟瀟)