國際工程項目風險智能評估研究框架

金 峰 向文武 宣 凱 汲 錚

1.東南大學國家發展與政策研究院 北京 100083；2.中石化煉化工程（集團）股份有限公司 北京 100029；3.加利福尼亞大學洛杉磯分校

近些年，隨著全球化進程的推進和國家“一帶一路”倡議的縱深發展，對外投資合作已成為中國主動融入全球化的重要方式，和實現互利共贏、共同發展的重要推動力。商務部統計數據顯示，2019 年，我國對外全行業直接投資1171.2億美元。其中，我國境內投資者共對全球167 個國家和地區的6535家境外企業進行了非金融類直接投資，累計投資1106 億美元。在“一帶一路”沿線對56 個國家非金融類直接投資150.4 億美元，占同期總額的13.6%，主要投向新加坡、越南、老撾、印尼、巴基斯坦、泰國、馬來西亞、阿聯酋、柬埔寨和哈薩克斯坦等國家。在對外工程承包方面，我國對外承包工程業務完成營業額1729 億美元，同比增長2.3%；新簽合同額2602.5 億美元，同比增長7.6%。在“一帶一路”沿線的62 個國家新簽對外承包工程項目合同6944 份，新簽合同額1548.9 億美元，占同期我國對外承包工程新簽合同額的59.5%，同比增長23.1%；完成營業額979.8 億美元，占同期總額的56.7%，同比增長9.7%。中國對外投資與工程承包已經成長為中資企業國際化經營不可忽視的一個行業。

隨著對外承包工程業務的迅速發展，EPC、BOT/ PPP 模式已經成為中國承包商承攬海外項目的主要業務模式之一。同時，中國承包商在項目經營中所面臨的風險變得越來越復雜，大規模成本超支與工期延誤現象時有發生，這對中國承包商項目風險管理能力提出了更高要求，亟需企業兼具定性和定量風險評估的能力。一方面，當前國內工程承包企業的項目風險管理水平較低，大多數只關注風險定性評估，對風險量化管理關注度不夠，風險量化管理能力較弱。另一方面，相比于歐美承包商成熟的風險量化技術，風險意識和方法技術的落后使得中國企業在國際工程市場競爭中處于劣勢，不能有效地評估、預測與管控風險。因此，在國際工程項目風險評估中開展智能化決策研究勢在必行。

1 研究現狀

1.1 概述

國際工程項目風險評估主要涉及到單項目、項目群與項目組合的風險分析、評價與控制。針對單項目風險評估，蒙特卡羅模擬（Xingbai Gu et al. 2011；David Hillison 2003；RoyNersesian 2013；John Hollmann 2016）已經廣泛應用在國際工程項目風險評估中，主要用來模擬項目的進度和費用概率分布曲線，測算工期或費用基準目標實現的概率，并篩選出主要的風險因素。

2003—2016 年，美國工程成本促進協會先后編制出版了一系列工程項目風險量化評估推薦規程，其核心思想是使用蒙特卡羅模擬技術量化進度/ 費用風險儲備、測算漲價預備費、選擇決策樹模型等。

基于風險量化評估思想，很多學者（Yang and Zhang 2011；孫成雙2013；陳偉珂2015）根據國際工程項目開展經驗，總結了國際總承包項目在合同談判階段和項目執行階段在內的整個項目周期包含的主要風險，分別對設計風險、原材料價格風險、供應商風險、法律法規風險、外匯風險和物流風險等風險因素進行分析，并提出相應的對策。其中，供應商選擇是大型工程項目風險管理研究的熱點之一。此外，一些學者認為（Dai and Molennar 2015），在項目早期開發階段，通過合同形式確定成本和風險的項目交付方式有利于合同方分散風險，提出了一種以風險控制為導向的項目交付方式比選模型，來評價項目成本對項目交付方式比選的潛在影響。

工程項目群風險評估的目的是對項目整體風險值的排序，有些學者（Yuri Raydugin 2014）建議按照單個費用風險排序，也有專家學者（Juliane Teller 2013；Janne Gastafasson et al. 2005）建議綜合考慮進度與費用兩個目標對項目風險值排序，并開發出基于SQL數據庫的商業化軟件。對于工程項目組合風險評估，最優化模型是一種常見的思路，經常使用在基于一定資源約束條件下的項目優選模型 （Rolf Olsson 2007；I.R.Bardhan et al. 2010；Hamidreza Abbasianjshrami2012；Yvan Petit2010；AlexanderKock 2016），以保障項目價值最大化的目標。國內一些專家（楊雪燕和羅洪2007；張嘯鋒等2011）已經成功將這種方法在油井投資組合中使用，實現在一定資源約束情形下的項目組合價值最大化。另外，實物期權模型也是解決此類問題的一種常見方法，能夠有效分析項目整體價值的不確定性問題（Johnathan Mun 2009；Hyun Woo Lee et al. 2014）。

1.2 信息化

目前，市場上商業化的工程項目風險評估系統與軟件比較多，開發商主要是英美軟件公司，包括Web 網絡化與單機版兩種類型，代表性的軟件有@Risk、Crystal Ball、Primavera Risk Analysis、Acumen、ARM(ActiveRisk Manager)(何伯森 2008；AACERInternational RPs，2007- 2016)。其中，建筑信息建模（BIM）包括BIM 3D、4D（進度維）與5D（成本維）模式（陳勇等2015；李錦華等2014），已在國內外一些工程項目上得到實踐。BIM 的發展提供了一個可視化和信息豐富的環境對建筑風險知識進行項目管理，已有國外專家學者（Ding et al. 2016）利用BIM 的優勢、本體論和語義Web 技術建立了基于BIM 環境建設風險知識的管理方法和框架的項目風險知識管理系統平臺。

同時，Dillon 等（2003）開發了基于成本預算管理的項目風險分析與管理平臺（APRAM），優化與配置每階段預算儲備和資金。Taillandier 等（2015）提出了多智能體模型（SMACC），使用Multi- Agent 模擬和隨機方法，評估利益相關者和整個項目受到風險因素的影響，對不同的風險緩解策略情景分析，為領導提供靈活多變的決策支持信息。Serpell 等（2015）建立了一種基于Web 應用程序的企業組織成熟度模型，用來評估工程公司組織風險管理的能力，指導客戶或承包商提高項目風險管理能力。

1.3 智能化

盡管基于人工智能方法的系統化、規范化工程項目風險評估體系尚未建立，但圍繞著應用人工智能理念解決風險評估中熱點問題的研究一直在持續(Mohammad Namazi et al. 2016；M.De Beule et al. 2007；Perkgoz et al.2007；戴晗2017；馬力等2015；張明偉等2010）。

在項目風險評估方面，神經網絡與遺傳算法是應用最廣泛的兩種算法，在國際頂尖期刊上相應的研究多達數十篇(Francesco Costantino et al. 2015；Xiaohua- Jin et al. 2011；郭鵬等2015；馬計誠等2014）。Francesco Costantino 等(2015)使用神經網絡識別出關鍵風險因素，并結合最優化模型，對項目組合方案進行比選。Salvatore 等（2014）使用BP 模型對數十個新建項目定性分析結果進行檢驗與預測，體現出BP 模型能夠有效地學習與模擬項目內在的規律。Izabela 等（2008）應用人工神經網絡（ANN）技術探尋工程項目自身的規律，持續訓練與學習歷史數據，結合蒙特卡羅模擬，測算出進度/ 費用聯合概率分布。

Ing. Jurgen Schwarz 等（2015）分別使用ANN、支持向量機與蒙特卡羅模擬對同一個工程項目成本進行風險量化分析，指出ANN 與支持向量機（SVM）通過分類與學習，能夠提高風險數據的質量與可靠性，運算結果更優。匡建超等（2006）應用改進遺傳算法量化分析房地產投資項目風險，該方法具有自組織與自適應等優點，能夠提高評價的精度。另外，有些專家（Jarboui et al. 2008；許建平2009；陳德泉等1994）使用模擬退火、粒子群算法、基因算法對項目群的資源分配和工期分配進行了研究，取得了良好的效果，但尚未應用這類方法研究風險管理問題。

2 現有研究尚存不足之處

雖然國內外一些專家學者對國際工程項目風險評估進行了深入研究，并且在一些重大項目上展開實踐，但在風險數據的歷史積累、機器學習和智能化風險評估方面缺乏有效的探索，應用上也欠缺可操作性，主要表現在以下幾方面：

2.1 項目歷史數據庫未得到充分挖掘

目前風險評估的輸入變量、可能性及其影響，大多數還是通過專家的主觀判斷，并沒有充分挖掘積累的歷史數據的內在規律。由于缺乏科學、智能化的風險數據分析處理技術，使風險數據資源的價值未得到充分挖掘。

2.2 項目群和項目組合風險評估未得到高度重視

國內外專家學者在單項目風險評估領域積累了豐富的研究成果，但對項目群和項目組合風險評估問題并沒有深入地開展研究，尚未構建有效、具有可操作性的評估模型。

2.3 智能化、一體化的單項目、項目群和項目組合風險評估平臺未建立

現有的風險評估信息平臺和軟件主要是針對單項目風險評估，例 如 @Risk、Primavera Risk Analysis 和Acumen 等，僅適合于項目組開展單項目風險評估，不能滿足具有集團性質的公司同時監控多個不同性質項目的風險。例如， 同時執行多個 EPC 與BOT/ PPP 項目時，無法實現分層、分級有效地應對風險。

3 研究框架和模型

國際項目風險智能評估框架如圖1 所示。

圖1 國際項目風險智能評估框架

3.1 驅動機理與傳導機制

通過公開的風險數據與企業自有數據庫，引入人工智能技術對風險數據的訓練、機器學習，及深度機器學習，尋找風險驅動機理，揭示風險因素之間的因果關系及其相關關系和相互作用的機理，探索出工程項目風險傳導與演化的機制。主要包括：

（1）基礎數據庫原型構建。通過專家深度訪談、調查問卷和案例分析，并結合整理歐美公開的風險數據與企業數十年的歷史數據，構建專家意見庫與案例庫，形成項目所需要的數據庫原型。

（2） 風險驅動機理與傳導機制研究。利用人工智能技術對數據不斷的訓練、機器學習或深度機器學習，尋找國際工程項目風險數據的內部規律及其關聯性，并將它們作為項目風險智能評估系統的輸入變量。

3.2 控制資源模型

面對復雜的國際工程項目環境，項目風險管理控制依賴于一定的資源，主要有項目風險決策資源和項目風險控制資源，從根本上保障國際工程項目風險管理控制的有效實施。

（1）項目風險決策資源模型。數據、信息和知識是項目風險決策的重要資源，面對國際工程項目重點研究“風險數據→信息→知識”及時轉化的基礎條件和觸發機制，建立科學的項目風險決策資源模型，保障國際工程項目風險決策的科學性、及時性。

（2）項目風險控制資源模型。面對國際工程項目重點研究時間、成本和績效約束環境，有效保障項目風險控制的有效實施，以科學的項目風險控制資源模型，保障國際工程項目風險控制的有效性。

3.3 數據分析原理

國際工程項目風險評估的輸入變量原始數據數量較大、種類較多，可以劃分為宏觀環境數據、中觀行業數據與微觀項目數據三大類，包括客觀歷史數據與專家經驗主觀判斷兩大范疇，遵循分層分級的原則深入分析、處理這些原理數據，具體內容包括：

（1） 客觀風險數據的分析與處理。使用大數據分析、數據挖掘、金融數學和機器學習等技術探索輸入變量的內部規律與統計特征，例如LIBOR 利率和貨幣匯率短期預測等，工程項目單位成本數據概率分布的擬合等，以此作為風險智能評估的基礎。一般而言，這類方法較多地適用于具有歷史數據的宏觀環境與中觀行業風險數據分析與處理。

（2） 主觀風險數據的分析與處理。對于一些沒有客觀數據的風險信息，只能依據專家經驗進行分析、判斷與確定，例如政治風險、政策風險和天氣風險對項目成本的影響。由于數據獲得的便利性、重要專家意見的代表性、錨效應等諸多原因，專家意見一般不統一，甚至有意見相左的情況。本部分主要研究如何借助大數據分析與數據挖掘等方法降低專家意見的誤差，進一步提高輸入變量的數據質量與精度，常適用于項目微觀風險數據。

3.4 智能評估模型

3.4.1 單項目風險智能評估

（1） 項目機會研究階段風險智能評估模型：收集中央企業、進出口銀行、中信保等投資環境分析、公共安全風險與國別風險分析報告與歷史數據，使用數據挖掘技術和人工智能技術對項目投資國的內外部投資風險構建智能模型，識別并測算出主要風險的優先級，并對投資環境風險按照控制目標進行聚類分析，模式化與固定化風險對應的控制措施。利用中國承包商項目進行實證分析，驗證投資環境風險智能評估模型的有效性。

（2） 投資決策風險智能評估模型：收集項目投資中涉及的技術風險、經濟風險、市場風險、匯率利率風險和原料風險等大數據，構建知識管理數據庫，并使用數據挖掘、計量經濟模型等算法構建這些參數的智能模型。對于市場競爭態勢，使用博弈論與馬爾科夫鏈等智能算法總結歷史數據，構建預測模型。在此基礎上，引入大氣環境風險分析中常用的不確定性與可變性理論，構建基于決策樹、實物期權等決策模型的二維蒙特卡羅模擬仿真技術；并結合金融學中提及的情景分析與壓力測試，測算項目投資決策所面臨的內外部風險，最終結合風險承受能力做出科學的投資決策。還要利用中國承包商投資項目進行實證分析。

（3） 工程建設風險智能評估模型：通過數百個項目的歷史數據，構建風險定性與定量評估的數據庫。使用ANN、混沌理論、復雜性科學與系統動力學等智能算法，發現風險形成機理，構建工程建設項目風險信息數據庫；根據數據庫，建立以項目投產期（進度）、投資估算（費用）為主要控制目標的風險量化智能模型，主要包括價格、風險儲備、價格波動、資源和進度等。并使用中國承包商正在投標與建設的項目驗證提出的風險量化智能模型的有效性。

3.4.2 群風險智能評估模型

綜合考慮項目目標耦合關系產生的新風險、資源沖突和項目結構復雜性等特征，研究項目群風險評估智能方法。

（1） 資源有限約束沖突情形下的項目群風險智能評估：鑒于項目群之間的單項目存在著一定的耦合與資源沖突關系，使用遺傳算法、粒子群、魚群算法及傳統的最優化算法，構建在一定資源約束情形下的項目群優化模型，使得項目目標最優化。在此基礎上，使用中國承包商正在執行的諸多項目進行實證分析，指出模型的有效性。

（2）項目群投資估算（成本）/投產期（進度）風險智能評估：通過歷史項目知識庫，構建基于成本與進度優化的項目群目標管理模型，主要使用因子分析、主成分分析與系統動力學，識別出項目風險水平排序，并結合企業風險承受能力，將企業風險管控有限的資源應用到最為關鍵的項目或風險上去，再使用真實的項目進行實證分析。

3.4.3 組合風險智能評估模型

鑒于全球固定資產項目投資有所萎縮，提高項目投資回報率與經濟效益成為投資者最關心的議題。基于這種思想，引用運籌學、人工智能、最優化和計量經濟等方法，建立基于一定約束條件下的項目組合風險智能評估模型，便于優選具有重大投資價值與效益的項目群。

3.5 信息系統理論框架

本部分主要研究中國承包商項目風險量化評估信息系統框架，主要包括信息系統框架搭建、系統集成與實際應用。

3.5.1 信息系統框架

綜合考慮風險管理的全過程，包括目標設定、風險識別、風險分析、風險評價和風險應對等，構建的信息系主要包括項目風險評估、項目群風險評估與項目組合風險評估三個模塊，并附加輔助模塊：參數歷史數據庫、項目歷史數據庫、國別風險等知識管理平臺，使用JAVA 與SQL 等技術建立綜合風險智能信息系統。

3.5.2 系統集成模型

研究開發與國際工程項目管理系統BIM 和ARM 的接口，使得開發的風險信息系統能夠與國際慣例與軟件系統直接接軌。

3.5.3 實際應用

中國承包商使用該系統進行項目、項目群與項目組合風險管理的歷史數據收集、智能分析和實踐應用的實證分析。

4 結論

本研究將人工智能方法中的數據挖掘、大數據、最優化和生物數學等理論方法，大規模應用到項目風險量化評估實踐中，綜合分析已經完成項目的風險信息特征，尋找內在規律，建立適用于中國承包商的單項目、項目群和項目組合集成風險評估智能方法，豐富傳統的風險量化評估模型。在前期理論研究基礎上，為中國承包商工程項目風險評估提供智能化的理論與方法，幫助中國承包商在國際化經營中更加有效地識別、評估與應對風險，為項目重大決策提供智力支持。