基于FA-BP神經網絡的養老地產PPP項目風險評價

孫洪雪 SUN Hong-xue；朱會霞 ZHU Hui-xia

（遼寧工業大學經濟管理學院，錦州121000）

0 引言

PPP（Public Private Partnership）模式是一種新型的運營管理模式，在世界各地的養老地產項目中廣泛應用[1]。目前我國對養老地產PPP項目的研究還停留在適用性和開發運營模式的研究，風險管理研究水平尚不成熟，無法為管理者提供具體的風險管理操作流程[2]。因此，做好PPP模式下的養老地產項目的風險評價對保障項目順利實施具有重要意義。目前，對于工程項目的風險評價，大多采用近似線性的方法，對于非線性模糊因素不能很好調整。BP（Back Propagation）神經網絡具有強大的容錯能力和自主學習能力，在處理非線性或模糊數據問題時具有明顯優勢。基于此特性，神經網絡在工程項目風險評價中廣泛應用。然而，PPP模式下養老地產項目風險影響因素眾多，且影響因素之間普遍存在共線性問題，而BP神經網絡在樣本數據多、網絡結構復雜情況下很難達到預期性能。為此，本文提出一種基于因子分析的BP神經網絡風險評價模型，利用因子分析降維，在保證主因子覆蓋原始數據的主要信息前提下，消除共線性影響，簡化網絡結構，提高模型的訓練速度。

1 確定風險指標

PPP模式下的養老地產項目兼具商業屬性和社會屬性，與傳統商品住宅項目相比，風險因素復雜且不確定性強，所以如何系統科學的識別和建立風險指標尤為重要。近年來已經有許多學者從不同角度對PPP項目及養老地產風險因素的進行研究，亓霞[3]等通過對中國PPP項目失敗或出現問題案例的匯總分析，總結出13項主要風險因素。李文琴等[4]基于PPP項目的組織結構和實施過程的特殊性，將PPP模式下養老機構項目所面臨的風險分為四類，分別是主體、客體、第三方和伙伴關系風險。鄭生欽[5]等從開發商角度，針對我國養老地產的發展現狀和所面臨的實際問題，分析得出法律風險、金融風險、選址風險、市場風險、運營風險五大風險，包括20個二級風險指標。

根據養老地產PPP項目的現狀及特點，參閱PPP模式與養老地產項目相關文獻和資料，確定了6大風險。結合專家的建議，全面考慮了養老地產PPP項目在全壽命周期的各個階段風險來源和作用范圍，最終形成20個變量作為風險評價的因素指標，如表1所示。

表1 養老地產PPP項目風險指標

2 研究方法

2.1 BP神經網絡

BP神經網絡，即反向傳播神經網絡，是基于模仿人腦神經系統信息傳遞模型建立的一種非線性信息處理系統，利用最速下降法來反向傳播并且不斷調整網絡的權值和閾值，使網絡的誤差平方和最小[6]。BP神經網絡具有非線性逼近、自訓練、容錯能力強等特點，在處理不完整、不確定及非線性模糊數據時有明顯優勢[7]。BP神經網絡由輸入層、隱含層、輸出層三部分構成，通過神經元實現整體有機結合，屬于多層前饋神經網絡。

在BP神經網絡模型中，設輸入層輸入向量為X（x1，x2，…xi）T，輸入層輸入向量為A（a1，a2，…aj）T，輸出層輸出向量為Y（y1，y2，…yz）T。在正向傳播階段，外界信息由輸入層神經元傳遞到隱含層神經元并逐層加權計算，則對于隱含層有：

式中wi為輸入層與隱含層節點連接權值，b為隱含層閾值。

隱含層神經元將結果傳遞到輸出層，輸出結果與期望值進行對比，結果不滿意則進由輸出層開始進行反向傳播，則對于輸出層有：

式中vj為隱含層與輸出層節點連接權值，b’為輸入層閾值。

BP神經網絡算法的計算需要用到各層激勵函數，本文選用S（Sigmoid）型函數，即：

經過多次迭代直至達到預先設定的滿意結果，學習停止。

2.2 因子分析法

因子分析法（factor analysis method，FAM），是以從研究變量內部相關的依賴關系為基礎，把一組存在復雜聯系的變量法綜合為少數公共因子的一種多變量統計學方法[8]。目前對于數據降維常用兩種方法，分別是主成分分析法和因子分析法，其中主成分法雖然能夠更完整地保留特征數據的原始信息，但在處理非線性數據時的區分效果并不理想[9]。因此，本文采用因子分析作為數據預處理方法，其主要實施步驟如下：

①根據問卷結果，構造風險變量初始決策矩陣Q，

②對初始決策矩陣進行標準化處理

式中i=1，2，…m；j=1，2，…n。

③建立各個變量之間的相關系數矩陣R，并計算R的特征根λ1≥λ2≥…λn，對應的標準化特征向量μ=[μ1μ2…μn]，以及到原相關變量的主成分向量Fn=μ1x1+μ1x2+…+μnxn。

④確定公因子，一般選擇特征根λ≥1的前m個因子作為公共因子。

在實際應用中，工程項目的風險指標往往是模糊且不確定的，且各個指標之間存在著一定程度的相關性，通過以上過程可以提取公共因子，舍棄次要因素，簡化系統結構，避免原始信息重疊及主觀權重過大，為后續處理數據降低難度。

3 基于因子分析法的BP神經網絡風險評價模型的建立

PPP模式下養老地產項目風險因素眾多而且具有多樣性、多重共線性、模糊性的特點。如何簡化數據結構，消除變量間信息重疊，實現模糊性向規律性轉化，是風險評價的核心環節，但這采用單一的評價方法很難實現。BP神經網絡具有很強的非線性映射能力，能很好地映射事物之間的非線性關系，并且網絡拓撲結構簡單，易于編程實現，在工程項目風險評價中廣泛應用。但目前BP神經網絡仍存在局限性，主要表現在：收斂速度慢，訓練時間較長，面對復雜的風險因素，BP算法仿真性能不佳。因子分析法可以很好的解決這一問題，通過因子分析對原始評價指標進行優化、提煉。在不影響分析結果的情況下，達到簡化網絡結構，提高BP神經網絡模型訓練速度的目的。本文結合統計學中的因子分析法和智能算法中BP神經網絡兩種方法，取長補短，構建一種改進的BP神經網絡風險評價模型。該模型與單一的BP神經網絡模型相比，具有收斂更快、精度更高等優點，使PPP模式下養老地產項目風險評價具有更高的預測精度及收斂速度。問卷調查獲得養老地產PPP項目風險評價的原始數據，利用因子分析技術降維，同時采用專家打分法來對優化后的指標進行量化，獲得樣本數據，輸入BP神經網絡訓練，建立高效智能的風險評價模型。

4 實證分析

4.1 數據來源

本文選取9個在建或已竣工的養老地產PPP項目作為研究對象，將指標體系中20個變量以問卷調查的形式，邀請從事PPP模式、養老地產相關領域，且工作年限為3年以上的專家學者參與評價，專家根據風險重要性等級表對風險因素進行打分，問卷調查的結果構成研究的原始數據結構。本次問卷采用里克特五級量表法，把20個變量對項目風險的影響程度劃分為五個等級，按其重要性評分，極重要為5分，較重要為4分，一般重要為3分，較不重要為2分，極不重要為1分。采用SPSS軟件對原始數據進行因子分析降維，公因子的選取按照特征值大于1的原則。由碎石圖可見，前5個因子的特征值大于1，且其曲線在第5個因子后趨于平緩，因此選取前5個因子作為公共因子，結果見圖1。

圖1 碎石圖

其中，第1個因子包括了x1、x2、x3、x4、x5、x15、x16、x18，共8項風險因素，命名為綜合因子F1。第2個因子包括x10、x11、x19、x20，命名為外部環境因子F2。第3個因子包括x6、x7、x9，命名為建設因子F3。第4個因子包括x8、x12、x17，命名為經濟因子F4。第5個因子包括x13、x14，命名為市場因子F5。

因子分析目的在于信息濃縮，降低各變量間多重共線性的影響。本文20個變量通過因子分析提取5個因子，實現了有效降維，提高BP神經網絡的訓練速度和精度。

4.2 確定樣本數據

基于上文選取的9個相似工程項目，邀請政府建設管理部門、房地產領域高級工程師及高校工程管理領域學者共8名專家，依據表2風險等級表對9個項目的5個公因子指標風險及項目綜合風險打分，經整理得表3。

表2 風險等級表

表3 樣本數據

4.3 模型構建

本文運用MATLAB2018軟件，建立三層拓撲結構為5-11-1的BP神經網絡模型。選取前7個工程的風險值作為訓練樣本，后2個為檢驗樣本，采用Kolmogorov定理確定隱層數目，traingdx為訓練函數，tansig-logsig為傳遞函數，并結合神經網絡信息向前傳播，誤差向后傳播的學習方式，調節網絡參數，建立可靠網絡模型，最終得到訓練結果如圖2、圖3。

圖2 誤差曲線

圖3 回歸曲線

根據圖2誤差曲線可知，本次訓練通過迭代90次后，訓練精度達到了0.000967，低于了設定的精度0.001，訓練結束。根據圖3回歸曲線可見，本模型后2組擬合程度高，為0.91804，接近1，表明本模型有較好的準確性。將后2項數據作為檢測樣本，進行神經網絡的訓練，結果見表4。BP神經網絡風險評價模型的實際輸出結果與期望值誤差在±5%以內，說明該評價模型具有可靠性。

表4 檢測結果

5 結論

①本文通過因子分析，簡化風險評價指標體系，并采用BP神經網絡方法建立風險評價模型，對養老地產PPP項目進行風險評價并得出相應的結論。②運用因子分析法與BP神經網絡相結合，構造科學有效的風險評價模型。與單一評價方法相比，因子分析法可以降低樣本維度，消除共線性影響，從而簡化BP神經網絡結構，提高訓練速率。③本文對數據的獲取存在一定局限性，評價指標的風險值還主要依靠專家打分，存在一定人為因素的干擾，所以如何保證模型精度及評價結果客觀性仍需要進一步研究。