謝亮 XIE Liang
（西藏職業技術學院，拉薩 850000）
（Tibet Vocational Technical Collage，Lhasa 850000，China）
摘要： 在政府投資項目推行代建制的過程中，必須正確認識代建制模式下的風險管理工作的重要性，認清風險的來源，有效評估工程項目風險嚴重程度和整體風險水平是決策項目上馬的先決條件。本文在闡述代建制項目進行風險評價的重要性基礎上，結合政府投資代建項目的特徵和國內工程的實踐進行歸納總結，建立了共性的風險評價指標體系，提出了基於誤差反向傳播算法的BP神經網絡評價模型，並通過算例驗證了該模型的可行性，為實際工程項目進行風險預測、應對、規避提供決策支持，從而提高了政府投資項目的整體效益。
Abstract： In the process of government investment project implementing agency construction， we must understand correctly the importance of risk management under agency construction and recognize the risk source，so as to assess the severity of project risk and the overall level of risk effectively which is an essential prerequisite of decision-making project. On the basis of expounding the importance of project under agency construction carrying on risk assessment，combined with the characteristic of project under agency construction and the generalization of domestic engineering practice，this paper set up common risk evaluation index system，put forward the BP neural network evaluation model based on error back propagation. Besides this paper uses the BP neural network evaluation model in the really construction to draw a conclusion that the model is feasible and hope the model can provide the decision support for risk prediction、risk response and risk aversion in the really construction，so as to improve the whole efficiency of the government investment project.
關鍵詞 ： BP；神經網絡；代建制；風險評價
Key words： BP；neural network；gent-construction；risk assessment
中圖分類號：F283 文獻標識碼：A 文章編號：1006-4311（2015）19-0030-03
作者簡介：謝亮（1982-），男，四川德陽人，講師，工程師，一級建造師，造價工程師，碩士研究生，研究方向為工程管理。
0 引言
政府投資項目實行代建制，可以有效加強政府對投資項目的管理，規範投資建設秩序，建立投資責任約束機制，通過市場運作，選擇有經驗、講信譽的專業化管理隊伍，用法律和經濟手段確立投資者和建設者之間的相互關係，有效保證資金的使用效益和施工質量。因此，本文在項目實行代建制的前提下，運用基於誤差反向傳播算法的BP神經網絡評價代建制項目風險，通過建立代建制項目一般風險指標為引例，論證該方法在項目風險評價上的可行性、可操作性，為實際工程項目規避風險，降低工程成本提供理論依據，從而提高政府投資項目的社會效益和經濟效益。
1 代建制項目風險評價的重要性
政府投資項目代建製作為有效的工程項目管理模式，推進代建制的實施必然要重視投資項目的風險管理，尤其是對投資項目的風險評價。風險評價是政府投資代建項目風險管理的關鍵步驟，是對一個項目整體風險水平做出合理評價的過程。在對投資項目風險因素進行識別之後，投資決策者在進行風險因素識別以後就需要分析其投資機會的潛在價值，判斷項目在整個生命周期遇到的不確定性風險帶來損失的程度，決策項目是否上馬[1]。
因此，需要對項目面臨的風險做出科學評價，並以此為依據制定相應風險應對規避措施，減少或降低項目在實施過程中帶來的損失。由此可見，風險評價在項目中的重要性是不言而喻的。
2 建立誤差方向傳播神經網絡評價模型
任何一個項目在實施過程中都具有不確定性，代建製作為政府投資項目建設推行的一種模式，具有打包式的形式，項目在實施過程中存在許多偶然事件。通過整理相關文獻，目前關於代建制項目的風險評價研究較少，部分學者從理論上進行了研究，提出了不同的觀點，Nigel John Smith， Min An等人[2]，引入因子指數來組織和評估這些因素，並將其整合納入風險評估的決策過程中。該文獻提出了一種全新的風險評估方法，以應對建設行業複雜環境中的風險。同時根據模糊推理技術，提出了一種處理在施工過程中產生的不確定性和主觀性的有效工具。Stephen Ward， Chris Chapman認為[3]，目前所有項目風險管理的實施過程，都忽視了關於項目不確定性管理。該文獻討論了引起這種觀點的原因，並堅決主張把注意力集中於不確定性上而不是風險，才能夠提高項目的風險管理。同時提出了一種如何將項目風險管理的過程改進成便於應用不確定性管理觀點的方法。孫少楠等人，研究了基於群組AHP代建制項目風險評價，認為利用群組層次分析的方法，來確定代建制項目風險層次結構中風險指標權重，從而來確定風險指標評價等級[4]。因此，本文在改進前人研究的基礎上，通過誤差反向傳播算法建立BP評價模型，並以工程實例的形式來驗證模型的科學性和合理性，從而為代建制模式下工程項目風險評價提供應用價值。
2.1 人工神經網絡概述
人工神經網絡（Artificial Neural Network）是模仿生物神經網絡功能的一種經驗模型，由大量與自然神經細胞類似的人工神經元互聯而成的網絡。其工作機理是根據輸入的信息建立神經元，輸入和輸出之間的變換關係具有非線性特點，通過輸入一定量的樣本數據按照學習規則或自組織進行不斷修正，把問題的特徵反映在神經元之間相互聯繫的權值中，使輸出結果和實際值之間差距不斷縮小。所以，神經網絡的輸出層就是將給出解決問題的結果[5]。
2.2 BP神經網絡算法流程
基於誤差反向傳播（Error back propagation， 簡稱BP）的神經網絡是一種多層次反饋型網絡，使用有導師的學習算法。而基於人工神經網絡的多指標綜合評價方法通過神經網絡的自學習、自適應能力和強容錯性，建立更加接近人類思維模式的定性與定量相結合的綜合評價模型。
在本文採用基於BP算法來構造神經網絡模型，選用典型的三層BP神經網絡前饋型層次結構網絡，由輸入層，隱含層和輸出層三部分組成。其中同層次神經元之間無關聯，異層次神經元之間前向連接。在三層BP神經網絡中，輸入層含n個節點，代表神經網絡的n個輸入；輸出層含l個節點，代表神經網絡的l種輸出；隱含層的節點數目m，可根據需要設置，具體相關函數參見文獻[6-7]。
本文應用Matlab 7.0進行BP算法步驟如下：
2.3 建立評價指標體系
本文結合政府投資代建項目的特徵，旨在建立一般意義上的風險評價指標體系，根據全面性、可比性、可操作性等指標設計原則，並考慮到模型的實際運用，建立了基本所有項目通用的、系統的、科學合理的代建制項目風險評價指標體系。對於一個具體的項目而言，風險因素的增加、刪減並不影響本模型的應用，評價指標體系如圖1所示。
2.4 基於BP神經網絡模型建立
由於目前針對代建項目風險管理的工程實例和歷史數據較少，為了獲得本文模型實證所需的樣本數據，經過大量相關文獻數據的收集整理，共收集到了6個實施代建制的項目風險數據，將實際數據進行了處理，處理後的樣本數據見表1所示。
實際應用表明，合理確定網絡層數與各層的神經元數，是成功應用BP神經網絡模型的關鍵之一。一個三層的神經網絡可以完成任意n維到m維的映射，即具有一個隱含層的神經網絡能夠以任意精度表示任何連續函數。因此，本模型設置一層隱含層，建模如下：
①輸入節點：根據風險評價指標體系，將政治風險，經濟風險，自然風險，決策風險，管理風險共5個作為BP模型的輸入節點；②輸出節點：輸出節點對應評價結果，在本文建立的模型中，由於最終的結果是一個評價數值，即綜合評價分數，代表不同的風險程度，因此選擇1個輸出節點；③隱節點：根據最佳隱節點計算公式，本模型隱節點數選擇範圍在3-12之間，利用表1樣本數據進行訓練，訓練函數採用Traingdx函數，訓練結果見表2所示。
誤差水平和訓練速度是考慮網絡性能的兩個重要指標。根據表2可知，隱含層節點數為11的BP網絡對評價函數的逼近效果最好，誤差最小，訓練次數為115次。因此，本模型中隱含層的節點數目應該選擇為11。因此，本文建立的BP神經網絡模型為5×11×1的三層網絡模型。
④訓練函數：採用不同的訓練函數對網絡收斂速度和訓練次數有影響，通過對traingdx、trainlm和traingd三個訓練函數進行分析，trainlm學習算法具有收斂速度很快特點，訓練結果、誤差曲線分別如圖2、圖3所示。
可以看出，訓練次數為6時，網絡的逼近誤差為7.42×10-5。六組樣本數據的誤差在區間（-0.016，0）內。因此，本文的評價模型決定採用trainlm對網絡進行訓練。
綜上所述，最終確定風險評價神經網絡模型的BP網絡結構見表3所示。
3 應用算例
本文以西藏會展中心為項目背景，通過訓練好的模型對該項目在實施過程中的進行風險評價，為項目制定風險應對措施提供科學依據，也提供了一種風險評價思路。
3.1 模型訓練
通過運用6個樣本輸入和輸出值對建立的BP神經網絡進行學習訓練，EMSE=7.42×10-5，總體誤差滿足要求，訓練樣本結果見表4所示。
3.2 西藏會展中心項目風險評價
將西藏會展中心項目原始數據經處理後的項目風險數據作為樣本輸入數據見表5所示，輸入到訓練誤差滿足要求的模型中，得到表6的輸出結果，即風險評價等級。
根據表6輸出的數據結果可以得出，模型訓練比較穩定，期望輸出0.6947，即為評價項目的風險等級，該項目評定結果為中風險。
4 結論
本文通過建立政府投資代建項目的風險評價指標體系，運用誤差反向傳播算法，建立代建制項目風險評價模型，通過對獲得的實例工程風險評價樣本數據，帶入評價模型中進行自學習、訓練，使得模型的自適應滿足評價要求，最後以工程實例對該模型進了風險評價驗證，論證了該模型的可行性和可操作性，通過該模型在工程實例中的應用，為工程規避風險，制定風險應對措施提供了科學指導，為企業減少了不可預見費用的支出，提高了政府投資項目的社會效益和經濟效益，證明該模型在政府投資代建項目風險評價及控制中值得應用。
參考文獻：
[1]Akintola S Akintoye， Malcolm J MacLeod. Risk analysis and management in construction. International Journal of Project Management， 1997， 15(1)：31-38.
[2]Nigel John Smith， Min An. Application of a fuzzy based decision making methodology to construction project risk assessment[J]. International Journal of Project Management， 2007，25：589-600.
[3]Stephen Ward，Chris Chapman. Transforming project risk management into project uncertainty management[J]. International Journal of Project Management，2003，21：97-105.
[4]孫少楠，王愛領.基於群組AHP代建制項目風險評價[J].統計與決策，2009，1：172-173.
[5]張穎，劉艷秋.軟計算方法.[M].北京：科學出版社，2002：66.
[6]袁曾任.人工神經網絡原理及其應用[M].北京：清華大學出版社，1999：36-42.
[7]韓力群.人工神經網絡理論、設計及應用.北京：化學工業出版社，2007.
[8]飛思科技產品研發中心.神經網絡理論與Matlab 7.0實現.[M].北京：電子工業出版社，2005.
（西藏職業技術學院，拉薩 850000）
（Tibet Vocational Technical Collage，Lhasa 850000，China）
摘要： 在政府投資項目推行代建制的過程中，必須正確認識代建制模式下的風險管理工作的重要性，認清風險的來源，有效評估工程項目風險嚴重程度和整體風險水平是決策項目上馬的先決條件。本文在闡述代建制項目進行風險評價的重要性基礎上，結合政府投資代建項目的特徵和國內工程的實踐進行歸納總結，建立了共性的風險評價指標體系，提出了基於誤差反向傳播算法的BP神經網絡評價模型，並通過算例驗證了該模型的可行性，為實際工程項目進行風險預測、應對、規避提供決策支持，從而提高了政府投資項目的整體效益。
Abstract： In the process of government investment project implementing agency construction， we must understand correctly the importance of risk management under agency construction and recognize the risk source，so as to assess the severity of project risk and the overall level of risk effectively which is an essential prerequisite of decision-making project. On the basis of expounding the importance of project under agency construction carrying on risk assessment，combined with the characteristic of project under agency construction and the generalization of domestic engineering practice，this paper set up common risk evaluation index system，put forward the BP neural network evaluation model based on error back propagation. Besides this paper uses the BP neural network evaluation model in the really construction to draw a conclusion that the model is feasible and hope the model can provide the decision support for risk prediction、risk response and risk aversion in the really construction，so as to improve the whole efficiency of the government investment project.
關鍵詞 ： BP；神經網絡；代建制；風險評價
Key words： BP；neural network；gent-construction；risk assessment
中圖分類號：F283 文獻標識碼：A 文章編號：1006-4311（2015）19-0030-03
作者簡介：謝亮（1982-），男，四川德陽人，講師，工程師，一級建造師，造價工程師，碩士研究生，研究方向為工程管理。
0 引言
政府投資項目實行代建制，可以有效加強政府對投資項目的管理，規範投資建設秩序，建立投資責任約束機制，通過市場運作，選擇有經驗、講信譽的專業化管理隊伍，用法律和經濟手段確立投資者和建設者之間的相互關係，有效保證資金的使用效益和施工質量。因此，本文在項目實行代建制的前提下，運用基於誤差反向傳播算法的BP神經網絡評價代建制項目風險，通過建立代建制項目一般風險指標為引例，論證該方法在項目風險評價上的可行性、可操作性，為實際工程項目規避風險，降低工程成本提供理論依據，從而提高政府投資項目的社會效益和經濟效益。
1 代建制項目風險評價的重要性
政府投資項目代建製作為有效的工程項目管理模式，推進代建制的實施必然要重視投資項目的風險管理，尤其是對投資項目的風險評價。風險評價是政府投資代建項目風險管理的關鍵步驟，是對一個項目整體風險水平做出合理評價的過程。在對投資項目風險因素進行識別之後，投資決策者在進行風險因素識別以後就需要分析其投資機會的潛在價值，判斷項目在整個生命周期遇到的不確定性風險帶來損失的程度，決策項目是否上馬[1]。
因此，需要對項目面臨的風險做出科學評價，並以此為依據制定相應風險應對規避措施，減少或降低項目在實施過程中帶來的損失。由此可見，風險評價在項目中的重要性是不言而喻的。
2 建立誤差方向傳播神經網絡評價模型
任何一個項目在實施過程中都具有不確定性，代建製作為政府投資項目建設推行的一種模式，具有打包式的形式，項目在實施過程中存在許多偶然事件。通過整理相關文獻，目前關於代建制項目的風險評價研究較少，部分學者從理論上進行了研究，提出了不同的觀點，Nigel John Smith， Min An等人[2]，引入因子指數來組織和評估這些因素，並將其整合納入風險評估的決策過程中。該文獻提出了一種全新的風險評估方法，以應對建設行業複雜環境中的風險。同時根據模糊推理技術，提出了一種處理在施工過程中產生的不確定性和主觀性的有效工具。Stephen Ward， Chris Chapman認為[3]，目前所有項目風險管理的實施過程，都忽視了關於項目不確定性管理。該文獻討論了引起這種觀點的原因，並堅決主張把注意力集中於不確定性上而不是風險，才能夠提高項目的風險管理。同時提出了一種如何將項目風險管理的過程改進成便於應用不確定性管理觀點的方法。孫少楠等人，研究了基於群組AHP代建制項目風險評價，認為利用群組層次分析的方法，來確定代建制項目風險層次結構中風險指標權重，從而來確定風險指標評價等級[4]。因此，本文在改進前人研究的基礎上，通過誤差反向傳播算法建立BP評價模型，並以工程實例的形式來驗證模型的科學性和合理性，從而為代建制模式下工程項目風險評價提供應用價值。
2.1 人工神經網絡概述
人工神經網絡（Artificial Neural Network）是模仿生物神經網絡功能的一種經驗模型，由大量與自然神經細胞類似的人工神經元互聯而成的網絡。其工作機理是根據輸入的信息建立神經元，輸入和輸出之間的變換關係具有非線性特點，通過輸入一定量的樣本數據按照學習規則或自組織進行不斷修正，把問題的特徵反映在神經元之間相互聯繫的權值中，使輸出結果和實際值之間差距不斷縮小。所以，神經網絡的輸出層就是將給出解決問題的結果[5]。
2.2 BP神經網絡算法流程
基於誤差反向傳播（Error back propagation， 簡稱BP）的神經網絡是一種多層次反饋型網絡，使用有導師的學習算法。而基於人工神經網絡的多指標綜合評價方法通過神經網絡的自學習、自適應能力和強容錯性，建立更加接近人類思維模式的定性與定量相結合的綜合評價模型。
在本文採用基於BP算法來構造神經網絡模型，選用典型的三層BP神經網絡前饋型層次結構網絡，由輸入層，隱含層和輸出層三部分組成。其中同層次神經元之間無關聯，異層次神經元之間前向連接。在三層BP神經網絡中，輸入層含n個節點，代表神經網絡的n個輸入；輸出層含l個節點，代表神經網絡的l種輸出；隱含層的節點數目m，可根據需要設置，具體相關函數參見文獻[6-7]。
本文應用Matlab 7.0進行BP算法步驟如下：
2.3 建立評價指標體系
本文結合政府投資代建項目的特徵，旨在建立一般意義上的風險評價指標體系，根據全面性、可比性、可操作性等指標設計原則，並考慮到模型的實際運用，建立了基本所有項目通用的、系統的、科學合理的代建制項目風險評價指標體系。對於一個具體的項目而言，風險因素的增加、刪減並不影響本模型的應用，評價指標體系如圖1所示。
2.4 基於BP神經網絡模型建立
由於目前針對代建項目風險管理的工程實例和歷史數據較少，為了獲得本文模型實證所需的樣本數據，經過大量相關文獻數據的收集整理，共收集到了6個實施代建制的項目風險數據，將實際數據進行了處理，處理後的樣本數據見表1所示。
實際應用表明，合理確定網絡層數與各層的神經元數，是成功應用BP神經網絡模型的關鍵之一。一個三層的神經網絡可以完成任意n維到m維的映射，即具有一個隱含層的神經網絡能夠以任意精度表示任何連續函數。因此，本模型設置一層隱含層，建模如下：
①輸入節點：根據風險評價指標體系，將政治風險，經濟風險，自然風險，決策風險，管理風險共5個作為BP模型的輸入節點；②輸出節點：輸出節點對應評價結果，在本文建立的模型中，由於最終的結果是一個評價數值，即綜合評價分數，代表不同的風險程度，因此選擇1個輸出節點；③隱節點：根據最佳隱節點計算公式，本模型隱節點數選擇範圍在3-12之間，利用表1樣本數據進行訓練，訓練函數採用Traingdx函數，訓練結果見表2所示。
誤差水平和訓練速度是考慮網絡性能的兩個重要指標。根據表2可知，隱含層節點數為11的BP網絡對評價函數的逼近效果最好，誤差最小，訓練次數為115次。因此，本模型中隱含層的節點數目應該選擇為11。因此，本文建立的BP神經網絡模型為5×11×1的三層網絡模型。
④訓練函數：採用不同的訓練函數對網絡收斂速度和訓練次數有影響，通過對traingdx、trainlm和traingd三個訓練函數進行分析，trainlm學習算法具有收斂速度很快特點，訓練結果、誤差曲線分別如圖2、圖3所示。
可以看出，訓練次數為6時，網絡的逼近誤差為7.42×10-5。六組樣本數據的誤差在區間（-0.016，0）內。因此，本文的評價模型決定採用trainlm對網絡進行訓練。
綜上所述，最終確定風險評價神經網絡模型的BP網絡結構見表3所示。
3 應用算例
本文以西藏會展中心為項目背景，通過訓練好的模型對該項目在實施過程中的進行風險評價，為項目制定風險應對措施提供科學依據，也提供了一種風險評價思路。
3.1 模型訓練
通過運用6個樣本輸入和輸出值對建立的BP神經網絡進行學習訓練，EMSE=7.42×10-5，總體誤差滿足要求，訓練樣本結果見表4所示。
3.2 西藏會展中心項目風險評價
將西藏會展中心項目原始數據經處理後的項目風險數據作為樣本輸入數據見表5所示，輸入到訓練誤差滿足要求的模型中，得到表6的輸出結果，即風險評價等級。
根據表6輸出的數據結果可以得出，模型訓練比較穩定，期望輸出0.6947，即為評價項目的風險等級，該項目評定結果為中風險。
4 結論
本文通過建立政府投資代建項目的風險評價指標體系，運用誤差反向傳播算法，建立代建制項目風險評價模型，通過對獲得的實例工程風險評價樣本數據，帶入評價模型中進行自學習、訓練，使得模型的自適應滿足評價要求，最後以工程實例對該模型進了風險評價驗證，論證了該模型的可行性和可操作性，通過該模型在工程實例中的應用，為工程規避風險，制定風險應對措施提供了科學指導，為企業減少了不可預見費用的支出，提高了政府投資項目的社會效益和經濟效益，證明該模型在政府投資代建項目風險評價及控制中值得應用。
參考文獻：
[1]Akintola S Akintoye， Malcolm J MacLeod. Risk analysis and management in construction. International Journal of Project Management， 1997， 15(1)：31-38.
[2]Nigel John Smith， Min An. Application of a fuzzy based decision making methodology to construction project risk assessment[J]. International Journal of Project Management， 2007，25：589-600.
[3]Stephen Ward，Chris Chapman. Transforming project risk management into project uncertainty management[J]. International Journal of Project Management，2003，21：97-105.
[4]孫少楠，王愛領.基於群組AHP代建制項目風險評價[J].統計與決策，2009，1：172-173.
[5]張穎，劉艷秋.軟計算方法.[M].北京：科學出版社，2002：66.
[6]袁曾任.人工神經網絡原理及其應用[M].北京：清華大學出版社，1999：36-42.
[7]韓力群.人工神經網絡理論、設計及應用.北京：化學工業出版社，2007.
[8]飛思科技產品研發中心.神經網絡理論與Matlab 7.0實現.[M].北京：電子工業出版社，2005.
收藏