人工神经网络在工程项目风险分析中的应用

摘 要：工程项目建设过程中风险的识别、评价极其重要，能否根据评价结果采用正确的风险管理策略，是决定工程建设成败的关键性因素之一。在工程项目投标决策和风险管理过程中，如何将工程项目中的风险进行定量测算已成为工程项目管理人员关注的重要问题。该文采用了人工神经网络模型中使用最广泛的一种BP神经网络算法来对工程项目的风险进行分析，所得出来的工程项目风险评估结果，可为工程项目管理人员进行决策提供参考。

关键词：项目管理 风险分析 BP 神经网络 模型

中图分类号：F282 文献标识码：A 文章编号：1674-098X（2015）10（c）-0062-02

1 工程项目中的风险

风险在任何工程项目中都存在，按照风险种类分类有自然风险、政治风险、经济风险、技术风险、责任风险和决策风险等。工程项目实施过程中，可能遇到暴雨、洪水、泥石流、不良的地质条件等自然风险;工程所在国政局动荡等政治风险;通货膨胀、资金筹措困难等经济风险;设计不完善、施工工艺很落后等技术风险;合约方违约等责任风险;信息失真和经验缺失等带来的决策风险。诸如此类风险都会造成工程项目的不确定性，如工期延长、成本超支、工程质量未达要求等，导致工程项目无法正常交付使用。

2 传统风险分析的方法

传统的风险分析方法可分为定性和定量两种。

2.1 定性风险分析方法

定性风险分析的方法一般是凭经验界定风险源，如列举法、专家经验法（Delphi法）及决策树方法等。以专家经验法为例，风险分析的过程为专家凭借在工程项目中的大量经验识别出工程项目可能存在的风险源，并给出对每一类风险源的综合印象，判明各种风险源可能对工程项目造成的破坏，是一种定性对风险的严重程度进行分析的方法。

2.2 定量风险分析方法

传统的定量的风险分析方法是在定性分析的基础上进行数学处理而实现的。如PRA（概率风险评估），DPRA（动态风险概率评估）及仿真通用软件VERT（风险评审技术）等。在定性分析的基础上，定量风险分析对工程项目中各个风险源发生的概率，给出各个风险源的风险量化指标，通过进行数学处理，得到工程项目中各类风险的量化值。

3 BP神经网络模型

3.1 人工神经网络模型

神经网络的研究始于20世纪40年代，人工神经网络，是指模拟人类神经细胞群学习特性的结构和功能而构成的一种信息处理系统或计算机系统，由于人工神经网络模型适用于复杂环境，可实现多目标控制要求，并具有以任意精度逼近任意非线性连续数的特性，已应用于许多复杂控制系统的领域。

3.2 BP神经网络

1986年D.E.Runelhart和J.L.McCelland及其研究小组提出PDP（Parallel Dis2t ributed Processing）网络思想，他们还提出了一种网络学习算法――BP算法（误差反向传播算法），至今在人工神经网络中，影响最大、使用最广泛的一类就是BP神经网络。BP网络在结构上分为输入层、隐层和输出层，是典型的多层网络结构，层与层之间多采用全互连方式，同一层单元之间不存在相互连接。3层的BP神经网络结构见图1。

除输入层单元外，BP神经网络的其他基本处理单元均为非线性输入输出关系，层与层之间的的连接权值也是可以调节的，一般选用以下函数计算公式。

4 基于BP神经网络的风险分析模型

在BP神经网络的基础上，我们建立模型对工程项目中的风险进行分析，可分为3个阶段：风险辨识、BP神经网络处理和风险评估。

4.1 风险辨识

辨识工程项目所面临的风险为工程项目风险分析的第一阶段，我们将工程项目所面临的风险进行分类，分为6种：自然风险、政治风险、经济风险、技术风险、责任风险和决策风险，也可根据具体工程项目实际情况确定风险分类;然后，根据已做出的工程项目风险分类，列出每一类风险可能会造成工程项目的无法正常完成的不确定因素。

4.2 BP神经网络处理

根据风险辨识得到的工程项目风险因素清单，我们首先要对各种风险因素的历史数据进行格式化处理，以便完成输入层信息的输入。还需提供历史的项目风险系数，然后进行BP神经网络中连接权值的训练，得到输入层、隐层及输出层的之间权值。完成训练后，在具体的某一工程项目中，即可根据现有的专家风险评估数据作为输入，得到风险评价系数。

项目风险系数是一种评价项目的风险程度的指标，工期、费用和效益投入比是用于评价工程项目的3个客观指标，工程项目的风险系数可以用下式表述。

式中：r为风险系数;

、分别为实际工期和计划工期;

、分别为实际费用和计划费用;

、分别为实际效能和预计效能;

分别是时间、费用和效能的加权系数，结合工程项目对各种资源的要求确定3个指标的值，且满足=1的条件。

4.3 风险评估

风险评价系数的取值越小，说明风险越小，取值越大，说明风险越大，风险状况的分区需要根据工程项目的具体情况进行划分。以下列出了5个区间的划分方法。

（1）r<0.2，工程项目的风险很低，即使损失发生，对工期、费用和效益投入比的影响很小;

（2）0.2r<0.4，工程项目的风险较低，如果损失发生，对工期、费用和效益投入比有一定的影响;

（3）0.4r<0.6，工程项目的风险处于中等水平，如果损失发生，有出现重大损失的可能;

（4）0.6r<0.8，工程项目的风险较大，必须采取避险措施，杜绝损失发生;

（5）0.8r<1，工程项目的风险极大，建议重新进行对该工程项目决策论证。

5 结语

将人工神经网络方法应用于工程项目风险分析之中，在大量的历史数据的基础上，采用BP神经网络模型对风险进行定量分析，大大提高了对风险评价系数预测的准确性，为工程项目的投资决策提供可信度较高的风险评价方案，特别适用于有着丰富的同类项目实施经验和资料的企业。

参考文献

[1] 成虎.工程项目管理[M].北京：中国建筑工业出版社，2001.

[2] 雷胜强.国际工程风险管理与保险[M].北京：中国建筑工业出版社，1996.

[3] 闻新.Matlab神经网络应用设计[M].北京：科学出版社，2001.

[4] 焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1991.

[5] 陈理荣.数学建模导论[M].北京：北京邮电大学出版社，1998.

[6] 胡守仁，余少波，戴葵.神经网络导论[M].长沙：国防科技大学出版社，1992.