基于BP神经网络的建设项目资金流预测

摘要： 本文构建了BP神经网络模型对某建设工程项目的资金流进行预测分析，结果与实际的资金流基本吻合。说明神经网络能够作为建设项目资金流预测的有效工具。

Abstract： In the paper， BP neural network model is constructed to predict capital flow of a construction project， the results agreed with the actual capital flow. Shows that neural network can be used as a effective tool for construction project capital flow forecast.

关键词： 建设工程项目；BP神经网络；资金流预测

Key words： construction project；BP neural network；capital flow

中图分类号：TU723.3 文献标识码：A 文章编号：1006-4311（2013）13-0091-02

————————————

作者简介：王普照（1975-），男，山东肥城人，高级工程师，国家注册咨询工程师、国家注册监理工程师，主要研究方向为工程项目管理、监理及招投标。

0 引言

资金流是指建设工程项目资金流入和流出随工程进度的分布状况，预测资金流可以帮助建设单位按需筹措和安排资金，避免资金积压或者资金短缺给工程建设带来风险和损失。准确预测资金流随时间的分布对投资巨大、建设周期较长、投资回收期很长的建设工程项目尤为重要。本文将神经网络应用于建设工程项目的资金流预测，探索资金流预测的有效方式，为建设单位降低资金使用风险、提高资金使用效率提供理论支撑。

神经网络系统理论是1943年由心理学家McCulloch 和数学家Pitts提出的。人工神经网络模型可模拟人类学习、理解问题、解决问题的思维过程，因此比较适合用来做资金流出变化的预测工作。[1]

神经网络具有通过学习逼近任意非线性映射的能力，将神经网络理论运用到资金流预测这一多因素非线性系统中，可以不受非线性模型的限制，得出精度较高的预测数据，具有良好的工程应用价值。[2]

企业真实的资金流可以看作某些因素的因变量，以这些影响因素的时间序列统计数据为自变量，可以在不求解函数表达式的情况下，利用神经网络逼近任意非线性映射的能力来预测资金流的变动情况。

由于神经网络模型能够模拟任意非线性映射，又不必给出映射关系的表达式，所以简单易行、通用性很强。时间序列的统计数据也可以支持影响因素的模糊数据，支持定性的因素对预测结果的影响评价。上述特点正好切合资金流预测影响因素多、且时间序列统计数据比较完善的情况。

1 资金流构成

资金流包括资金的流入和流出，资金的流入总量是大体确定的，而不同的建设项目、不同的建设阶段，资金流所包含的具体内容和数量是不同的。本文以某电解铝建设工程项目为例，说明建设项目资金流的主要构成。

对于处在建设期的工程项目来说，资金流入主要包括银行贷款、资本金和国家、地方税收优惠政策的退税收入（电解铝属于国家限制投资的高耗能行业，国家取消了优惠政策，但是一些电能相对过剩的省份对电解铝项目还有一些优惠）等。其中最重要的是银行贷款（国家将电解铝项目资本金在总投资中比例提高到35%）。

资金的流出主要包括工程费用和财务费用。

在工程实践中，资金流出会因为施工变更等多种因素与原计划发生较大幅度的偏离。与之相适应，资金流出的偏离反过来会对资金流入的时间和结构产生较大影响，资金流不能按需到位，就会出现资金积压或资金短缺，严重的情况下还可能造成停工或利息支出大幅度增加。[3]

2 预测模型构建

本文使用S型函数f（ui）=■（c为常数）隐层神经元传递函数，log sig（ui）=■作为目标层神经元的输出函数。

在三层的BP网络中，隐含层的神经元个数a2和输入层的神经元个数a1之间存在以下经验公式：a2=2a1+1

影响工程项目建设的因素可以概括为五类，即：人、机、物、法、环。本研究选取8个指标作为输入变量。在“人”的影响因素方面选取了人员到位率；在“机”的方面选取了建设设备开工率、生产设备到位率；在“物”方面选取了材料充足率；在“法”方面选取了工程变更资金增加量、设计到位率；在“环”方面选取征地费用、天气情况。

人员到位率、建设设备开工率、材料充足率、生产设备到位率、工程变更资金增加量、征地费用中各种非预算支出、工程所在地的气候情况、设计到位率是资金流出的主要影响因素，容易获得时间序列统计数据，可以作为神经网络的输入神经元。资金实际流出量为输出指标。

3 工程应用

某电解铝建设工程项目，位于青海省，年产能为50万吨铝及部分铝型材；与电解铝配套的炭素厂产能32万吨/年，总投资69亿元人民币，工期三年。

由于工程开工正值2008年世界金融危机爆发，国家积极推进扩大内需、投资拉动的政策，加之奥运会、世博会、亚运会的举办，致使许多合同履行遇到困难，比较突出的是设计不到位和材料设备不到位，导致工程进度变化很大，工程变更频繁。基于上述原因，该工程的资金不是平均流入流出，且波动很大。所以预测资金流对发挥资金效益，降低资金使用成本有较大现实意义。

文章利用matlab软件，根据建设单位对上述8项影响因素的统计数据和2008年1月-2009年12月的资金流出实际数据构建输入、输出的变量集合，输入统计数据的无量纲化和归一化可分为3种情况：比率数据本身没有量纲且数值在0-1之间，不再进行归一化；对含量纲的数据，数值越大越好的利用公式Zi=■进行归一化，数值越小越好的利用公式Zi=■进行归一化；对于以月为单位统计的天气情况则采用当月极端天气导致停工的天数与当月实际天数的比值。

设计BP神经网络来进行预测，网络的输入向量范围[0，1]，隐含层神经元传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。选择这两个S型函数是由于输出它们的向量要求在0-1之间，满足网络的需求。采用trainlm函数对网络进行训练，训练结果（如图1所示）表明，该网络经过18次训练后达到误差要求。

训练结束后，用2010年全年的实际资金流出数据归一化后进行了测试，目的是为了验证神经网络模型的可靠性。

得出的预测结果如表1。

最大的月资金流出和实际的差额为0.024。与归一化后实际值最大仅偏差4.1%，偏差的数量级对于该大型工程是可以接受的，证明神经网络模型训练是成功的。

4 结论

应用数学工具对资金流进行预测，可以有效地解决建设单位准确预测项目资金流的难题，帮助建设单位防范金融风险，降低融资的成本，保证项目建设资金的充足性和及时性，进而使工程项目的建设得以顺畅进行。

参考文献：

[1]葛哲学，孙志强.神经网络理论与MATLAB R2007实现.北京：电子工业出版社，2007，9.

[2]加卢什金，俄.阎平凡，译.神经网络理论.北京：清华大学出版社，2002，4.

[3]李果，强茂山.水电工程多项目资金流预测模型[J].项目管理技术，2009，11.