建設(shè)項(xiàng)目風(fēng)險(xiǎn)管理的人工神經(jīng)網(wǎng)絡(luò)模型研究

毛基層

人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有集體運(yùn)算能力和自適應(yīng)的學(xué)習(xí)能力,可實(shí)現(xiàn)函數(shù)逼近、數(shù)據(jù)聚類、優(yōu)化計(jì)算、自適應(yīng)模式識別和非線性預(yù)測等功能。在理論意義上,神經(jīng)網(wǎng)絡(luò)模型能在相當(dāng)高的精度上逼近任意復(fù)雜的建設(shè)項(xiàng)目系統(tǒng),因而可有效地移植應(yīng)用于許多用常規(guī)方法不易處理的建設(shè)項(xiàng)目分析,并為建立合理、可靠和準(zhǔn)確的識別估計(jì)和評價(jià)模型提供依據(jù)。

本文利用人工神經(jīng)網(wǎng)絡(luò)模型來識別風(fēng)險(xiǎn),對風(fēng)險(xiǎn)進(jìn)行分析,并基于此給出風(fēng)險(xiǎn)控制及管理的計(jì)劃或建議。

1 人工神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)和BP算法

圖1是一個(gè)3層并行分布式人工神經(jīng)網(wǎng)絡(luò)連接模型,它由人工神經(jīng)元獨(dú)立處理單元與連接弧連接而成。輸入層從外部接收信息并將其傳入神經(jīng)網(wǎng)絡(luò);隱含層接收輸入層的信息,然后對所有的信息進(jìn)行處理;輸出層接收處理后的信息并將最后結(jié)果輸出。由此可以看出,每一神經(jīng)元計(jì)算的輸出又是下一層所有神經(jīng)元的輸入,且每一神經(jīng)元均使用相同的算法計(jì)算輸出。

BP網(wǎng)絡(luò)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò),訓(xùn)練學(xué)習(xí)采用誤差反傳算法。網(wǎng)絡(luò)除輸入、輸出節(jié)點(diǎn)外,還有一層或多層的隱層節(jié)點(diǎn),同層節(jié)點(diǎn)間無任何連接。輸入數(shù)據(jù)從輸入層節(jié)點(diǎn)依次經(jīng)過各隱層節(jié)點(diǎn)到達(dá)輸出節(jié)點(diǎn),從而得到輸出數(shù)據(jù)。一般選用下列S形作用函數(shù):f(x)=1/(1+e-x)。

當(dāng)給定網(wǎng)絡(luò)的1個(gè)輸入模式時(shí),它由輸入層單元傳到隱含層單元,經(jīng)隱含層單元逐層處理后再送到輸出層單元,由輸出層單元處理后產(chǎn)生1個(gè)輸出模式,這是1個(gè)逐層狀態(tài)更新過程,稱為前向傳播。如果輸出響應(yīng)與期望輸出模式有誤差,不滿足要求,那么就轉(zhuǎn)入誤差向后傳播,將誤差沿連接通路逐層傳送并修正各層連接權(quán)值。對于給定的1組訓(xùn)練模式,不斷用一個(gè)個(gè)訓(xùn)練模式訓(xùn)練網(wǎng)絡(luò),重復(fù)前向傳播和誤差向后傳播過程,當(dāng)各個(gè)訓(xùn)練模式都滿足要求時(shí),BP網(wǎng)絡(luò)的訓(xùn)練完成。

2 建設(shè)項(xiàng)目風(fēng)險(xiǎn)識別估計(jì)網(wǎng)絡(luò)模型

2.1 識別估計(jì)內(nèi)容

1)市場前景風(fēng)險(xiǎn)識別估計(jì);2)資源及原燃料、動力供應(yīng)風(fēng)險(xiǎn)識別估計(jì);3)工藝風(fēng)險(xiǎn)識別估計(jì);4)籌資風(fēng)險(xiǎn)識別估計(jì);5)布局安全風(fēng)險(xiǎn)識別估計(jì)。

建設(shè)項(xiàng)目可行性研究的風(fēng)險(xiǎn)遠(yuǎn)不止于此,還包括:項(xiàng)目管理風(fēng)險(xiǎn)、環(huán)境風(fēng)險(xiǎn)、人力資源風(fēng)險(xiǎn)、不可抗力等。

2.2 風(fēng)險(xiǎn)識別估計(jì)網(wǎng)絡(luò)模型

用3層BP網(wǎng)絡(luò)模型結(jié)構(gòu)和動量—自適應(yīng)學(xué)習(xí)率調(diào)整算法建立風(fēng)險(xiǎn)識別估計(jì)網(wǎng)絡(luò)模型。建模過程中通過對識別估計(jì)因子輸入序列和識別估計(jì)對象輸出序列之間對應(yīng)關(guān)系的反復(fù)學(xué)習(xí)和訓(xùn)練,不斷調(diào)整網(wǎng)絡(luò)模型輸入層與隱含層、隱含層與輸出層之間的連接權(quán)值和閾值,找出其傳遞函數(shù)的最佳權(quán)值矩陣和閾值矩陣,從而建立起兩者之間的映射關(guān)系。

在此模型中,為增強(qiáng)模型表述能力,用BP模型準(zhǔn)確識別,可采用影響較大的風(fēng)險(xiǎn)因子,如市場、技術(shù)、資金、資源等作為輸入,輸出即為所要的風(fēng)險(xiǎn)判斷結(jié)果。為討論方便,現(xiàn)以某企業(yè)一建設(shè)項(xiàng)目為例進(jìn)行討論。

1)輸入層:5個(gè)(對應(yīng)于5個(gè)特征值,組成一個(gè)特征向量),通常根據(jù)建設(shè)項(xiàng)目的實(shí)際情況設(shè)定;2)隱層:待定,以便找出最佳隱層單元數(shù),使網(wǎng)絡(luò)盡快收斂;3)輸出層:1個(gè),5種輸出分別代表5個(gè)風(fēng)險(xiǎn)等級,它們分別為:無表示為0,較小表示為1,一般表示為2,較大表示為 3,很大表示為 4;4)輸入模式轉(zhuǎn)換:神經(jīng)元輸入允許在(-∞,+∞)取值,一般實(shí)際問題中,對帶有一定模糊性的概念輸入。為使網(wǎng)絡(luò)盡快收斂,趨于穩(wěn)定,以更好適應(yīng)神經(jīng)元的輸入,需要進(jìn)行概念到具體數(shù)值的轉(zhuǎn)換,經(jīng)多次實(shí)踐說明,取值在(-1,1)區(qū)間時(shí)一般比較合理。管理者可以根據(jù)因子的有利程度進(jìn)行賦值。如市場可分為過剩、飽和、半飽和、有潛力、稀缺,而分別賦值為-1,-0.5,0,0.5,1。

其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型如圖2所示。

3 建設(shè)項(xiàng)目風(fēng)險(xiǎn)評價(jià)網(wǎng)絡(luò)模型

3.1 風(fēng)險(xiǎn)識別估計(jì)單元

1)對已識別和估計(jì)的風(fēng)險(xiǎn)進(jìn)行輸入,同時(shí)用戶需要對輸入的信息進(jìn)行格式化以便神經(jīng)網(wǎng)絡(luò)進(jìn)行處理。

2)用戶需提供歷史的項(xiàng)目風(fēng)險(xiǎn)系數(shù)。項(xiàng)目風(fēng)險(xiǎn)系數(shù)可以表述成:

其中,r為風(fēng)險(xiǎn)系數(shù);T,T0分別為實(shí)際時(shí)間和計(jì)劃時(shí)間;S,S0分別為實(shí)際費(fèi)用和計(jì)劃費(fèi)用;U,U0分別為實(shí)際效能和預(yù)計(jì)效能;w1,w2,w3分別為時(shí)間、費(fèi)用和效能的加權(quán)系數(shù),而且應(yīng)滿足w1+w2+w3=1的條件。

3.2 神經(jīng)網(wǎng)絡(luò)單元

神經(jīng)網(wǎng)絡(luò)的處理內(nèi)核將以Java開發(fā)的源程序庫為基礎(chǔ),針對BP網(wǎng)絡(luò)特點(diǎn)進(jìn)行了專門的優(yōu)化以及調(diào)整,將原本輸入層只支持10個(gè)節(jié)點(diǎn)、隱含層支持10個(gè)節(jié)點(diǎn)調(diào)整為各支持50個(gè)節(jié)點(diǎn)。

完成風(fēng)險(xiǎn)辨識單元的輸入后,神經(jīng)網(wǎng)絡(luò)單元需要先載入經(jīng)格式化的各種風(fēng)險(xiǎn)因素的歷史數(shù)據(jù),進(jìn)行網(wǎng)絡(luò)中權(quán)值的訓(xùn)練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。完成訓(xùn)練后,即可根據(jù)現(xiàn)有的專家風(fēng)險(xiǎn)評估數(shù)據(jù)作為輸入,得到風(fēng)險(xiǎn)評價(jià)系數(shù)。

3.3 風(fēng)險(xiǎn)評估單元

根據(jù)風(fēng)險(xiǎn)評價(jià)系數(shù)的取值,可以將項(xiàng)目的風(fēng)險(xiǎn)狀況分為若干個(gè)區(qū)間。本文提出的劃分方法是按照以下5個(gè)區(qū)間來劃分的:

r＜0.2項(xiàng)目的風(fēng)險(xiǎn)很低,損失發(fā)生的概率或者額度很小;0.2≤r＜0.4項(xiàng)目的風(fēng)險(xiǎn)較低;0.4≤r＜0.6項(xiàng)目的風(fēng)險(xiǎn)處于中等水平;0.6≤r＜0.8項(xiàng)目的風(fēng)險(xiǎn)較大;0.8≤r＜1項(xiàng)目的風(fēng)險(xiǎn)極大。

4 項(xiàng)目風(fēng)險(xiǎn)管理人工神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)

1)對風(fēng)險(xiǎn)評價(jià)系數(shù)預(yù)測的準(zhǔn)確性基于大量的歷史數(shù)據(jù);2)該模型具有開放性;可將所有風(fēng)險(xiǎn)來源囊括進(jìn)自身的分析當(dāng)中;隨著項(xiàng)目資料的日益豐富,該模型預(yù)測的精度也將越來越高;3)該模型具有定量性;4)該模型的輸入輸出全部采用Excel報(bào)表的形式,很大程度上方便了用戶的使用;為使用Excel建立企業(yè)報(bào)表資料提供了無縫的集成接口;5)該模型核心思想是建立風(fēng)險(xiǎn)來源和風(fēng)險(xiǎn)評價(jià)系數(shù)的非線性映射;提供定量的解決方案;彌補(bǔ)了主觀評估的不足。

5 結(jié)語

本文從建設(shè)項(xiàng)目風(fēng)險(xiǎn)管理的特點(diǎn)和過程出發(fā),建立建設(shè)項(xiàng)目風(fēng)險(xiǎn)識別與估計(jì)、評價(jià)網(wǎng)絡(luò)模型,系統(tǒng)地探討了如何利用神經(jīng)網(wǎng)絡(luò)模型得到定量的結(jié)果,為建設(shè)項(xiàng)目投資決策和風(fēng)險(xiǎn)分析提供了新的思路,為傳統(tǒng)的敏感度分析、情景分析和蒙特卡洛模擬方法提供了補(bǔ)充和開辟了創(chuàng)新性的思維。由于現(xiàn)代企業(yè)中資料數(shù)據(jù)的日益豐富,人工神經(jīng)網(wǎng)絡(luò)方法作為一種人工智能的思想,將廣泛應(yīng)用于各種決策支持系統(tǒng)、專家系統(tǒng),為決策者科學(xué)決策起到有效的輔助作用。

[1]王要武,孫成雙.建設(shè)項(xiàng)目風(fēng)險(xiǎn)分析專家系統(tǒng)框架研究[J].哈爾濱建筑大學(xué)學(xué)報(bào),2002,35(5):97.

[2]左付均,蔡自興.基于神經(jīng)網(wǎng)絡(luò)算法的建設(shè)項(xiàng)目風(fēng)險(xiǎn)預(yù)測系統(tǒng)設(shè)計(jì)[J].廣西科學(xué)院學(xué)報(bào),2004,20(3):143-144.

[3]郭 永.項(xiàng)目風(fēng)險(xiǎn)分析的人工神經(jīng)網(wǎng)絡(luò)模型[J].電力學(xué)報(bào),2005,20(3):308-309.

[4]侍克斌,張麗霞.工程項(xiàng)目風(fēng)險(xiǎn)指標(biāo)體系及綜合評價(jià)研究[J].新疆農(nóng)業(yè)大學(xué)學(xué)報(bào),2005,28(2):76-77.

[5]張俊玲,陳立文.工程項(xiàng)目投資風(fēng)險(xiǎn)評價(jià)模型研究[J].基建優(yōu)化,2004,25(1):12-13.

[6]張 慶.建設(shè)項(xiàng)目管理的重點(diǎn)及分析方法[J].山西建筑,2007,33(16):218-219.