基于神經網絡的水利工程建設項目風險評價

王振興 （南水北調中線干線建設管理局，北京100038）

水利工程建設是一個復雜的系統(tǒng)工程，建設周期長、投資需求大、技術要求高，且存在著很大的風險［1］。準確地分析、判斷水利工程建設風險是降低水利工程建設風險損失，提高水利工程投資決策水平的重要途徑。目前，水利工程建設項目風險評價的重要性得到了廣泛重視，許多研究者對其進行了研究，如基于層次分析法和模糊綜合評價法等的評價模型［2-3］。這些方法為水利工程建設項目風險評估提供一定的參考。但是，這些方法主要依靠專家知識和經驗，在評價過程易受主觀因素的影響，且當評價指標較多時，專家無法憑經驗來衡量各指標的相對重要性，從而很難保證給出評價的客觀性。相比依靠專家經驗判斷來確定評價指標權數(shù)的評價方法，BP神經網絡不需要考慮指標間相互關系，只需將評價指標值作為樣本輸入神經網絡，就能對水利工程建設項目風險進行評價，從而降低了評價過程的主觀性，使之更具科學性。

鑒于此，筆者提出了一種基于BP神經網絡的水利工程建設項目風險評價方法，利用水利建設項目中的經驗數(shù)據(jù)，且在評價過程中無須對評價指標之間的內在關系進行數(shù)學描述，從而有效地減少評價過程中的人為因素，提高評價過程的客觀性。

1 水利工程項目風險評價指標體系

圖1 水利工程建設項目風險評價指標體系

一個水利工程建設項目的風險主要包括：政治風險、經濟風險、自然風險、技術風險、商務風險和信用風險［4］。通過對水利工程建設項目各種風險及其因素的分析和綜合，結合水利工程建設項目管理實際，建立了如圖1所示的水利工程建設項目風險評價指標體系。

水利工程建設項目風險評價指標值形式復雜，涉及到不同量綱，有些指標值可以通過定量計算獲得，有些指標值只能通過定性分析獲得。因此，從效率和實用的角度，采用十分制打分的方法進行量化，而定量指標直接采用原值，然后，再將這些數(shù)值進行歸一化處理。進行歸一化處理后的指標值在0～1之間，且各指標在同一數(shù)量級別上，便于進行綜合評價。

2 評價模型

人工神經網絡 （BP神經網絡）是由大量處理單元 （神經元）廣泛互連而成的網絡，是對人腦信息處理功能的模擬和延伸，是一種動態(tài)學習系統(tǒng)［5］。BP神經網絡作為一種前潰神經網絡，可用來逼近復雜的非線性動態(tài)函數(shù)，將訓練后的BP神經網絡用于水利工程建設項目實施過程風險評價，是一種智能的評價方法。一個3層的BP網絡可以完成任意輸入層到輸出層的變換［6］。

基于BP神經網絡的水利工程建設項目風險評價模型是將用于風險分析指標值作為BP網絡模型的輸入量，將評價結果作為網絡模型的輸出量，用樣本對網絡進行訓練；網絡通過自適應學習，調整網絡權值，獲取專家的經驗、知識、主觀判斷。這樣訓練好的網絡模型就可用于水利工程建設項目風險評價。

筆者采用輸入層多輸入單元、單隱層和單輸出單元的3層神經網絡結構，其網絡結構如圖2所示。在該3層BP神經網絡中，將風險評估指標值作為輸入層，輸入神經網絡，輸入節(jié)點數(shù)用n表示；輸出層輸出神經網絡的計算結果，表示水利工程建設項目的風險評估結果；隱層的設計在神經網絡中極其重要，隱層節(jié)點數(shù)的選取直接影響到神經網絡計算性能的優(yōu)劣。目前，隱層節(jié)點的選取通常是先由經驗公式計算出神經網絡隱層節(jié)點數(shù)的初值，然后在迭代計算中對其不斷進行修正，最終以計算誤差最小的一組隱層節(jié)點數(shù)作為神經網絡的隱層節(jié)點數(shù)。

網絡訓練算法采用L-M（Levenberg-Marquardt）反向傳播算法，輸入值先傳播到隱單元，經作用函數(shù)運算后再把隱層單元輸出值傳播到輸出層，得到輸出值，再通過反向誤差傳播不斷修正網絡的權值和閾值，直至系統(tǒng)誤差小于給定收斂值［7］。

圖2 BP神經網絡結構

3 模型求解與檢測

根據(jù)建立的水利工程建設項目風險評估的12個指標 （政治環(huán)境、法規(guī)政策、通貨膨脹、利率匯率、自然災害、現(xiàn)場條件、勘探設計、施工技術、合同條款、工程變更、管理能力、合同履行），則神經網絡的輸入單元的個數(shù)為12個，輸入向量由定性和定量指標組成，并量化和歸一化到 ［0，1］之間的指標值。輸出層1個，由所選取的10個樣本的綜合評價等級值組成。輸出向量采用區(qū)間法，分為很大（0．8～1），大 （0．6～0．8），一般 （0．5～0．6），小 （0．4～0．5），較小 （0～0．3）5個等級。采用Matable 7．0軟件實現(xiàn)編程求解，通過訓練完成網絡對樣本的學習。根據(jù)收集到的10組數(shù)據(jù)，用前8組用于訓練學習樣本，后2組用于驗證。設定學習速率為0．01，誤差限制在0．002，訓練樣本如表1所示。利用訓練好的BP神經網絡，用后2組數(shù)據(jù)對BP神經網絡的有效性進行驗證，檢測結果如表2所示。從表2可以看出，基于BP神經網絡的水利工程建設項目風險評價結果與專家評價結果之間誤差小，可以用該模型對水利工程項目風險進行風險評價，以作為項目的決策依據(jù)。

表1 訓練及檢測樣本

表2 訓練及檢測結果

4 實例分析

下面筆者對與訓練樣本和檢測樣本選取相同的某一水利工程建設項目進行風險評估，為進行風險管理提供參考。針對該水利工程建設項目，首先邀請有關專家采用十分制方法對該項目各項風險指標進行打分，各指標歸一化結果如表3所示。然后，對表中的數(shù)據(jù)應用所建立的基于BP神經網絡的水利工程建設項目風險評估模型，計算出該工程項目的綜合風險評價值為0．412。評價結果表明，該水利工程建設項目風險較小。

表3 某水利工程建設項目評價指標

5 結 語

水利工程建設項目風險評價有助于控制風險，是水利工程項目管理的重要環(huán)節(jié)。筆者運用BP神經網絡的思想和方法對水利工程建設項目風險進行評價，不受人為因素的影響，準確度高，在水利工程建設風險管理中具有較好的應用價值。

［1］韓社民，蓋高強 ．淺析水利工程的風險分析 ［J］．工程技術，2011（6）：75．

［2］陳建軍，卞藝杰 ．層次分析法在水利工程建設項目風險評估中的應用 ［J］．水利經濟，2007，25（1）：13-15．

［3］謝洪，劉建軍，張勝東 ．模糊風險分析方法在水利工程中的應用 ［J］．人民黃河，2008，30（2）：76-78．

［4］賴成光，王兆禮，宋海娟 ．基于BP神經網絡的北江流域洪災風險評價 ［J］．水電能源科學，2011，29（3）：57-59．

［5］楊俊輝，程銀俠 ．基于BP神經網絡的工程項目風險評價 ［J］．西安郵電學院學報，2011，16（1）：115-118．

［6］李愛花，劉恒，耿雷華，等 ．水利工程風險分析研究現(xiàn)狀綜述 ［J］．水科學進展，2009，20（3）：453-457．

［7］李靜，姜志浩，周明乾 ．基于BP神經網絡的拱壩風險評價研究 ［J］．價值工程，2008（4）：9-11．