一種可用于高速公路投資風(fēng)險(xiǎn)評(píng)估的神經(jīng)網(wǎng)絡(luò)模型

王作功,李慧洋,賈元華

(1.河南大學(xué)風(fēng)險(xiǎn)管理研究所,河南開(kāi)封475004;2.北京交通大學(xué)系統(tǒng)工程研究所,北京100044)

一種可用于高速公路投資風(fēng)險(xiǎn)評(píng)估的神經(jīng)網(wǎng)絡(luò)模型

王作功1,李慧洋1,賈元華*2

(1.河南大學(xué)風(fēng)險(xiǎn)管理研究所,河南開(kāi)封475004;2.北京交通大學(xué)系統(tǒng)工程研究所,北京100044)

高速公路投資風(fēng)險(xiǎn)評(píng)估對(duì)高速公路可持續(xù)發(fā)展具有重要作用.首先,本文針對(duì)傳統(tǒng)的準(zhǔn)三層BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型運(yùn)算精度和運(yùn)算效率之間的矛盾,從其結(jié)構(gòu)優(yōu)化的角度出發(fā),提出并設(shè)計(jì)了輸入層神經(jīng)元到隱含層神經(jīng)元、隱含層神經(jīng)元到輸出層神經(jīng)元的隨機(jī)重連過(guò)程的變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型;其次,針對(duì)中國(guó)高速公路的投資特點(diǎn),建立了高速公路項(xiàng)目投資風(fēng)險(xiǎn)的評(píng)價(jià)指標(biāo)體系,設(shè)計(jì)了基于隨機(jī)重連過(guò)程的變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的高速公路項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)模型,運(yùn)用中國(guó)10條高速公路項(xiàng)目對(duì)模型進(jìn)行了訓(xùn)練并對(duì)4條高速公路投資風(fēng)險(xiǎn)進(jìn)行評(píng)估.研究結(jié)果表明,該模型預(yù)測(cè)的平均相對(duì)誤差為1.91%,最大相對(duì)誤差為2.63%,具有良好的預(yù)測(cè)效果.

公路運(yùn)輸;高速路;神經(jīng)網(wǎng)絡(luò);變結(jié)構(gòu);風(fēng)險(xiǎn)評(píng)價(jià);系統(tǒng)工程

1 引 言

我國(guó)高速公路存在運(yùn)行效率低下、收費(fèi)標(biāo)準(zhǔn)較高、管理混亂、浪費(fèi)嚴(yán)重、投資成本居高不下、財(cái)務(wù)狀況難以為繼等問(wèn)題,不少項(xiàng)目存在著十分嚴(yán)重的銀行金融風(fēng)險(xiǎn)和地方財(cái)政隱患[1].高速公路投資風(fēng)險(xiǎn)評(píng)價(jià)方面已有一定的研究,王作功等[2]綜合運(yùn)用層次分析方法和模糊綜合評(píng)價(jià)方法,建立了高速公路投資風(fēng)險(xiǎn)的模糊綜合評(píng)估模型;高幸等[3]對(duì)高速公路應(yīng)用資產(chǎn)證券進(jìn)行融資存在的風(fēng)險(xiǎn)進(jìn)行識(shí)別并建立了風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系,應(yīng)用改進(jìn)的層次分析法對(duì)其風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià);田少波等[4]建立了控制區(qū)間和記憶模型對(duì)高速公路投資風(fēng)險(xiǎn)進(jìn)行評(píng)估.高速公路投資風(fēng)險(xiǎn)的影響因素多而復(fù)雜,傳統(tǒng)的風(fēng)險(xiǎn)評(píng)估方法難以有效地滿足高速公路投資風(fēng)險(xiǎn)評(píng)估的科學(xué)性和精確性.因此,尋求一種適用于高速公路投資風(fēng)險(xiǎn)評(píng)估的新方法具有極其重要的現(xiàn)實(shí)意義.

神經(jīng)網(wǎng)絡(luò)是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng).其中,最常見(jiàn)的是BP神經(jīng)網(wǎng)絡(luò),它是基于誤差反向傳播算法的多層前饋型神經(jīng)網(wǎng)絡(luò).BP神經(jīng)網(wǎng)絡(luò)具備自組織學(xué)習(xí)、高度非線性映射性、泛化性、容錯(cuò)性等優(yōu)點(diǎn).許多用傳統(tǒng)信息處理方法無(wú)法解決的問(wèn)題采用神經(jīng)網(wǎng)絡(luò)后取得了良好的效果.特別是在風(fēng)險(xiǎn)評(píng)價(jià)領(lǐng)域,神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)方法也得到了廣泛的應(yīng)用并取得了積極的成果,樓文高[5]將神經(jīng)網(wǎng)絡(luò)應(yīng)用到高新技術(shù)項(xiàng)目風(fēng)險(xiǎn)評(píng)估中;崔衛(wèi)芳等[6]引入人工神經(jīng)網(wǎng)絡(luò)建模方法,建立基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)高科技投資項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)模型;陳建宏等[7]總結(jié)分析了影響金屬礦山投資的眾多因素,建立科學(xué)的礦山投資評(píng)價(jià)體系,將模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)建立金屬礦山投資風(fēng)險(xiǎn)評(píng)價(jià)模型.

但是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型存在運(yùn)算精度和運(yùn)算效率之間的矛盾.本文根據(jù)人工智能與模式識(shí)別中的神經(jīng)網(wǎng)絡(luò)模型,提出了一種新的思路,即把項(xiàng)目的歷史數(shù)據(jù)結(jié)合各種項(xiàng)目技術(shù)指標(biāo)作為輸入值,項(xiàng)目評(píng)估所依據(jù)的各種指標(biāo)作為輸出值,對(duì)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的結(jié)構(gòu)進(jìn)行改進(jìn),建立變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型,并將其運(yùn)用到高速公路項(xiàng)目的風(fēng)險(xiǎn)評(píng)價(jià)中.

2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型及算法

BP神經(jīng)網(wǎng)絡(luò)由神經(jīng)元及神經(jīng)元之間的連接權(quán)組成,可分為輸入層、隱含層(可有多個(gè))、輸出層,屬于有導(dǎo)師的學(xué)習(xí)算法(誤差反向傳播算法)[8],其結(jié)構(gòu)及學(xué)習(xí)原理如圖1所示.

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)原理示意圖Fig.1 The diagram of structure and learning method for BP network

圖2 隨機(jī)重連過(guò)程后的準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.2 The topology of quasi-BP neural network after re-linking randomly

本文對(duì)于準(zhǔn)三層BP神經(jīng)網(wǎng)絡(luò),從其結(jié)構(gòu)優(yōu)化的角度出發(fā),提出了輸入層神經(jīng)元到隱含層神經(jīng)元、隱含層神經(jīng)元到輸出層神經(jīng)元的隨機(jī)重連過(guò)程,圖2為C=4的隨機(jī)重連過(guò)程后的準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu).通過(guò)結(jié)構(gòu)的自組織學(xué)習(xí)過(guò)程,采用隨機(jī)重連學(xué)習(xí)算法[9],提高了BP神經(jīng)網(wǎng)絡(luò)運(yùn)算精度.具體算法如下:

在訓(xùn)練學(xué)習(xí)過(guò)程中的第n步,對(duì)于隱含層與輸出層之間的權(quán)值,有

(1)依次考察輸出層的每個(gè)神經(jīng)元i,取其每個(gè)連接的隱含層層神經(jīng)元j∈[0,C];

(2)令ξ1∈[0,1]為一隨機(jī)數(shù);

(4)令新的隱含層神經(jīng)元為g,g∈{1,2,…, N}為隨機(jī)數(shù),但g≠j,即新的隱含層神經(jīng)元與原相連的C個(gè)隱含層神經(jīng)元不重合;

(5)令ξ2∈[0,1]為一隨機(jī)數(shù);

(7)對(duì)每個(gè)激活的隱含層神經(jīng)元與其連接的權(quán)值按如下方式更新:

(8)當(dāng)E≤ε,訓(xùn)練學(xué)習(xí)過(guò)程結(jié)束;否則n=n +1,轉(zhuǎn)向(1).

對(duì)于隱含層與輸入層之間的權(quán)值有類似的算法,其權(quán)值更新方式為

式中 vji是輸入層神經(jīng)元與隱含層神經(jīng)元之間連接的初始權(quán)值;wkj是隱含層神經(jīng)元與輸出層神經(jīng)元之間連接的初始權(quán)值,所有的v、w均大于1且相對(duì)較小.C為與每個(gè)輸入神經(jīng)元或輸出神經(jīng)元相連接的隱含層神經(jīng)元的個(gè)數(shù);N為BP神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù);E為BP神經(jīng)網(wǎng)絡(luò)的輸出誤差,η和η′是較小的數(shù)以保證學(xué)習(xí)算法不會(huì)震蕩;p表示神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本(p=l,2,…,P);輸出層的第k(k=l,2,…,K)個(gè)節(jié)點(diǎn)的輸出為Okp; dk為相應(yīng)的期望輸出值.

變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)通過(guò)隨機(jī)重連學(xué)習(xí)算法不斷調(diào)整輸入節(jié)點(diǎn)與隱含層節(jié)點(diǎn)的聯(lián)接強(qiáng)度取值Vij和隱含層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的聯(lián)接強(qiáng)度Wjk以及閾值,經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練,使誤差滿足精度要求,與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)被儲(chǔ)存起來(lái).此時(shí)經(jīng)過(guò)訓(xùn)練的變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)即能對(duì)類似樣本的輸入信息,自行處理輸出誤差最小的經(jīng)過(guò)非線性轉(zhuǎn)換的信息.

3 高速公路投資風(fēng)險(xiǎn)評(píng)價(jià)方法

變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)輸入層與隱含層、隱含層與輸出層在隨機(jī)斷開(kāi)和重連的過(guò)程中,由于自組織學(xué)習(xí)的原因,隱含層神經(jīng)元的連接數(shù)不盡相同.對(duì)風(fēng)險(xiǎn)評(píng)價(jià)起重要作用的神經(jīng)元有著較多的連接數(shù),其權(quán)值也是影響評(píng)價(jià)的重要參數(shù),連接數(shù)較大的神經(jīng)元在系統(tǒng)評(píng)價(jià)中起到的作用越大.傳統(tǒng)的風(fēng)險(xiǎn)評(píng)估方法對(duì)于不確定因素較多、各種影響因素之間關(guān)系復(fù)雜項(xiàng)目風(fēng)險(xiǎn)評(píng)估有很大的局限性[10].變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力[11]、自組織學(xué)習(xí)等優(yōu)點(diǎn),無(wú)需事前揭示描述輸入—輸出映射關(guān)系的數(shù)學(xué)方程,對(duì)于影響因素復(fù)雜的風(fēng)險(xiǎn)評(píng)估項(xiàng)目有很好適用性,能夠較好地解決運(yùn)算精度和運(yùn)算效率的矛盾.高速公路投資項(xiàng)目風(fēng)險(xiǎn)的影響因素多而復(fù)雜,其風(fēng)險(xiǎn)評(píng)價(jià)是通過(guò)對(duì)高速公路投資項(xiàng)目各影響因素評(píng)價(jià)值而得出最終的風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果,不同的評(píng)價(jià)指標(biāo)所占的權(quán)重不一樣.變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)的隨機(jī)斷開(kāi)和重連過(guò)程中,不同隱含層神經(jīng)元的連接數(shù)不同可對(duì)應(yīng)于高速公路投資風(fēng)險(xiǎn)不同評(píng)價(jià)指標(biāo)的權(quán)重,因此可以將高速公路投資項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)的各因素指標(biāo)作為輸入,最終評(píng)價(jià)值作為輸出,用變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)描述其輸入到輸出的非線性映射關(guān)系,對(duì)高速公路投資項(xiàng)目進(jìn)行風(fēng)險(xiǎn)評(píng)估.

3.1 高速公路投資項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

在遵循科學(xué)性、系統(tǒng)性、代表性、可行性和可操作性原則的基礎(chǔ)上,綜合了高速公路建設(shè)技術(shù)專家、投資專家、市場(chǎng)運(yùn)作專家及風(fēng)險(xiǎn)投資專家的意見(jiàn),從系統(tǒng)性風(fēng)險(xiǎn)和非系統(tǒng)性分析兩個(gè)方面,建立評(píng)價(jià)指標(biāo)體系[2],如圖3所示.

3.2 變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的建立

根據(jù)高速公路投資項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)的指標(biāo)體系,選取輸入層神經(jīng)元數(shù)目為p=21;輸出層神經(jīng)元數(shù)目為k=1,即評(píng)價(jià)結(jié)論;隱含層神經(jīng)元數(shù)目為.在初始狀態(tài)不妨設(shè)輸入層神經(jīng)元依次與每4個(gè)隱含層神經(jīng)元相連,輸出層神經(jīng)元隨機(jī)與4個(gè)隱含層神經(jīng)元相連,應(yīng)用隨機(jī)重連算法和誤差反向傳播算法,可以建立C=4的三層變結(jié)構(gòu)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò).

圖3 高速公路投資風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系Fig.3 The index system of risk evaluation for freeway investment

3.3 綜合評(píng)價(jià)

在影響高速公路投資項(xiàng)目風(fēng)險(xiǎn)的評(píng)價(jià)指標(biāo)體系中,既有定性因素,也有定量因素,而且即使是定量因素,其量綱的差異也較大.因此,在應(yīng)用神經(jīng)網(wǎng)絡(luò)模型之前,需要對(duì)各項(xiàng)評(píng)價(jià)指標(biāo)做歸一化處理,對(duì)風(fēng)險(xiǎn)平均指標(biāo)采用專家打分法.專家打分分級(jí)與得分情況如表1所示.

表1 風(fēng)險(xiǎn)等級(jí)對(duì)應(yīng)的專家打分Table 1 Expert scoring corresponding to risk level

輸出層只有一個(gè)綜合評(píng)價(jià)值的單元,其輸出作為評(píng)價(jià)的結(jié)果.如果輸出的分值越高,說(shuō)明所有評(píng)價(jià)指標(biāo)的綜合評(píng)價(jià)越佳,該項(xiàng)目總的投資風(fēng)險(xiǎn)就越低;反之,分值越低,項(xiàng)目投資風(fēng)險(xiǎn)就越大.

變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)對(duì)高速公路投資項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià),需要一定數(shù)量的已知樣本作為訓(xùn)練集來(lái)訓(xùn)練網(wǎng)絡(luò),訓(xùn)練集的選擇應(yīng)是可信度高的權(quán)威性評(píng)價(jià)結(jié)果,可以通過(guò)相關(guān)專家對(duì)少量典型的高速公路投資項(xiàng)目實(shí)際運(yùn)行結(jié)果的評(píng)價(jià)得到.對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之后,訓(xùn)練的權(quán)值和閾值將被存儲(chǔ)起來(lái),對(duì)擬評(píng)價(jià)的項(xiàng)目進(jìn)行預(yù)測(cè).只要專家給定各風(fēng)險(xiǎn)指標(biāo)值,該神經(jīng)網(wǎng)絡(luò)系統(tǒng)就可以給出該項(xiàng)目的綜合風(fēng)險(xiǎn)平價(jià)值,得到最終的評(píng)價(jià)結(jié)果.

4 模型應(yīng)用

利用上述變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型,基于所設(shè)計(jì)的評(píng)價(jià)指標(biāo)體系,對(duì)A、B、C、D共4條高速公路投資項(xiàng)目風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià).首先,聘請(qǐng)各方面專家對(duì)已有的10個(gè)經(jīng)典的高速公路投資項(xiàng)目根據(jù)評(píng)價(jià)指標(biāo)體系作風(fēng)險(xiǎn)評(píng)價(jià),得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集,如表2中1-10列所示.利用BP神經(jīng)網(wǎng)絡(luò)對(duì)這10個(gè)高速公路投資項(xiàng)目的風(fēng)險(xiǎn)進(jìn)行訓(xùn)練,得到結(jié)果如表3所示.

從表3可以看出,這10個(gè)高速公路投資項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)訓(xùn)練集的平均相對(duì)誤差只有2.39%,訓(xùn)練樣本的最大誤差為4.71%,故神經(jīng)網(wǎng)絡(luò)的擬合情況良好,小于預(yù)設(shè)的精度(5%).由于訓(xùn)練過(guò)的網(wǎng)絡(luò)已模擬并記憶了輸入變量和輸出變量間的函數(shù)關(guān)系,因而可以用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè).

然后,請(qǐng)這些專家對(duì)所要評(píng)價(jià)的高速公路投資項(xiàng)目進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià),得到評(píng)價(jià)數(shù)據(jù)集,如表2中A、B、C、D列所示,利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),得到結(jié)果如表4所示.

從表4可以看出,預(yù)測(cè)數(shù)據(jù)集的平均相對(duì)誤差為1.91%,預(yù)測(cè)集的最大相對(duì)誤差為2.63%,說(shuō)明所建立的BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練精度較高,預(yù)測(cè)效果較好.

表2 高速公路投資項(xiàng)目風(fēng)險(xiǎn)的專家評(píng)價(jià)結(jié)果(訓(xùn)練樣本集)Table 2 The evaluating results of investment risk of freeway

表3 BP神經(jīng)網(wǎng)絡(luò)對(duì)10個(gè)高速公路投資項(xiàng)目風(fēng)險(xiǎn)的訓(xùn)練結(jié)果Table 3 The trained results of BP neural network for investment project risk

表4 基于BP神經(jīng)網(wǎng)絡(luò)的項(xiàng)目投資風(fēng)險(xiǎn)評(píng)估值Table 4 The assessment value of investment project risk base on BP neural network

5 研究結(jié)論

高速公路投資項(xiàng)目風(fēng)險(xiǎn)的影響因素多樣且復(fù)雜,尋求一種適用于高速公路投資風(fēng)險(xiǎn)評(píng)估的方法具有重要的意義.本文在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上,提出變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型,其隨機(jī)斷開(kāi)、重連過(guò)程中導(dǎo)致隱含層神經(jīng)元連接數(shù)目的差異,適用于高速公路投資風(fēng)險(xiǎn)項(xiàng)目各影響指標(biāo)值權(quán)重的差異.本文將高速公路投資項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)的各因素指標(biāo)作為模型的輸入,最終評(píng)價(jià)值作為輸出,對(duì)4條高速公路投資風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià).研究結(jié)果表明:通過(guò)訓(xùn)練的變結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)數(shù)據(jù)集的平均相對(duì)誤差為1.91%,最大相對(duì)誤差為2.63%,預(yù)測(cè)精度較高.變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型自組織學(xué)習(xí)能力強(qiáng),能夠較好地解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法運(yùn)算精度和運(yùn)算效率之間的矛盾,在高速公路投資與建設(shè)領(lǐng)域具有廣闊的應(yīng)用前景.

[1] 賈元華,董平如.高速公路建設(shè)與管理[M].北京:北方交通大學(xué)出版社,2002.[JIA Y H,DONG P R. Highway construction and management[M].Beijing: Northern Jiaotong University Press,2002.]

[2] 王作功,賈元華,徐麗營(yíng).我國(guó)收費(fèi)高速公路投資風(fēng)險(xiǎn)評(píng)估研究[J].交通運(yùn)輸系統(tǒng)工程與信息, 2006,6(4):90-94.[WANG Z G,JIA Y H,XU L Y. Study on venture evaluation of toll freeway investment [J].Journal of Transportation Systems Engineering and Information Technology,2006,6(4):90-94.]

[3] 高幸,韓佩宏.高速公路資產(chǎn)證券融資風(fēng)險(xiǎn)層次分析模型評(píng)價(jià)[J].企業(yè)技術(shù)開(kāi)發(fā),2007,27(1):86-89.[GAO X,HAN P H.Appraisal on improved AHP method in risk assessment of ABS highway[J]. Technological Development of Enterprise,2007,27 (1):86-89.]

[4] 田少波,張培林,劉鐵鑫,等.CIM模型在高速公路投資風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版),2009,33(3):483-486. [TIAN S B,ZHANG P L,LIU T X,et al. Application of cont rolled Interval s and memory model in risk evaluation of expressway investment[J]. JournalofWuhanUniversityofTechnology (Transportation Science&Engineering),2009,33 (3):483-486.]

[5] 樓文高.高新技術(shù)項(xiàng)目投資風(fēng)險(xiǎn)的人工神經(jīng)網(wǎng)絡(luò)綜合評(píng)價(jià)模型[J].科研管理,2005,26(3):8-11. [LOU W G.Comprehensive evaluation model for the investing risk of using artificial neural networks in the Hi-tech projects[J].Research Management,2005, 26(3):8-11.]

[6] 崔衛(wèi)芳,等.基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)高科技投資項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)模型[J].西北農(nóng)業(yè)科技大學(xué)學(xué)報(bào), 2006,34(7):160-164.[CUI W F,et al.Risk evaluation model of high sci-tech agriculture projects based on ANN[J].Journal of North agriculture technology university,2006,34(7):160-164.]

[7] 陳建宏,胡敏,肖誠(chéng),等.基于模糊人工神經(jīng)網(wǎng)絡(luò)的金屬礦山投資風(fēng)險(xiǎn)評(píng)價(jià)[J].廣西大學(xué)學(xué)報(bào):自然科學(xué)版,2011,36(6):1030-1035.[CHEN J H, HU M,XIAO C,et al.Evaluation of investment risks of mine based on fuzzy neural network[J].Journal of Guangxi University(Natural Science Edition),2011, 36(6):1030-1035.]

[8] 候媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安電子科技大學(xué)出版社,2007:3-15.[HOU Y B,DU J Y, WANG M.Neural network[M].Xi'an University of Electronic ScienceandTechnologyPress,2007: 3-15.]

[9] 王作功.基于生態(tài)理論的風(fēng)險(xiǎn)管理研究——以高速公路投資為例[M].中國(guó)經(jīng)濟(jì)出版社,2011:191-204.[WANG Z G.Study on risk management based on ecosystem,taking freeway as sample[M].China Economics Publishing House,2011:191-204.]

[10] TAO Yong-hong,QI Ai-lin.Based on the efficiency coefficient-BP neural network study of the risk of early warning[J].Management Science and Engineering, 2009(3):96-100.

[11] William McCluskey,Peadar Davis,Martin Haran,et al.The potential of artificial neural networks in mass appraisal:the case revisited[J].Jourual of Financial Management of Property and Construction,2012,17 (3):274-292.

A Neural Network Model for Expressway Investment Risk Evaluation and its Application

WANG Zuo-gong1,LI Hui-yang1,JIA Yuan-hua2
(1.Institute of Risk Management,Henan University,Kaifeng 475004,Henan,China; 2.Institute of System Engineering&Control,Beijing Jiaotong University,Beijing 100044,China)

Investment risk evaluation of expressways plays a significant role in the sustainable development of expressways.A consideration of the inconsistency between operation accuracy and operation efficiency of the traditional quasi-3-layer BP neural network evaluation model is first established.This paper proposes and designs a variable-structure neural network model in the random re-linking process from the input layer neurons to the hidden layer neurons.Then,the model acquires the hidden layer to the output layer from the angle of structural optimization.Secondly,in view of the characteristics of the Chinese expressway investment,this paper develops an expressway project investment risk evaluation index system.Furthermore, a design of the expressway project investment risk evaluation model is completed based on the variablestructure neural network of the re-linking random process.In addition,the model has been verified with ten Chinese expressway projects.The risk evaluations have been conducted for four of the ten expressway projects.The research result shows that the average relative error predicted with such model is 1.91%and the maximum relative error is 2.63%.Therefore,the prediction result is deemed suitable.

highway transportation;highway;neural network;variable structure;risk evaluation;system engineering.

U4-9Document code: A

U4-9

A

1009-6744(2013)04-0094-06

2012-11-07

2012-12-26錄用日期:2013-01-09

國(guó)家自然科學(xué)基金項(xiàng)目(U0970116).

王作功(1967-),男,河南太康人,教授,博士.

*通訊作者:yhjia@bjtu.edu.cn