BP神經(jīng)網(wǎng)絡(luò)在石油項目經(jīng)濟效益綜合評價中的應(yīng)用

茅茜茜

摘要：石油項目在決定投資開發(fā)前會有相關(guān)人員對其進行項目申報，提供相關(guān)項目的經(jīng)濟數(shù)據(jù)，再由決策者提供數(shù)據(jù)進行專業(yè)分析，判斷該項目是否可行。將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于石油項目前期經(jīng)濟評價，介紹了BP神經(jīng)網(wǎng)絡(luò)原理，用于BP神經(jīng)網(wǎng)絡(luò)的石油項目經(jīng)濟指標的選擇，將BP神經(jīng)網(wǎng)絡(luò)用于石油項目經(jīng)濟評價的過程。為了提高精度，選擇標記訓練樣本對BP神經(jīng)網(wǎng)絡(luò)訓練。大量模擬實驗結(jié)果表明，該方法對石油項目方案的評價是有效的，并在性能方面比傳統(tǒng)方案更方便和準確。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；經(jīng)濟評價；石油項目；經(jīng)濟預(yù)測

中圖分類號： TP319

文獻標識碼： A

文章編號： 16727800（2017）004014503

0引言 在石油項目前期評估中，需判斷其可行性并對項目經(jīng)濟效益進行評價。人工神經(jīng)網(wǎng)絡(luò) （Artificial Neural Network，ANN）[13] 利用大量非線性并行處理關(guān)系模擬眾多神經(jīng)網(wǎng)絡(luò)，通過自學習找出輸入值與輸出值之間的關(guān)系，能輕松處理非線性問題，是一種基于黑箱原理的處理系統(tǒng)。針對傳統(tǒng)經(jīng)濟評價決策方法中存在的問題，將神經(jīng)網(wǎng)絡(luò)應(yīng)用到石油經(jīng)濟評價中。將多個石油項目的經(jīng)濟評價指標作為ANN的輸入值，通過相應(yīng)訓練樣本的學習，使基于人工神經(jīng)網(wǎng)絡(luò)的石油經(jīng)濟評價系統(tǒng)更接近人類思維模式，對項目作出更合理的決策。1BP神經(jīng)網(wǎng)絡(luò) 反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)是一個多層前饋神經(jīng)網(wǎng)絡(luò)[45]，是當前應(yīng)用較多且較為成熟的神經(jīng)網(wǎng)絡(luò)模型之一，其基本網(wǎng)絡(luò)包含3層：輸入層、隱含層和輸出層，隱藏層可以是單層或多層。典型的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，為一個單隱層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，學習過程由正向傳播信號和反向傳播誤差組成，輸入信號由輸入層向前傳播經(jīng)過激發(fā)函數(shù)作用由隱藏節(jié)點傳到輸出節(jié)點，如果輸出層輸出數(shù)值與期望不符，則將誤差作為調(diào)整信號按照原路逐層反向傳播，并對連接各層神經(jīng)元之間的權(quán)重和閾值進行調(diào)整，逐漸縮小誤差值，直至誤差小于一個可接受的范圍方停止學習。同時，也是一個監(jiān)督學習，因為每個訓練樣本都帶有標簽，這些訓練樣本預(yù)先確定了經(jīng)過BP網(wǎng)絡(luò)訓練后的輸出值。經(jīng)過多次學習，就能將該神經(jīng)網(wǎng)絡(luò)逼近某個函數(shù)，這個訓練好的網(wǎng)絡(luò)就能用于評價預(yù)測，學習過程其實就是將n維映射成m維，為了獲得正確的映射需要經(jīng)過反復學習即調(diào)整相關(guān)參數(shù)（權(quán)重和閾值）。

2石油項目經(jīng)濟評價指標體系構(gòu)建2.1石油投資經(jīng)濟效益指標 對于石油項目的經(jīng)濟效益評價，可借助經(jīng)濟指標反映石油項目在未來項目壽命期內(nèi)的經(jīng)濟效益。鑒于石油項目的復雜性，單一的評價指標無法對項目作出全面的評價。根據(jù)文獻[6]-[7]選擇采用多個相互聯(lián)系且相對獨立的評價指標，如圖2所示，包括：凈現(xiàn)值、費用現(xiàn)值、凈現(xiàn)值指數(shù)、投資收益率、內(nèi)部收益率和動態(tài)投資回收期。

一個項目首先要判斷是否可行，主要考慮凈現(xiàn)值（NPV），NPV表示現(xiàn)金流入與流出的差額，當NPV≥0時表示項目可行，此時項目到達或超過基準收益率標準，能給投資者帶來利潤，否則項目不可行，會損壞投資者價值。而在多個項目方案比較選擇中，一般凈現(xiàn)值最大的項目是最佳項目。凈現(xiàn)值指數(shù)指標對于項目評價的準則與凈現(xiàn)值一樣，這個指標是凈現(xiàn)值與凈投資現(xiàn)值的比值，比起凈現(xiàn)值還考慮到最初投資額的大小。投資收益率是一個靜態(tài)指標，是指單位投資可獲得的利潤，值越大越好，當它的值超過標準投資收益率時意味著該項目可行。內(nèi)部收益率是指當凈現(xiàn)值為零時的貼現(xiàn)率，即在整個項目壽命期內(nèi)，現(xiàn)金流入剛好完全抵補現(xiàn)金流出，是項目經(jīng)濟評價重要指標之一。費用現(xiàn)值是指在項目壽命期內(nèi)只考慮現(xiàn)金流出，也就是費用支出，包含總投資和成本費用，代表成本的值肯定越小越好。投資回收期是指項目的累計凈現(xiàn)值抵補全部投資的返本年限，即累計利潤達到零的時間期限，只是一個輔助性指標，選用動態(tài)投資回收期這一指標，是因為比起靜態(tài)回收期，此標準考慮到資金的時間價值。2.2石油經(jīng)濟評價指標計算模型 上述指標經(jīng)過下列計算模型計算后，可作為人工神經(jīng)網(wǎng)絡(luò)輸入層的輸入數(shù)據(jù)，計算模型參考文獻[8]，具體如下：

3石油項目前期經(jīng)濟效益評價3.1石油項目經(jīng)濟評價指標歸一化將上述6個石油項目的經(jīng)濟評價指標作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，這些數(shù)據(jù)具有不可共度性，也就是說衡量這些數(shù)值的單位不相同，有些是百分數(shù)，有些以時間為單位，無法進行比較。石油項目中關(guān)于項目費用和盈利的指標的數(shù)值是非常大的，這會導致BP神經(jīng)網(wǎng)絡(luò)學習緩慢，收斂慢，有時數(shù)值太大，經(jīng)神經(jīng)網(wǎng)絡(luò)作用后，偏差也會很大；而且對于神經(jīng)網(wǎng)絡(luò)中所應(yīng)用的激活函數(shù)來說，有些函數(shù)是有值域的，數(shù)據(jù)太大或太小都會影響網(wǎng)絡(luò)學習效果。為了解決這些問題，一般在訓練樣本數(shù)據(jù)前要對數(shù)據(jù)進行預(yù)處理，進行歸一化后的數(shù)據(jù)收斂性更強，參考文獻[9]～[11]采用最值法作為數(shù)據(jù)歸一化方法。但是費用現(xiàn)值和動態(tài)投資回收期的值對于石油項目來說越小越好，而剩下4個指標體現(xiàn)石油項目收益，這些指標值越大越好，因此對上述分成收益型指標和成本型指標兩類數(shù)據(jù)歸一化，費用現(xiàn)值和動態(tài)投資回收期為成本型指標，其余皆為效益型指標。假設(shè)有n個訓練樣本，每個訓練樣本含6個指標數(shù)值，按以下公式將每個樣本的6個指標進行數(shù)據(jù)歸一化，限制在[0，1]區(qū)間內(nèi)。 （1）收益型指標，包括凈現(xiàn)值、凈現(xiàn)值指數(shù)、投資收益率和內(nèi)部收益率。

式中yij和xij分別表示第i組訓練樣本的第j個指標歸一化后和歸一化前的數(shù)值，而ximax和ximin分別表示第i組訓練樣本中的最大和最小值。3.2BP人工神經(jīng)網(wǎng)絡(luò)設(shè)計對于石油項目經(jīng)濟效益評價問題，就是利用BP人工神經(jīng)網(wǎng)絡(luò)將其轉(zhuǎn)換為6個項目經(jīng)濟評價指標與最終評價值之間的非線性映射。實驗選用三層BP神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點數(shù)為6個，對應(yīng)6個石油項目經(jīng)濟評價指標。激活函數(shù)選用單極性Sigmoid函數(shù)（雙曲線正切函數(shù)），公式如下：

對于隱藏層節(jié)點數(shù)確定，最常用的方法是試湊法[1213]，以公式（3）、（4）來設(shè)置較多的隱節(jié)點，對于每個隱節(jié)點數(shù)進行一次BP網(wǎng)絡(luò)的訓練，通過比較每次訓練誤差的大小，選定誤差最小的作為該BP網(wǎng)絡(luò)的隱藏層節(jié)點個數(shù)。

其中，m表示隱藏層節(jié)點個數(shù)，n表示輸入層節(jié)點個數(shù)，l表示輸出層節(jié)點個數(shù)，α取1～10之間的常數(shù)，此處設(shè)計的BP網(wǎng)絡(luò)層是6個輸入節(jié)點，1個輸出節(jié)點，根據(jù)取值范圍，隱藏層節(jié)點數(shù)取值范圍是4～13。根據(jù)最終項目評價結(jié)果為可行與不可行來分為兩類，對于BP神經(jīng)網(wǎng)絡(luò)，可行項目期望輸出值為1，不可行項目期望輸出值為0.5，如表1所示的部分訓練樣本。將大量的石油項目相關(guān)數(shù)據(jù)通過BP網(wǎng)絡(luò)訓練，得出該BP網(wǎng)絡(luò)隱藏層節(jié)點數(shù)為9個。

3.3石油項目前期經(jīng)濟效益評價過程 如圖3所示，用戶可以創(chuàng)建石油項目，錄入最初的原始數(shù)據(jù)，比如相關(guān)基礎(chǔ)數(shù)據(jù)、成本費用、營業(yè)稅金及附加、融資方案等。提交該項目后，生成財務(wù)報表，初步反映該石油項目在項目壽命期內(nèi)的經(jīng)濟情況。根據(jù)初步計算進行不確定性分析，以盈虧平衡分析和敏感性分析為主，以表格和圖像的形式呈現(xiàn)投資項目的風險和不確定性，提高投資決策的可靠性。利用計算模型計算BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，經(jīng)過神經(jīng)網(wǎng)絡(luò)學習能力對石油項目進行終極評價，為最終審核提供可靠的建議。3.4實驗結(jié)果與分析 通過石油項目經(jīng)濟評價系統(tǒng)獲取不同項目的經(jīng)濟效益評價數(shù)據(jù)，將經(jīng)過歸一化后的數(shù)據(jù)作為訓練好的BP神經(jīng)網(wǎng)絡(luò)輸入端。如圖4所示，通過樣本訓練后，所有輸出期望值都圍繞在0.5和1附近，輸出值output=0.5時，代表該石油項目是不可行的，輸出值output=1，代表該石油項目是可行的。

為了驗證此BP神經(jīng)網(wǎng)絡(luò)對于石油項目經(jīng)濟效益評價預(yù)測的準確性，將表2中有代表性的測試數(shù)據(jù)通過神經(jīng)網(wǎng)〖HJ*3〗絡(luò)預(yù)測獲得最終的期望值輸出。第一個石油項目凈現(xiàn)值大于0，成本低，投資回收期短，投資回報率高，是一個非常好的投資項目，與其輸出值含義相符合。相反，第二個項目凈現(xiàn)值小于0，收益率低，完全符合輸出值0.5，是一個不可行項目。項目3雖然凈現(xiàn)值大于0，不會虧本，但是投資大，資本回收期長，并且回報率低，這并不是一個好的項目，故該系統(tǒng)判定為不可行項目。

4結(jié)語 本文通過模擬實驗驗證將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于石油項目經(jīng)濟評價的有效性，克服傳統(tǒng)評價的缺陷和局限性。

結(jié)果表明經(jīng)過大量真實數(shù)據(jù)訓練的神經(jīng)網(wǎng)絡(luò)能更準確地為用戶提供基于項目數(shù)據(jù)的判斷，能準確描述代表石油項目經(jīng)濟效益的6個指標與項目可行性之間的非線性關(guān)系。當然BP神經(jīng)網(wǎng)絡(luò)也有其缺陷，對于隱藏層數(shù)及其節(jié)點數(shù)的確認并沒有完整的理論指導，后期將引入深度學習對其進行經(jīng)濟效益預(yù)測，以使預(yù)測更加精確。

參考文獻：[1]蔡自興，徐光祐.人工智能極其應(yīng)用[M].第四版.北京：清華大學出版社，2011.

[2]C M BISHOP.Neural network and theirapplications[J].Revi.Scie.Instr，1994（156）：18031832.

[3]胡金濱，唐旭清.人工神經(jīng)網(wǎng)絡(luò)的BP算法及其應(yīng)用[J].信息技術(shù)，2004 （4）：14.

[4]L K HANSEN，P SALAMON.Neural network ensembles[J].IEEE trans pattern analysis and machine intelligence，1990（12）：9931001.

[5]WANG P，ZHAO T，F(xiàn)AN Y，et al.Study of Chinese farmers income forecast model based on BP neural network[J].Computer and Applications，2014（56）：508511.

[6]董蔚凱，單守會.未開發(fā)石油儲量評價及經(jīng)濟分類方法[J].石油與天然氣地質(zhì)，1993，14（3）：251256.

[7]李敏杰.海外石油投資經(jīng)理評價指標淺析[J].西安財經(jīng)學院學報，2007，20（1）：7619.

[8]游達明，劉亞錚.技術(shù)經(jīng)濟與項目經(jīng)濟評價[M].北京：清華大學出版社，2009：6290.

[9]Q SONG，Q JIANG，Z SONG.Economic evaluation of CO2EOR industry chain in refineries[J].Shiyou Xuebao Shiyou Jiagong/acta Petrolei Sinica，2015.

[10]L XIAOKE.Analysis of the misunderstanding in investment project economic appraisal theory[C].Business Management and Electronic Information （BMEI），2011：196198.

[11]楊偉，倪黔東，吳軍基.BP神經(jīng)網(wǎng)絡(luò)權(quán)值初始值與收斂性問題研究[J].電力系統(tǒng)及自動化學報，2002，14（1）：2022.

[12]趙峰.基于神經(jīng)網(wǎng)絡(luò)的項目投資風險評價[J].建筑經(jīng)濟，2006，10（288）：6264.

[13]K SHINIKE.A two phase method for determining the number of neurons in the hidden layer of a 3layer neural network[C].SICE Annual Conference，2010：238242.

（責任編輯：陳福時）