基于互聯網科技項目立項風險中的應用研究

姚旭

遼寧省科學技術情報研究所 遼寧沈陽 110168

基于互聯網科技項目立項風險中的應用研究

姚旭

遼寧省科學技術情報研究所 遼寧沈陽 110168

隨著社會的發展和進步以及社會發展對科技需求的不斷擴大，國家對科技項目投入的經費逐年增加，科技投入的范圍也越來越廣。對科技項目的立項風險進行控制就顯得尤為重要，本文通過神經網絡算法給出評價科技項目立項風險的一種方法，通過對遼寧科研立項的實踐證明該方法是確實有效的。

神經網絡；立項風險；科技項目

項目的風險的產生是由于客觀事件的不確定性引起的，同時又是可被主體感知的與期望目標或者利益的偏離。因此，項目管理中，項目風險的來源主要有以下幾個要素，即客觀事件的不確定性、主體的感知以及主體的期望或利益。科技項目風險的評估主要是針對風險事件或風險因素的影響進行的。風險估計和評價方法可以分為三類:定性方法、定量方法和定性與定量相結合的方法。下面是幾種常見的方法：調查和專家評分法、層次分析法、概率統計分析法、敏感性分析法、蒙特卡羅模擬、CIM模型、模糊綜合評價法、人工神經網絡。

1、建立風險評估指標體系

為了給出一種合理的、便于計算的評價方法，建立一套能準確反映實際情況的評價指標體系是至關重要的。對指標體系的選取要遵循以下原則：完備性原則、科學性原則、客觀性原則、可比性原則、簡易可行性原則。其次，由于每一個科技項目本身就是一個復雜的系統，因而影響它的風險因素很多，影響關系錯綜復雜，而且各風險因素所引起的后果的嚴重程度也不相同。就需要有一定的方法來識別分類項目風險。風險識別是風險分析的第一步，也是最重要的一步。風險識別過程通常由風險分析人員與科技項目的申報人員及有關專家共同進行。項目風險識別的方法有很多種，如專家調查法、頭腦風暴法、圖表法、核對表等。要確立科技項目的評價指標體系，首先要對科技項目潛在的風險因素進行識別，本文中，采用的是頭腦風暴法。結合科技項目的特點，我們總結出，科技項目立項風險主要有以下幾個風險因素及其評估指標。

外部環境因素：宏觀經濟形勢變動、主管部門或者相關部門制約程度、產業政策或法律的影響程度、知識產權保護、進口產品的沖擊程度、自然環境等不可抗力。技術風險：技術成熟程度、技術先進程度、技術復雜程度與難度、技術手段、中間試驗的難度與復雜性、技術積累程度、技術的可替代性、技術協作能力、科技人員實力、技術方案的合理度。市場風險：所屬行業景氣程度、潛在的市場容量大小、行業競爭度、消費者需求變動、原材料供應、同行不正當競爭、新產品壽命周期、企業信譽與知名度、企業營銷能力。財務風險：信貸資金來源難易程度、創新資金需求量大小、企業資金實力、企業資金運營能力。管理風險：應對方案失敗的能力、企業的管理能力、高層領導的能力以及對多元文化沖突與風險的認識、業務流程整合程度、項目團隊的水平與能力、與項目協作單位的協作能力。配套風險：項目配套設備的欠缺。各指標的指標值由專家給出。

2、風險評估模型

將科技項目的歷史數據按照項目類別分類，各項目類別分別確定其指標體系。并假定項目立項風險分為k級風險，將科技項目歷史數據的立項風險等級和各風險因素的風險等級對應到該k級風險上。待評估項目將按照其所屬的項目類別使用相應的指標體系計算指標值，使用人工神經網絡中的BP算法計算該待評估項目的整體立項風險等級及各子因素的風險等級。在反向傳播算法應用于前饋多層網絡時，采用Sigmoid為激發函數時，可用下列步驟對網絡的權系數Wij進行遞歸求取。算法的執行的步驟如下：

對權系數Wij置初值。對各層的權系數Wij置一個較小的非零隨機數，但其中Win+1=-θ。輸入一個樣本x＝(X1,X2,…,Xn,1)，以及對應期望輸出Y＝(Y1,Y2,…,Yn)。

計算各層的輸出，對于第k層第i個神經元的輸出Xik；求各層的學習誤差dik，對于輸出層有k＝m，有dim=Xim(1-Xim)(Xim-Yi)。對于其他各層。修正權系數Wij和閥值θ：當求出了各層各個權系數之后，可按給定品質指標判別是否滿足求。

如果滿足要求，則算法結束；如果未滿足要求，則返回執行。這個學習過程，對于任一給定的樣本Xp＝(Xp1,Xp2,…Xpn,1)和期望輸出Yp=(Yp1,Yp2,…,Ypn)都要執行，直到滿足所有輸入輸出要求為止。

在神經網絡中，當輸入一些資料后，網絡會以目前的權重計算出相對應的預測值以及誤差，而后再將誤差值回饋到網絡中調整權重，經過不斷地重復調整，從而使預測值漸漸地逼近真實值。當應用此網絡到新的案例時，只要輸入新案例的相關數值，神經網絡就可以根據當時的權重得到輸出值，即預測值。

計算科技項目的立項風險，采用指標集中的全部指標作為輸入層，k級風險作為輸出層。訓練上述BP神經網絡，得到網絡權值矩陣，輸入待評估項目的數據，即可得到該待評項目的立項風險等級。同理，計算科技項目立項風險的某風險因素的風險等級時，指標集中的該風險因素下的指標作為輸入層，k級風險作為輸出層。訓練上述BP神經網絡，得到網絡權值矩陣，輸入待評估項目該風險因素下的數據，即可得到該項目立項風險因素的等級。

以遼寧省2012-2014年申報的300份科技創新專項資金項目為基礎，風險分為5級，這300份申報書中有50份是一級風險，68份是二級風險，146份是三級風險，76份是四級風險，60份是五級風險。將前250份作為基礎數據集，后50份作為測試數據集。將250份基礎數據帶入上述神經網絡進行訓練和測試，網絡在訓練800次后達到了一定的穩定狀態。最后將50份測試數據帶入上述訓練好的神經網絡，得到科技項目立項風險等級預測情況與實際情況的比較，其中1級風險錯誤率為2(16.7%)、2級風險錯誤率0(0%)、3級風險錯誤率1(5%)、4級風險錯誤率1(10%)、5級風險錯誤率1(12.5%)、總錯誤率5(10%)。以市場風險因素為例，對科技項目立項風險的子因素風險等級進行評估時調整神經網絡模型參數設置，將250份基礎數據帶入神經網絡進行訓練和測試，網絡在訓練500次后達到了一定的穩定狀態。最后將50份測試數據帶入上述訓練好的神經網絡，得到科技項目市場風險等級預測情況與實際情況的比較，其中1級風險錯誤率為1(8.33%)、2級風險錯誤率0(0%)、3級風險錯誤率1(10%)、4級風險錯誤率2(20%)、5級風險錯誤率0(0%)、總錯誤率4(8%)。

3、結束語

將科技項目的立項風險分為技術風險、市場風險、外部環境風險、財務風險、配套風險和管理風險等六部分。總結專家經驗，建立完整的立項風險評估指標體系。利用神經網絡模型借鑒歷史數據的規律計算待評項目的立項風險等級，同時計算各風險因素所處的風險等級。本文所建立的模型和實現的方案目前還不十分完善，這就需要繼續不斷努力，在現有模型的基礎上逐漸對其進行修改和完善，使得系統能夠更準確地評估科技項目的立項風險等級。

[1]裴旭東.人工神經網絡技術及應用[J].中國電力,2014

[2]楊飛思.輔助人工神經元網絡分析與設計[J].企業文化,2013

[3]孫凌宇,劉國.項目風險分析中的軟系統方法[J].現代軟科學,2013