研發(fā)項(xiàng)目風(fēng)險(xiǎn)概率評(píng)估方法研究

張俊光　徐振超??

摘要：提出了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的研發(fā)項(xiàng)目風(fēng)險(xiǎn)概率評(píng)估模型，將時(shí)間序列理論與貝葉斯理論相結(jié)合，通過概率和有向無環(huán)圖表達(dá)了不同時(shí)間片段之間風(fēng)險(xiǎn)因素狀態(tài)變化的關(guān)系。同時(shí)發(fā)現(xiàn)在樣本數(shù)據(jù)缺失的情況下，采用Leaky Noisy-or gate模型來計(jì)算節(jié)點(diǎn)的條件概率，這樣可以得出更為客觀的評(píng)估結(jié)果。通過與靜態(tài)貝葉斯網(wǎng)絡(luò)評(píng)估結(jié)果對(duì)比，動(dòng)態(tài)貝葉斯評(píng)估模型提高了研發(fā)項(xiàng)目風(fēng)險(xiǎn)概率評(píng)估的準(zhǔn)度，為風(fēng)險(xiǎn)控制提供了更為科學(xué)的依據(jù)。

關(guān)鍵詞：項(xiàng)目管理；靜態(tài)貝葉斯網(wǎng)絡(luò)；動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)；研發(fā)項(xiàng)目；風(fēng)險(xiǎn)概率

DOI：10.13956/j.ss.1001-8409.2015.02.28

中圖分類號(hào)：F224 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-8409（2015）02-0131-05

Abstract：A research and development （R&D） project risk probability assessment model based on dynamic Bayesian network is proposed， which combines time series theory and Bayesian theory. Through probability and directed acyclic graph， it expresses the changing relationship of risk factors state between different time segments. Moreover， in the case of missing data samples， it uses the Leaky Noisyor gate model to calculate the conditional probability. Then it can obtain a more objective assessment result. Compared with the assessment of static Bayesian networks， dynamic Bayesian network model enhances the R&D project risk probability assessment accuracy， which can provides a more scientific basis for risk control.

Key words：project management； static Bayesian networks； dynamic Bayesian network； R&D project； risk probability

研發(fā)項(xiàng)目開發(fā)過程的特殊性，使得產(chǎn)品開發(fā)周期中存在著許多不確定的風(fēng)險(xiǎn)因素，而這些風(fēng)險(xiǎn)因素的存在，常常導(dǎo)致研發(fā)項(xiàng)目失敗。根據(jù)Standish Group對(duì)美國公司的一項(xiàng)調(diào)查，只有28%的研發(fā)項(xiàng)目在預(yù)定的時(shí)間和預(yù)算內(nèi)完成[1]。軟件項(xiàng)目風(fēng)險(xiǎn)管理之父Barry Boehm在軟件項(xiàng)目風(fēng)險(xiǎn)評(píng)估的系統(tǒng)化的定義與分析方面做了開創(chuàng)性的工作，他以風(fēng)險(xiǎn)的影響大小來量化風(fēng)險(xiǎn)，從而對(duì)已知的風(fēng)險(xiǎn)進(jìn)行優(yōu)先級(jí)排序，進(jìn)而控制風(fēng)險(xiǎn)。他將風(fēng)險(xiǎn)影響水平定義為：風(fēng)險(xiǎn)當(dāng)量（RE）=P×C，其中P是出現(xiàn)不如意結(jié)果的可能性，C是不如意結(jié)果發(fā)生帶來的后果[2]。

1研究述評(píng)

隨著研發(fā)項(xiàng)目風(fēng)險(xiǎn)管理理論的發(fā)展完善，部分學(xué)者開始引入貝葉斯網(wǎng)絡(luò)理論，唐愛國等就將貝葉斯網(wǎng)絡(luò)與研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估結(jié)合起來，提供了一種新的評(píng)估方法[3]；金俊麗等將遺傳算法和EM算法與貝葉斯網(wǎng)絡(luò)結(jié)合起來，有效減少了人為構(gòu)建貝葉斯網(wǎng)絡(luò)及其參數(shù)帶來的主觀性，使研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估更加科學(xué)、合理[4]。貝葉斯網(wǎng)絡(luò)以概率論和有向無環(huán)圖為基礎(chǔ)，以條件概率來表示變量之間的因果關(guān)系，然后對(duì)某一事件未來可能發(fā)生的概率進(jìn)行評(píng)估，并將不確定性以圖形化的方法表達(dá)出來。

但是，由于靜態(tài)貝葉斯網(wǎng)絡(luò)自身的局限性，它并不能很好地反饋前一階段的信息，使得項(xiàng)目風(fēng)險(xiǎn)評(píng)估準(zhǔn)確度不是很高，進(jìn)而影響到下一過程的風(fēng)險(xiǎn)控制。基于此，本文提出了將動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)應(yīng)用于研發(fā)項(xiàng)目風(fēng)險(xiǎn)概率評(píng)估。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)是貝葉斯網(wǎng)絡(luò)的延伸，它也是以概率網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，在原來的靜態(tài)貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上引入時(shí)間序列理論，從而形成了具有處理時(shí)序數(shù)據(jù)功能的新的隨機(jī)模型。

動(dòng)態(tài)貝葉斯模型在處理時(shí)序數(shù)據(jù)、表達(dá)多層知識(shí)方面有著深厚的理論支持并具有較強(qiáng)的優(yōu)勢，但它是一種相對(duì)較新的方法，目前對(duì)于動(dòng)態(tài)貝葉斯理論的研究還不夠深入，應(yīng)用范圍也很窄，主要在可靠性分析、語音識(shí)別、說話人識(shí)別、說話人檢測、人的姿態(tài)檢測、視頻跟蹤、視頻獲取、大量信息處理等方面做了一些初步的研究。Luigi Portinale等應(yīng)用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，結(jié)合動(dòng)態(tài)故障樹，提供了一個(gè)完整的推理引擎，來分析系統(tǒng)的可靠性[5]；Ann和M Julia將動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)與狀態(tài)和過渡模式結(jié)合起來應(yīng)用于牧場管理，并將時(shí)間因素考慮進(jìn)去，避免了一些在域中的自然限制[6]。還有學(xué)者在供應(yīng)商風(fēng)險(xiǎn)評(píng)估、農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險(xiǎn)評(píng)估及金融信用風(fēng)險(xiǎn)評(píng)估等領(lǐng)域進(jìn)行了研究[7，8]。

本文提出的基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型，將研發(fā)項(xiàng)目風(fēng)險(xiǎn)概率評(píng)估與時(shí)間序列理論相結(jié)合，通過動(dòng)態(tài)評(píng)估，解決了當(dāng)前研發(fā)項(xiàng)目風(fēng)險(xiǎn)概率評(píng)估精確度不高的問題；另一方面，擴(kuò)大了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的應(yīng)用范圍，完善了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)理論體系。另外，還提出在樣本數(shù)據(jù)缺失的情況下，采用Leaky Noisyor gate模型來計(jì)算節(jié)點(diǎn)的條件概率，這樣可以得到有效的網(wǎng)絡(luò)參數(shù)，得到更為準(zhǔn)確的評(píng)估結(jié)果。

2動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)

21動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的構(gòu)建

根據(jù)貝葉斯網(wǎng)絡(luò)理論的基本原理，給定一組變量X={X1，X2，…，Xn}，一個(gè)貝葉斯網(wǎng)絡(luò)可定義為B？，其中Bs表示X中的變量條件獨(dú)立性的網(wǎng)絡(luò)結(jié)構(gòu)；Bp表示風(fēng)險(xiǎn)分析網(wǎng)絡(luò)的條件概率分布表（CPT）集合。而X的聯(lián)合概率分布為：

P（X1，X2，…，Xn）=∏ni=1P（Xi|Pa（Xi））（1）

動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)是在靜態(tài)貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上引入時(shí)間因素t，這樣就使得貝葉斯推理十分復(fù)雜，為了簡化推理過程，需要對(duì)動(dòng)態(tài)貝葉斯模型進(jìn)行如下一些假設(shè)和簡化條件化處理 [10，11]：

（1）動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型服從馬爾科夫假設(shè)條件，即未來時(shí)刻的概率只與當(dāng)前時(shí)刻有關(guān)而與過去時(shí)刻無關(guān)。

（2）相鄰時(shí)間的條件概率過程是平穩(wěn)的，即每個(gè)時(shí)刻各節(jié)點(diǎn)的條件概率表和時(shí)刻之間的轉(zhuǎn)移概率不會(huì)隨著時(shí)間變化。

基于上述假設(shè)，可以構(gòu)建出基于時(shí)間序列的動(dòng)態(tài)貝葉斯模型：先驗(yàn)網(wǎng)Bo定義在初始狀態(tài)X[1]上的聯(lián)合概率分布，它表示最開始的貝葉斯網(wǎng)絡(luò)，從圖1中可以得到任一節(jié)點(diǎn)的先驗(yàn)概率P（X）；轉(zhuǎn)移網(wǎng)B→表示由兩個(gè)以上時(shí)間片段的貝葉斯網(wǎng)絡(luò)組成的圖形，定義在變量X[1]與X[2]上的轉(zhuǎn)移概率P（X[t+1]∣X[t]）（對(duì)所有的t都成立）。

3動(dòng)態(tài)貝葉斯風(fēng)險(xiǎn)概率評(píng)估模型

本文將結(jié)合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和研發(fā)項(xiàng)目風(fēng)險(xiǎn)管理理論，構(gòu)建基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型。

進(jìn)行風(fēng)險(xiǎn)評(píng)估時(shí)，首先要識(shí)別項(xiàng)目中的風(fēng)險(xiǎn)和風(fēng)險(xiǎn)因子，依據(jù)研發(fā)項(xiàng)目生命周期，可將項(xiàng)目劃分為四個(gè)階段：概念階段、設(shè)計(jì)階段、實(shí)施階段和收尾階段。因?yàn)樵陧?xiàng)目進(jìn)行過程中，需求風(fēng)險(xiǎn)的發(fā)生概率在四個(gè)階段都比較高，所以將以研發(fā)項(xiàng)目需求風(fēng)險(xiǎn)的概率評(píng)估為例，來論證動(dòng)態(tài)貝葉斯風(fēng)險(xiǎn)評(píng)估模型的可行性。

將需求風(fēng)險(xiǎn)命名為X，其影響因素包括：X1需求變更、X2需求不明確、X3缺少有效的需求變更控制流程。

在進(jìn)行風(fēng)險(xiǎn)評(píng)估前，應(yīng)建立基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估的推理流程，如圖3所示。首先根據(jù)初始網(wǎng)絡(luò)的先驗(yàn)概率和條件概率對(duì)當(dāng)前網(wǎng)絡(luò)進(jìn)行初始化；然后當(dāng)某一時(shí)刻檢測到新的先驗(yàn)信息，即網(wǎng)絡(luò)的節(jié)點(diǎn)信息更新時(shí)，通過推理算法，得到即時(shí)的后驗(yàn)概率，從而更新整個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)的概率分布，更新后的后驗(yàn)概率分布則作為下一時(shí)刻推理的依據(jù)。

網(wǎng)絡(luò)構(gòu)建以及概率計(jì)算將采用由匹茲堡大學(xué)決策系統(tǒng)實(shí)驗(yàn)室開發(fā)的Genie軟件來進(jìn)行，該軟件是圖模型處理軟件， 它采用圖形化建模界面， 操作簡單直觀， 支持結(jié)構(gòu)和參數(shù)學(xué)習(xí)， 并可以提供多種推理算法[15，16]。

下面以概念階段和設(shè)計(jì)階段的需求風(fēng)險(xiǎn)概率評(píng)估為例介紹如何實(shí)現(xiàn)Genie軟件建模和概率計(jì)算。

在構(gòu)建動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)前進(jìn)行的一個(gè)重要假設(shè)就是：相鄰時(shí)間的條件概率過程是平穩(wěn)的，即每個(gè)時(shí)刻各節(jié)點(diǎn)的條件概率表和時(shí)刻之間的轉(zhuǎn)移概率不會(huì)隨著時(shí)間變化。

將推理得到的父節(jié)點(diǎn)的先驗(yàn)信息以及條件概率參數(shù)輸入動(dòng)態(tài)貝葉斯風(fēng)險(xiǎn)評(píng)估轉(zhuǎn)移網(wǎng)B→中，可以得到設(shè)計(jì)階段需求風(fēng)險(xiǎn)發(fā)生的概率如圖10所示。

兩次評(píng)估分別采用了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的評(píng)估方法和靜態(tài)貝葉斯網(wǎng)絡(luò)的評(píng)估方法，動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)較靜態(tài)貝葉斯網(wǎng)絡(luò)的優(yōu)點(diǎn)在于在網(wǎng)絡(luò)中加入了時(shí)間因素，可以對(duì)前一時(shí)刻的推理進(jìn)行有效的積累利用。隨著時(shí)間的推移，獲得的信息也越來越多，因此該方法可以不斷提高風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確度，有效地降低評(píng)估過程的不確定性。

為了對(duì)比動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和靜態(tài)貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估的精確性，采用統(tǒng)計(jì)預(yù)報(bào)領(lǐng)域著名的馬庫斯分?jǐn)?shù)來對(duì)評(píng)估結(jié)果進(jìn)行評(píng)分，馬庫斯分?jǐn)?shù)可以通過表示結(jié)果的均方差來對(duì)比結(jié)果的準(zhǔn)確性。其表達(dá)式為：

BS=1n∑ni=1（Pi-Oj）2（9）

其中，Pi表示評(píng)估的結(jié)果，也就是概率取值；n表示樣本的數(shù)量；Oj表示事件的狀態(tài)，其中1表示事件發(fā)生，0表示事件不發(fā)生。馬庫斯分?jǐn)?shù)的取值范圍為0～1，其中，0表示最好的評(píng)估精度，1則表示最差的評(píng)估精度。馬庫斯分?jǐn)?shù)得分越低，表示該方法評(píng)估得到的結(jié)果與現(xiàn)實(shí)越接近，誤差越小。下面采用馬庫斯分?jǐn)?shù)對(duì)動(dòng)態(tài)和靜態(tài)兩種方法分別進(jìn)行評(píng)估，并得到其風(fēng)險(xiǎn)概率值。

在概念階段，由于先驗(yàn)信息一樣，動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和靜態(tài)貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估的結(jié)果相同，所以取后三個(gè)階段的評(píng)估結(jié)果作為樣本，按照最大概率進(jìn)行歸類的原則，可以看到，無論是動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)還是靜態(tài)貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估的結(jié)果都顯示狀態(tài)為state1，然后分別計(jì)算動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和靜態(tài)貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估結(jié)果的馬庫斯分?jǐn)?shù)，可以得到它們的分?jǐn)?shù)分別為01696和02053，很明顯動(dòng)態(tài)貝葉斯風(fēng)險(xiǎn)概率模型的馬庫斯分?jǐn)?shù)要小于靜態(tài)貝葉斯風(fēng)險(xiǎn)概率模型的馬庫斯分?jǐn)?shù)。

由此可見，動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)概率模型的評(píng)估精度要高于靜態(tài)評(píng)估模型。

5結(jié)束語

本文采用基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型對(duì)研發(fā)項(xiàng)目風(fēng)險(xiǎn)進(jìn)行評(píng)估。通過與靜態(tài)評(píng)估模型的分析結(jié)果對(duì)比，發(fā)現(xiàn)動(dòng)態(tài)模型可以有效地分析項(xiàng)目風(fēng)險(xiǎn)，進(jìn)而得到更加準(zhǔn)確的評(píng)估結(jié)果，解決了當(dāng)前研發(fā)項(xiàng)目風(fēng)險(xiǎn)概率評(píng)估精確度不高的問題，為風(fēng)險(xiǎn)控制提供更加科學(xué)的依據(jù)。另外，擴(kuò)大了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的應(yīng)用范圍，完善了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)理論體系。并且提出在樣本數(shù)據(jù)缺失的情況下，采用Leaky Noisy-or gate模型來計(jì)算節(jié)點(diǎn)的條件概率，這樣可以得到有效的網(wǎng)絡(luò)參數(shù)，得到更為準(zhǔn)確的評(píng)估結(jié)果。

因在研究及實(shí)際應(yīng)用過程中，不總是能夠獲得研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估的實(shí)際數(shù)據(jù)，或即使能夠獲得數(shù)據(jù)，所獲得的數(shù)據(jù)也可能存在不完備的情況，因此下一步的研究一方面將通過調(diào)研獲得更多企業(yè)的更多實(shí)際數(shù)據(jù)；另一方面將通過改進(jìn)算法來解決數(shù)據(jù)缺失的情況，擬將Gibbs抽樣以及蒙特卡洛模擬的方法與動(dòng)態(tài)貝葉斯模型結(jié)合起來，實(shí)現(xiàn)缺失數(shù)據(jù)的研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估。

另外，由于不是所有的項(xiàng)目都滿足馬爾科夫假設(shè)條件，所以動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型還不能全面應(yīng)用，因此，下一步還將改進(jìn)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的假設(shè)條件和基本模型以使動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在研發(fā)項(xiàng)目風(fēng)險(xiǎn)評(píng)估中得到更廣泛的應(yīng)用。

參考文獻(xiàn)：

[1]Project Failure and Success Research Report [R]. Standish Group International Chaos， 2005.

[2]Boehm B W. Software Risk Management： Principles and Practices [J]. Software， IEEE， 1991， 8（1）：32-41.

[3]唐愛國，王如龍，胡春華.貝葉斯網(wǎng)絡(luò)在軟件項(xiàng)目風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（7）：62-65.

[4]金俊麗，趙川，楊潔.基于EM-GA改進(jìn)貝葉斯網(wǎng)絡(luò)的研究及應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，2010， 27（4）：1360-1362.

[5]Luigi Portinale， Daniele Codetta Raiteri， Stefania Montani. Supporting Reliability Engineers in Exploiting the Power of Dynamic Bayesian Networks [J]. International Journal of Approximate Reasoning， 2010，51（2） ：179-195.

[6]Nicholson A E， Flores M J. Combining State and Transition Models with Dynamic Bayesian Networks[J]. Ecological Modelling， 2011， 222（3）： 555-566.

[7]陳偉杰， 肖智. 基于模糊軟集合的供應(yīng)商風(fēng)險(xiǎn)評(píng)估模型[J]. 軟科學(xué)， 2013， 27（12）： 135-139.

[8]顏波， 石平， 王鳳玲. 基于 CVaR 的農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險(xiǎn)評(píng)估與控制[J]. 軟科學(xué)， 2013， 27（10）： 111-115.

[9]胡海青， 張瑯， 張道宏， 等. 基于支持向量機(jī)的供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估研究[J]. 軟科學(xué)， 2012， 25（5）： 26-30.

[10]肖秦琨，高嵩，高曉光.動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理學(xué)習(xí)理論及應(yīng)用[M].國防工業(yè)出版社，200710.

[11]喬焰，孟洛明，成璐，吳利，袁翊國. 動(dòng)態(tài)網(wǎng)絡(luò)中的高效多故障診斷技術(shù)[J]. 北京郵電大學(xué)學(xué)報(bào)，2009，32（6）：1-4.

[12]Donat R， Leray P， Bouillaut L， et al. A Dynamic Bayesian Network to Represent Discrete Duration Models[J]. Neurocomputing， 2010， 73（4）： 570-577.

[13]郭文強(qiáng)，高曉光.基于變參數(shù)動(dòng)態(tài)貝葉斯網(wǎng)的態(tài)勢估計(jì)[J].計(jì)算機(jī)測量與控制，2010，18（6）：1856-1861.

[14]Oniko A， Druzdzel M J， Wasyluk H. Learning Bayesian Network Parameters from Small Data Sets： Application of NoisyOR Gates[J]. International Journal of Approximate Reasoning， 2001， 27（2）： 165-182.

[15]紀(jì)航， 劉新平， 朱煒. 基于貝葉斯網(wǎng)絡(luò)和 GeNIe 軟件的超高壓輸電線路綜合狀態(tài)評(píng)估新方法[J]. 上海電力， 2011， 24（1）： 14-20.

[16]戈建中， 王芳， 張海勇. 基于貝葉斯網(wǎng)絡(luò)的模擬訓(xùn)練成績?cè)u(píng)定方法[J]. 艦船電子工程， 2009 （8）： 133-136.

（責(zé)任編輯：秦穎）