基于大型能源類工程的項(xiàng)目風(fēng)險(xiǎn)評價(jià)研究

孫其偉，黃婷婷，宮 劍

（上海財(cái)經(jīng)大學(xué) a.信息化辦公室;b.信息管理工程學(xué)院，上海 200433）

基于大型能源類工程的項(xiàng)目風(fēng)險(xiǎn)評價(jià)研究

孫其偉a，黃婷婷b，宮 劍a

（上海財(cái)經(jīng)大學(xué) a.信息化辦公室;b.信息管理工程學(xué)院，上海 200433）

能源是一個(gè)國家經(jīng)濟(jì)社會(huì)發(fā)展的動(dòng)力源泉，隨著我國“十二五”規(guī)劃的開展，經(jīng)濟(jì)持續(xù)穩(wěn)定增長，對能源的需求量不斷增加，大批能源類項(xiàng)目正在不斷投資新建中，這些新興的能源項(xiàng)目往往規(guī)模大、建設(shè)期長、投資額巨大。本文以大型能源類工程項(xiàng)目為研究對象，建立了相應(yīng)的風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，提出了支持向量機(jī)和CART決策樹相結(jié)合的綜合評價(jià)方法，對該方法進(jìn)行實(shí)證研究，并對某石化項(xiàng)目案例進(jìn)行分析，獲得了較好的評價(jià)效果。

能源;工程項(xiàng)目；風(fēng)險(xiǎn)評價(jià)；支持向量機(jī)；CART決策樹

0 引 言

能源作為國民經(jīng)濟(jì)的支柱和社會(huì)發(fā)展的強(qiáng)大動(dòng)力，是各產(chǎn)業(yè)運(yùn)營的保障，能源類項(xiàng)目的興建也受到了廣泛關(guān)注。

目前我國正處于能源類工程項(xiàng)目擴(kuò)張建設(shè)時(shí)期，較短時(shí)間內(nèi)大量工程密集開工。由于大型工程類項(xiàng)目普遍具有一次性等特征，項(xiàng)目中的風(fēng)險(xiǎn)管理變得尤為重要。隨著各大能源類工程項(xiàng)目建設(shè)規(guī)模的不斷增大，風(fēng)險(xiǎn)所導(dǎo)致的損失程度也越來越驚人，建設(shè)過程中所涉及的不確定因素也日益增多。能源類項(xiàng)目因其產(chǎn)品的特殊性和環(huán)境的復(fù)雜性，不確定因素更多，潛在危險(xiǎn)更加難以預(yù)測。如何充分認(rèn)識項(xiàng)目中的風(fēng)險(xiǎn)并對其加以分析和評價(jià)對項(xiàng)目投資決策和建設(shè)至關(guān)重要，因此，迫切需要加強(qiáng)對大型能源類工程類項(xiàng)目建設(shè)過程中的風(fēng)險(xiǎn)管理。

國內(nèi)外學(xué)者分別對能源類項(xiàng)目的風(fēng)險(xiǎn)管理和風(fēng)險(xiǎn)評價(jià)方法做了一定研究。能源類項(xiàng)目的風(fēng)險(xiǎn)管理研究始于20世紀(jì)中后期，Crayson首次將風(fēng)險(xiǎn)分析方法引入到石油工程項(xiàng)目中。R. Dahlgren（2003）將電力市場風(fēng)險(xiǎn)管理方面的文獻(xiàn)大致歸為7類，即：一般風(fēng)險(xiǎn)評估概念、競價(jià)決策、電價(jià)預(yù)測、套期保值方法、電源規(guī)劃、市場分析以及市場運(yùn)行。Sergey P.Kolos，Ehud I.Ronn（2007）通過現(xiàn)貨和期貨價(jià)格來評估能源市場價(jià)格風(fēng)險(xiǎn)，證明了薩繆爾森效應(yīng)。Dashan Huang等（2009）在原油的VaR模型基礎(chǔ)上，介紹了一種新的指數(shù)加權(quán)移動(dòng)平均模型，用來評價(jià)石油的市場價(jià)格風(fēng)險(xiǎn)。Nguyen（2007）在大量問卷的基礎(chǔ)上對越南的石油和天然氣項(xiàng)目進(jìn)行研究，提出了一系列的重要風(fēng)險(xiǎn)因素，包括項(xiàng)目周期長、設(shè)計(jì)差、項(xiàng)目小組的組織能力差、投標(biāo)失誤和與業(yè)主溝通問題等。朱偉等（2000）對石油工程項(xiàng)目投資階段的風(fēng)險(xiǎn)進(jìn)行了評價(jià)，從外部環(huán)境風(fēng)險(xiǎn)和內(nèi)不可控制風(fēng)險(xiǎn)兩方面來進(jìn)行風(fēng)險(xiǎn)劃分，包括資源風(fēng)險(xiǎn)、市場風(fēng)險(xiǎn)、金融風(fēng)險(xiǎn)、社會(huì)風(fēng)險(xiǎn)、完工風(fēng)險(xiǎn)、經(jīng)營管理風(fēng)險(xiǎn)和人員風(fēng)險(xiǎn)等。楊立東（2007）以哈爾濱石化分公司的MEK項(xiàng)目為實(shí)踐對象，分析了該項(xiàng)目在建設(shè)、技術(shù)、生產(chǎn)、市場、財(cái)務(wù)和環(huán)境方面的風(fēng)險(xiǎn)因素，并分別提出了相關(guān)的風(fēng)險(xiǎn)防范措施，對石化工程項(xiàng)目的風(fēng)險(xiǎn)管理具有一定的參考作用。黃國英（2011）對能源類項(xiàng)目的投資風(fēng)險(xiǎn)進(jìn)行研究，運(yùn)用因子分析法提出了大型能源類項(xiàng)目的風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，從經(jīng)濟(jì)政策、資源、技術(shù)、環(huán)境和管理等角度分析其投資階段的風(fēng)險(xiǎn)因素。

綜合前人的研究結(jié)果，雖然對工程類項(xiàng)目的風(fēng)險(xiǎn)管理研究較多，但是以大型能源類項(xiàng)目為研究對象，針對其共性特征進(jìn)行風(fēng)險(xiǎn)管理研究的文獻(xiàn)較少。另外，現(xiàn)有文獻(xiàn)對項(xiàng)目的投資風(fēng)險(xiǎn)研究較多，但其指標(biāo)體系較少涉及工程項(xiàng)目建設(shè)過程中的風(fēng)險(xiǎn)因素，因此，對能源類工程建設(shè)期內(nèi)的風(fēng)險(xiǎn)進(jìn)行管理，建立相應(yīng)的風(fēng)險(xiǎn)指標(biāo)體系有待做進(jìn)一步研究與完善。

對項(xiàng)目的風(fēng)險(xiǎn)評價(jià)方法從定性和定量的角度一般可分為多種，主要有決策樹法、LEC（作業(yè)條件危險(xiǎn)性評價(jià)法）、AHP（層次分析法）、模糊綜合評價(jià)法、敏感性分析法、蒙特卡羅法、人工神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評價(jià)法、基于模糊相似優(yōu)先的范例推理方法和SVM（支持向量機(jī)評價(jià)法）等。國內(nèi)外多名學(xué)者對這些方法在項(xiàng)目風(fēng)險(xiǎn)評價(jià)中的應(yīng)用進(jìn)行了探究。Steven Pender（2001）和Hyo-Nam Cho（2002）提出運(yùn)用通過風(fēng)險(xiǎn)測量、敏感性分析、概率分析和模擬技術(shù)等方法對風(fēng)險(xiǎn)出現(xiàn)的后果和概率及分布進(jìn)行定量分析，為后來學(xué)者的研究起到指引作用。Prasanta Kumar Dey(2002)對大型建設(shè)項(xiàng)目中成本、工期、質(zhì)量的風(fēng)險(xiǎn)評價(jià)進(jìn)行研究，并將層次分析法和決策樹法組合運(yùn)用到實(shí)證分析中。Franck Marle等（2010）基于風(fēng)險(xiǎn)因素之間的相互作用對復(fù)雜項(xiàng)目中的風(fēng)險(xiǎn)評估進(jìn)行研究，提出了可以識別兩風(fēng)險(xiǎn)因素之間相互關(guān)系的風(fēng)險(xiǎn)結(jié)構(gòu)模型（RSM），并用來解決項(xiàng)目風(fēng)險(xiǎn)聚類問題。張俊玲等（2004）對工程項(xiàng)目投資風(fēng)險(xiǎn)進(jìn)行了分析，建立了房地產(chǎn)工程項(xiàng)目的評價(jià)指標(biāo)體系，包括政策、城市規(guī)劃、社會(huì)、市場、財(cái)務(wù)、金融、經(jīng)營管理、營銷策略、項(xiàng)目控制、實(shí)施技術(shù)、自然條件和區(qū)位條件12項(xiàng)風(fēng)險(xiǎn)，并應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立風(fēng)險(xiǎn)模型進(jìn)行實(shí)證研究。張麗霞，施國慶（2005）應(yīng)用該指標(biāo)體系，使用支持向量機(jī)（SVM）的方法對工程項(xiàng)目風(fēng)險(xiǎn)進(jìn)行預(yù)測，但指標(biāo)權(quán)值問題有待進(jìn)一步探究。王翔等（2011）對項(xiàng)目風(fēng)險(xiǎn)做了進(jìn)一步研究，將Labroche（2002）提出的蟻群簇聚類方法（AntClust）應(yīng)用到工程風(fēng)險(xiǎn)評價(jià)中，并采用前文的指標(biāo)體系和數(shù)據(jù)進(jìn)行實(shí)證，測試結(jié)果一致，并解決了應(yīng)用SVM方法在參數(shù)選擇中的問題。孫賓等（2010）和孫軍（2010）分別對模糊綜合評價(jià)法進(jìn)行研究，前者利用改進(jìn)的模糊綜合評價(jià)法對火電項(xiàng)目的投資風(fēng)險(xiǎn)進(jìn)行了評價(jià)，利用加權(quán)平均法確定綜合評價(jià)指標(biāo)的計(jì)算，并將熵權(quán)法對權(quán)重的計(jì)算進(jìn)行改進(jìn)；后者對ERP廠商選擇外包合作伙伴進(jìn)行了風(fēng)險(xiǎn)評估研究。段利東（2010）對火電廠建設(shè)項(xiàng)目運(yùn)營初期的風(fēng)險(xiǎn)進(jìn)行評價(jià)，構(gòu)建了建設(shè)期風(fēng)險(xiǎn)、政策性風(fēng)險(xiǎn)、運(yùn)營過程風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)、環(huán)保風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)和可持續(xù)發(fā)展風(fēng)險(xiǎn)的指標(biāo)體系，運(yùn)用模糊綜合評價(jià)法和層次支持向量機(jī)對風(fēng)險(xiǎn)進(jìn)行評價(jià)，并提出了相應(yīng)的規(guī)避建議方案。程鐵信 等（2010）將CART決策樹應(yīng)用到水利項(xiàng)目招投標(biāo)階段的風(fēng)險(xiǎn)評價(jià)中。陳景輝（2011）將AHP法與G1法相結(jié)合對指標(biāo)體系進(jìn)行綜合賦權(quán)，但是G1法對AHP法的改進(jìn)僅是不需一致性檢驗(yàn)從而降低復(fù)雜性，因此這種賦權(quán)法意義不大。

綜上所述，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法可以獲得較好的預(yù)測效果，但只能得到最終的風(fēng)險(xiǎn)值，無法對風(fēng)險(xiǎn)影響因素進(jìn)行識別；決策樹等方法雖然直觀性和可解釋性較好，但泛化能力較差。并且神經(jīng)網(wǎng)絡(luò)方法和決策樹方法都需要大量的樣本數(shù)據(jù)作為基礎(chǔ)，在樣本較小的情況下適用性較差。因此，當(dāng)實(shí)際項(xiàng)目中無法獲得足夠大的樣本數(shù)據(jù)時(shí)，如何將定性方法與定量方法相結(jié)合，并得到直觀解釋結(jié)果的風(fēng)險(xiǎn)評價(jià)方法尚有待進(jìn)一步研究。

本文在前人研究的基礎(chǔ)上，綜合國內(nèi)外參考文獻(xiàn)的指標(biāo)體系和大型能源類項(xiàng)目的共性特征，建立了相應(yīng)的全面風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，并在該指標(biāo)體系基礎(chǔ)上提出了SVM和CART決策樹相結(jié)合的綜合評價(jià)方法，該方法可以有效地將方法的泛化性和可理解性相結(jié)合，從而為決策者提供風(fēng)險(xiǎn)決策支持。

1 大型能源類工程項(xiàng)目風(fēng)險(xiǎn)評價(jià)模型

1.1 能源類工程項(xiàng)目風(fēng)險(xiǎn)指標(biāo)體系的建立

本文采用專家調(diào)查法與統(tǒng)計(jì)分析法對工程項(xiàng)目的風(fēng)險(xiǎn)因素進(jìn)行識別。首先通過與從事多年項(xiàng)目管理研究的學(xué)者和具有多年大型工程項(xiàng)目實(shí)際管理經(jīng)驗(yàn)的專家進(jìn)行研討，并查閱總結(jié)相關(guān)文獻(xiàn)，對風(fēng)險(xiǎn)因素進(jìn)行了初步識別和歸類，進(jìn)而設(shè)計(jì)并發(fā)放了風(fēng)險(xiǎn)調(diào)查問卷，識別項(xiàng)目中可能存在的風(fēng)險(xiǎn)。

1.1.1 自然風(fēng)險(xiǎn)

自然風(fēng)險(xiǎn)主要是指施工項(xiàng)目中可能遇到的各類與人類活動(dòng)無關(guān)的風(fēng)險(xiǎn)，這類風(fēng)險(xiǎn)往往破壞性大且后果嚴(yán)重，一般可分為可預(yù)測性風(fēng)險(xiǎn)和不可預(yù)測性風(fēng)險(xiǎn)。可預(yù)測性風(fēng)險(xiǎn)包括臺風(fēng)、暴雨、暴雪等可以提前預(yù)知的自然災(zāi)害；不可預(yù)測性風(fēng)險(xiǎn)包括洪水、地震、火山爆發(fā)、泥石流等難以事前預(yù)知的自然災(zāi)害。

1.1.2 社會(huì)風(fēng)險(xiǎn)

社會(huì)因素主要指社會(huì)政治經(jīng)濟(jì)等宏觀環(huán)境對項(xiàng)目的影響。①產(chǎn)業(yè)政策影響：由于能源類項(xiàng)目是申報(bào)并批復(fù)后開展的大型工程類項(xiàng)目，項(xiàng)目實(shí)施情況與能源產(chǎn)業(yè)的相關(guān)政策密切相關(guān)，國民經(jīng)濟(jì)計(jì)劃的調(diào)整、政府扶持產(chǎn)業(yè)導(dǎo)向的變化等都會(huì)對項(xiàng)目產(chǎn)生影響，嚴(yán)重時(shí)可能會(huì)導(dǎo)致已開工的項(xiàng)目難以繼續(xù)進(jìn)行，進(jìn)而造成不可彌補(bǔ)的經(jīng)濟(jì)損失。②行業(yè)標(biāo)準(zhǔn)變化：行業(yè)標(biāo)準(zhǔn)是指該行業(yè)內(nèi)統(tǒng)一使用的標(biāo)準(zhǔn)規(guī)范，這些標(biāo)準(zhǔn)的變化實(shí)施必然將對有關(guān)的項(xiàng)目在施工或驗(yàn)收方面產(chǎn)生影響。③利率稅率變動(dòng)影響：利率和稅率的變動(dòng)會(huì)對項(xiàng)目的資金周轉(zhuǎn)等產(chǎn)生影響，繼而產(chǎn)生成本方面的風(fēng)險(xiǎn)以及企業(yè)內(nèi)部相關(guān)的財(cái)務(wù)風(fēng)險(xiǎn)，這些都會(huì)對能源類項(xiàng)目產(chǎn)生影響。④匯率變化影響：匯率變動(dòng)可能會(huì)對進(jìn)出口原材料的價(jià)格產(chǎn)生影響，導(dǎo)致工程收益發(fā)生變化。⑤市場價(jià)格變化：能源類產(chǎn)品價(jià)格的變動(dòng)會(huì)影響能源市場的需求和收益，能源類工程項(xiàng)目也與其密切相關(guān)，具體表現(xiàn)為石油價(jià)格變動(dòng)、電價(jià)變動(dòng)等。據(jù)美國國家能源部統(tǒng)計(jì)，石油價(jià)格年均波動(dòng)為37.8%~48.5%，電價(jià)波動(dòng)高達(dá)359.8%，而我國發(fā)改委在近些年對成品油價(jià)格進(jìn)行了多次調(diào)整，波動(dòng)頻率和幅度均較大。⑥通貨膨脹：通貨膨脹可能會(huì)對原材料的采購價(jià)格產(chǎn)生影響，進(jìn)而對工程的成本和收益產(chǎn)生影響。⑦群體性事件：群體性事件主要指由某些特定矛盾激發(fā)導(dǎo)致特定人群臨時(shí)聚集對社會(huì)造成負(fù)面影響的群體活動(dòng)，這些事件會(huì)對項(xiàng)目的正常施工、工程進(jìn)度等產(chǎn)生阻礙。

1.1.3 技術(shù)風(fēng)險(xiǎn)

包括項(xiàng)目施工和工藝中所涉及的技術(shù)，本文主要從以下幾方面來進(jìn)行分析：①勘測設(shè)計(jì)技術(shù)：對施工現(xiàn)場環(huán)境的勘測是項(xiàng)目得以順利進(jìn)行的保證，使用成熟的勘測技術(shù)實(shí)時(shí)監(jiān)控現(xiàn)場條件的變化將對項(xiàng)目產(chǎn)生重要的影響。②技術(shù)選擇風(fēng)險(xiǎn)：能源行業(yè)對技術(shù)依賴性大，技術(shù)和工藝的先進(jìn)性和實(shí)用性直接影響了工程的生產(chǎn)效率和產(chǎn)品品質(zhì)，例如水電、火電項(xiàng)目需要對熱負(fù)荷預(yù)測、發(fā)電技術(shù)進(jìn)行選擇，石化項(xiàng)目對鍋爐方案、催化裂化等技術(shù)進(jìn)行選擇。③施工技術(shù)難度：在對技術(shù)進(jìn)行選擇后，項(xiàng)目中具體技術(shù)的實(shí)施難度成為項(xiàng)目的主要風(fēng)險(xiǎn)因素，容易造成嚴(yán)重?fù)p失，需要對其進(jìn)行嚴(yán)格控制。

1.1.4 資源風(fēng)險(xiǎn)

資源主要是指項(xiàng)目實(shí)施過程中的各項(xiàng)投入，主要包括人力、物力和財(cái)力等。①施工人員風(fēng)險(xiǎn)：施工隊(duì)伍是項(xiàng)目的具體實(shí)施者，其到位情況對項(xiàng)目的進(jìn)度產(chǎn)生影響，而施工人員的素質(zhì)直接影響工程的效率和質(zhì)量，是項(xiàng)目的重要人力資源保障。②設(shè)備風(fēng)險(xiǎn)：能源類項(xiàng)目因其行業(yè)的特殊性，涉及的大中型復(fù)雜設(shè)備眾多，例如電力行業(yè)的三大主機(jī)、熱控、輔機(jī)等，石化行業(yè)的油罐、儲罐、排水阻油設(shè)備等，這些設(shè)備的良好管理直接影響其生產(chǎn)效率和使用壽命。③物資供應(yīng)風(fēng)險(xiǎn)：工程物資需求量眾多，物資的短缺或運(yùn)輸?shù)难诱`會(huì)對項(xiàng)目的進(jìn)度產(chǎn)生嚴(yán)重影響，需要與供應(yīng)商做好溝通協(xié)調(diào)以保證物資的正常供應(yīng)。④資金風(fēng)險(xiǎn)：大型工程項(xiàng)目投資額大，資金占用時(shí)間長，項(xiàng)目資金主要來自自籌經(jīng)費(fèi)、政府款項(xiàng)、合作方投資，以及融資獲得的資金，可靠的資金來源是項(xiàng)目得以順利完工的重要經(jīng)濟(jì)保障。

1.1.5 組織管理風(fēng)險(xiǎn)

企業(yè)的內(nèi)部運(yùn)營會(huì)直接影響項(xiàng)目的成敗，包括企業(yè)的組織結(jié)構(gòu)、管理者決策、相應(yīng)制度、風(fēng)險(xiǎn)意識等。①財(cái)務(wù)績效風(fēng)險(xiǎn)：企業(yè)的財(cái)務(wù)績效情況影響項(xiàng)目的資金、物資等供應(yīng)，對企業(yè)的資產(chǎn)負(fù)債表、現(xiàn)金流量表和利潤表要嚴(yán)格監(jiān)控，維持良好的財(cái)務(wù)狀況。②組織運(yùn)營風(fēng)險(xiǎn)：企業(yè)整體的組織結(jié)構(gòu)影響著企業(yè)的運(yùn)營管理，包括企業(yè)管理職能部門的劃分，人員的組織和協(xié)調(diào)、決策的制定和實(shí)施、參與方的溝通和配合等。③法務(wù)合同風(fēng)險(xiǎn)：工程項(xiàng)目從招投標(biāo)到最終的完工都涉及一系列的相關(guān)法務(wù)合同，涵蓋了承建、工期、責(zé)任、資源等多方面，與項(xiàng)目管理重要因素都密切相關(guān)，對于風(fēng)險(xiǎn)責(zé)任的界定有重要的意義。④信息管理風(fēng)險(xiǎn)：現(xiàn)代項(xiàng)目均采用相關(guān)項(xiàng)目軟件如P3軟件等，進(jìn)行進(jìn)度、成本、質(zhì)量等多方面的管理，有效地幫助項(xiàng)目方進(jìn)行信息管理，保持信息的及時(shí)性、準(zhǔn)確性和安全性有助于項(xiàng)目的實(shí)施和決策制定。

1.1.6 進(jìn)度風(fēng)險(xiǎn)

進(jìn)度是工程項(xiàng)目管理三大基本要素之一，是工程中需要嚴(yán)格計(jì)劃控制的重要因素，大型能源類工程項(xiàng)目能否按時(shí)完工涉及每一個(gè)分包工程和子工序的進(jìn)度控制。本文主要選取總進(jìn)度完工風(fēng)險(xiǎn)和關(guān)鍵工序完工風(fēng)險(xiǎn)作為衡量指標(biāo)，其中，總進(jìn)度完工風(fēng)險(xiǎn)通過計(jì)算實(shí)際進(jìn)度與計(jì)劃進(jìn)度的差值來進(jìn)行衡量，關(guān)鍵工序完工風(fēng)險(xiǎn)通過計(jì)算關(guān)鍵工序?qū)嶋H進(jìn)度與關(guān)鍵工序計(jì)劃進(jìn)度的差值來進(jìn)行衡量。

1.1.7 成本風(fēng)險(xiǎn)

成本是項(xiàng)目經(jīng)濟(jì)因素的一個(gè)方面，前面已對資金供應(yīng)等進(jìn)行了討論界定，這里的成本風(fēng)險(xiǎn)主要指工程款項(xiàng)的使用情況，即工程預(yù)算費(fèi)用是否超支、成本控制情況等，主要通過計(jì)算成本績效指數(shù)來衡量。

1.1.8 質(zhì)量風(fēng)險(xiǎn)

工程項(xiàng)目的質(zhì)量主要包括完工工序的合格情況和項(xiàng)目的安全質(zhì)量等。

1.1.9 可持續(xù)發(fā)展風(fēng)險(xiǎn)

工程項(xiàng)目是一個(gè)長期建設(shè)使用運(yùn)轉(zhuǎn)的主體，在對其風(fēng)險(xiǎn)進(jìn)行評估時(shí)，也需考慮其社會(huì)效益和環(huán)境效益，以及為投資企業(yè)創(chuàng)造的價(jià)值。本文主要從社會(huì)影響（即工程項(xiàng)目對社會(huì)環(huán)境造成的破壞）、企業(yè)收益風(fēng)險(xiǎn)（如水電、火電項(xiàng)目的持續(xù)供電風(fēng)險(xiǎn)，石化項(xiàng)目的產(chǎn)能風(fēng)險(xiǎn)）、環(huán)境風(fēng)險(xiǎn)（即項(xiàng)目產(chǎn)生的廢水、廢氣、廢渣等對環(huán)境造成的污染和項(xiàng)目施工造成周圍環(huán)境穩(wěn)態(tài)的破壞）3個(gè)方面進(jìn)行風(fēng)險(xiǎn)衡量。

根據(jù)前面的風(fēng)險(xiǎn)識別和專家咨詢，本文綜合國內(nèi)外參考文獻(xiàn)的指標(biāo)體系建立了大型能源類工程項(xiàng)目的全面風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，其中包含9個(gè)一級指標(biāo)和31個(gè)二級指標(biāo)，具體見表1。

表1 大型能源類工程項(xiàng)目風(fēng)險(xiǎn)評價(jià)指標(biāo)體系

1.2 基于SVM和CART的風(fēng)險(xiǎn)評價(jià)方法

支持向量機(jī)作為機(jī)器學(xué)習(xí)的算法，具有更強(qiáng)的泛化能力，卻因?yàn)槠浜谙湫远y以理解，而決策樹算法因?yàn)榉诸惤Y(jié)果顯示為樹型結(jié)構(gòu)而具有良好的可理解性，但其泛化能力卻比不上支持向量機(jī)。因此，本文將這兩種算法相結(jié)合，首先使用支持向量機(jī)來預(yù)處理訓(xùn)練樣本，然后再使用CART決策樹算法來處理預(yù)處理后的樣本并生成決策樹，從而得到直觀的風(fēng)險(xiǎn)分析圖。

對于決策樹方法，算法處理的有效樣本數(shù)越多，那么算法對于特征空間的覆蓋率將越大，即泛化能力更強(qiáng)。本文通過前文建立的SVM模型，采用可重復(fù)采樣方法（Bootstrap Sampling）來對樣本進(jìn)行擴(kuò)大，作為CART決策樹模型的輸入。這種方法增加了分類器集成的差異度，從而提高了泛化能力，主要有以下兩個(gè)原因：一是利用支持向量機(jī)的泛化能力預(yù)處理原始訓(xùn)練集，使新的訓(xùn)練樣本集包含了更多有助于預(yù)測分類的信息；二是從同樣的樣本集中，隨機(jī)生成特征向量的方法提高了有效樣本的數(shù)目，使得樣本數(shù)得以滿足決策樹的訓(xùn)練要求。

本文將樣本集中各項(xiàng)目風(fēng)險(xiǎn)因素的分值作為模型的輸入，將項(xiàng)目的風(fēng)險(xiǎn)值作為模型的輸出，對模型進(jìn)行訓(xùn)練，得到?jīng)Q策樹。CART決策樹在眾多屬性中選擇Gini系數(shù)最小的一個(gè)或多個(gè)屬性作為樹節(jié)點(diǎn)的分裂變量，把測試變量分到各分支中，重復(fù)該過程建立一棵充分大的初始分類樹，然后用剪枝算法進(jìn)行剪枝，得到一系列嵌套的分類樹，最后用測試數(shù)據(jù)進(jìn)行測試從而得到最優(yōu)分類樹。

本文的模型建立過程按以下步驟進(jìn)行：

（1）對問卷數(shù)據(jù)進(jìn)行處理，建立樣本特征集S；

（2）選定部分樣本作為模型訓(xùn)練集S1，剩下的樣本作為模型測試集S2建立SVM分類模型M1；

（3）使用訓(xùn)練集S1對模型M1進(jìn)行訓(xùn)練，選定SVM模型M1相應(yīng)的核函數(shù)K(xi,x)和參數(shù)；

（4）用測試集的數(shù)據(jù)S2對SVM模型M1進(jìn)行測試，測驗(yàn)證模型的精度；

（5）用訓(xùn)練好的SVM模型M1來生成新樣本集S′，綜合S和″形成新的樣本集，作為決策樹模型的輸入；

（6）使用樣本集S″來建立決策樹模型M2，整個(gè)算法的最終顯示結(jié)果為決策樹。

整個(gè)建模過程如圖1所示。

圖1 基于SVM和決策樹的模型構(gòu)建流程圖

1.2.1 建立特征集

通過對項(xiàng)目風(fēng)險(xiǎn)的評價(jià)，可以得到各二級指標(biāo)的具體分值和項(xiàng)目總體風(fēng)險(xiǎn)值，因此，可以構(gòu)建基于大型能源類項(xiàng)目風(fēng)險(xiǎn)指標(biāo)體系的樣本特征集S。

1.2.2 SVM模型訓(xùn)練

本文利用Matlab 7.1建立模型。在眾多SVM軟件中，臺灣大學(xué)林智仁等人開發(fā)的LibSVM軟件包較為簡單、易用，且快速有效，故選用LibSVM 2.91-1來進(jìn)行建立模型。

2014年是藏歷馬年和藏族人的轉(zhuǎn)山之年，此所謂“馬年轉(zhuǎn)山，羊年轉(zhuǎn)湖”。是年八月，筆者等一行五人在開展三江源環(huán)境保護(hù)項(xiàng)目工作之際，按照傳統(tǒng)路線騎馬穿越阿尼瑪卿山。此時(shí)藏醫(yī)學(xué)家、莫多寺的托美活佛率100多位阿尼(女僧)亦朝拜神山。也許是轉(zhuǎn)山的功德，我們有幸在興海縣邂逅托美活佛，并且跨過藍(lán)色的曲什安河，走進(jìn)草原深處的曼巴扎倉。

設(shè)有n個(gè)項(xiàng)目數(shù)據(jù)，第i個(gè)項(xiàng)目中第j項(xiàng)指標(biāo)中的評分為tij，該分值與權(quán)重ωj的乘積為rij，風(fēng)險(xiǎn)值為Ri,可以構(gòu)建訓(xùn)練樣本集S1，包括輸入樣本P和輸出樣本Q。

在訓(xùn)練中，需要確定模型的懲罰因子C和核寬度σ。目前還沒有一個(gè)較有效的方法來確定這類參數(shù)，本文使用svmtrain內(nèi)建的交叉驗(yàn)證法Cross Validation來進(jìn)行參數(shù)選擇，構(gòu)建C-SVC模型如下：

優(yōu)化函數(shù)：

決策函數(shù)：

其中，（w,b）∈Rn×R是控制函數(shù)的參數(shù)，決策規(guī)則由決策函數(shù)給出；C為懲罰因子，用于在結(jié)構(gòu)風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn)之間進(jìn)行平衡；ξi為松弛變量，用于控制支持變量的個(gè)數(shù)和泛化能力的大小。

就函數(shù)擬合而言，徑向基函數(shù)（Radial Basis Function，RBF）能使SVM以任意精度逼近非線性函數(shù)曲線，以將樣本映射到一個(gè)更高維空間，可以處理當(dāng)類標(biāo)簽和特征之間的關(guān)系為非線性時(shí)的樣例，其函數(shù)擬合性優(yōu)于多項(xiàng)式核函數(shù)。因此本文選用RBF核函數(shù)構(gòu)建模型。此時(shí)，決策函數(shù)形式變?yōu)椋?/p>

1.2.3 SVM模型測試

構(gòu)建測試樣本集S2，構(gòu)建方法與步驟2相同，包括輸入樣本P軌和輸出樣本Q軒。

利用訓(xùn)練得到的最優(yōu)模型M，輸入測試樣本P軌，得到預(yù)測值F，將其與真實(shí)值Q軒進(jìn)行比較，計(jì)算出預(yù)測精度以評價(jià)模型的預(yù)測效果。

利用已建立的模型，本文通過Matlab來隨機(jī)生成樣本集，該樣本集中含有m個(gè)項(xiàng)目各風(fēng)險(xiǎn)指標(biāo)的分值，分值范圍與前文的評分規(guī)則一致，這些分值與權(quán)重ωj相乘后即得到新的輸入樣本集P′：

將P′輸入到已建立的SVM模型中，即可得到新的輸出樣本集Q′：

這些新樣本集S′與原有樣本集S即構(gòu)成了新的樣本集S″。

1.2.5 建立CART決策樹模型

本文使用Matlab的treefit工具箱來建立CART決策樹模型，以前文建立的樣本集S″來對模型進(jìn)行訓(xùn)練和測試，其中風(fēng)險(xiǎn)因素作為模型的輸入，風(fēng)險(xiǎn)類型作為模型的輸出，最終結(jié)果為顯示決策樹t，該樹可以用來解釋風(fēng)險(xiǎn)結(jié)果的相關(guān)規(guī)則。其中CART決策樹的分支規(guī)則如下：在眾多屬性中選擇Gini系數(shù)最小的一個(gè)或多個(gè)屬性作為初始根節(jié)點(diǎn)，將測試變量分到各個(gè)分支中，然后重復(fù)該過程建立一棵充分大的樹，并利用測試數(shù)據(jù)計(jì)算模型精度。

2 實(shí)證研究

2.1 數(shù)據(jù)獲取

本文通過問卷調(diào)查的方式來確定指標(biāo)體系的權(quán)重和風(fēng)險(xiǎn)評價(jià)值，該問卷主要分為3個(gè)部分：①項(xiàng)目的基本信息；②風(fēng)險(xiǎn)指標(biāo)重要性的評判；③項(xiàng)目風(fēng)險(xiǎn)評分。

在初期調(diào)研中，共發(fā)放問卷50份，回收問卷34份，其中有效問卷28份。

2.2 基于SVM和CART的項(xiàng)目風(fēng)險(xiǎn)評價(jià)

2.2.1 建立特征集

利用問卷的28組數(shù)據(jù)，建立初步樣本特征集S。在初步數(shù)據(jù)集的基礎(chǔ)上，利用前面章節(jié)建立的指標(biāo)體系權(quán)重對數(shù)據(jù)進(jìn)行處理，結(jié)果作為模型的輸入數(shù)據(jù)。其中，23組項(xiàng)目數(shù)據(jù)作為訓(xùn)練樣本，5組項(xiàng)目數(shù)據(jù)作為測試樣本。

2.2.2 SVM模型訓(xùn)練

本文使用LibSVM中的svmtrain來訓(xùn)練樣本，產(chǎn)生Model文件，這就是我們建立的模型。在訓(xùn)練過程中對模型的懲罰因子C和核寬度σ，即確定SVM模型中的c和g，通過svmtrain內(nèi)建的交叉驗(yàn)證法Cross Validation來進(jìn)行參數(shù)選擇，最終結(jié)果顯示，當(dāng)C=60，g=0.8時(shí)，模型的精度達(dá)到了86.4%，預(yù)測效果較好。

模型參數(shù)確定見表2。

根據(jù)建立的模型，最終結(jié)果如下：

偏置項(xiàng)系數(shù)為b=[0.211 75;-0.018 032;2.40 43]T，支持向量的個(gè)數(shù)為l=17，分別為1類風(fēng)險(xiǎn)6個(gè)，2類風(fēng)險(xiǎn)6個(gè)，3類風(fēng)險(xiǎn)5個(gè)。

2.2.3 SVM模型測試

下面使用前文中測試組的5組項(xiàng)目數(shù)據(jù)樣本來進(jìn)行測試，預(yù)測結(jié)果見表3。

結(jié)果顯示，這5組測試集的數(shù)據(jù)全部預(yù)測成功，預(yù)測精度達(dá)到了100%。

表2 SVM模型參數(shù)設(shè)定

2.2.4 基于Bootstrap Sampling的樣本擴(kuò)大

利用已建立的模型，本文通過Matlab來生成80個(gè)新樣本S′，這些樣本與前文的28個(gè)樣本共形成108個(gè)樣本，作為CART決策樹模型的輸入S″。

表3 SVM模型預(yù)測結(jié)果

2.2.5 建立CART決策樹模型

以前文建立的樣本集S″來作為模型輸入，首先選取S″中的98組數(shù)據(jù)來建立訓(xùn)練測試集traindataset，用剩下的10組數(shù)據(jù)建立測試數(shù)據(jù)集testdataset，通過調(diào)用treefit函數(shù)來建立決策樹模型，通過調(diào)用treeval函數(shù)來利用建立好的模型進(jìn)行預(yù)測，并計(jì)算分類精度DT_mean和DT_var，最終顯示樹結(jié)果如圖2所示。

圖2 基于SVM的CART決策樹結(jié)果圖

該決策樹的精度為90.00%，var值為0.1，預(yù)測效果較好。

通過該結(jié)果分析可知，影響大型能源類項(xiàng)目風(fēng)險(xiǎn)的主要風(fēng)險(xiǎn)因素包括技術(shù)選擇風(fēng)險(xiǎn)、預(yù)算超支風(fēng)險(xiǎn)、勘測設(shè)計(jì)的工作深度——現(xiàn)場條件的變化、通貨膨脹、環(huán)境風(fēng)險(xiǎn)等風(fēng)險(xiǎn)因素。

2.3 對比分析

本文結(jié)合SVM和CART決策樹算法的結(jié)果，采用兩種方法進(jìn)行對比分析。方法一是結(jié)合BP神經(jīng)網(wǎng)絡(luò)和CART決策樹的方法；方法二是僅使用CART決策樹方法進(jìn)行分類。

2.3.1 基于BP神經(jīng)網(wǎng)絡(luò)和CART決策樹算法的項(xiàng)目風(fēng)險(xiǎn)評價(jià)

本文通過建立BP神經(jīng)網(wǎng)絡(luò)與CART決策樹相結(jié)合的算法來與前文的算法進(jìn)行對比，初始數(shù)據(jù)集同樣選用S，通過Matlab神經(jīng)網(wǎng)絡(luò)工具箱建立BP模型，經(jīng)調(diào)試，建立了31個(gè)輸入節(jié)點(diǎn)，8個(gè)中間節(jié)點(diǎn)和1個(gè)輸出節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練次數(shù)設(shè)為1 000，目標(biāo)值為le-3，使用BP神經(jīng)網(wǎng)絡(luò)模型來生成80個(gè)新的樣本，將這108個(gè)樣本作為決策樹的輸入。決策樹的訓(xùn)練樣本和測試樣本數(shù)量設(shè)置與前文一致，最終顯示樹結(jié)果如圖3所示。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)的CART決策樹結(jié)果圖

該決策樹的精度為70.00%，var值為0.233 3，預(yù)測效果比SVM與CART決策樹相結(jié)合的方法差。

2.3.2 基于CART決策樹的項(xiàng)目風(fēng)險(xiǎn)評價(jià)

考慮僅使用CART決策樹算法來對樣本進(jìn)行訓(xùn)練和測試的情況，測試數(shù)據(jù)集為S，同樣選用23組數(shù)據(jù)來進(jìn)行訓(xùn)練，5組數(shù)據(jù)來進(jìn)行測試，最終結(jié)果顯示如圖4所示。

圖4 基于原始數(shù)據(jù)集的CART決策樹結(jié)果圖

該決策樹的精度為80.00%，var值為0.20，預(yù)測效果比SVM加CART決策樹方法差。另外，此棵決策樹最終只顯示兩個(gè)風(fēng)險(xiǎn)指標(biāo)作為影響因素，進(jìn)一步說明了決策樹在小樣本時(shí)的解釋實(shí)用性較差，需要基于大量數(shù)據(jù)才能得出更好的解釋效果。

3 結(jié)論

本文在能源類工程項(xiàng)目大量興建的背景下，對大型能源類工程項(xiàng)目建設(shè)過程中的風(fēng)險(xiǎn)因素進(jìn)行識別和分析，并建立了相關(guān)的風(fēng)險(xiǎn)評價(jià)模型，總體來看，主要開展了以下3個(gè)方面的工作：

（1）從大型能源類項(xiàng)目風(fēng)險(xiǎn)管理和風(fēng)險(xiǎn)評價(jià)方法兩個(gè)方面對前人的研究進(jìn)行綜述，并在此基礎(chǔ)上提出大型能源類項(xiàng)目的風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，從自然風(fēng)險(xiǎn)、社會(huì)風(fēng)險(xiǎn)等多個(gè)角度對項(xiàng)目中的風(fēng)險(xiǎn)因素進(jìn)行具體識別。

（2）基于小樣本情況提出了SVM和CART決策樹相結(jié)合的綜合風(fēng)險(xiǎn)評價(jià)方法，并通過問卷調(diào)查的方式，獲得了涵蓋石化、火電、水電等相關(guān)能源類項(xiàng)目的數(shù)據(jù)，最后利用SVM較強(qiáng)的泛化能力和CART決策樹的可理解性來對項(xiàng)目風(fēng)險(xiǎn)進(jìn)行評價(jià)，從而為項(xiàng)目管理者對該項(xiàng)目的風(fēng)險(xiǎn)識別和評價(jià)提供了重要的參考依據(jù)。

（3）將本文提出的方法分別與CART決策樹、神經(jīng)網(wǎng)絡(luò)與CART決策樹相結(jié)合的方法進(jìn)行對比分析，結(jié)果顯示，本文的方法在分類精度和模型的可解釋性方面均優(yōu)于其他兩種算法。

[1]黃國英.大型能源項(xiàng)目投資風(fēng)險(xiǎn)管理研究[D].西安：西安科技大學(xué),2011.

[2]李柏年，吳禮斌.Matlab數(shù)據(jù)分析方法[M].北京：機(jī)械工業(yè)出版社，2012.

[3]李文富，郭樹霞.基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電項(xiàng)目市場投資風(fēng)險(xiǎn)評價(jià)[J].華北電力大學(xué)學(xué)報(bào):社會(huì)科學(xué)版，2011(12):95-97.

[4]蘇曉影,賀躍,鄭建軍.一種基于神經(jīng)網(wǎng)絡(luò)集成的決策樹構(gòu)造方法[J].計(jì)算機(jī)仿真，2006(11):95-98.

[5]孫賓，曾勇紅，孫利.改進(jìn)模糊綜合評判在火電項(xiàng)目投資風(fēng)險(xiǎn)分析中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào):工學(xué)版，2010(2):194-197.

[6]孫軍,等.基于模糊層次分析法的ERP廠商項(xiàng)目外包合作伙伴的評價(jià)與選擇[J].項(xiàng)目管理技術(shù),2010(5):73-76.

[7]張麗霞，施國慶.基于支持向量機(jī)的工程項(xiàng)目風(fēng)險(xiǎn)預(yù)測研究[J].計(jì)算機(jī)工程與應(yīng)用，2005(21):224-226.

[8]朱偉,等.石油建設(shè)項(xiàng)目投資風(fēng)險(xiǎn)評價(jià)方法探討[J].天然氣工業(yè)，2000 (11):99-101。

[9]Franck Marle,Ludovic-Alexandre Vidal,Jean-Claude Bocquet.Interactions based Risk Clustering Methodologies and Algorithms for Complex Project Management[J].Internatioanl Journal of Production Economics,2010(11): 1-10.

[10]Nguyen Van Thuyet,Stephen O Ogunlana.Risk Management in Oil and Gas Cconstruction Projects in Vietnam[J].International Journal of Energy Sector Management,2007(1):175-194.

[11]R Dahlgren,C C Liu,J Lawarree.Risk Assessment in Energy Trading [J].IEEE Trans on Power Systems,2003(18):503-511.

10.3969/j.issn.1673-0194.2015.05.066

TP183

A

1673-0194（2015）05-0133-05

2014-12-22

上海市科學(xué)技術(shù)委員會(huì)科研計(jì)劃項(xiàng)目（13dz1508402）。