基于BP 神經網絡的公路建設項目投資風險評價研究*

馬力 畢詩晗 吳崢 楊焱玲

(1. 大連理工大學商學院，遼寧 盤錦 124221;2. 大連理工大學建設管理系，遼寧 大連 116024)

0 引言

公路建設項目從立項、設計、施工到運營的全生命周期中存在著大量不確定因素，能否安全收回投資關系到對項目可能遇到的風險進行識別、評價、監控和應對的過程，其中風險評價是承上啟下的重要環節。國內學者大多運用層次分析法、模糊綜合評價法、灰色理論等方法建立風險評價模型，基于人工神經網絡方法的研究較少。人工神經網絡與計算機相結合，可完成較復雜的建模過程，使整個風險評價過程實現智能化，還有較好的抗干擾能力和學習能力。本文基于BP 神經網絡理論，使用Matlab 軟件神經網絡工具箱構建模型，進行公路建設項目投資風險評價研究，并應用在實際工作中，驗證其具有較好的使用效果。

1 公路建設項目風險評價指標體系

本文使用德爾菲法向有關專家進行咨詢，根據調查結果，影響公路建設項目投資效益的因素大致包括以下六大方面:

(1)政治風險。主要指由于政策法規(土地政策、產業政策、金融政策、城市規劃等)不穩定不連續、政局不穩定、戰爭和罷工引起的社會動蕩及其導致投資損失的情況。根據目前國情，上述風險中后兩類發生的概率很小，因此，本評價體系僅考慮政策法規風險。

(2)經濟風險。主要指由于宏觀經濟環境、市場環境和融資環境(稅率、匯率、銀行利率及其他投資收益率)變動影響項目投資效益的風險。

(3)項目管理風險。在項目實施全過程中能否建立起規范、高效的運作體系，采取行之有效的管理手段，直接關系到公路建設投資回收的安全性。公路建設項目啟動階段主要受合同管理風險的影響，實施和收尾階段主要涉及人力資源、質量、成本、安全、工期等方面的管理風險。上述風險因素都屬于項目管理范疇，故概括為項目管理風險。

(4)技術風險。技術是工程項目實施的基礎。公路建設項目中勘察設計的準確性與科學性是最重要的，出現誤差導致的后果往往是最嚴重的;此外，很多特殊地段的公路建設隱含著各種未知的施工技術難度，發生事故的例子不計其數;建設過程的進度和質量也易受設備故障的影響。故技術風險包括勘察設計風險、設備故障風險、施工技術難度風險等。

(5)環境風險。對于公路建設項目來說，不良的天氣條件、水文地質條件等自然環境會在很大程度上影響施工的進度和技術難度。社會環境問題，如拆遷問題，當地群眾是否配合和支持也會影響項目正常進行。故環境風險包括水文地質條件、天氣、社會環境風險等三類。

(6)營運風險。公路項目竣工完成后，營運環節的收費風險會影響該項目的盈利能力，主要來自收費價格高低和時間長短兩方面因素。公路營運管理的狀況，包括配套服務設施的情況、服務人員的素質和態度等，會影響到顧客滿意度，從而影響營運收入;公路建成后的維護保養是一個涉及生命周期的問題，會受到多方不確定因素的影響。所以營運風險主要的風險因素包括收費風險、營運管理風險和維護保養風險。

根據上述分析，建立評價指標體系如圖1所示。

圖1 公路建設項目風險評價指標體系

2 BP 神經網絡模型

基于公路建設項目投資風險評價指標的非線性特征，本文選用BP (Back Propagation)神經網絡方法來進行風險評價。作為當前應用最廣泛的神經網絡模型之一，其主要優點在于它模擬人腦神經系統的某些特性，通過信息的分布式存儲和并行協同處理，實現從輸入到輸出的非線性復雜映射，具有強大的非線性函數逼近的能力。其基本原理此處不再贅述。BP 神經網絡模型主要包括輸入層、隱層神經元數和輸出層的設計，主要步驟如下:

2.1 輸入層的設計

BP 神經網絡中輸入層的節點數一般由特征向量的維數所決定，因此選取適當的特征向量是成功的第一步。在公路建設項目投資風險評價中，特征向量即是可能存在的風險因素。用(X，X，X，…，X)來表示n 維的特征向量，該評價中輸入層的節點數為n，其中每一個分量代表一個風險因子，由專家評定確定每個輸入向量的數值。

2.2 隱層神經元數設計

隱層神經元數量是決定神經網絡能否成功構建的關鍵因素。隱層神經元數過少，神經網絡無法獲取足夠的信息來完成較為復雜的運算;隱層神經元數過多，會使網絡發生過度訓練，出現過度擬合問題，還會降低訓練效率。由于隱層神經元數難以直接由計算得到，需要通過不斷的數據測試才能得到一個相對接近實際的估算值，因此，本文選用了一種較為常見的方法——試湊法來確定隱層神經元數。試湊法是先根據使用者的經驗，設置某個數量的隱層神經元訓練網絡，然后逐漸增加或減少隱層神經元數量，并用同一樣本集進行訓練，從中確定誤差最小時對應的神經元數量。在粗略確定隱層節點估計值時，可參考以下幾條經驗:

(1)m=log2n，n 為輸入層節點數，m 為隱層節點數。

2.3 輸出層的設計

在BP 神經網絡模型中，輸出向量的維數一般是由輸出信息的類別決定的，根據輸出的數值，可實現對被評價指標狀況的模糊判斷。本文將公路建設項目投資風險等級劃分為低、較低、一般、較高、高五個等級，各等級對應的區間值見表1。

表1 公路建設項目投資風險等級及對應的區間值

3 應用實例

JL 高速公路項目是國家高速公路網絡中泉州—南寧線內的一段，位于江西省吉安市和萍鄉市行政區域內。該項目由江西TD 公司2010 年通過公開招標方式中標承建。總投資估算約為42億元人民幣。

3.1 樣本的選取

選取該省內8 條已建類似公路項目作為BP神經網絡模型的訓練和檢測樣本，由15 位專家對每個風險評價指標做出五個等級(低、風險低、一般、較高、高)的判斷，其對應的區間值為: ［0，0.2)、 ［0.2，0.4)、 ［0.4，0.6)、［0.6，0.8)、 ［0.8，1.0］，統計對某指標選擇各風險等級的專家人數，設其百分比為A1、A2、A3、A4、A5，各風險等級區間的組中值為0.1、0.3、0.5、0.7、0.9，則該指標的評價值為

B=0.1A1+0.3A2+0.5A3+0.7A4+0.9A5

3.2 使用Matlab 神經網絡工具箱建立BP 神經網絡模型

本文用Matlab 軟件神經網絡工具箱構建BP神經網絡模型，建模參數設置步驟如下:

(1)輸入層節點的確定。基于評價指標體系，將圖1 中的19 個風險指標變量作為輸入節點。

(2)隱層神經元數的確定。具有1 個隱含層的神經網絡能夠以任意精度表示任何連續函數，因此本文將隱含層設置為一層。分別對隱層神經元數量為9、10、11、12、13 的網絡進行測試，結果顯示隱層神經元數量為12 時誤差最小，由此確定本模型隱含層神經元數為12，具體數值詳見表2。

表2 誤差對照表

(3)BP 神經網絡模型的建立。輸出層節點數設為1 個，輸出結果為項目投資風險值。將8個樣本數據統一量綱，將計算結果輸入網絡。選前6 個樣本為訓練樣本，后2 個樣本為測試樣本。具體數值如下:

由此，一個19*12*1 的神經網絡風險分析模型就建立起來，即19 個輸入節點，12 個隱層神經元，1 個輸出節點。模型建立過程如圖2所示。

圖2 BP 神經網絡模型的建立

然后設置主要訓練參數，將訓練函數設置為trainlm 函數，權值調節規則設置為learngdm 函數，網絡層數設置為3，性能函數設置為mse 函數，各層傳遞函數類型設置為trainsig，期望誤差設置為s =0. 000010，點擊training 訓練網絡，訓練過程如圖3 所示。

圖3 BP 神經網絡工具箱的訓練過程

由圖3 可知，當網絡訓練至第4 步時，誤差達標，完成訓練，誤差值為1.82e-13。

(4)模型的檢測。將第7、第8 兩個樣本的指標值數據輸入已經訓練好的神經網絡中，得出相應的風險值，并將輸出結果與這兩個樣本的實際數值進行對比，詳細實驗結果見表3。

從表3 可以看出，由模型計算得出的輸出結果與實際數據十分接近，接下來就是要確定誤差是否是在設定的誤差范圍之內。因此，本文繪制了輸出結果與實際數據的誤差對比圖和誤差的梯度變化曲線，詳見圖4、圖5。

圖4 輸出結果與實際數據的誤差對比圖

圖5 誤差的梯度變化曲線圖

表3 輸出結果

由圖4 和圖5 可以看出，該網絡模型迭代四次之后，誤差滿足設定標準，達到預期目標。

(5)風險等級的確定及結果分析。將搜集到的JL 高速公路項目指標數據進行量綱化計算，得到R = (0.18，0.526 4，0.34，0.5，0.18，0.38，0.553 4，0.62，0.526 6，0.66，0.54，0.58，0.3，0.433 2，0.340 2，0.42，0.406 6，0.42，0.5)，代入經檢測過的神經網絡，得到輸出結果為0.407 7，對應區間為［0.4，0.6)，風險等級為一般。與之前根據專家打分計算出的風險評價結果相符，可見本文構建的神經網絡模型可實際應用于公路建設項目的投資風險評價，為管理者提供決策支持。

4 結語

本文結合我國公路建設的實際，使用德爾菲法確立了由19 個要素組成的公路建設項目投資風險評價指標體系。根據風險指標的非線性特征，使用Matlab 軟件的BP 神經網絡工具箱建立了評價模型。并用于評價江西省JL 高速公路項目的投資風險，得到評價結論與之前由相關專家打分得到的結果一致，驗證了方法的可行性，可為公路建設項目風險管理提供決策支持。但限于研究條件原因，本文選用的樣本數量較少，繼續增加樣本數量，減少調查誤差，增強樣本代表性，建立公路建設項目風險管理實時數據庫，將是下一階段研究重點。

［1］ 張立明. 人工神經網絡的模型及其應用［M］. 上海:復旦大學出版社，1993.

［2］ 羅成漢. 基于MATLAB 神經網絡工具箱的BP 網絡實現［J］. 計算機仿真，2004，21 (5):109-115.

［3］ 張中昱. 基于BP 神經網絡和模糊綜合評價的環境分析評價系統［D］. 天津:天津大學，2006. PMT