基于PCA—BP的PPP基礎設施項目風險評價研究

王文寅　劉麗霞　李佳

【摘 要】 PPP基礎設施項目風險管理是參與方在進行項目管理時的瓶頸問題之一，如果不能在風險因素正確識別的基礎上評價項目風險，則情況會變得更加復雜。鑒于此，文章在風險識別的基礎上建立了PCA-BP風險評價方法，并在MATLAB 2010平臺上進行實證分析。研究表明：基于PCA-BP的風險評價方法優于單一BP神經網絡風險評價方法，其為PPP項目參與者精確評價項目風險提供了一定的參考價值。

【關鍵詞】 PPP項目； 風險評價； 主成分分析法； BP神經網絡

中圖分類號：F224；F283 文獻標識碼：A 文章編號：1004-5937（2016）07-0056-04

一、引言

PPP（Public-Private-Partnership）項目，即公私合營項目，是指政府與私人企業以特許經營協議為前提合作建設的城市基礎設施項目。近年來公私合作投資和經營的PPP項目在國內外已經開展，主要是減輕政府財政壓力、提高運作效率、分散風險等，PPP項目越來越受到社會重視，具有積極意義[ 1 ]。然而，建設過程中，參與主體多、項目成本高、建設周期長的特點也使得其面臨的風險因素多而雜，因此，能否準確定位風險因素并對其進行精準評價關乎PPP項目的成功與失敗。

二、文獻綜述

國外對PPP項目風險評價方法的研究起步較早，也較為成熟。Cheng J H（2001）[ 2 ]建立了基于德爾菲法、模糊數學方法以及AHP法的風險評價模型，將其用于選擇臺灣地區BOT交通項目的融資模式；Thomasctal（2006）[ 3 ]提出了運用故障樹法和德爾菲法的PPP項目風險評估方法框架。

國內學者對PPP基礎設施項目風險評價方法的研究始于21世紀初，陳敬武等（2006）[ 4 ]采用模糊綜合評價方法，使PPP項目的風險評價更加有效；張瑋、張衛東（2012）[ 5 ]利用網絡層次分析法（ANP）對主要風險因素進行分析評價；賈麗麗等（2014）[ 6 ]采用熵權法對風險因素賦權后運用灰色關聯理論進行風險評價，以確定各風險承擔主體。

縱觀現有文獻，國內外學者對PPP項目風險評價的研究多是從案例研究、統計分析及建立評價方法的角度來展開的，且對PPP項目的風險評價所用方法多集中于層次分析法、模糊綜合評價法、灰色關聯法等，這些方法適用于指標較少、指標間信息獨立的情況。本文將統計學領域的主成分分析法和預測領域的BP神經網絡進行結合，對PPP項目的風險因素進行評價分析，以期為我國PPP基礎設施項目風險管理提供新思路。

三、PPP基礎設施項目風險評價指標的確定

本文采用歷史數據法即廣泛查閱國內外相關文獻及書籍并對其所涉及的PPP基礎設施項目風險因素進行整理，同時綜合考慮項目風險的來源及風險作用的影響范圍，將PPP基礎設施項目風險影響指標劃分為7個一級指標和36個二級指標，據此建立PPP基礎設施項目風險評價指標體系（如表1所示）。

四、PPP基礎設施項目風險評價方法的建構

本文將主成分分析法和BP神經網絡相結合，提出了PPP基礎設施項目風險評價方法。該方法具體實施過程如圖1。

五、PPP基礎設施項目風險評價方法的實證

（一）數據樣本獲取

本文選擇山西省擬建的16個PPP基礎設施項目，通過收集項目信息并進行相關問卷調查，請工程建設領域的10位專家分別對16個項目的36個二級風險指標進行評分（本次評估按照風險可能性很大、比較大、中等、不大、較小五個等級，分別在8—10、6—8、4—6、2—4和0—2區間打分），并取10位專家的平均分作為各風險指標分值。具體評分結果見表2。

（二）主成分分析法對指標降維

主成分分析法是從變量間的相關關系出發，將多個變量（或指標）綜合成少數幾個變量（或指標）的方法[ 7 ]。根據主成分分析法降維步驟，本文采用SPSS軟件對表2的原始數據進行分析，最終獲得的方差表及成分矩陣表如表3、表4。

同理可得另外五個主成分的表達式。為了取消各維數據間的數量級差別，避免因為輸入輸出數據數量級差別較大而造成網絡預測誤差較大，可利用最大最小法并通過MATLAB算法實現（見表5）。其中，xmin為數據序列中的最小數；xmax為數據序列中的最大數。

（三）BP神經網絡的訓練與測試

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡類型之一[ 8 ]。本文采用單隱層的BP神經網絡進行風險評價，由于經過主成分分析后的輸入樣本為11維的向量，因此輸入層共有11個神經元。根據經驗公式及試湊法，確定中間層有23個神經元。本文在對風險進行評價時，考慮了風險很大、比較大、中等、不大、較小五種可能，故而將網絡輸出設置為5維的輸出數據（具體見表6），因此，輸出層共有5個神經元。據此建立11×23×5的BP神經網絡結構。

按照BP神經網絡的一般設計原則，將中間層神經元的傳遞函數設為S型正切函數。由于輸出已被歸一化到[0，1]區間，故將輸出層神經元的傳遞函數設定為S型對數函數。網絡所用的訓練算法為可變學習速率的梯度下降算法，對應函數為traingda。并設定：訓練學習率為0.05，訓練動量因子為0.9，訓練步數為 1 000次，訓練目標差為1e-5。

本文選擇前14個項目為訓練樣本，訓練過程中，網絡經過243次迭代就完成訓練。為測試網絡效果，將15—16項目數據輸入，結果表明：項目15—16的風險等級分別為：中等，不大。該結果同專家打分結果一致，說明該網絡可以很好地進行風險評價。

為了進一步說明經過主成分分析后的方法較單一BP神經網絡更加有效，本文將原始數據歸一化后，建立了36×16×5的BP神經網絡結構，并采用相同的訓練次數和訓練目標差對該網絡進行訓練，之后再對15—16項目進行網絡預測。表7展示了測試過程中采用PCA-BP神經網絡和單一BP神經網絡的誤差對比。

實驗結果表明：PCA-BP神經網絡方法是一種高效的PPP項目風險評價方法，且其優于單一BP神經網絡評價方法。在收斂速度方面，PCA-BP要經過4秒共354次收斂，而單一BP神經網絡要經過54秒共1 853次收斂；在精確度方面，PCA-BP方法的誤差保持在2%以下，而單一BP神經網絡預測則誤差幅度較大。

六、結論

本文運用主成分分析和BP神經網絡組合的方法來進行PPP項目風險評價，研究表明：該方法較單一BP神經網絡風險評價方法更為有效，原因在于：（1）利用主成分分析法篩選出相互獨立且包含眾多信息的新指標作為BP神經網絡的輸入端；（2）區別于已有文獻，本文將SPSS運算后得出的成分矩陣的每一列除以相應成分的特征值的平方根作為主成分的系數；（3）將神經網絡預測目標設定為5維向量，使得評價結果更加接近實際。

當然，本文還有一些不足之處。首先，中間層神經元個數的選擇具有一定的主觀性；其次，本文只選取了山西省擬建的16個PPP基礎設施項目，樣本數量受到了限制。以上問題是未來工作時需重點考慮的，同時也為接下來的進一步研究提供了思路。

【參考文獻】

[1] 朱向東，肖翔，征娜.基于三方博弈模型的軌道交通PPP項目風險分擔研究[J].河北工業大學學報，2013（2）：97-101.

[2] CHENG J H. A view of public and private sectors for Taiwan's BOT transportation project financing using fuzzy multi-criteria methods[J].Proceedings of the 10th IEEE International Conference on Fuzzy Systems. Australia，The University of Melbourne，2001，12（2）： 356-359.

[3] THOMAS A V， SATYANARAYANA N.Kalidindi，modeling and assessment of critical risks in BOT road projects[J].Construction Management and Economics， 2006，24（4）：407-424.

[4] 陳敬武，袁志學，黃耕，等.PPP項目風險的模糊綜合評價方法研究[J].河北工業大學學報，2006（5）：46-50.

[5] 張瑋，張衛東.基于網絡層次分析法（ANP）的PPP項目風險評價研究[J].項目管理技術，2012（10）：84-88.

[6] 賈麗麗，和鑫，王輝.城市軌道交通PPP融資模式風險評價研究[J].石家莊鐵道大學學報（社會科學版），2013（4）：29-33.

[7] 李洪成，姜宏華.SPSS數據分析教程[M].北京：人民郵電出版社，2012.

[8] 周品.MATLAB神經網絡設計與應用[M].北京：清華大學出版社，2013.