基于BP神經網絡的機場類工程前期風險評估方法研究

摘 要：本文從工程項目風險分析理論和方法入手，結合機場類項目的特點，通過查閱國內外大量資料，綜合前人研究成果，建立了風險評估指標體系，并構建了基于BP神經網絡的機場類項目前期風險評估模型。希望能借此提出一種理解和分析該問題的思路和基本方法。

關鍵詞：項目前期風險 風險評估 BP神經網絡

一、引言

工程項目前期工作在整個項目進行中占據著十分重要的地位。現有數據表明，工程項目的前期工作在很大程度上影響甚至決定著工程的造價以及工期。據美國建筑業研究所的研究表明，工程項目前期工作對項目投資的影響程度達到了70%-90%。而機場類項目普遍來說都是大型項目，在前期就涉及到的問題不勝枚舉。從機場類項目的特性來說，其投資極大、時間跨度極長，風險產生的損失大，因此，如果能夠在項目前期就對風險進行評估，并用科學系統的方法對風險因素進行評價，將有助于各參與方及早了解情況并做出有效的決策，控制風險。然而對機場類工程風險，尤其是前期風險的評估方法還較少，成為了一個遺留問題。因此，本文將以國內工程風險的現狀出發，借鑒國內外有關的研究方法和途徑，綜合前人研究成果，用BP神經網絡這一工具，以虹橋機場T1航站樓改造為例，對機場類工程前期風險進行評估，希望能夠為解決這個問題添磚加瓦。

二、已有研究回顧與總結

在本文中，風險是指人們從事某項活動時，在一定時間內給人類帶來的危害。這種危害不僅和事件發生的概率有關，還取決于事件發生后說造成的后果。所以風險可以由該函數表示：，其中P表示風險事件發生的概率大小，C表示風險事件引起的損失程度。由于概率大小和損失程度這兩者的關系極為復雜，所以他們相互作用之后產生的風險表現也呈現出多樣性和復雜性，利用該函數來度量風險大小顯然不能達到有效的效果。機場類項目因為工程建設時間久、周期長，施工工藝技術含量高，再加上現代科技的急速變化和國內外政治經濟環境的變化，在建設過程面臨的風險也日益增多，大量風險因素之間的內部關系也十分復雜，與外界交叉影響也很大。

BP神經網絡作為人工智能領域的前沿技術，具有堅實的理論依據，嚴謹的推導過程，清晰的算法流程。相對于其他常見的風險評估方法，神經網絡通用性更強，在數據預測和數據分類方面應用效果顯著，并且接受非線性數據、容許噪聲、容許數據遺漏，BP神經網絡成為應用最為廣泛的人工神經網絡。而在國內外的風險評估，特別是工程風險評估預測領域中，BP神經網絡逐漸開始獲得學者的關注和應用。白明洲等人研究了隧道巖爆發生的條件，應用人工神經網絡建立風險評價模型，最后將模型成功應用于案例。張云寧和胡岑岑將BP神經網絡運用于地鐵工程項目風險評價，建立了高效的評價體系。楊俊輝和程銀俠成功構建了BP網絡模型來應用于工程項目風險評價之中，并且用實例驗證了BP神經網絡模型在工程風險評估中的可行性。

三、建立評估模型

1.機場類項目前期風險評估指標體系建立。為了吸收各種方法的優點，使得構建的指標體系更為合理，本文說提出的機場類項目前期風險評估指標體系是根據上面得出的設計指標體系時應遵循的原則，在理論分析、系統分析的基礎上，將國內外文獻作為參考對象，以一般項目的評估指標為基準，再加以改進，剔除那些在機場類項目影響微弱、作用不大的因素，然后研究主要因素之間的相互關系，得到更為符合機場類項目前期風險的風險評估指標體系。最后將以下風險因素作為起決定性作用的指標因素：

1.1宏觀風險。任何一個機場類項目總是在一定的政策環境下進行的，因此宏觀風險對項目的影響也是顯而易見的。這類風險有以下特征：不可控制性、危害大、發生概率小。

1.2金融風險。機場類項目投資巨大，新建機場需要耗費數百億，改擴建機場也動輒上億。由于在資金具有很大的時間價值，如果在資金投入之后金融市場出現意外的波動，就會導致企業大量資金的損失，給企業帶來巨大的風險。

1.3土地風險。盡管機場類項目的土地通常而言都是劃撥土地，比起協議、招標和拍賣所獲得的土地風險已經少了很多，但是在工程前期這仍然是一個很重要的問題。

1.4勘察設計風險。勘察設計風險是指在勘察設計階段的某些環節中，由于操作者自身專業技能、職業道德水平的限制以及和相關部門的合作溝通出現的障礙所造成的風險。

1.5建設準備風險。建設準備是為擬建工程的施工建立必要的技術和物質條件，統籌安排施工現場，對擬建工程目標、資源供應等進行決策，對施工監理進行招標，并處理好與外部其他單位比如空管、市政等相關部門的關系。

通過以上的分析，得出了如圖3-1所示的完整的機場類工程前期風險評估指標體系。

2.BP神經網絡理論模型構建。具有偏差和至少一個S型隱含層加上一個線性輸出層的網絡能夠逼近任何有理函數。增加層數主要可以更進一步降低誤差，提高輸出的進度，但是這樣使得網絡更加復雜，訓練起來所花的時間也相應增加。誤差精度的提高還可以通過增加隱含層中的神經元數量來達成。對于單隱含層的BP神經網絡來說，當隱含層神經元數量達到一定程度后，就可以以任意精度逼近任意一個具有有限間斷點的非線性函數，而且訓練效果也更加容易調整。因此，三層BP神經網絡模型，也就是本文所計劃采用的神經網絡模型是目前最具代表性和應用最為廣泛的一種網絡。前向三層BP神經網絡需要一個訓練集和一個檢測其訓練效果的測試集。訓練集和測試集從理論上應該源于同一對象的由輸入-輸出構成的幾何。其中訓練集用于訓練網絡以達到指定的要求，而測試集是用來評價已經訓練好的網絡的性能。

四、案例項目風險分析

1.案例項目概況。上海機場方面預計到2020年，上海浦東、虹橋兩大機場的年旅客吞吐量將達1.1至1.2億人次，進入全球城市航空客運量排名前三。貨運量在2020年也將達到470萬噸，繼續鞏固當前國際地位。所以為了滿足不斷增長的旅客需求以及提高旅客的滿意度，設施設備陳舊、硬件條件不足、僅保障少數航班的虹橋機場T1航站樓在2014年底啟動改造，預計在2017年底完工。

2.傳統定性分析方法。定性分析方法是憑借相關人員的洞察力和分析能力，并且依靠自己的經驗和知識、專家意見、邏輯判斷能力等進行風險分析和判斷的一類方法，本文主要使用調查和專家打分法。

調查和專家打分法相對來說是一種較為簡單和常見，并且易于應用的方法，具體實施流程如下：①分析識別出項目可能遇到的風險，在此基礎上列出相應的風險調查圖（圖4-1）；②憑借專家經驗，對影響項目各項風險的重要程度進行評價，確定各類風險因素的權重；③確定各類風險因素的等級值，本案例中按照風險很小、較小、中等、較大、很大五個等級，五個風險等級分別對應于專家打分的五個區間內的數值（0，0.2），（0.2，0.4），（0.4，0.6），（0.6，0.8），（0.8，1.0）；④將得到的相應等級值乘以確定好的權重，得出一項風險因素分值，再將各項風險因素得分累加，來表示項目的風險，分值越高風險越大。

通過評分表的方式向八位專家調查打分，通過分析之后，得到該項目的評估指標體系中各個指標的概率值，見表5-1。

結合專家給出的各項風險的權重表（表5-2），分析計算之后得出上海虹橋T1航站樓改造工程前期風險的風險分值為0.4427。

3.BP神經網絡模型的確定。前人研究與應用表明，合理確定網絡層數量與各層的神經元數量，是成功應用BP神經網絡模型的關鍵之一。如前文所述，采用兩層以上的隱含層并沒有任何益處，所以本模型采用單層隱含層。

3.1輸入節點的確定：根據前文建立的指標體系，將B1-B11共11個風險因素作為BP模型的輸入節點。由于本模型是應用于項目決策前期，所以建立指標體系所考慮的因素均為定性因素，在輸入節點之前，已經在前文通過專家打分將指標量化，以便于網絡模型的應用。

3.2隱含層節點的確定。為了使隱含層節點數更合適，可以通過誤判率的大小確定。根據測試，本模型隱含層節點選取為5個。

3.3輸出節點的確定：輸出節點的選擇對應于評價結果，為此需要確定期望輸出。在神經網絡的學習訓練階段，樣本的期望輸出值應是已知量。由此，本文建立的BP神經網絡分析模型配置為11*5*1（即11個輸入神經元，5個隱含層神經元，1個輸出神經元）。

4.BP神經網絡模型的初始訓練。由于數據的局限性和保密性，本文無法對該模型進行足夠的訓練，也無法進行檢測和應用，只能通過上海虹橋T1航站樓改造項目對該模型進行一次初始訓練。將已經得到的一組指標值作為輸入節點，與之對應的由專家組打分確定的風險等級矩陣作為期望輸出，利用matlab編寫網絡仿真程序，創建網絡進行訓練。訓練之后得出訓練輸出（表5-4），訓練結果如圖5-1，圖5-2。

五、結語

由于機場類項目建設時間長占地面積廣資金投入大，而工程前期其內部諸多因素之間以及與外界環境的相互影響錯綜復雜，使其面臨的風險日益增多。本文從工程項目風險分析理論和方法入手，結合機場類項目的特點，通過查閱國內外大量資料，建立了風險評估指標體系，并構建了基于BP神經網絡的機場類項目前期風險評估模型。本文具體的結論有以下幾點：

1.深入探討了機場類項目分析的理論和方法，提出了將人工神經網絡運用于機場類項目前期風險中。

2.按照風險識別理論和方法，分析了機場類項目建設前期的風險因素，并構建了機場類項目前期風險評估指標體系。

3.建立了一個基于BP神經網絡的機場類項目前期風險評估模型，但還需要更多的數據對其進行訓練、檢測和運用。

由于機場類項目前期風險本身的復雜性，本文所提出的方法不可能成為解決此問題的固定模式，而只能提供一個理解和分析該問題的思路和基本辦法。為了完善機場類項目前期風險評估的研究，并服務于實踐，還需進一步的努力。

參考文獻：

[1][美]Williams C A， Heine R M. Risk Management and Insurance[M]， New York， Me Gram-Hill， 1999.

[2]張中凱. 民用機場建設項目集成管理研究[D].東北石油大學，2012.

[3]白明洲，王連俊，許兆義. 巖爆危險性預測的神經網絡模型及應用研究[J]. 中國安全科學學報，2002，04：68-72.

[4]張云寧，胡岑岑. BP神經網絡在地鐵工程項目風險評價中的應用[J]. 電子測試，2013，12：237-238.

[5]楊俊輝，程銀俠. 基于BP神經網絡的工程項目風險評價[J]. 西安郵電學院學報，2011，01：115-118.

[6]Hopfield J J. Neural networks and physical systems with emergent collective computational abilities.[J]. PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES OF THE UNITED STATES OF AMERICA，1982，798：.