BP神經網絡在石油項目經濟效益綜合評價中的應用

茅茜茜

摘要：石油項目在決定投資開發前會有相關人員對其進行項目申報，提供相關項目的經濟數據，再由決策者提供數據進行專業分析，判斷該項目是否可行。將BP神經網絡應用于石油項目前期經濟評價，介紹了BP神經網絡原理，用于BP神經網絡的石油項目經濟指標的選擇，將BP神經網絡用于石油項目經濟評價的過程。為了提高精度，選擇標記訓練樣本對BP神經網絡訓練。大量模擬實驗結果表明，該方法對石油項目方案的評價是有效的，并在性能方面比傳統方案更方便和準確。

關鍵詞：BP神經網絡；經濟評價；石油項目；經濟預測

中圖分類號： TP319

文獻標識碼： A

文章編號： 16727800（2017）004014503

0引言 在石油項目前期評估中，需判斷其可行性并對項目經濟效益進行評價。人工神經網絡 （Artificial Neural Network，ANN）[13] 利用大量非線性并行處理關系模擬眾多神經網絡，通過自學習找出輸入值與輸出值之間的關系，能輕松處理非線性問題，是一種基于黑箱原理的處理系統。針對傳統經濟評價決策方法中存在的問題，將神經網絡應用到石油經濟評價中。將多個石油項目的經濟評價指標作為ANN的輸入值，通過相應訓練樣本的學習，使基于人工神經網絡的石油經濟評價系統更接近人類思維模式，對項目作出更合理的決策。1BP神經網絡 反向傳播（Back Propagation，BP）神經網絡是一個多層前饋神經網絡[45]，是當前應用較多且較為成熟的神經網絡模型之一，其基本網絡包含3層：輸入層、隱含層和輸出層，隱藏層可以是單層或多層。典型的BP網絡結構如圖1所示，為一個單隱層BP神經網絡結構，學習過程由正向傳播信號和反向傳播誤差組成，輸入信號由輸入層向前傳播經過激發函數作用由隱藏節點傳到輸出節點，如果輸出層輸出數值與期望不符，則將誤差作為調整信號按照原路逐層反向傳播，并對連接各層神經元之間的權重和閾值進行調整，逐漸縮小誤差值，直至誤差小于一個可接受的范圍方停止學習。同時，也是一個監督學習，因為每個訓練樣本都帶有標簽，這些訓練樣本預先確定了經過BP網絡訓練后的輸出值。經過多次學習，就能將該神經網絡逼近某個函數，這個訓練好的網絡就能用于評價預測，學習過程其實就是將n維映射成m維，為了獲得正確的映射需要經過反復學習即調整相關參數（權重和閾值）。

2石油項目經濟評價指標體系構建2.1石油投資經濟效益指標 對于石油項目的經濟效益評價，可借助經濟指標反映石油項目在未來項目壽命期內的經濟效益。鑒于石油項目的復雜性，單一的評價指標無法對項目作出全面的評價。根據文獻[6]-[7]選擇采用多個相互聯系且相對獨立的評價指標，如圖2所示，包括：凈現值、費用現值、凈現值指數、投資收益率、內部收益率和動態投資回收期。

一個項目首先要判斷是否可行，主要考慮凈現值（NPV），NPV表示現金流入與流出的差額，當NPV≥0時表示項目可行，此時項目到達或超過基準收益率標準，能給投資者帶來利潤，否則項目不可行，會損壞投資者價值。而在多個項目方案比較選擇中，一般凈現值最大的項目是最佳項目。凈現值指數指標對于項目評價的準則與凈現值一樣，這個指標是凈現值與凈投資現值的比值，比起凈現值還考慮到最初投資額的大小。投資收益率是一個靜態指標，是指單位投資可獲得的利潤，值越大越好，當它的值超過標準投資收益率時意味著該項目可行。內部收益率是指當凈現值為零時的貼現率，即在整個項目壽命期內，現金流入剛好完全抵補現金流出，是項目經濟評價重要指標之一。費用現值是指在項目壽命期內只考慮現金流出，也就是費用支出，包含總投資和成本費用，代表成本的值肯定越小越好。投資回收期是指項目的累計凈現值抵補全部投資的返本年限，即累計利潤達到零的時間期限，只是一個輔助性指標，選用動態投資回收期這一指標，是因為比起靜態回收期，此標準考慮到資金的時間價值。2.2石油經濟評價指標計算模型 上述指標經過下列計算模型計算后，可作為人工神經網絡輸入層的輸入數據，計算模型參考文獻[8]，具體如下：

3石油項目前期經濟效益評價3.1石油項目經濟評價指標歸一化將上述6個石油項目的經濟評價指標作為BP神經網絡的輸入數據，這些數據具有不可共度性，也就是說衡量這些數值的單位不相同，有些是百分數，有些以時間為單位，無法進行比較。石油項目中關于項目費用和盈利的指標的數值是非常大的，這會導致BP神經網絡學習緩慢，收斂慢，有時數值太大，經神經網絡作用后，偏差也會很大；而且對于神經網絡中所應用的激活函數來說，有些函數是有值域的，數據太大或太小都會影響網絡學習效果。為了解決這些問題，一般在訓練樣本數據前要對數據進行預處理，進行歸一化后的數據收斂性更強，參考文獻[9]～[11]采用最值法作為數據歸一化方法。但是費用現值和動態投資回收期的值對于石油項目來說越小越好，而剩下4個指標體現石油項目收益，這些指標值越大越好，因此對上述分成收益型指標和成本型指標兩類數據歸一化，費用現值和動態投資回收期為成本型指標，其余皆為效益型指標。假設有n個訓練樣本，每個訓練樣本含6個指標數值，按以下公式將每個樣本的6個指標進行數據歸一化，限制在[0，1]區間內。 （1）收益型指標，包括凈現值、凈現值指數、投資收益率和內部收益率。

式中yij和xij分別表示第i組訓練樣本的第j個指標歸一化后和歸一化前的數值，而ximax和ximin分別表示第i組訓練樣本中的最大和最小值。3.2BP人工神經網絡設計對于石油項目經濟效益評價問題，就是利用BP人工神經網絡將其轉換為6個項目經濟評價指標與最終評價值之間的非線性映射。實驗選用三層BP神經網絡，輸入層節點數為6個，對應6個石油項目經濟評價指標。激活函數選用單極性Sigmoid函數（雙曲線正切函數），公式如下：

對于隱藏層節點數確定，最常用的方法是試湊法[1213]，以公式（3）、（4）來設置較多的隱節點，對于每個隱節點數進行一次BP網絡的訓練，通過比較每次訓練誤差的大小，選定誤差最小的作為該BP網絡的隱藏層節點個數。

其中，m表示隱藏層節點個數，n表示輸入層節點個數，l表示輸出層節點個數，α取1～10之間的常數，此處設計的BP網絡層是6個輸入節點，1個輸出節點，根據取值范圍，隱藏層節點數取值范圍是4～13。根據最終項目評價結果為可行與不可行來分為兩類，對于BP神經網絡，可行項目期望輸出值為1，不可行項目期望輸出值為0.5，如表1所示的部分訓練樣本。將大量的石油項目相關數據通過BP網絡訓練，得出該BP網絡隱藏層節點數為9個。

3.3石油項目前期經濟效益評價過程 如圖3所示，用戶可以創建石油項目，錄入最初的原始數據，比如相關基礎數據、成本費用、營業稅金及附加、融資方案等。提交該項目后，生成財務報表，初步反映該石油項目在項目壽命期內的經濟情況。根據初步計算進行不確定性分析，以盈虧平衡分析和敏感性分析為主，以表格和圖像的形式呈現投資項目的風險和不確定性，提高投資決策的可靠性。利用計算模型計算BP神經網絡的輸入數據，經過神經網絡學習能力對石油項目進行終極評價，為最終審核提供可靠的建議。3.4實驗結果與分析 通過石油項目經濟評價系統獲取不同項目的經濟效益評價數據，將經過歸一化后的數據作為訓練好的BP神經網絡輸入端。如圖4所示，通過樣本訓練后，所有輸出期望值都圍繞在0.5和1附近，輸出值output=0.5時，代表該石油項目是不可行的，輸出值output=1，代表該石油項目是可行的。

為了驗證此BP神經網絡對于石油項目經濟效益評價預測的準確性，將表2中有代表性的測試數據通過神經網〖HJ*3〗絡預測獲得最終的期望值輸出。第一個石油項目凈現值大于0，成本低，投資回收期短，投資回報率高，是一個非常好的投資項目，與其輸出值含義相符合。相反，第二個項目凈現值小于0，收益率低，完全符合輸出值0.5，是一個不可行項目。項目3雖然凈現值大于0，不會虧本，但是投資大，資本回收期長，并且回報率低，這并不是一個好的項目，故該系統判定為不可行項目。

4結語 本文通過模擬實驗驗證將BP神經網絡應用于石油項目經濟評價的有效性，克服傳統評價的缺陷和局限性。

結果表明經過大量真實數據訓練的神經網絡能更準確地為用戶提供基于項目數據的判斷，能準確描述代表石油項目經濟效益的6個指標與項目可行性之間的非線性關系。當然BP神經網絡也有其缺陷，對于隱藏層數及其節點數的確認并沒有完整的理論指導，后期將引入深度學習對其進行經濟效益預測，以使預測更加精確。

參考文獻：[1]蔡自興，徐光祐.人工智能極其應用[M].第四版.北京：清華大學出版社，2011.

[2]C M BISHOP.Neural network and theirapplications[J].Revi.Scie.Instr，1994（156）：18031832.

[3]胡金濱，唐旭清.人工神經網絡的BP算法及其應用[J].信息技術，2004 （4）：14.

[4]L K HANSEN，P SALAMON.Neural network ensembles[J].IEEE trans pattern analysis and machine intelligence，1990（12）：9931001.

[5]WANG P，ZHAO T，FAN Y，et al.Study of Chinese farmers income forecast model based on BP neural network[J].Computer and Applications，2014（56）：508511.

[6]董蔚凱，單守會.未開發石油儲量評價及經濟分類方法[J].石油與天然氣地質，1993，14（3）：251256.

[7]李敏杰.海外石油投資經理評價指標淺析[J].西安財經學院學報，2007，20（1）：7619.

[8]游達明，劉亞錚.技術經濟與項目經濟評價[M].北京：清華大學出版社，2009：6290.

[9]Q SONG，Q JIANG，Z SONG.Economic evaluation of CO2EOR industry chain in refineries[J].Shiyou Xuebao Shiyou Jiagong/acta Petrolei Sinica，2015.

[10]L XIAOKE.Analysis of the misunderstanding in investment project economic appraisal theory[C].Business Management and Electronic Information （BMEI），2011：196198.

[11]楊偉，倪黔東，吳軍基.BP神經網絡權值初始值與收斂性問題研究[J].電力系統及自動化學報，2002，14（1）：2022.

[12]趙峰.基于神經網絡的項目投資風險評價[J].建筑經濟，2006，10（288）：6264.

[13]K SHINIKE.A two phase method for determining the number of neurons in the hidden layer of a 3layer neural network[C].SICE Annual Conference，2010：238242.

（責任編輯：陳福時）