基于結構優化BP神經網絡的鐵路“走出去”目標國宏觀風險評估模型研究

金 晶， 朱 亮， 李宗昊， 童心豪，楊長衛

(1. 中國鐵道科學研究院,北京 100081;2.中國鐵路總公司 科技和信息化部，北京 100084；3.西南交通大學土木工程學院，四川成都 610031)

中國鐵路技術具有技術先進、安全可靠、兼容性強的優勢，是吸引“一帶一路”沿線國家參與的熱點領域，中國鐵路實施“走出去”戰略是踐行“一帶一路”倡議的必然選擇。但是，由于“一帶一路”涉及國家多，各國國情和需求各不相同，需要因國施策。同時，鐵路項目投資大、建設周期長、涉及環節多，潛伏各類風險因素復雜，亟需分國別評估鐵路項目“走出去”宏觀風險，為鐵路“走出去”風險規避與控制提供決策支持。

傳統的風險評估方法不能滿足目前復雜的情況，因此，尋求一種適用于海外鐵路投資建設風險評估的新方法具有重要意義。

目前針對鐵路“走出去”目標國宏觀風險的評估主要基于專家打分的方法。然而，專家打分比選受控于專家的技術水平、個人情感及不同專家群體等人為因素的影響，具有較大的隨機性。基于此，本文對海外鐵路投資建設項目風險評估指標體系進行構建，提出基于隨機重連BP神經網絡模型的評估方法，并通過實例驗證此模型可用于對海外鐵路項目進行投資建設的宏觀風險評估。

1 改進的BP神經網絡模型

1.1 BP神經網絡介紹

人工神經網絡是一種基于人腦所建立的模型[1]，其擁有由數量巨大的神經元所組成的神經元系統，有大規模并行、分布式處理、自組織、自學習等優點[2-4]。其中，多層前向BP網絡是目前應用最多的一種神經網絡形式[5],具備自學習和自適應能力、非線性映射能力、容錯率高等優點。許多用傳統信息處理方法無法解決的問題采用神經網絡后取得了良好的效果[6-9]。

1.2 改進的BP神經網絡模型

本文在典型 3層前饋型 BP網絡模型(1個輸入層、1個輸出層和1個隱藏層，如圖1所示)的基礎上，對隱藏層與輸入層和輸出層之間的連接方式作出改進(本文輸出層只有一個輸出單元)，如圖2所示。

圖1 典型3層BP網絡流程圖

圖2 隨機連接BP網絡流程圖

圖中：xi(i=1，…，n)代表輸入變量；vji為輸入層與隱藏層之間系統隨機的權值；wij為隱藏層與輸出層神經元之間系統隨機的權值；y為整體輸出變量。

典型的BP網絡模型中，輸入層與隱藏層、隱藏層與輸出層之間采用全連接，但是其精度與效率存在一定的缺陷。本文基于此模型，提出一種變結構BP神經網絡模型，即輸入層和輸出層與隱藏層之間并不完全連接，取G=5(G為每個輸入神經元或輸出神經元相連接的隱藏層神經元的個數)，稱為隨機連接BP神經網絡，將有效提高運算的精度與效率[10]，具體過程如下。

設vji是輸入層與隱藏層之間系統隨機的權值；wij是隱藏層與輸出層神經元之間系統隨機的權值；隱藏層第j節點的閾值為θj；輸出層第k節點的閾值為θk,任一節點的輸出以O表示，輸入用Q表示。在輸入層，輸入節點僅將輸入信息通過激活函數f(u)的作用傳播到隱藏層節點上。對于隱藏層第j個節點 ,其輸入和輸出分別為

( 1 )

( 2 )

節點作用的激活函數f(u)采用Sigmoid型,其表達式為

( 3 )

對于輸出層第k個節點,其輸入和輸出分別為

( 4 )

( 5 )

上述過程為BP神經網絡訓練過程中的正向傳播過程，本文采用的正向計算過程與典型的BP網絡[11]相同，權值與閾值的調整過程如下。

在訓練學習過程中，對于隱藏層與輸出層之間的權值，有：

(1)按順序計算每個與輸出層相連的隱藏層神經元j∈[0,G]。

(2)令ξ1∈[0,1]為一隨機數。

(4)令新的隱藏層神經元為g，但g≠J，即新的隱藏層神經元與原相連的G個隱藏層神經元不重合。

(5)令ξ2∈[0,1]為一隨機數。

(7)激活的隱藏層神經元與輸入層和輸出層的連接權值迭代方程為

( 6 )

δkp=(dk-Okp)Okp(1-Okp)

( 7 )

(8)當E≤ε，訓練學習過程結束；否則n=n+1，轉回(1)。

變結構BP神經網絡流程如圖3所示。

圖3 BP神經網絡計算流程

2 鐵路“走出去”目標國宏觀風險評價方法

2.1 評價指標體系

在遵循科學性、系統性、代表性、可行性和可操作性原則的基礎上，綜合海外國家的實際情況與鐵路建設影響因素，根據多名具有海外項目實操經驗的鐵路勘察、設計、建設及投資領域專家意見，研究建立目標國宏觀風險評價指標體系，如圖4所示。

通過對已有的海外鐵路建設項目案例資料分析，總結出中國鐵路“走出去”建設項目面臨的風險因素主要為以下幾個方面：

(1)經濟方面的風險。此風險是根據目標國整體的經濟水平與經濟前景所分析出來的風險，如總GPD、人均GDP等，經濟是貫穿整個鐵路建設項目的關鍵，在一定程度上影響著一國的償付意愿和能力。

(2)人口方面的風險。此風險是根據目標國人口的總體生活質量所分析出來的風險，如平均壽命、出生率、死亡率等，在一定程度上反映了本國人民生活水平的高低，決定了該國的發展前景以及勞動力的價格。

(3)交通方面的風險。此風險是根據目標國當前國內整體的交通水平所分析出來的風險，如交通服務率等，在一定程度上反映了本國目前交通行業發展狀況。

(4)政治方面的風險。此風險是根據目標國當前國內的政策法規等情況所分析出來的風險，諸如法治能力、政治穩定性等。政治壁壘是中國鐵路企業在“走出去”過程中首先遇到的非經濟因素的巨大阻礙，目前中亞及中東地區政治局勢不穩定，一旦發生意外，將對整個項目造成巨大損失，甚至人員傷亡。

圖4 鐵路“走出去”目標國宏觀風險評價指標體系

2.2 BP神經網絡模型的建立

根據鐵路“走出去”目標國宏觀風險評價指標體系(圖4)，可以建立典型的3層BP神經網絡，其中將17項風險作為輸入層17個單元，輸出層神經元數量為1，隱藏層通過公式為

式中：m為隱藏層神經元數；n為輸入層神經元數；l為輸出層神經元數；a為0～5的任意常數，本文a取為5。

2.3 綜合評價

在影響鐵路投資建設的目標國宏觀風險評價指標的17個指標中，每種指標之間并無直接聯系，且量綱差異很大。因此，在建立神經網絡模型之前，要對數據進行歸一化處理，即把所有數據經過處理后，限制在一定范圍內[12-13]，而本案例采用專家評分的方法進行分類處理，評分時經過專家充分審核，具體結果見表1。

表1 專家對于風險的評分情況

輸入層17個單元根據表1的風險分級得到的數據，通過隱藏層的不斷擬合，最終得到輸出層的1個神經元輸出，該輸出為1個取值范圍為[0，1]的代數值，該值屬于表1的分類，即數值越大，該項目的風險越低，反之，數值越低，風險越高。本文采用NO.1代表國家1，以此類推。

BP神經網絡對項目風險的評價，是通過一定數量的已知樣本，對網絡進行訓練，將17個輸入數據通過網絡不斷的迭代計算，最終達到目標值，即得到了一個理想的神經網絡模型。訓練網絡的樣本集應是可信度高的權威性評價結果，可以通過專家對部分海外修建鐵路的實際工程的結果得到。將訓練的模型儲存起來，對需要預測的項目進行風險預測，只要輸入相應的風險評估值，此神經網絡系統就可以通過之前學習算出的權值和閾值，計算出此項目的綜合風險評價值，并將輸出層作為網絡結果輸出，即可得到最終評價結果。

3 模型的實例應用

綜合上述BP神經網絡模型與風險評價體系，對“一帶一路”沿線32個國家宏觀風險進行評價。基于專家經驗法對每個國家的17個風險進行評估，再綜合這17項得分，對每個國家修建鐵路的風險進行評估，結果見表2。選取前18個國家的數據作為訓練樣本集，采用TRAINDX學習函數，調整訓練參數直到滿足訓練集的誤差要求，應用MATLAB軟件神經網絡工具箱訓練前18組數據，訓練結果見表3。

表2 鐵路“走出去”32個目標國宏觀風險評價指標體系

表2(續)

表3 BP神經網絡對前18個國家鐵路修建風險的訓練結果

表4 BP神經網絡對后14個國家鐵路修建風險的預測結果

從表3可以看出，前18組訓練數據的平均相對誤差為2.5%，訓練樣本的最大誤差為4.9%，可以判斷該神經網絡模型學習效果較好，滿足項目的精度需求。該模型經過訓練已經將數據之間的非線性函數關系存儲到系統之中，故可以將后14組數據作為模型的預測值代入模型進行預測，將預測結果和專家評估值進行比對，結果見表4。

從表4可以看出，預測數據集的平均相對誤差為2.76%，預測集的最大相對誤差為4.9%，說明該神經網絡模型可達到項目所需求的精度，能夠用于該類項目風險評估。

4 結束語

通過本文所創建的神經網絡模型，在鐵路“走出去”目標國宏觀風險評價中，只需專家給出目標國各個風險的評分，就可以得出目標國的總體建設風險評分，無需再進行繁瑣的人工評分，能夠從宏觀層面為國家鐵路“走出去”提供支撐，且能夠實時跟蹤不同影響因素的變化軌跡及其對整體風險的影響程度。

由于本項目中的各個影響因素之間關系復雜，并不能直觀用一個線性表達式來進行風險預測，故選擇采用BP神經網絡對數據進行非線性處理，得到風險評估量化值。BP神經網絡對于一組非線性的數據，不需要相對應的函數方程，僅通過自身的訓練，不斷迭代出相應的結果，得到一個滿足要求的方程模型，即可以滿足項目的要求[14],比傳統方法更為有效便捷，神經網絡在此非線性領域具有廣闊的應用前景[15]。

本模型主要針對鐵路“走出去”宏觀建設風險評價，對于具體的鐵路項目風險，如施工風險、環境風險等具體建設過程中的風險，需根據實際目標需要及實際風險指標，另作考慮。