PPP項目風險評價研究

徐晨

[提要] 項目風險管理一直是人們討論的熱點。本文在風險識別基礎上，引入智能算法，構建BP神經網絡模型風險評價方法，在MATLAB上進行實證分析。分析表明：相對于傳統的風險評價模型，基于主成分分析和BP神經網絡的模型能有效地對PPP項目風險進行評價，為項目的風險評判標準提供依據。

關鍵詞：PPP模式;風險評價;主成分分析;神經網絡

中圖分類號：F83 文獻標識碼：A

收錄日期：2020年3月3日

一、引言

隨著PPP模式從傳統工程項目發展到各個專業領域上應用，人們對這種模式的關注度也越來越大。那么，什么是PPP模式呢？通俗來講，PPP模式就是“公私合營”模式，所謂“公”指的就是政府，而“私”指的就是民營企業。而PPP項目一般指的是政府與民營企業共同去建造一個項目，這個項目一般是指公共基礎設施類項目，比如說，高速公路、城市軌道交通（地鐵、輕軌）、城市地下綜合管廊、水電站等。不難發現這類項目大多都有建造時間長、所需資金流量巨大、結構施工復雜、所需承擔風險極高等特點。而這些大型項目如果運用傳統建設模式，上述這些難題都很難去得到很好的解決。之所以引進PPP模式，首先它能夠提高工程建設的效率，而效率的提高直接反映的結果就是工期將得到縮短，建造的時長也將會減少;其次由于參與了民營企業這一重要角色，也就意味著大量的社會資本流入工程項目中，從而降低了政府資金的緊張性;在施工工藝方面，民營企業擁有比較先進和完善的施工工藝，這比過去政府自己的施工方案更具有競爭力。其中，最具有關鍵性的一點就是PPP模式能夠把項目風險從過去由政府完全承擔到現在由政府和民營企業共同承擔，這種轉變直接影響著對項目風險關鍵因素的精準把控，而對一個項目的風險因素精準把控直接關系到這個項目的成與敗。

二、PPP項目風險評價方法的選擇

關于PPP項目風險評價方法的選擇，在項目風險管理中關于風險估計與風險評價有很多的評價方法。下面就簡單概述一下這些評價方法，首先一個好的風險評價方法能夠使我們更加客觀地去評價一個PPP項目成功與否，其次對于一篇論文來說方法的選擇對于整篇文章邏輯和核心架構起到了很大的作用。主觀評分法：這個方法在項目的風險評價非常常見，主要是根據專家的主觀經驗，去給某個項目的某項風險去打分，分值到最后形成權重，再根據一定的標準形成最終的得分，其實與主觀評分法類似的以打分為機制的評價方法有很多，比方說德爾菲法、熵權法等，這類方法專家越多越好，但是獲取分數的整個過程比較復雜，需要一定的時間去完成。蒙特卡洛模擬法：這種方法主要用在風險的量化中，毫無疑問風險的出現必然帶來不確定性，而通過蒙特卡洛模擬，可以把風險的這種不確定型給量化出來，形成了數學上的預測區間。層次分析法：這種方法可以列出最后目標的排序，也可以用作各種指標的權重上，在相當多的論文里，發現運用得到指標的權重是最常見的，其實這種方法在計算權重之前一般也要得一些專家評分，再加上這種方法還是以定性為主，得出的結果沒有很大的信服力。模糊綜合評價法：模糊綜合評價法能很好地去界定像風險這類難以確定難以量化的東西，這種方法在風險評價方法中相當常見，但一般不會單獨的出現，一般與其他評價方法相結合使用。故障樹法：故障樹法其實是決策樹法的延伸，其方法的邏輯性跟決策樹法十分相似，最終的結果也是以一種樹狀圖的形式表達出來，但與決策樹不同的是，故障樹法是以某一機制的故障去分析，并以此為出發點循序漸進，所以筆者認為故障樹法使用起來太具有局限性，需要一定的現實環境和確切的目標條件才能分析出比較好的結果。綜上，風險評價的方法不少，除了上述這幾種方法，還有很多風險評價方法，比如很多人用灰色關聯度等方法。但無論使用哪種方法，需要去思考哪一種方法才是最適合的，畢竟很多方法都有自己所對應的適用范圍。本文將以量軟件SPSS中的主成分分析和智能算法中的BP神經網絡這兩種方法進行結合，對PPP項目中所存在的風險因素進行評價。之所以選擇這兩種方法相結合，在現有的論文中，大部分的以評價做實證分析一般都是兩種不同的方法結合，尤其是創新點的提出需要跨領域學科方法去結合。

三、PPP項目評價指標構建

（一）風險指標的確定。這里所說的風險指標指的是PPP項目中所隱含的風險指標，一般來說風險指標都是根據風險因素轉換而來，按照正常程序，首先要做的應該是風險識別，識別出項目所含的風險因素，再從所有的風險因素中提煉出關鍵的風險指標。這個過程看似簡單，實則復雜，首先PPP項目體系龐大，內容板塊交錯復雜，其風險因素比較多，指標提取在一定有限時間內難以整理全面。所以在選取指標時，主要思路是：首先通過閱讀大量的文獻即文獻查閱法，整理出比較有代表性的16個PPP項目，在這16個PPP項目中，分別對每一個PPP項目去分析原作者給出的一級風險指標和二級風險指標，最后對所有PPP項目做一個綜合，得出了7個主要一級指標和36個二級指標。指標選取完畢后，接下來就是對風險指標的量化，同樣通過大量的項目案例，每個案例的風險指標已有最后評出的相應評分，筆者通過整合這些對應的評分，再做一個簡單的加權處理（依據項目的時間長度以及資金的大小）后，最終得到了每個指標綜合的評分，具體見表1。最后再給定一個風險評判區間：[0，2]，[2，4]，[4，6]，[6，8]，[8，10]這五個區間，具體見表2。（表1、表2）

（二）對風險指標的降維。對于一個大型項目來說，風險指標一般都有很多個，風險指標之間可能存在著多重共線性的影響，比如說工程技術指標與建設成本指標就存在多重共線性關系，如果工程技術先進并且完善的話，必然會帶來建設成本的降低，類似的指標還有很多，所以需要對這些指標進行降維處理，這樣經過處理后的主成分指標再輸入到BP神經網絡模型中，得出來的結果會更加精確。根據SPSS軟件，對整理出來的這些指標做一個主成分分析，最終的軟件給出的結果表3、表4所示。（表3、表4）

通過上面的表格，我們可以通過得到的特征值來求得特征向量，比如說，第一個特征值是6.314，那么其對應的特征向量為[]，化作小數則為[-0.110，0.173，0.299，…，0.184，0.029，0.038]，則第一個主成分的函數方程式則為：F1=-0.11C11+0.173C12+0.299C13+…+0.184C64+0.029C71+0.038C72。這只是第一個主成分的表達式，同理還有其余幾個主成分的表達式這里就不一一展示。

四、引入神經網絡模型

這里先簡單概述下BP神經網絡，在了解BP神經網絡前，先說下什么是神經網絡，一般所說的神經網絡是指人工神經網絡，其實這種神經網絡跟真正的大腦神經網絡沒有很大的聯系，只是有些概念引用了生物學上的模型，按照字面的理解，簡單來說神經網絡就是就是由一個個傳感器相互連接組成的整體，當這一個個傳感器接收到了外界的信息時，就會對外界信息做一個識別分類處理，把他歸到某一類。其實這些感受器的名字就叫做神經元。神經網絡的圖示模型其實有點像在管科前沿里學過的復雜網絡，由一個個節點組成有相互關系的網絡，只不過復雜網絡里的節點在神經網絡里替換成了神經元。神經網絡把這些神經元分成三個板塊，一個是輸入層，一個是中間的隱含層，還有一個輸出層。而BP神經網絡是神經網絡的一種，也是目前來說，研究得比較廣泛的一種神經網絡算法，一般來說這種算法多用于預測研究或者排查某方面的故障，本文主要是用這種單隱層BP神經網絡去做風險評價。大體思想沿用了神經網絡的思想，不同的是BP神經網絡是基于誤差反向傳播去訓練的算法，從而使得模型中的輸出層誤差得到最小。這里不深入研究這種算法的特點以及具體過程和原理，只需要在MATLAB軟件中輸入相關數據就可以得到我們想要的結果。經過上文的主成分分析，可以確定要輸入的向量有11個，也就是輸入層神經元11個。根據判斷中間層神經元有23個，根據表2中劃分的風險等級，可以確定5維輸出即5個輸出神經元。綜上，本文BP神經網絡為11*23*5。

在BP神經網絡中，需要弄清楚各層的神經元傳遞函數類型，一般來說中間層傳遞函數為sigmoid，為了保證統一性，這里將輸出層的傳遞函數也設定為sigmoid。通常用訓練誤差來調整BP神經網絡各層的input權重和偏置，而這之間依據的算法一般有兩種，一種是梯度下降法，還有一種是最小二乘法。本文BP神經網絡是以梯度下降算法為基準的訓練算法，traingda為其對應的函數。規定以下參數，如表5所示。（表5）

在訓練樣本中選取的是前14個項目，最后BP神經網絡迭代完成一共只需237次。本文將項目15和項目16的數據輸入以測試其效果，測試后顯示項目15和項目16的風險等級依次為較小和一般，見表6。這個結果與之前的風險等級判斷的結果是相同的，說明這種依據BP神經網絡的模型對于風險的評價可以準確運行。（表6）

針對MATLAB所預測出來的結果，建議如下：對于像項目15這類風險較小的項目，表示項目風險對于項目的相關人來說在可控制與可接受的范圍內，在這種情況下，項目只需按照規定與流程按部就班，做好關鍵風險點的把控，項目風險管理就可以達到預期效果;對于類似項目16的項目，風險等級判定為一般，說明在項目可以繼續運營下去，但需要注意的是，此類項目在前期應當注重市場調查以及風險研究，避免加大項目風險甚至出現風險連環事件;對于其他風險較大的項目來說，應當從政府層面進行考慮，政府要進行相關風險回避手段，或者對項目的運行模式和機制進行更換，直至將風險降到能夠使項目正常運行為止。

五、總結

本文首先概述了PPP模式的基本特點，通過其獨有的特點分析出PPP模式所隱含的風險與一般其他項目管理模式所包含的風險不同，具有多風險、高風險等特征，其次簡單概括了針對PPP項目所含項目風險常用的評價方法，每種方法都有其特定的適用范圍，而本文所采用的方法是主成分分析法與BP神經網絡模型相結合的風險評價模型，接下來從閱讀的論文中搜集16個有代表性的PPP項目，對其指標與數據進行整合構建風險評價指標體系表，然后對所得指標進行主成分降維，以便于后面模型更好地訓練和輸入。緊接著將得出的主成分作為輸入數據，再設定好相關參數后，運用MATLAB運行BP神經網絡模型，得出項目的風險預測結果，最后將項目15和項目16進行預測驗證，結果顯示與得出的預測結果溫和，說明PCA-BP神經網絡模型在進行風險評價時是有效的，最后根據所評判的項目風險等級給出了相應意見。在本文的風險評價方法上，與傳統的風險評價模型相比，基于主成分分析和BP神經網絡的模型能有效地對PPP項目風險評價。主成分分析能夠將風險指標進行降維和消除共線性的影響，而BP神經網絡對風險數據的處理效率高，信息捕獲性強，擁有著與其他智能算法一樣的學習與適應能力，因此這兩種方法的結合能夠實現PPP項目的風險評價。

主要參考文獻：

[1]范闖，劉玉明.淺析PPP模式的智慧城市建設風險與利益分配方法[J].哈爾濱工業大學學報（社會科學版），2019.21（2）.

[2]金晶，李宗昊，朱亮，童心豪，楊長衛.BP神經網絡在鐵路建設風險評估中的應用[J].鐵道工程學報，2019.36（3）.

[3]陶洋，顧偉紅.基于因子分析和BP神經網絡的地鐵盾構施工成本風險分析[J].科學技術與工程，2018.18（14）.

[4]溫來成，孟巍.政府和社會資本合作（PPP）項目預算管理及風險控制[J].河北大學學報（哲學社會科學版），2017.42（6）.

[5]陶思平.PPP模式風險分擔研究——基于北京市軌道交通的分析[J].管理現代化，2015.35（4）.