基于神經網絡的項目風險管理分析

周宇航 金鑫

2

中國電子科技集團第二十八研究所系統工程事業部 江蘇 南京 210007

摘 要 項目風險管理的核心在于對可能造成項目存在風險的風險因子進行分析。首先對風險因子進行量化，根據不同類型的風險因子采用不同的量化方式;然后根據歷史項目的風險數據整理出用于神經網絡訓練的數據集并搭建一個全連接神經網絡;最后利用BP（back-propagation）算法完成神經網絡權值的訓練。根據該方法得到的神經網絡經過測試，得到的測試結果表明，項目風險可使用基于神經網絡的方法進行管理。

關鍵詞 項目風險;風險因子;神經網絡

Project risk management based on neural network

Zhou Yuhang1，Jin Xin2

1. The 28th Research Institute of China Electronics Technology Group Corporation， Nanjing 210007， China;

2. The 28th Research Institute of China Electronics Technology Group Corporation， Nanjing 210007， China

Abstract The core of project risk management is to analysis risk factors. Those risk factors can cause project risk. First movement is to quantify those risk factors. Use different quantitative method according to the type of risk factors. Then arrange a data base. This data base is arranged on historical project risk data. And this data base is arranged for training neural network. Also build a full-connection neural network. Finally use BP method to finish the training of values used by neural network. Test the neural network. The result shows project risk can be managed by neural network.

Key words Project risk; Risk factor; Neural network

引言

隨著企業規模的不斷擴大，企業的項目數量也隨之增加，從而帶來了企業對項目風險的管理難度急劇加大，依靠人力對數量較多的項目進行風險管理存在兩個比較大的問題。一是人力資源的浪費。二是風險響應速度較慢[1-7]。這是因為大部分項目不僅存在滿足項目風險評價指標體系的問題，而且還存在項目計劃管理里程碑節點的問題，即項目應該在何時推進到何種程度的問題，這里稱之為項目逾期問題。由于不同規模的項目的里程碑節點少則三五個、多則數十個，如果通過人力去管理數量較多的項目所涉及的多個里程碑節點的逾期問題，可能衍生較嚴重的項目風險響應速度較慢的問題。為解決上述問題，本文研究的重點如何判斷項目當前狀態是否存在風險。首先依靠人力去判斷項目是否存在風險的準確度取決于判斷人員的經驗，不同人員對不同項目因素有著不同理解，而且隨著項目規模越來越大，時間周期越來越長，可以影響項目的風險因子越來越多，相應的判斷難度越來越大，準確度越來越低。于是本文嘗試給出一種既可以借鑒歷史數據，又可以借鑒人員經驗的項目風險判斷的方法，即利用神經網絡判斷項目是否存在風險，該方法不僅可以節省人力資源，而且也具有較快的風險響應速度，其核心在于判斷項目是否存在風險時不再僅僅依賴于評價人員的個人經驗，還可依賴于經過訓練的神經網絡獲得的歷史項目及人員經驗，從而在降低項目風險的判斷難度的同時，也提高了項目風險判斷的準確度[8-14]。

神經網絡作為當下比較熱門的研究以及應用對象，其已經在多個領域展示出比較理想的應用效果，例如在人臉識別領域已經展示出超越人類的辨識準確度和辨識速度;雖然在語音識別以及人工智能領域目前并未超越人類，但也展示出了實際應用的極大可能性;最著名的當屬Google公司的AlphaGo在圍棋領域近乎無敵的存在，AlphaGo展現的不僅僅是神經網絡可以借鑒歷史數據（棋譜），而且可以通過學習、訓練去發現目前人類并未掌握的規律。可以通過學習、訓練發現規律是利用神經網絡進行項目風險管理的一個非常大的優點，這是因為無論風險管理人員多有經驗，受限于可以影響項目風險的風險因子的數量和復雜度，一些非常隱晦的規則很難被發現或整理成比較明顯的經驗用于實際的項目風險管理，而神經網絡正好彌補了這一缺點，神經網絡通過對歷史數據的學習可以很好地掌握并應用這些未被發現的規律。

綜上所述，本文提出了一種通過搭建、訓練神經網絡的方式輔助項目風險管理。

1風險因子選擇量化

風險因子是可以對項目產生影響的因素，也是用于判斷項目是否存在風險的信息來源。

1.1 風險因子選擇

風險因子的數量眾多，而且存在多種不同類型。例如定性類的風險因子，其值大多為特定的語言描述，如進度評估風險因子的值多為超前、正常、遲緩、嚴重逾期等。還有定量類的風險因子，其值多為具體數字，如人員投入風險因子的值多為具體在項目中投入的人員數量。而針對定量類的風險因子也可以依據對項目的影響程度進行進一步細化，例如人員投入風險因子可以依據不同類型人員對項目的影響程度不同進一步細分為重要人員投入，一般人員投入等。

[2] 周春艷.基于層次分析法的PPP項目風險研究[J].納稅，2020，14（3）： 182.

[3] 瞿英，范默苒，劉濱，等.基于文本分析的軟件項目風險研究演化脈絡解析[J].河北科技大學學報，2020，41（1）：88-98.

[4] 王貝貝.關于PPP項目融資風險控制研究[J].中外企業家，2020（2）：13.

[5] 周榜蘭.高度綜合化航空電子信息系統項目風險管理研究及思考[J].項目管理技術，2020，18（1）：110-115.

[6] 萬毅.風險評估在鋼鐵建設項目可行性研究階段的應用[J].冶金經濟與管理，2019（6）：44-46.

[7] 朱志紅.電力建設項目承建風險管理相關問題分析[J].商訊，2019（35）：187.

[8] Kin CC，Zhu H，Jessica L，et al. Error margin analysis for feature gene extraction[J]. BMC Bioinformatics，2010，11（1）：241.

[9] Xiao J，Li Y，Wang K，et al. In silico method for systematic analysis of feature importance in microRNA-mRNA interactions[J]. BMC Bioinformatics，2009，10（1）：427.

[10] Liu Q，Sung A H，Qiao M，et al. Comparison of feature selection and classification for MALDI-MS data[J]. bmc genomics，2009，10（S1）：S3.

[11] A A P，B S A，C A G，et al. Neural network modelling for estimating linear and nonlinear influences of meteo-climatic variables on Sergentomyia minuta， abundance using small datasets[J]. Ecological Informatics，2020（1）：56..

[12] Guo H，Nguyen H，Vu D A，et al. Forecasting mining capital cost for open-pit mining projects based on artificial neural network approach[J]. Resources Policy，2019（8）：474.

[13] 楊金潤. 基于BP神經網絡的X證券公司IPO項目風險預警及應對[D].南京：南京航空航天大學，2019.

[14] Li R，Zhang H，Zhuang Q，et al. BP neural network and improved differential evolution for transient electromagnetic inversion[J]. Computers and Geosciences，2020（1）：217.

作者簡介

周宇航（1991-），男，吉林敦化人;學歷：碩士研究生，職稱：工程師，現就職單位：中國電子科技集團第二十八研究所，研究方向：神經網絡模式識別應用。

金鑫（1983-），女，遼寧鞍山人;學歷：碩士研究生，職稱：高級工程師，現就職單位：中國電子科技集團第二十八研究所，研究方向：人工智能算法模型應用研究。