基于LMBP神经网络的国际工程项目风险评价研究
孙文建+杨文亚
摘 要： 国际工程承包项目面临的风险因素众多，给项目风险评价带来了很大的难度，积极寻求合理有效的方法对国际工程风险进行评价尤为重要。通过建立国际工程项目风险评价指标体系，对传统的BP神经网络模型进行改进，提出LMBP神经网络模型，避免了其难收敛和收敛时间长的弊端，建立LMBP神经网络评价模型，用模糊综合评价方法验证其准确性和可靠性。最后以马来西亚的一个项目为例，实证其风险评价的实用性。
关键词： 国际工程； LMBP神经网络； 风险评价； 风险管理
中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2017）23?0109?04
Abstract： The various risk factors exist in the international engineering contracting project， and bring great difficulties to risk evaluation of the project. It is particularly important to seek the reasonable and effective methods for international engineering project risk evaluation. The index system of the international engineering project risk evaluation is established to improve the traditional BP neural network model. The LMBP neural network model is proposed to avoid the drawbacks of difficult convergence and long convergence time. The evaluation model of LMBP neural network was established， and its accuracy and reliability were verified with fuzzy comprehensive evaluation method. Taking the project in Malaysia as an example， its practicability of risk evaluation was demonstrated.
Keywords： international project； LMBP neural network； risk evaluation； risk management
0 引 言
我国国际工程业务经过多年发展，国内承包商承接国际工程从合同金额到营业额均快速上升，对外承包工程业务涉及全球范围[1]。“一带一路”这一国家级顶层战略实施后，中国内地企业跻身全球最大国际工程承包商，数量居全球第一位[2]。
以国有企业为主体的中国承包商的项目管理能力已经跟不上复杂多变的市场环境[3]。企业项目风险控制与管理能力等都有待于提高，加之缺乏国际型、复合型人才，既不熟悉了解国际工程市场规则、管理模式和风险控制[4]，又缺乏使用在国际工程上的先进管理工具[5]，对项目实施中出现的问题往往根据国内经验来制定方案，导致决策失误，造成项目亏损。
因此，对国际工程项目的风险评价就尤其重要，目前研究者们使用较多的是层次分析法、蒙特卡罗模拟法[6]等方法，风险评价结果主要取决于人的主观性判断。因此，這些方法得到的结果往往与实际存在着偏差。本文选用LMBP神经网络模型对国际工程承包项目进行风险评价研究。首先，BP神经网络具有自主调节能力，可以依据历史数据进行调整。该模型可在多次训练后记忆专家们的评价数据，对风险因素进行量化，通过大量的样本削弱人的主观意志影响，使评价更准确[7?8]。其次，神经网络能不断的通过样本训练适应外部环境变化，且能根据数据训练不断更新自身，更加适合国际工程项目的风险评价。
1 国际工程项目风险评价指标体系
本文建立风险评价指标体系采用RBS层次性风险分解结构的方法，分解对象为风险事件，分解方法根据风险的构成来划分。
针对具体项目，再以风险评价指标体系为基础，采用更具针对性的、非开放的德尔菲专家调查法，如本文的案例马来西亚某项目，根据风险评价指标体系设置调查问卷，得到该项目在马来西亚工程市场各风险因素的频数，如表1所示。本文将频数出现在5次以上的风险因素纳入该项目风险评价指标体系中，构建如图1所示的国际工程承包项目风险评价体系。将风险评价指标体系与图1的指标体系对比可看出，根据具体国家地区工程项目建立指标体系更具针对性，也更符合实际情况。
2 LMBP神经网络模型
2.1 传统BP神经网络模型的不足与改进
从BP神经网络模型的运算过程可以发现，网络误差受权值和样本数量的影响，只有当某一点的出现导致全局的网络误差最低时，全局才达到最优，神经网络建立才完成，这也是传统BP神经网络存在弊端的原因。
式中：[J]表示误差对权值进行微分得到的Jacobi矩阵；[e]表示误差向量；[u]表示学习速率；[I]表示单位矩阵。
因此，采用LMBP神经网络模型与传统的BP网络模型相比，该方法能有效地解决收敛性能较差、收敛时间长、迭代步数多等不足，更好地适应风险评价的需要。
2.2 LMBP神经网络模型结构
本文在Matlab软件上设计LMBP神经网络模型，包括以下步骤：
（1） 确定输入层节点数
本文馬来西亚项目风险评价体系中有9个风险评价指标因素，因此LMBP神经网络的输入层节点数为9个。
（2） 确定输出层节点数
风险评价的结果为[0，1]区间的风险值，且惟一，因此输出层只有1个节点。
（3） 确定隐含层层数和节点数
式中：[m]表示隐含层节点数；[n]表示输入层节点数（本文为9）；[l]表示输出层节点数（本文为1）；[a]为1～10之间的常数。本文得到最佳的隐含层节点数为9个。
（4） 确定网络激活函数
隐含层的输出层神经元选择Sigmoid函数作为激活函数，其函数公式如下：
（5） 网络模型的建立
本文的风险评价模型为9×9×1的三层LMBP神经网络模型， 该网络模型输入向量由9个指标构成，隐含层有9个隐含节点。
（6） 权值和阈值初始设置
权值和阈值的初始设置关系到LMBP模型能否收敛。权值和阈值选取在区间[-1，1]或者[-2n，2n]之间。通过实践，本文将权值和阈值取在[-1n，1n]范围内，从而网络模型既收敛，且所需时间最短。
2.3 期望输出值的确定
LMBP神经网络期望输出值的确定采用模糊综合评价方法，此方法得到的期望输出值再与神经网络模型得出的实际输出值相比较，可验证模型的准确性。具体评价过程如下：
经过模型的迭代计算，直至误差达到要求后，计算停止，完成全部样本训练。当网络权值和阈值确定后，即可认为LMBP神经网络模型建立完成，此时输入评价项目的指标数据，即可得到该项目的风险评价值。
3 案例应用
3.1 训练样本的采集
本文通过问卷调查的形式对国内承包商在马来西亚的6个项目进行调查，专家均具备丰富的国际工程管理经验，且对马来西亚工程市场有深入了解。首先，根据图1的指标体系对各因素进行打分，得分值作为输入值；期望输出值根据模糊综合评价方法求得，并根据表2确定其风险等级，将LMBP模型实际输出值与期望输出值进行比较判断获得模型的误差，并根据误差反向传递不断调整模型的权值和阈值。以项目1为例，利用模糊综合评价法计算该项目的综合评价值。
由此可见，训练成功的LMBP神经网络模型其实际输出值与模糊综合评价值的风险评价等级是一致的，并且风险评价值误差很小，说明LMBP神经网络模型对国际工程项目风险评价的方法具有可行性、可靠性。
3.3 LMBP神经网络模型的应用
根据已训练好的LMBP神经网络模型对马来西亚项目进行风险评价，首先，邀请专家对指标体系下的各风险因素进行打分，如表6所示。将指标数据作为输入值，读入LMBP神经网络模型中，得到其输出值为0.264 2，参照表2可知，其风险等级较低。同时，根据表4可知，项目2的风险评价值为0.268 5，该项目风险评价值与项目2风险评价值相接近。因此，项目决策者可将项目2作为参考，参照项目2实施过程中的风险情况对本项目的风险管理做出预估。
4 结 语
随着“一带一路”政策的提出，越来越多的国内承包企业参与到国际工程项目中，因信息的不对称、风险的不确定性等因素，对风险的管理就尤为重要。在项目初期，运用LMBP神经网络模型对国际工程项目风险进行评估，并找到与之相匹配的项目，及早对项目采取预防措施，可有效防治风险。
参考文献
[1] 陶玲，杨高升.国际工程承包法律风险管理研究[J].项目管理技术，2014（6）：64?68.
[2] 赵振宇，高洁.国际工程承包企业可持续成长能力构建及指标体系研究[J].工程管理学报，2015（2）：153?158.
[3] 虞丽婷，林珒，袁竞峰.北美地区国际工程承包市场发展现状分析及战略研究[J].项目管理技术，2013（10）：58?62.
[4] 白瑾，高隽.国际工程承包的风险识别与评价[J].施工技术，2013（z1）：291?296.
[5] 罗和文.工程管理范畴及工程管理的重要性[J].工业C，2015（24）：1.
[6] 余治民，刘子建，董思科，等.基于蒙特卡洛模拟与响应面方法的公差建模[J].中国机械工程，2015，26（4）：427?434.
[7] 焦斌，叶明星.BP神经网络隐层单元数确定方法[J].上海电机学院学报，2013（3）：113?116.
[8] 李翔，朱全银.Adaboost算法改进BP神经网络预测研究[J].计算机工程与科学，2013（8）：96?102.
摘 要： 国际工程承包项目面临的风险因素众多，给项目风险评价带来了很大的难度，积极寻求合理有效的方法对国际工程风险进行评价尤为重要。通过建立国际工程项目风险评价指标体系，对传统的BP神经网络模型进行改进，提出LMBP神经网络模型，避免了其难收敛和收敛时间长的弊端，建立LMBP神经网络评价模型，用模糊综合评价方法验证其准确性和可靠性。最后以马来西亚的一个项目为例，实证其风险评价的实用性。
关键词： 国际工程； LMBP神经网络； 风险评价； 风险管理
中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2017）23?0109?04
Abstract： The various risk factors exist in the international engineering contracting project， and bring great difficulties to risk evaluation of the project. It is particularly important to seek the reasonable and effective methods for international engineering project risk evaluation. The index system of the international engineering project risk evaluation is established to improve the traditional BP neural network model. The LMBP neural network model is proposed to avoid the drawbacks of difficult convergence and long convergence time. The evaluation model of LMBP neural network was established， and its accuracy and reliability were verified with fuzzy comprehensive evaluation method. Taking the project in Malaysia as an example， its practicability of risk evaluation was demonstrated.
Keywords： international project； LMBP neural network； risk evaluation； risk management
0 引 言
我国国际工程业务经过多年发展，国内承包商承接国际工程从合同金额到营业额均快速上升，对外承包工程业务涉及全球范围[1]。“一带一路”这一国家级顶层战略实施后，中国内地企业跻身全球最大国际工程承包商，数量居全球第一位[2]。
以国有企业为主体的中国承包商的项目管理能力已经跟不上复杂多变的市场环境[3]。企业项目风险控制与管理能力等都有待于提高，加之缺乏国际型、复合型人才，既不熟悉了解国际工程市场规则、管理模式和风险控制[4]，又缺乏使用在国际工程上的先进管理工具[5]，对项目实施中出现的问题往往根据国内经验来制定方案，导致决策失误，造成项目亏损。
因此，对国际工程项目的风险评价就尤其重要，目前研究者们使用较多的是层次分析法、蒙特卡罗模拟法[6]等方法，风险评价结果主要取决于人的主观性判断。因此，這些方法得到的结果往往与实际存在着偏差。本文选用LMBP神经网络模型对国际工程承包项目进行风险评价研究。首先，BP神经网络具有自主调节能力，可以依据历史数据进行调整。该模型可在多次训练后记忆专家们的评价数据，对风险因素进行量化，通过大量的样本削弱人的主观意志影响，使评价更准确[7?8]。其次，神经网络能不断的通过样本训练适应外部环境变化，且能根据数据训练不断更新自身，更加适合国际工程项目的风险评价。
1 国际工程项目风险评价指标体系
本文建立风险评价指标体系采用RBS层次性风险分解结构的方法，分解对象为风险事件，分解方法根据风险的构成来划分。
针对具体项目，再以风险评价指标体系为基础，采用更具针对性的、非开放的德尔菲专家调查法，如本文的案例马来西亚某项目，根据风险评价指标体系设置调查问卷，得到该项目在马来西亚工程市场各风险因素的频数，如表1所示。本文将频数出现在5次以上的风险因素纳入该项目风险评价指标体系中，构建如图1所示的国际工程承包项目风险评价体系。将风险评价指标体系与图1的指标体系对比可看出，根据具体国家地区工程项目建立指标体系更具针对性，也更符合实际情况。
2 LMBP神经网络模型
2.1 传统BP神经网络模型的不足与改进
从BP神经网络模型的运算过程可以发现，网络误差受权值和样本数量的影响，只有当某一点的出现导致全局的网络误差最低时，全局才达到最优，神经网络建立才完成，这也是传统BP神经网络存在弊端的原因。
式中：[J]表示误差对权值进行微分得到的Jacobi矩阵；[e]表示误差向量；[u]表示学习速率；[I]表示单位矩阵。
因此，采用LMBP神经网络模型与传统的BP网络模型相比，该方法能有效地解决收敛性能较差、收敛时间长、迭代步数多等不足，更好地适应风险评价的需要。
2.2 LMBP神经网络模型结构
本文在Matlab软件上设计LMBP神经网络模型，包括以下步骤：
（1） 确定输入层节点数
本文馬来西亚项目风险评价体系中有9个风险评价指标因素，因此LMBP神经网络的输入层节点数为9个。
（2） 确定输出层节点数
风险评价的结果为[0，1]区间的风险值，且惟一，因此输出层只有1个节点。
（3） 确定隐含层层数和节点数
式中：[m]表示隐含层节点数；[n]表示输入层节点数（本文为9）；[l]表示输出层节点数（本文为1）；[a]为1～10之间的常数。本文得到最佳的隐含层节点数为9个。
（4） 确定网络激活函数
隐含层的输出层神经元选择Sigmoid函数作为激活函数，其函数公式如下：
（5） 网络模型的建立
本文的风险评价模型为9×9×1的三层LMBP神经网络模型， 该网络模型输入向量由9个指标构成，隐含层有9个隐含节点。
（6） 权值和阈值初始设置
权值和阈值的初始设置关系到LMBP模型能否收敛。权值和阈值选取在区间[-1，1]或者[-2n，2n]之间。通过实践，本文将权值和阈值取在[-1n，1n]范围内，从而网络模型既收敛，且所需时间最短。
2.3 期望输出值的确定
LMBP神经网络期望输出值的确定采用模糊综合评价方法，此方法得到的期望输出值再与神经网络模型得出的实际输出值相比较，可验证模型的准确性。具体评价过程如下：
经过模型的迭代计算，直至误差达到要求后，计算停止，完成全部样本训练。当网络权值和阈值确定后，即可认为LMBP神经网络模型建立完成，此时输入评价项目的指标数据，即可得到该项目的风险评价值。
3 案例应用
3.1 训练样本的采集
本文通过问卷调查的形式对国内承包商在马来西亚的6个项目进行调查，专家均具备丰富的国际工程管理经验，且对马来西亚工程市场有深入了解。首先，根据图1的指标体系对各因素进行打分，得分值作为输入值；期望输出值根据模糊综合评价方法求得，并根据表2确定其风险等级，将LMBP模型实际输出值与期望输出值进行比较判断获得模型的误差，并根据误差反向传递不断调整模型的权值和阈值。以项目1为例，利用模糊综合评价法计算该项目的综合评价值。
由此可见，训练成功的LMBP神经网络模型其实际输出值与模糊综合评价值的风险评价等级是一致的，并且风险评价值误差很小，说明LMBP神经网络模型对国际工程项目风险评价的方法具有可行性、可靠性。
3.3 LMBP神经网络模型的应用
根据已训练好的LMBP神经网络模型对马来西亚项目进行风险评价，首先，邀请专家对指标体系下的各风险因素进行打分，如表6所示。将指标数据作为输入值，读入LMBP神经网络模型中，得到其输出值为0.264 2，参照表2可知，其风险等级较低。同时，根据表4可知，项目2的风险评价值为0.268 5，该项目风险评价值与项目2风险评价值相接近。因此，项目决策者可将项目2作为参考，参照项目2实施过程中的风险情况对本项目的风险管理做出预估。
4 结 语
随着“一带一路”政策的提出，越来越多的国内承包企业参与到国际工程项目中，因信息的不对称、风险的不确定性等因素，对风险的管理就尤为重要。在项目初期，运用LMBP神经网络模型对国际工程项目风险进行评估，并找到与之相匹配的项目，及早对项目采取预防措施，可有效防治风险。
参考文献
[1] 陶玲，杨高升.国际工程承包法律风险管理研究[J].项目管理技术，2014（6）：64?68.
[2] 赵振宇，高洁.国际工程承包企业可持续成长能力构建及指标体系研究[J].工程管理学报，2015（2）：153?158.
[3] 虞丽婷，林珒，袁竞峰.北美地区国际工程承包市场发展现状分析及战略研究[J].项目管理技术，2013（10）：58?62.
[4] 白瑾，高隽.国际工程承包的风险识别与评价[J].施工技术，2013（z1）：291?296.
[5] 罗和文.工程管理范畴及工程管理的重要性[J].工业C，2015（24）：1.
[6] 余治民，刘子建，董思科，等.基于蒙特卡洛模拟与响应面方法的公差建模[J].中国机械工程，2015，26（4）：427?434.
[7] 焦斌，叶明星.BP神经网络隐层单元数确定方法[J].上海电机学院学报，2013（3）：113?116.
[8] 李翔，朱全银.Adaboost算法改进BP神经网络预测研究[J].计算机工程与科学，2013（8）：96?102.
