首页 > 学生作文 > 读后感 > 读后感800字 >

工程项目投资风险评价模型研究(1) - 图文

由天下分享时间：2024/12/18 20:27:56 加入收藏我要投稿点赞

ΞΞΞΞ

0　引言

2004年2月

第25卷　第1期

考的基础,为决策者提供重要信息,具有很高的价值。在评

决策的不准确性高。为解决这一问题,提出一种将人工神经

评价模型适用于项目各阶段决策前期,因为这个时期往往缺

用这些方法的一个共有的缺点是在评价过程中,人的主观因

向,得出的结论也是一种大致的程度值,它作为一种分析参

价过程中,权重的确定是非常关键的。常见的风险数值评价方法主要有调查和专家打分法、模糊数学法、层次分析法,利

素的成分很大,各种因素的权重设置主要靠人为设定,导致

预测和估计,不需要人为设定权重,并且通过训练好的神经

乏具体的数据资料,主要依据的是专家经验和决策者的意

网络应用于风险数值综合评价模型中的评价方法。人工神

程项目整体风险水平作出合理评价的过程。风险数值综合

的判断决策,给出较满意的解答,或对未来过程作出有效的

经网络方法用于解决上述问题可以起到很好的作用,它可以根据已学会的知识和处理问题的经验对复杂问题作出合理

definingweightnumberandhasbeenprovedsatisfactory.

风险评价是工程项目投资风险管理的关键步骤,是对工

基　建　优　化

·11·

1.1　人工神经网络的概念1　人工神经网络理论概述

Keywords:engineeringprojectinvestment,riskevaluation,artificialneuralnetworkmodel

摘　要:在项目决策前期对项目了解很少的情况下,一般对项目给出一个基本的风险综合评价数值,作为决策的依

据。在建立工程项目投资风险评价指标体系的基础上,提出了将人工神经网络应用于工程项目投资风险评价中的综合评价方法,建立了人工神经网络模型,较好的解决了以往的评价方法中存在的人为确定权重的不足。最后进行了实证分析,在此基础上进行了敏感性分析,得到了比较好的评价结果。关键词:工程项目投资;风险评价;神经网络模型中图分类号:F283　　　　　文献标识码:A　　　　　文章编号:100027717(2004)01-0011-04

risk.Basedontheestablishmentofriskevaluationindexsystemaboutengineeringprojectinvestment,introducesanewmethod,whichappliestheartificialneuralnetwork(ANN)intoriskevaluation,andconstructsaartificialneuralnetwork

modelthatcansolvethedeficienciesoftheothermethods.Atlast,thismodelisappliedtotherealcaseofaengineering

Abstract:Beforeadecision-makerdecideswhethertoinvestinaproject,heusuallymakeageneralevaluationaboutthe

projecttoevaluateitsrisklevel,andthesensitivityisanalysed.Simulationresultshowsthatthismodeldoesnotneed

张俊玲,陈立文,尹志军,赵丽坤

OPTIMIZATIONOFCAPITALCONSTRUCTION

(河北工业大学管理学院,天津　300130)

工程项目投资风险评价模型研究

ZhangJun2ling,ChenLi2wen,YinZhi2jun,ZhaoLi2kun

收稿日期:2003-08-30

基金项目:建设部软科学项目(2002-1-27)和河北省计委资助项目。

作者简介:张俊玲(1979-),女,河北武强人,硕士研究生,研究方向:工程管理与风险控制。

StudyontheRiskEvaluationModelforEngineeringProjectInvestment

(SchoolofManagement,HebeiUniversityofTechnology,Tianjin300130,China)

网络模型可以很方便地进行各风险因素的敏感性分析。

Feb.2004

Vol.25No.1

人工神经网络(ArtificialNeuralNetwork)是一门崭新的信息处理科学。从1943年W.S.Moculloch和W.Pitts研究并提出M-P神经元模型到今天,人们对神经网络的研究已走过了很长的历程,对模拟、仿真和生物神经网络的研究和探索已取得了很大的成绩。人工神经网络是一类模拟生物神经系统结构,由大量处理单元组成的非线性自适应动态系统,它具有学习能力,记忆能力,计算能力以及智能处理功能,在不同程度和层次上模仿大脑的信息处理机理。神经网络具有非线性,非局域性,非定常性,非凸性等特点。神经网络把结构和算法统一为一体的系统,可以看作是硬件和软件的结合体。神经网络的研究在国际上已形成一种热潮,其应用已渗透到模式识别、自动控制、图像处理、非线性优化、经济预测等很多领域。近年来,由于神经科学、数理科学、信息科学、计算机科学的快速发展,使得研究以大脑工作模式,非

br=f(

mi=1u

工程项目管理

cj=f(

∑w

r=1

∑v

1.2　人工神经网络BP算法的确定[1]

er=br·(1-br)·(

③向隐含层节点反向分配误差,令

·ai+Tr)　　(r=1,2,…,u)·br+θj)　　(j=1,2,…,n)

(k)

dj=cj·(1-cj)·(cj-cj)

程序的信息处理的人工神经网络成为可能。人工神经网络不需构建任何数学模型,只靠过去的经验和专家的知识来学习,通过网络学习达到其输出与期望输出相符的结果,目前主要用来处理模糊的、非线性的、含有噪声的数据。

j=1

∑

vrj·dj)

反向传播神经网络,又称BP网络模型。由于它在各种神经网络模型中,具有较好的自学习、自联想功能,成为当前应用最为广泛的一种人工神经网络。在本文的研究中拟采用BP算法来构造神经网络模型,它是典型的多层网络,有输入层、隐含层和输出层,层间多为全互连方式,同层单元之间不存在相互连接。

BP算法的学习过程是由正向传播和反向传播两个过程组成的,在正向传播过程中输入信息从输入层经隐含层逐层处理,并传向输出层,每一层神经元的状态只影响下一层神经元的状态,如果在输出层不能得到期望输出,则转入反向传播将误差信号沿原来的连接通路返回,把网络学习时输出层出现的与“事实”不符的误差,归结为连接层中各节点间连接权及阀值(有时将阀值作为特殊的连接权并入连接权)的“过错”,通过把输出层节点的误差逐层向输入层逆向传播以“分摊”给各连接节点,从而可算出各连接节点的参考误差,并据此对各连接权进行相应的调整,使网络适应要求的映射。

具体的BP网络学习过程如下:1)给wir,Tr,vrj,θj随机赋一个较小的值,wir,vrj分别为输入层节点ai到隐含层节点br、隐含层节点br到输出层节点cj间的连接权,Tr为隐含层节点的阀值,θj为输出层节点的阀值。

()()

2)对每一样本模式对(Ak,Ck)(k=1,2,…,p)进行下列操作,其中p为样本个数:

①将A(k)的值(a(ik))输入输入层节点,据输入层节点激活值ai,依次正向计算:

④调整隐含层与输出层节点间连接权vrj及输出层节点阀值θj:

vrj=vrj+α·br·dj

)为神经元输入与输出之间的转换函数,它一其中f(·

般为可微函数,有线性,正弦,双曲正切,阀值型,半升梯型和Sigmoid型函数(简称为S型转换函数),u,n分别为隐含层和输出层的节点数。Sigmoid型函数由于对线性和非线性问题都能很好的适应,应用最广泛,其函数形式如下式所示:

f(net)=1/[1+exp(-net)]

②计算输出层节点输出cj与期望输出值c(jk)的误差,令

基　建　优　化

·12·

工程项目投资风险评价的人工神经网络模型,是通过神

经网络的学习与训练,利用一系列评价指标,对工程项目的风险进行评价,力求摆脱人为主观因素,充分利用专家的知识和经验,为有关决策者提供支持。工程项目投资风险因素指标体系的建立是非常重要的,指标体系涵盖的信息量既要全面,又不能重复,指标的选取要遵循全面性、可比性、可操作性原则。根据对工程项目投资风险因素从不同角度的分析,本文具体以房地产工程项目投资为例建立具体的风险评价指标体系。

房地产投资是一项综合性、专业性、技术性极强的活动,它作为当今主要的投资热点之一,由于物业本身所具备的特点,如位置固定性、政策限定性等,使其在提供给投资者较高收益的同时,也蕴含了相当大的风险,是一个高投入、高回报和高风险的事业。现考虑到我国的实际情况,根据科学性、可比性、可操作性等指标设计原则,通过对项目投资风险成因的分析,运用Delphi法向多位有丰富实践经验的专家进行调查咨询,并参考大量以往有关研究资料[2～7],建立一套较为系统、合理的房地产项目投资风险评价指标体系,如图1所示:

p,误差EAV变得足够小。

EAV

1=2

k=1j=1

∑∑(c

(k)j

其中EAV为学习的目标函数。

θ(0<α<1)j=θj+α·dj　

-cj)2

3.1　工程项目投资风险因素指标体系的建立

Tr=Tr+α·er　　(0<α<1)

3　工程项目投资风险评价的BP网络模型的建立

图1　房地产工程项目投资风险因素指标体系

⑤调整输入层与隐含层节点间连接权wir及隐含层节

点阀值Tr:

wir=wir+α·ai·er

3.2　工程项目投资风险评价的BP神经网络模型的设计

3)重复步骤(2),直至对于j=1,2,…,n,k=1,2,…,

第25卷

首先需要考虑的是确定网络的结构,包括网络的输入、隐含层及其单元数、输出等。前人研究与应用经验表明,合理确定网络层数与各层的神经元数,是成功应用BP网络模型的关键之一,G.Cybenyo等人证明,具有一个隐含层的神经网络能够以任意精度表示任何连续函数,实践表明采用三层

目

项

评价指标

2004No.1

其中m为输出神经元数,n为输入神经元数,a为1—10间的常数。

n1=log2n,n为输入神经元数。

以上的隐含层并没有任何益处。因此,本文所建立的网络模型包括一个输入层、一个隐含层和一个输出层。

1)输入层单元数的确定

根据前面建立的风险评价指标体系,将最底层的12个风险因素作为网络输入。由于本模型是应用于项目决策前期,所以建立指标体系所考虑的因素均为定性因素,在进行输入节点输入时,先将指标定量化,以便于网络模型的应用。

2)隐含层单元数的确定

隐含层单元数的选择是一个非常复杂的问题,它与输入输出单元的多少都有直接关系,神经网络理论尚没有一个满意的答案。在实际操作中,可参考下面两个公式确定[8]。

2n1=

1654321

政策

图2　风险评价模型训练后的网络误差记录

0.4988n+m+a

0.3298

0.4001

0.4234

0.4854

0.4604

0.3744

0.7702

城市

规划

0.5266

0.3351

0.4976

0.4166

0.5926

0.5384

0.4702

0.5406

社会

0.423

0.4107

0.4120

0.4423

0.3785

0.4744

0.4312

0.3012

市场

0.613

0.682

0.4505

0.3076

0.5102

0.5203

0.6456

0.5686

财务

0.512

0.573

0.5020

0.4868

0.4461

0.5194

0.3936

0.5294

金融

0.669

0.3679

0.3187

0.4762

0.4768

0.4952

0.4994

0.4106

测

·13·

经营管理

0.51070.54230.59720.55940.46420.5678010001。

项目编号

0.4461

0.5523

训练样本如表1所示:为了使隐层节点数更合适,可以通过误判率的大小来确

定。根据测试,本模型隐含层节点选取为9。

表1　神经网络模型的训练样本输入

注:项目各评价指标的大小可以分为大、较大、一般、较小、小5个等级,将其量化为(0.9,0.7,0.5,0.3,0.1)5个数值

营销

策略

0.3970.50030.55010.49940.48000.5124

表3　神经网络模型的检测样本输入

张俊玲,等:工程项目投资风险评价模型研究

3)输出层单元数的选择

　　2)BP模型的检测

检测样本的输入及输出分别见表3及表4。

实际输出0.61900.35130.49580.54230.47230.4255

专家评价0.6130.35220.50490.53580.47460.4143

误差满足要求,此时EAV=0.00009997,见图2,训练结果见表2。

表2　神经网络模型的训练样本输出

输出节点选择对应于评价结果,在本文建立的模型中,由于最终的结果是一个评价数值,即综合评价分数,代表不同的风险程度,因此选择1个输出节点。

综合上述,本文的神经网络模型为12×9×1。

3.3　工程项目投资风险评价BP神经网络模型的训练和检

　　运用神经网络模型的程序软件对工程项目投资风险评价模型进行学习训练,运用6个样本输入、输出值对前面建立的神经网络模型进行学习训练,通过训练1155次后,总体

　　1)BP模型的训练

通过训练完成网络对样本的学习。选取8个房地产工程项目的相关数据作为训练样本和检测样本(6个作为训练样本,2个作为检测样本),输入样本后系统按照1.2节中介绍的BP算法来学习,直到误差EAV满足预先设定的要求时,系统停止学习,此时的权值矩阵与阀值向量固定下来,成为系统内部知识。在此设定学习速率为0.05,误差限制在

0.4266

0.3234

20.486

项目

控制

0.4833

0.5020.44250.45010.45520.44020.4352

0.4910.39860.47300.38040.34180.4494

0.55230.50120.57580.53120.32540.4602

0.3910

0.4021

0.4435

0.4688

0.3034

0.5468

实施技术

0.3107

0.4102

自然条件

0.3586

0.4521

区位条件

工程项目管理

0.4488

0.5523

工程项目管理

表4　神经网络模型的检测样本输出

项目编号

专家评价0.41030.3343

基　建　优　化

第25卷

实际输出

0.41170.3248

4　工程项目投资风险评价BP网络模型的应用实例

　　检测样本网络输出结果与专家评价结果基本相符合,误

差为EAV=0.00004628,满足要求。这样,一个用于工程项目投资风险评价的人工神经网络BP模型已经学习训练成功,可以用此模型对工程项目投资风险进行风险数值评价,以作为项目决策者的决策依据。

表5　神经网络模型的实例应用政策

0.431

城市规划0.543

社会0.4342

市场0.5608

财务0.543

金融0.513

某市一房地产开发项目,是经市规划局批准、紧邻市区的建设项目,建成后主要用于居民居住。项目决策者针对该项目向有关专家进行咨询和调研,经过对调研数据进行整理,得到各个指标的评价数值如下表5,运用已经训练好的网络模型进行预测,得出最终风险数值为0.5482,说明该项目存在一定的风险。

经营管理营销策略项目控制实施技术自然条件区位条件0.57260.47880.48920.49220.48600.5706方面的风险进行防范。运用神经网络模型还可以很方便的得出当项目中存在的某几个风险因素变动时的最终风险评价结果。

5　结论

表6　各风险因素单独变化的敏感性分析

变化率

基本项目

政策(0.431)

城市规划(0.543)社会(0.4342)

变化后的分数值

0.47410.38790.57930.48870.47760.39080.61690.50470.59730.48870.56430.46170.62990.51530.52670.43090.53810.44030.54140.44300.53460.43740.62770.5135

评价值

0.5482

与基本评价值的偏差

+0.0017-0.0018+0.005-0.0141+0.0167-0.0202+0.0064-0.0097+0.0128-0.0128+0.0131-0.0217+0.0315-0.0395+0.0014-0.012+0.0004-0.0052+0.0350-0.0572+0.0008-0.0002+0.0183-0.0183

+10%-10%+10%-10%+10%-10%+10%-10%+10%-10%+10%-10%+10%-10%+10%-10%+10%-10%+10%-10%+10%-10%+10%-10%

0.54990.54640.55320.53410.56490.52800.55460.53850.56100.53540.56130.52650.57970.50870.54960.53620.54860.54300.58320.49100.54900.54800.56650.5299

风

市场　

险(0.5608)　财务因

　(0.543)素

金融　

及(0.513)　经营管理基

　(0.5726)本

营销策略　

分(0.4788)　项目控制数

　(0.4892)值

实施技术(0.4922)自然条件(0.4860)

区位条件(0.5706)

工程项目由于其自身的建设特点,使得投资风险涉及到方方面面的因素,要保证工程项目顺利建设,确保建设项目的经济效益,就必须进行有效的风险管理。而风险评价是投资风险管理的关键步骤,因此必须给予足够的重视。本文将人工神经网络应用到风险评价中,建立了风险评价的人工神经网络模型,很好的解决了以往的风险评价方法存在的不足。通过与以往的风险评价方法相比,它具有以下优点:(1)它根据所提供的数据,通过学习和训练,找出输入与输出的内在联系,从而求取问题的解,而不是根据经验知识,因而具有自适应功能,这对于弱化权重确定中的人为因素十分有益;(2)通过运用训练好的人工神经网络模型,可以非常方便的进行项目风险评价的敏感性分析,同时可以对多个指标同时变化的情况进行分析,避免了繁琐的计算。

[参考文献]

[1]　曹焕光.人工神经网络原理[M].北京:气象出版社,

1992.[2]　西　宝,董玉学.房地产投资风险评价基本理论[J].哈

尔滨建筑大学学报,1997,30(5):95～99.

[3]　梅传书,钟登华,徐海燕.工程建设项目的风险分析

[J].工程建设与设计,2000,(6):38～40.

[4]　MunhollandB,ChristianJ.Riskassessmentinconstruc2

tionschedules[J].JournalofConstructionEngineeringandManagement,1999,125(1):28～31.

[5]　Ranasinghe,Malik,Russell,AlanD.Economicriskanaly2

sisoflargeengineeringprojects[J].CanadianJournalofCivilEngineering,1991,18(3):416～427.[6]　靳景玉.模糊综合评判与投资效益评价.技术经济与管

理研究[J],2000,(3):37～38.[7]　孔德军,刘冬松.建设项目中的风险识别方法[J].基建

优化,2002,(4).[8]　郝丽萍,胡欣悦,李　丽.商业银行信贷风险分析的人