PPP项目风险评价研究

来源:用户上传      作者:

　　[提要] 项目风险管理一直是人们讨论的热点。本文在风险识别基础上，引入智能算法，构建BP神经网络模型风险评价方法，在MATLAB上进行实证分析。分析表明：相对于传统的风险评价模型，基于主成分分析和BP神经网络的模型能有效地对PPP项目风险进行评价，为项目的风险评判标准提供依据。
　　关键词：PPP模式;风险评价;主成分分析;神经网络
　　中图分类号：F83 文献标识码：A
　　收录日期：2020年3月3日
　　一、引言
　　随着PPP模式从传统工程项目发展到各个专业领域上应用，人们对这种模式的关注度也越来越大。那么，什么是PPP模式呢？通俗来讲，PPP模式就是“公私合营”模式，所谓“公”指的就是政府，而“私”指的就是民营企业。而PPP项目一般指的是政府与民营企业共同去建造一个项目，这个项目一般是指公共基础设施类项目，比如说，高速公路、城市轨道交通（地铁、轻轨）、城市地下综合管廊、水电站等。不难发现这类项目大多都有建造时间长、所需资金流量巨大、结构施工复杂、所需承担风险极高等特点。而这些大型项目如果运用传统建设模式，上述这些难题都很难去得到很好的解决。之所以引进PPP模式，首先它能够提高工程建设的效率，而效率的提高直接反映的结果就是工期将得到缩短，建造的时长也将会减少;其次由于参与了民营企业这一重要角色，也就意味着大量的社会资本流入工程项目中，从而降低了政府资金的紧张性;在施工工艺方面，民营企业拥有比较先进和完善的施工工艺，这比过去政府自己的施工方案更具有竞争力。其中，最具有关键性的一点就是PPP模式能够把项目风险从过去由政府完全承担到现在由政府和民营企业共同承担，这种转变直接影响着对项目风险关键因素的精准把控，而对一个项目的风险因素精准把控直接关系到这个项目的成与败。
　　二、PPP项目风险评价方法的选择
　　关于PPP项目风险评价方法的选择，在项目风险管理中关于风险估计与风险评价有很多的评价方法。下面就简单概述一下这些评价方法，首先一个好的风险评价方法能够使我们更加客观地去评价一个PPP项目成功与否，其次对于一篇论文来说方法的选择对于整篇文章逻辑和核心架构起到了很大的作用。主观评分法：这个方法在项目的风险评价非常常见，主要是根据专家的主观经验，去给某个项目的某项风险去打分，分值到最后形成权重，再根据一定的标准形成最终的得分，其实与主观评分法类似的以打分为机制的评价方法有很多，比方说德尔菲法、熵权法等，这类方法专家越多越好，但是获取分数的整个过程比较复杂，需要一定的时间去完成。蒙特卡洛模拟法：这种方法主要用在风险的量化中，毫无疑问风险的出现必然带来不确定性，而通过蒙特卡洛模拟，可以把风险的这种不确定型给量化出来，形成了数学上的预测区间。层次分析法：这种方法可以列出最后目标的排序，也可以用作各种指标的权重上，在相当多的论文里，发现运用得到指标的权重是最常见的，其实这种方法在计算权重之前一般也要得一些专家评分，再加上这种方法还是以定性为主，得出的结果没有很大的信服力。模糊综合评价法：模糊综合评价法能很好地去界定像风险这类难以确定难以量化的东西，这种方法在风险评价方法中相当常见，但一般不会单独的出现，一般与其他评价方法相结合使用。故障树法：故障树法其实是决策树法的延伸，其方法的逻辑性跟决策树法十分相似，最终的结果也是以一种树状图的形式表达出来，但与决策树不同的是，故障树法是以某一机制的故障去分析，并以此为出发点循序渐进，所以笔者认为故障树法使用起来太具有局限性，需要一定的现实环境和确切的目标条件才能分析出比较好的结果。综上，风险评价的方法不少，除了上述这几种方法，还有很多风险评价方法，比如很多人用灰色关联度等方法。但无论使用哪种方法，需要去思考哪一种方法才是最适合的，毕竟很多方法都有自己所对应的适用范围。本文将以量软件SPSS中的主成分分析和智能算法中的BP神经网络这两种方法进行结合，对PPP项目中所存在的风险因素进行评价。之所以选择这两种方法相结合，在现有的论文中，大部分的以评价做实证分析一般都是两种不同的方法结合，尤其是创新点的提出需要跨领域学科方法去结合。
　　三、PPP项目评价指标构建
　　（一）风险指标的确定。这里所说的风险指标指的是PPP项目中所隐含的风险指标，一般来说风险指标都是根据风险因素转换而来，按照正常程序，首先要做的应该是风险识别，识别出项目所含的风险因素，再从所有的风险因素中提炼出关键的风险指标。这个过程看似简单，实则复杂，首先PPP项目体系庞大，内容板块交错复杂，其风险因素比较多，指标提取在一定有限时间内难以整理全面。所以在选取指标时，主要思路是：首先通过阅读大量的文献即文献查阅法，整理出比较有代表性的16个PPP项目，在这16个PPP项目中，分别对每一个PPP项目去分析原作者给出的一级风险指标和二级风险指标，最后对所有PPP项目做一个综合，得出了7个主要一级指标和36个二级指标。指标选取完毕后，接下来就是对风险指标的量化，同样通过大量的项目案例，每个案例的风险指标已有最后评出的相应评分，笔者通过整合这些对应的评分，再做一个简单的加权处理（依据项目的时间长度以及资金的大小）后，最终得到了每个指标综合的评分，具体见表1。最后再给定一个风险评判区间：[0，2]，[2，4]，[4，6]，[6，8]，[8，10]这五个区间，具体见表2。（表1、表2）
　　（二）对风险指标的降维。对于一个大型项目来说，风险指标一般都有很多个，风险指标之间可能存在着多重共线性的影响，比如说工程技术指标与建设成本指标就存在多重共线性关系，如果工程技术先进并且完善的话，必然会带来建设成本的降低，类似的指标还有很多，所以需要对这些指标进行降维处理，这样经过处理后的主成分指標再输入到BP神经网络模型中，得出来的结果会更加精确。根据SPSS软件，对整理出来的这些指标做一个主成分分析，最终的软件给出的结果表3、表4所示。（表3、表4） 　　通过上面的表格，我们可以通过得到的特征值来求得特征向量，比如说，第一个特征值是6.314，那么其对应的特征向量为[]，化作小数则为[-0.110，0.173，0.299，…，0.184，0.029，0.038]，则第一个主成分的函数方程式则为：F1=-0.11C11+0.173C12+0.299C13+…+0.184C64+0.029C71+0.038C72。这只是第一个主成分的表达式，同理还有其余几个主成分的表达式这里就不一一展示。
　　四、引入神经网络模型
　　这里先简单概述下BP神经网络，在了解BP神经网络前，先说下什么是神经网络，一般所说的神经网络是指人工神经网络，其实这种神经网络跟真正的大脑神经网络没有很大的联系，只是有些概念引用了生物学上的模型，按照字面的理解，简单来说神经网络就是就是由一个个传感器相互连接组成的整体，当这一个个传感器接收到了外界的信息时，就会对外界信息做一个识别分类处理，把他归到某一类。其实这些感受器的名字就叫做神经元。神经网络的图示模型其实有点像在管科前沿里学过的复杂网络，由一个个节点组成有相互关系的网络，只不过复杂网络里的节点在神经网络里替换成了神经元。神经网络把这些神经元分成三个板块，一个是输入层，一个是中间的隐含层，还有一个输出层。而BP神经网络是神经网络的一种，也是目前来说，研究得比较广泛的一种神经网络算法，一般来说这种算法多用于预测研究或者排查某方面的故障，本文主要是用这种单隐层BP神经网络去做风险评价。大体思想沿用了神经网络的思想，不同的是BP神经网络是基于误差反向传播去训练的算法，从而使得模型中的输出层误差得到最小。这里不深入研究这种算法的特点以及具体过程和原理，只需要在MATLAB软件中输入相关数据就可以得到我们想要的结果。经过上文的主成分分析，可以确定要输入的向量有11个，也就是输入层神經元11个。根据判断中间层神经元有23个，根据表2中划分的风险等级，可以确定5维输出即5个输出神经元。综上，本文BP神经网络为11*23*5。
　　在BP神经网络中，需要弄清楚各层的神经元传递函数类型，一般来说中间层传递函数为sigmoid，为了保证统一性，这里将输出层的传递函数也设定为sigmoid。通常用训练误差来调整BP神经网络各层的input权重和偏置，而这之间依据的算法一般有两种，一种是梯度下降法，还有一种是最小二乘法。本文BP神经网络是以梯度下降算法为基准的训练算法，traingda为其对应的函数。规定以下参数，如表5所示。（表5）
　　在训练样本中选取的是前14个项目，最后BP神经网络迭代完成一共只需237次。本文将项目15和项目16的数据输入以测试其效果，测试后显示项目15和项目16的风险等级依次为较小和一般，见表6。这个结果与之前的风险等级判断的结果是相同的，说明这种依据BP神经网络的模型对于风险的评价可以准确运行。（表6）
　　针对MATLAB所预测出来的结果，建议如下：对于像项目15这类风险较小的项目，表示项目风险对于项目的相关人来说在可控制与可接受的范围内，在这种情况下，项目只需按照规定与流程按部就班，做好关键风险点的把控，项目风险管理就可以达到预期效果;对于类似项目16的项目，风险等级判定为一般，说明在项目可以继续运营下去，但需要注意的是，此类项目在前期应当注重市场调查以及风险研究，避免加大项目风险甚至出现风险连环事件;对于其他风险较大的项目来说，应当从政府层面进行考虑，政府要进行相关风险回避手段，或者对项目的运行模式和机制进行更换，直至将风险降到能够使项目正常运行为止。
　　五、总结
　　本文首先概述了PPP模式的基本特点，通过其独有的特点分析出PPP模式所隐含的风险与一般其他项目管理模式所包含的风险不同，具有多风险、高风险等特征，其次简单概括了针对PPP项目所含项目风险常用的评价方法，每种方法都有其特定的适用范围，而本文所采用的方法是主成分分析法与BP神经网络模型相结合的风险评价模型，接下来从阅读的论文中搜集16个有代表性的PPP项目，对其指标与数据进行整合构建风险评价指标体系表，然后对所得指标进行主成分降维，以便于后面模型更好地训练和输入。紧接着将得出的主成分作为输入数据，再设定好相关参数后，运用MATLAB运行BP神经网络模型，得出项目的风险预测结果，最后将项目15和项目16进行预测验证，结果显示与得出的预测结果温和，说明PCA-BP神经网络模型在进行风险评价时是有效的，最后根据所评判的项目风险等级给出了相应意见。在本文的风险评价方法上，与传统的风险评价模型相比，基于主成分分析和BP神经网络的模型能有效地对PPP项目风险评价。主成分分析能够将风险指标进行降维和消除共线性的影响，而BP神经网络对风险数据的处理效率高，信息捕获性强，拥有着与其他智能算法一样的学习与适应能力，因此这两种方法的结合能够实现PPP项目的风险评价。
　　主要参考文献：
　　[1]范闯，刘玉明.浅析PPP模式的智慧城市建设风险与利益分配方法[J].哈尔滨工业大学学报（社会科学版），2019.21（2）.
　　[2]金晶，李宗昊，朱亮，童心豪，杨长卫.BP神经网络在铁路建设风险评估中的应用[J].铁道工程学报，2019.36（3）.
　　[3]陶洋，顾伟红.基于因子分析和BP神经网络的地铁盾构施工成本风险分析[J].科学技术与工程，2018.18（14）.
　　[4]温来成，孟巍.政府和社会资本合作（PPP）项目预算管理及风险控制[J].河北大学学报（哲学社会科学版），2017.42（6）.
　　[5]陶思平.PPP模式风险分担研究——基于北京市轨道交通的分析[J].管理现代化，2015.35（4）.
转载注明来源:https://www.xzbu.com/2/view-15195042.htm