張 禾

（重慶同乘工程咨詢設(shè)計(jì)有限責(zé)任公司，中國 重慶400023）

0 引言

當(dāng)建設(shè)項(xiàng)目投資需求金額很大，業(yè)主通?？刹捎庙?xiàng)目融資的方式建設(shè)。由于項(xiàng)目融資時間長、規(guī)模大、參與方多、結(jié)構(gòu)復(fù)雜，導(dǎo)致融資風(fēng)險(xiǎn)極大，它直接關(guān)系到項(xiàng)目融資能否成功以及項(xiàng)目能否進(jìn)行建設(shè)。因此，有效的風(fēng)險(xiǎn)管理通常能夠較好的防范或者是降低風(fēng)險(xiǎn)帶來的損失，而在風(fēng)險(xiǎn)管理過程中，風(fēng)險(xiǎn)評價(jià)則是非常重要的一個環(huán)節(jié)，所以選擇合適的風(fēng)險(xiǎn)評價(jià)模型就起到了關(guān)鍵性的作用。本文研究采用了基于BP 神經(jīng)網(wǎng)絡(luò)的模糊綜合評判模型。該模型既考慮到了風(fēng)險(xiǎn)評價(jià)具有模糊性，也利用了神經(jīng)網(wǎng)絡(luò)具有較好的學(xué)習(xí)能力、加速權(quán)重的學(xué)習(xí)調(diào)整的優(yōu)點(diǎn)。

1 基于BP 神經(jīng)網(wǎng)絡(luò)的模糊綜合評判模型

基于BP 神經(jīng)網(wǎng)絡(luò)的模糊綜合評判模型是指在BP 神經(jīng)網(wǎng)絡(luò)評價(jià)系統(tǒng)的基礎(chǔ)上引入模糊邏輯，使其能夠直接處理一些模糊性的信息。它的基礎(chǔ)模型是三層BP 神經(jīng)網(wǎng)絡(luò)模型，在基礎(chǔ)模型的輸人層前增加了模糊語言量化層，從而能夠處理那些模糊語言描述的信息，同時能讓模糊化處理、規(guī)則與推理轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，綜合評判模型如圖1 所示。

圖1 基于BP 神經(jīng)網(wǎng)絡(luò)的模糊綜合評判模型

1.1 模糊信息輸入量化層

通過模糊信息的輸入量化層預(yù)處理之后，就能將模糊概念融入到BP 神經(jīng)網(wǎng)絡(luò)中。模糊信息的評價(jià)指標(biāo)值不是反映的分值大小,而是反映出對某些模糊評價(jià)觀念隸屬度的高低。

BP 神經(jīng)網(wǎng)絡(luò)模型前置的模糊信息輸入量化層將指標(biāo)的特征值轉(zhuǎn)化為其隸屬度,轉(zhuǎn)換過程如下：

根據(jù)定量因素指標(biāo)的屬性, 因素指標(biāo)對最優(yōu)評價(jià)的隸屬度分別為以下三種情況：

1）指標(biāo)屬性越大越優(yōu)

2）指標(biāo)屬性越小越優(yōu)

3）指標(biāo)屬性適中為優(yōu)

1.2 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2.1 BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)原理

BP 神經(jīng)網(wǎng)絡(luò)是一種多層次反饋型網(wǎng)絡(luò)，所使用的是有“導(dǎo)師”的學(xué)習(xí)算法。網(wǎng)絡(luò)由一個輸入層、若干個隱含層和一個輸出層組成，每層都有一個或多個神經(jīng)元節(jié)點(diǎn)，下層每個神經(jīng)元與上層每個神經(jīng)元都實(shí)現(xiàn)權(quán)連接，輸入信號先向前傳播到隱含層節(jié)點(diǎn)，經(jīng)過函數(shù)作用，再把隱含節(jié)點(diǎn)的輸出信號傳播到輸出節(jié)點(diǎn)，如果輸出層得不到期望的輸出，則反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元權(quán)值，使得誤差信號最小。

1.2.2 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

1）輸入層節(jié)點(diǎn)數(shù)

輸入層節(jié)點(diǎn)數(shù)是指評價(jià)指標(biāo)個數(shù)。實(shí)際應(yīng)用中，輸入節(jié)點(diǎn)的數(shù)目由風(fēng)險(xiǎn)因素的數(shù)目來決定，使輸入層數(shù)據(jù)的全面性得到了有效保證。

2）隱含層層數(shù)及節(jié)點(diǎn)數(shù)

隱含層的作用主要是從輸入的樣本信息中提取特征。增加隱含層層數(shù)可以降低誤差、提高精度，但同時也使網(wǎng)絡(luò)復(fù)雜化，從而增加網(wǎng)絡(luò)權(quán)值的訓(xùn)練時間。當(dāng)采用S 型函數(shù)作為激活函數(shù)時，一個隱含層就能滿足實(shí)現(xiàn)需要的判決分類，所以目前很多評價(jià)模型都選用1 個隱含層。

隱含層節(jié)點(diǎn)的作用主要是從輸入的樣本中提取并儲存其內(nèi)在規(guī)律。若隱含層節(jié)點(diǎn)數(shù)量過少，可能訓(xùn)練不出網(wǎng)絡(luò)或者網(wǎng)絡(luò)不夠“強(qiáng)壯”，不能識別以前沒遇到過的樣本，容錯性差；但節(jié)點(diǎn)數(shù)量過多，又會使學(xué)習(xí)時間過長誤差也不一定最佳，還容易出現(xiàn)“過度吻合”的問題，降低了網(wǎng)絡(luò)泛化的能力。通過大量實(shí)踐研究，目前已獲得比較科學(xué)的節(jié)點(diǎn)數(shù)量計(jì)算公式。最佳隱含層節(jié)點(diǎn)數(shù)量公式：

在上式中，N 為最佳隱含層節(jié)點(diǎn)數(shù)，n 為網(wǎng)絡(luò)輸入層輸入節(jié)點(diǎn)數(shù)，m 為網(wǎng)絡(luò)輸出層輸出節(jié)點(diǎn)數(shù)，a 為1-10 之間的一個常數(shù)。

輸出層節(jié)點(diǎn)數(shù)由評價(jià)結(jié)果的需要來確定。

3）訓(xùn)練次數(shù)

最佳的訓(xùn)練次數(shù)能使建立好的模型獲得較好的泛化能力。為了得到最佳的訓(xùn)練次數(shù)，可將樣本數(shù)據(jù)分為訓(xùn)練集和測試集，訓(xùn)練集用來訓(xùn)練修改BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值，直到輸出結(jié)果與期望值之間的誤差滿足要求，其原理如圖1 所示。經(jīng)過一定數(shù)量的訓(xùn)練次數(shù)后，網(wǎng)絡(luò)的訓(xùn)練誤差和測試誤差隨著訓(xùn)練次數(shù)的增加而減少，但當(dāng)訓(xùn)練次數(shù)超過某一值后，測試誤差會隨著訓(xùn)練次數(shù)的增加而增加。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中，設(shè)定好時間間隔，測試網(wǎng)絡(luò)誤差并記錄下權(quán)值，當(dāng)發(fā)現(xiàn)測試誤差開始增加時，就已達(dá)到最佳的訓(xùn)練次數(shù)。

1.2.3 BP 神經(jīng)網(wǎng)絡(luò)的算法

BP 神經(jīng)網(wǎng)絡(luò)主要分為網(wǎng)絡(luò)的學(xué)習(xí)過程和網(wǎng)絡(luò)的檢驗(yàn)過程，也就是用一定數(shù)量的樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)（學(xué)習(xí)過程），然后用一定數(shù)量的樣本數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試（檢驗(yàn)過程）。每一樣本具體算法過程如下：

1）原始數(shù)據(jù)通過輸入量化層的模糊轉(zhuǎn)換后，輸入網(wǎng)絡(luò)，給出相應(yīng)的期望值。并給wir，vrj，Tr，θj隨機(jī)賦一個較小的值，其中wir是輸入層節(jié)點(diǎn)ai到隱含層節(jié)點(diǎn)br的連接權(quán)值，vrj是隱含層節(jié)點(diǎn)br到輸出層節(jié)點(diǎn)cj間的連接權(quán)值，Tr是隱含層節(jié)點(diǎn)的閥值，θj是輸出層節(jié)點(diǎn)的閥值。

其中f（·）為神經(jīng)元輸入與輸出之間的轉(zhuǎn)換函數(shù)。Sigmoid型函數(shù)由于對線性和非線性問題都能很好的適應(yīng)，應(yīng)用也最為廣泛，所以本文模型采用此函數(shù)，其函數(shù)形式如下：

4） 調(diào)整隱含層與輸出層節(jié)點(diǎn)間連接權(quán)值vrj及輸出層節(jié)點(diǎn)閥值θj：

調(diào)整輸入層與隱含層節(jié)點(diǎn)間連接權(quán)wir及隱含層節(jié)點(diǎn)閥值Tr：

2 應(yīng)用舉例

以工程項(xiàng)目風(fēng)險(xiǎn)評價(jià)來說明該模型的應(yīng)用。

2.1 工程項(xiàng)目風(fēng)險(xiǎn)評價(jià)指標(biāo)體系

根據(jù)全面性、獨(dú)立性、可比性和準(zhǔn)確性相結(jié)合的原則，參考大量相關(guān)文獻(xiàn)資料，并運(yùn)用德爾菲(Delphi)法咨詢多位實(shí)踐經(jīng)驗(yàn)豐富的專家，建立一套較為合理、系統(tǒng)的業(yè)主項(xiàng)目融資風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，并為各指標(biāo)分配權(quán)值。建立好的指標(biāo)體系如下所示。

2.2 基于BP 神經(jīng)網(wǎng)絡(luò)的模糊綜合評判模型構(gòu)建

神經(jīng)網(wǎng)絡(luò)模型輸入層取12 個神經(jīng)元； 隱含層經(jīng)計(jì)算確定為5 個神經(jīng)元；輸出層取1 個神經(jīng)元,輸出為工程項(xiàng)目風(fēng)險(xiǎn)系數(shù)；因此,神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為12×5×1。其中隱含層選用一層，采用S 型函數(shù)作為激活函數(shù)。

表1 網(wǎng)絡(luò)權(quán)值Wir

表2 網(wǎng)絡(luò)權(quán)值Wrj

將取得的10 個業(yè)主項(xiàng)目融資風(fēng)險(xiǎn)評估案例隨即分為8個訓(xùn)練樣本和2 個測試樣本, 樣本數(shù)據(jù)通過模型的模糊輸入層轉(zhuǎn)換為隸屬度值，然后進(jìn)入到模型的神經(jīng)網(wǎng)絡(luò)部分，依據(jù)上文中描述的神經(jīng)網(wǎng)絡(luò)算法, 利用輸入樣本數(shù)據(jù)對該網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試，即經(jīng)歷學(xué)習(xí)過程和檢驗(yàn)過程。計(jì)算過程可結(jié)合matlab 軟件的應(yīng)用，最后獲得了穩(wěn)定的網(wǎng)絡(luò)狀態(tài)和較高的計(jì)算精度。故可用該模糊神經(jīng)網(wǎng)絡(luò)綜合評判模型處理工程項(xiàng)目風(fēng)險(xiǎn)評估問題。訓(xùn)練好的網(wǎng)絡(luò)權(quán)值如表1、表2。

3 結(jié)論

利用BP 神經(jīng)網(wǎng)絡(luò)模糊綜合評判模型來實(shí)現(xiàn)評價(jià)功能,不僅使評價(jià)系統(tǒng)具有了學(xué)習(xí)能力。同時,還結(jié)合了模糊評價(jià)的優(yōu)勢解決了業(yè)主項(xiàng)目融資風(fēng)險(xiǎn)評價(jià)的模糊性問題。并且各個評價(jià)指標(biāo)的權(quán)重是由網(wǎng)絡(luò)通過學(xué)習(xí)自動生成的, 它避免了傳統(tǒng)評價(jià)方法中人為確定權(quán)重的主觀性,彌補(bǔ)了傳統(tǒng)方法的不足,使評價(jià)的結(jié)果更具客觀性和準(zhǔn)確性。

本文用基于BP 神經(jīng)網(wǎng)的模糊綜合評判模型對業(yè)主項(xiàng)目融資風(fēng)險(xiǎn)進(jìn)行了綜合評價(jià)，利用matlab 編寫相關(guān)程序并且實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的權(quán)值學(xué)習(xí), 在實(shí)際評價(jià)中取得了令人滿意的結(jié)果,表明此方法是可行的,具有推廣和應(yīng)用價(jià)值。

［1］周志華.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大學(xué)出版社，2OO4：25－33.

［2］鄧鐵軍，仇一顆.工程風(fēng)險(xiǎn)管理[M].北京：人民交通出版社，2004.

［3］董長虹.Matlab 神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防科技大學(xué)出版社，2005.

［4］柴美娟.基于BP 人工神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)投資項(xiàng)目評價(jià)模型的研究與設(shè)計(jì)[J].浙江工商職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2009(06).

［5］Dongping Fang，Mingen Li.Risks in Chinese Construction Market-Contractors' Perspective [J].Journal of Construction Engineering and Management，2004(11).