包相相，楊和禮，景有榮

(1.武漢大學(xué) 土木建筑工程學(xué)院，湖北 武漢 430072;2.淮陰工學(xué)院 土木工程學(xué)院，江蘇 淮安 223000)

BT(Build Transfer)即建設(shè)-移交融資模式，其源于BOT模式又區(qū)別于BOT模式，主要是指政府部門為了解決基礎(chǔ)設(shè)施建設(shè)的投資問題，充分吸引社會上的一切非政府資金參與非經(jīng)營性項目建設(shè)中的一種新型融資方式。據(jù)相關(guān)數(shù)據(jù)報道，截止到2012年底，我國的城鎮(zhèn)化率已經(jīng)達到了52.57%。而城鎮(zhèn)化率處于30% ～70%之間時是城鎮(zhèn)化增長的最快階段，同時也是城市基礎(chǔ)設(shè)施建設(shè)加速增長的時期，因此BT融資方式對于我國當(dāng)前的建設(shè)具有重大的實際意義。

我國對于BT融資模式在很多工程上也有應(yīng)用，尤其是被用于我國的基礎(chǔ)公共設(shè)施項目的建設(shè)?；A(chǔ)設(shè)施項目的建設(shè)具有規(guī)模大、周期長、參與主體多、影響因素多等特征，因此在投資建設(shè)的全過程中會存在各種風(fēng)險因素［1］。為了有效地避免各類風(fēng)險造成的損失，以及準確地預(yù)測投資者能夠承受的風(fēng)險程度，對BT項目建設(shè)風(fēng)險等級進行有效的評價是非常必要的?，F(xiàn)在對BT工程項目風(fēng)險評價的方法主要是一些傳統(tǒng)的風(fēng)險分析方法，本文試圖運用一種較為新穎的分析方法，即利用BP神經(jīng)網(wǎng)絡(luò)模型對BT工程項目的風(fēng)險進行評價。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)的定義及結(jié)構(gòu)模型

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)中除輸入輸出節(jié)點外，還有一層或多層隱層節(jié)點，同層節(jié)點中沒有任何耦合［2］。BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模型如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)模型

1.2 BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)風(fēng)險分析方法的對比

傳統(tǒng)的項目風(fēng)險評價方法主要有主觀評分法、層次分析法、蒙特卡洛模擬法、模糊數(shù)學(xué)分析法等。而這些方法一方面會受到較大的主觀因素影響，容易使評價結(jié)果存在較大的誤差;另一方面無法實現(xiàn)對影響因素較復(fù)雜的工程項目風(fēng)險的準確預(yù)測［3］。采用BP神經(jīng)網(wǎng)絡(luò)方法能夠很好地克服以上方法的缺陷，這種方法主要是通過模擬人的思維，對一定規(guī)模的樣本進行處理、學(xué)習(xí)并記憶過程，從而實現(xiàn)對樣本的自適應(yīng)調(diào)整等功能。這就避免了主觀因素的干擾，并能夠在較快時間內(nèi)實現(xiàn)對復(fù)雜因素的準確處理，有效地對工程項目的風(fēng)險等級進行評價，具有較強的適用性。

2 BT工程項目風(fēng)險評價的BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.1 工程項目概況

A市軌道交通地鐵工程項目采用的是BT融資模式，工程項目的融資總額大約為135.8億元。計劃施工工期為53個月。該地鐵工程項目全長為20.173 km，其中主體線路長度為16.528 km，采用全線地下鋪設(shè)的方法。全程設(shè)置12個站臺，7個換乘站。

A市位于我國中部地區(qū)，氣候條件比較適宜，出現(xiàn)極其惡劣的環(huán)境概率較小。雖然該地鐵工程線路經(jīng)過的地貌以平原為主，但由地質(zhì)勘察機構(gòu)勘察發(fā)現(xiàn):工程地質(zhì)條件較為復(fù)雜，土層主要有人工填土層，承載能力較差的軟土、松軟土層，一般的沉積粘性土或粉細砂層，堅硬的承載力較高老粘土層，中粗砂層及砂土層，甚至還存在下伏基巖。而水文地質(zhì)條件主要有上層滯水，第四系空隙潛水，還有基巖裂縫水三種［4］。為了不影響當(dāng)?shù)芈糜尉皡^(qū)以及道路交通等，該地鐵工程項目采用盾構(gòu)法進行施工。

該項目參與方主要有A市政府、中國鐵路建設(shè)公司、南瑞建設(shè)集團、中國電力通信有限公司、地質(zhì)勘察機構(gòu)、工程咨詢監(jiān)理有限公司、工程建設(shè)監(jiān)理有限公司等。其中中國鐵路建設(shè)公司、南瑞建設(shè)公司和中國電力通信有限公司三家聯(lián)合成立了A市地鐵集團。根據(jù)對當(dāng)?shù)氐腉DP、一般預(yù)算年收入、財政可支配收入、財政負債率等各項調(diào)查評比可知A市政府的財政能力良好。而簽訂的承建單位對于此類工程項目也具備一定的經(jīng)驗，具有國內(nèi)先進的施工技術(shù)。

2.2 BT工程項目風(fēng)險評價指標(biāo)體系的建立

本文主要從BT工程項目的投資方，即A市地鐵集團所承擔(dān)的風(fēng)險進行分析。根據(jù)一般項目風(fēng)險分析的方法，從項目的風(fēng)險源頭出發(fā)，再結(jié)合BT工程項目固有的特征，可以得出BT工程項目的風(fēng)險一般包含以下幾個方面:政治風(fēng)險、經(jīng)濟風(fēng)險、建設(shè)風(fēng)險、回購風(fēng)險、自然風(fēng)險以及管理風(fēng)險，對這幾個風(fēng)險進行細分，可以得出BT工程項目風(fēng)險評價指標(biāo)體系，如圖2所示。

圖2 BT工程項目風(fēng)險評價指標(biāo)體系

2.3 BP網(wǎng)絡(luò)模型設(shè)計

2.3.1 網(wǎng)絡(luò)層數(shù)的確定

Hecht Nieken曾經(jīng)指出，對于一個閉區(qū)間的連續(xù)函數(shù)可以采用只含一個隱含層的BP神經(jīng)網(wǎng)絡(luò)進行逼近。后來Robert對網(wǎng)絡(luò)層數(shù)的確定問題進行了深入的研究，同樣發(fā)現(xiàn)了這一結(jié)論。并從另外一方面總結(jié)出這樣的結(jié)論:隱含層較多的情況下BP神經(jīng)網(wǎng)絡(luò)更容易陷入局部的極小，這不利于對樣本進行訓(xùn)練［5］?；谝陨系挠^點，本文的BP網(wǎng)絡(luò)層數(shù)確定為3層，即輸入層、一個隱含層與輸出層。

2.3.2 網(wǎng)絡(luò)各層節(jié)點數(shù)的確定

(1)輸入層節(jié)點數(shù)的確定

根據(jù)圖2，BT工程項目的風(fēng)險一般具有18個評價指標(biāo)，將這些風(fēng)險指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點數(shù)，即為18。

(2)隱含層節(jié)點數(shù)的確定

隱含層節(jié)點數(shù)選擇是否恰當(dāng)，在很大程度上會影響網(wǎng)絡(luò)訓(xùn)練的精確程度。如果選擇的節(jié)點數(shù)過少，則會造成較大的局部極小，且容錯性能較弱;若節(jié)點數(shù)過多，則訓(xùn)練的時間長，也容易造成較大的誤差。但至今還未形成一個公認的確定隱含層節(jié)點數(shù)方法，現(xiàn)存常用的方法有試算法、經(jīng)驗公式法、聚類分析法等。經(jīng)過后人的研究又提出了一個較新的方法，即黃金分割點法，這種方法的主要思想為:分別將神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)與輸出層節(jié)點數(shù)記為s和r，那么所求最佳節(jié)點數(shù)n的范圍就應(yīng)該在a=≤n≤s+r+10=b范圍內(nèi)選取。

采用黃金分割點優(yōu)化算法的步驟為:

第一步:在［a，b］內(nèi)確定第一個試驗點，其選取的位置為g1=0.618×(b－a)+a，并得結(jié)果記為E(g1)。

第二步:確定第二個試驗點位置，g2=0.382×(b－a)+a，其結(jié)果為 E(g2)。

比較E(g1)與E(g2)，若E(g1)較好，則確定下一個區(qū)域范圍為［g2，b］;反之則選取的范圍是［a，g1］;若兩者相等，則范圍確定為［g2，g1］。

重復(fù)以上步驟，即可確定出最佳的隱含層節(jié)點數(shù) n，其中 E(n)=min{E(g1)，E(g2)}。

(3)輸出層單元數(shù)的確定

輸出層主要指BT工程項目風(fēng)險等級的輸出，因此只有一個節(jié)點，則可得輸出層的節(jié)點數(shù)為1［6］，其中對工程項目風(fēng)險等級評價標(biāo)準見表1。

表1 BT工程項目風(fēng)險評價指標(biāo)的評分標(biāo)準

2.3.3 網(wǎng)絡(luò)函數(shù)的選取

(1)傳遞函數(shù)的選取

由于該系統(tǒng)是非線性的，因此可以選擇S型函數(shù)Sigmoid，該激活函數(shù)可以將輸入值縮小到(0，1)范圍內(nèi)再輸出［7］。對于 BT項目風(fēng)險評價等級的輸出結(jié)果，其取值范圍也在(0，1)內(nèi)，因此輸入層與隱含層、隱含層與輸出層之間的激活函數(shù)均可取此函數(shù)，其通常的表達形式為f(x)=1/(1+exp－bx)，本文中的b取1。

(2)訓(xùn)練函數(shù)的選取

最初BP神經(jīng)網(wǎng)絡(luò)結(jié)果模型采用梯度下降法，可在實際運行時效率較低，經(jīng)過不斷改進，形成了更為高效的訓(xùn)練函數(shù)，如動量梯度下降法以及動量和自適應(yīng)梯度下降法，這兩種方法均能加快學(xué)習(xí)速率與收斂速度［8］。本文在實際操作時采用動量梯度下降法進行訓(xùn)練。

2.3.4 相關(guān)參數(shù)的確定

(1)初始權(quán)值的確定

初始權(quán)值的確定要確保輸入值盡量接近于零，以保證輸入值不處于激活函數(shù)的飽和區(qū)內(nèi)，因此可將權(quán)值設(shè)定為(0，1)范圍內(nèi)的隨機數(shù)。

(2)學(xué)習(xí)速率的確定

較小的學(xué)習(xí)速率能夠保證系統(tǒng)運行時的穩(wěn)定性，通常情況下的速率選取范圍是0.01～0.8之間，本文選取 0.05。

(3)期望誤差的確定

期望誤差的確定一般會受到隱含層單元數(shù)與訓(xùn)練次數(shù)的影響。若誤差較小，則相應(yīng)的隱含層單元數(shù)與訓(xùn)練次數(shù)也就相應(yīng)增加，本文在實際訓(xùn)練時選取為0.0001。

(4)訓(xùn)練次數(shù)的確定

訓(xùn)練次數(shù)并不是越大越好，只有在一定范圍內(nèi)，隨著訓(xùn)練次數(shù)的增加，其訓(xùn)練誤差與測試誤差均會減少。但超過一定范圍之后，訓(xùn)練誤差仍會減少，可測試誤差反而增加，因此一個最佳的訓(xùn)練次數(shù)對于模型的精確度有重要影響，本文在運行時選取訓(xùn)練次數(shù)為10000次。

(5)動量因子的確定

與傳統(tǒng)的梯度下降法相比，增加動量因子有助于減小訓(xùn)練過程中的震蕩，增強其收斂速度［9］，本文的動量因子確定為 0.5。

3 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與檢測

3.1 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

為了驗證該模型的可行性，通過大量收集BT工程項目風(fēng)險相關(guān)的經(jīng)驗數(shù)據(jù)，選取了其中9個樣本作為訓(xùn)練樣本，這些數(shù)據(jù)資料的收集主要從大量的相關(guān)文獻以及通過調(diào)查承建過BT項目的工程建設(shè)單位匯總整理得出的，具體數(shù)據(jù)見表2。

表2 BT項目風(fēng)險樣本訓(xùn)練集

對數(shù)據(jù)的處理過程主要是通過MATLAB軟件進行的，訓(xùn)練時所使用的參數(shù)按照上文所確定的值，未設(shè)定的則為系統(tǒng)默認數(shù)值。為了更好地確定隱含層的節(jié)點數(shù)，本文選用黃金分割法。根據(jù)黃金分割法的具體操作步驟，首先確定第一個試點為22，并記為模型M1，經(jīng)過訓(xùn)練可以得到誤差變化如圖3所示。

圖3 M1誤差變化

經(jīng)過最大循環(huán)次數(shù)的訓(xùn)練之后，可以得到E(g1)=0.00067。

第二個試點數(shù)為17，記為模型M2，經(jīng)過訓(xùn)練可以得到誤差變化如圖4所示。

其訓(xùn)練后的誤差:E(g2)=0.0001。

圖4 M2誤差變化

通過比較發(fā)現(xiàn)E(g1)＞E(g2)，因此下一個區(qū)間確定為［9，17］，第三個試點數(shù)為14，記為模型M3，訓(xùn)練后的誤差變化如圖5所示。

圖5 M3誤差變化

節(jié)點數(shù)為14時，訓(xùn)練后的誤差:E(g3)=0.0002。

第四個試點數(shù)為12，記為模型M4，訓(xùn)練后的誤差變化如圖6所示:

圖6 M4誤差變化

節(jié)點數(shù)為12時，其訓(xùn)練后的誤差E(g4)=0.0009。因E(g3)＜E(g4)，再下一個區(qū)間的取值范圍是［14，17］。第五個試點數(shù)為16，記為模型M5，訓(xùn)練后得到的誤差變化如圖7所示。

圖7 M5誤差變化

節(jié)點數(shù)為16時，得到其訓(xùn)練后的誤差:E(g5)=0.0009。

第六個試驗點為15，記為模型M6，訓(xùn)練可得誤差變化如圖8所示。

節(jié)點為15時，其訓(xùn)練后的誤差:E(g6)=0.001。

經(jīng)過比較以上試算的所有節(jié)點數(shù)可知，當(dāng)節(jié)點數(shù)為17時，其誤差是最小的。因此本文的隱含節(jié)點數(shù)定為17，相應(yīng)的訓(xùn)練模型為18-17-1的三層BP網(wǎng)絡(luò)結(jié)構(gòu)模型。

圖8 M6誤差變化

該模型結(jié)構(gòu)經(jīng)過訓(xùn)練之后得出的結(jié)果與實際結(jié)果見表3。

表3 實際結(jié)果與訓(xùn)練結(jié)果

3.2 BP神經(jīng)網(wǎng)絡(luò)模型的測試

為了進一步驗證該模型的可行性以及準確性，有必要對其進行檢測，從抽取的樣本中另外抽取兩個樣本對該模型進行檢測，具體數(shù)據(jù)見表4。

表4 BT項目風(fēng)險樣本檢測集

通過檢測樣本對模型的訓(xùn)練結(jié)果進行了測試，得出的檢測結(jié)果與實際結(jié)果數(shù)據(jù)見表5。

表5 實際結(jié)果與測試結(jié)果

從上面的檢測誤差結(jié)果可以發(fā)現(xiàn)，該模型具有較高的精確度，因此對于BT工程項目風(fēng)險等級的評價具有較大的可行性。在今后對BT工程項目的風(fēng)險等級進行評價時，可以通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型將工程風(fēng)險各指標(biāo)的實際數(shù)據(jù)輸入該系統(tǒng)，通過系統(tǒng)的自動處理，得出該工程項目的風(fēng)險等級，繼而預(yù)測投資者可能承擔(dān)的風(fēng)險損失大小，并做好風(fēng)險防范措施。

4 仿真

通過對所建立的BP模型進行訓(xùn)練以及檢測發(fā)現(xiàn)該模型具有較大的可行性，因此可以通過該模型對A市地鐵BT工程項目的風(fēng)險進行具體風(fēng)險等級的評價。首先采用專家打分的方法，對A市地鐵BT工程項目的風(fēng)險進行打分，其風(fēng)險評價的指標(biāo)按照上文所建立的指標(biāo)體系［10］，經(jīng)整理得出最終結(jié)果見表6。

表6 A市地鐵BT工程項目風(fēng)險專家評分

然后將這些數(shù)據(jù)代入先前所建立的BP神經(jīng)網(wǎng)絡(luò)模型，最終得出的結(jié)果為0.2732。根據(jù)風(fēng)險的評價等級，可知A市地鐵BT工程項目的風(fēng)險較小。

5 結(jié)語

本文首先構(gòu)建了BT工程項目的風(fēng)險評價指標(biāo)體系;然后運用BP神經(jīng)網(wǎng)絡(luò)模型并結(jié)合MATLAB軟件功能，實現(xiàn)對BT工程項目風(fēng)險等級的評價，通過實際數(shù)據(jù)的仿真與檢測，發(fā)現(xiàn)采用BP神經(jīng)網(wǎng)絡(luò)模型能夠在很大程度上提高對風(fēng)險等級的預(yù)測精度;最后通過該模型對A市地鐵BT項目風(fēng)險等級進行了評價，得出該項目風(fēng)險較小的結(jié)論。

采用BP神經(jīng)網(wǎng)絡(luò)模型，克服了傳統(tǒng)風(fēng)險分析方法的不足，降低了主觀因素的影響，提高了預(yù)測的準確性。但是，采用該模型也存在一定的局限性，一方面BP網(wǎng)絡(luò)模型是建立在大量數(shù)據(jù)訓(xùn)練基礎(chǔ)之上的，而目前國內(nèi)的BT工程項目還不是很多，因此相關(guān)的數(shù)據(jù)資料比較貧乏，為了提高BP神經(jīng)網(wǎng)絡(luò)對風(fēng)險評價的準確性，可以試圖通過搜集國外相關(guān)工程的統(tǒng)計數(shù)據(jù)以增強BP網(wǎng)絡(luò)模型的學(xué)習(xí)能力;另一方面部分參數(shù)的確定沒有統(tǒng)一的公式，因此需要通過多次試驗才能確定。當(dāng)然，該種方法與傳統(tǒng)的方法相比，更具有應(yīng)用前景，至于模型本身存在的不足，通過更為深入的研究是可以逐步解決的。

［1］蔡文瑛.BT建設(shè)項目風(fēng)險評價研究［D］.西安:西安建筑科技大學(xué)，2012.

［2］飛思科技產(chǎn)品研發(fā)中心.MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計［M］.北京:電子工業(yè)出版社，2003.

［3］楊俊輝，程銀俠.基于BP神經(jīng)網(wǎng)絡(luò)的工程項目風(fēng)險評價［J］.西安郵電學(xué)院學(xué)報，2011，16(1):115-118.

［4］彭瑞華.武漢市軌道交通8號線施工地質(zhì)災(zāi)害分析［J］.山西建筑，2011，37(6):107-109.

［5］何 璠.基于BP人工神經(jīng)網(wǎng)絡(luò)的環(huán)境質(zhì)量評價模型研究［D］.四川:四川大學(xué)，2006.

［6］李 陽，王祖志.基于BP神經(jīng)網(wǎng)絡(luò)的BOT項目風(fēng)險評價模型研究［J］.中國水運，2008，8(3):250-251.

［7］叢 爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用［M］.合肥:中國科學(xué)技術(shù)大學(xué)出版社，2009.

［8］王愛華，孫 俊.BP神經(jīng)網(wǎng)絡(luò)在工程項目管理中的應(yīng)用［J］.建筑管理現(xiàn)代化，2009，23(4):306-309.

［9］張澤旭.神經(jīng)網(wǎng)絡(luò)控制與MATLAB仿真［M］.哈爾濱:哈爾濱工業(yè)大學(xué)出版社，2011.

［10］肖先波.基于BP神經(jīng)網(wǎng)絡(luò)的公路建設(shè)項目風(fēng)險分析［D］.浙江:浙江大學(xué)，2006.