基于BP神經網絡的PPP項目風險評價PAGE項目決策分析與評價論文基于BP神經網絡的PPP項目風險評價 姓名：葉金蓮學號：074811215專業：土木工程規劃與管理

基于BP神經網絡的PPP項目風險評價葉金蓮（中南大學土木建筑學院，長沙，410075）摘要：PPP融資模式的運用，拓寬了基礎設施建設的投資渠道，又滿足了私營企業的盈利需要，給合作各方帶來了“雙贏”。但是，由于PPP項目建設周期長，參與方眾多，導致項目風險很大，因此，必須進行風險評價。BP神經網絡模型有很好的非線性映射能力，可以有效的應用于項目風險評價。因此，本文采用BP神經網絡模型，對PPP項目各主要參與方的風險進行評價，以期為項目決策提供依據。關鍵字：PPP融資模式；BP神經網絡；風險評價Abstract:TheusingofPPPfinancingmode,whichdevelopstheinvestmentchannel,satisfiestheenterprise’sprofitdemand,andbrings“win-win”toallthepartners.Butbecauseofitslongconstructiontermandmanypartners,itleadsalotofrisks,sotheriskassessmentisnecessary.Atthesametime,BPneuralnetworkmodelhasagoodnonlinearreflectingcapability,whichcanapplyeffectivelytoprojectriskassessment.Sothisarticleassessesthecorepartners’sriskinordertoofferbasisforprojectdecision-makingbytheuseofBPneuralnetworkmodel.Keywords:PPPfinancingmode;BPneuralnetworkmodel;riskassessment1.前言基礎設施的建設是經濟迅速發展的有力保證，但它的建設需要大量的投資資金和高額的運營成本。這樣，無論是發達國家還是發展中國家都為此背負了沉重的債務，造成政府負擔過重，這大大阻礙基礎設施建設的發展；而同時，私人企業經濟實力不斷增強，存在投資欲望。于是，在公私部門之間建立伙伴關系，共同建設基礎設施，就顯得順理成章，也切實可行。在此背景下，PPP融資模式應運而生。PPP（Public-PrivatePartnership，即公私合作關系）融資模式是政府、營利性企業和非營利性企業基于某個項目而形成的相互合作形式，其實質是政府通過給予私營公司長期的特許經營權和收益權來加快基礎設施的建設和有效運營[1]。它的運用，拓寬了基礎設施建設的投資渠道，私營企業與政府部門的共同參與既滿足了政府發展基礎設施的要求，又滿足了私營企業的盈利需要，實施的結果給合作雙方帶來了“共贏”，同時也為公眾帶來了更好的基礎設施服務。PPP模式雖然是近幾年才發展起來的（1992年英國最早應用PPP模式），但在國外已經得到普遍的應用。國內也開始了PPP模式的應用，如北京地鐵四號線[2]。相信，PPP融資模式在基礎設施建設領域中的應用會成為一種世界趨勢。但是，以PPP模式實施的基礎設施項目一般具有實施周期長、不確定因素多、經濟風險和技術風險大、對生態環境的潛在影響嚴重、在國民經濟和社會發展中占有重要戰略地位等特征。在項目的融資、工程建設和運營過程中，經常要受到多種因素的影響與干擾，而這些因素又大多具有相當的不確定性，影響時間跨度往往貫穿項目的全壽命周期。因此，有必要對PPP項目進行風險評價，為項目的決策提供依據。風險評價是一個典型的多指標綜合評價問題，評價指標與評價結果之間存在著高度非線性關系，也就是一種一般方法難以識別的、隱藏的關系，難以用精確的數學公式來描述它們之間的關系。而人工神經網絡優秀的并行處理能力、輸入輸出之間的非線性關系和自適應的學習能力，可實現函數逼近、數據聚類、優化計算、自適應模式識別和非線性預測等功能，非常適合建設項目風險評價[3]。為此，本文采用BP神經網絡進行PPP項目的風險評價。2.BP神經網絡的原理[4]典型的BP神經網絡是三層前饋型網絡（如圖1），即由一個輸入層，一個輸出層，一個隱含層(也稱中間層)組成，每層可以有若干個節點。輸入層從外部接受信息并將其傳入神經網絡；隱含層接受輸入層的信息，然后對所有的信息進行處理；輸出層接收處理后的信息并將最后結果輸出。由此可以看出，每一神經元計算的輸出又是下一層所有神經元的輸入，且每一神經元均使用相同的算法計算輸出。aa1a2any1y2yqwijwijvjt輸入層輸出層隱含層圖1三層前饋型神經網絡結構設輸入層有n個神經元，隱含層有p個神經元，輸出層有q個神經元；輸入層的激活函數為比例為1的線性函數，隱層和輸出層的激活函數為S函數；可供訓練的樣本數為m。隱含層任一神經元的輸入向量設為sj，輸出向量設為bj；輸出層任一神經元的輸入向量設為lt，輸出向量設為ct。輸入層和隱層兩個神經元之間的連接權值設為wij，隱層和輸出層兩個神經元之間的連接權值設為vjt。隱含層任一神經元的閾值為θj，輸出層任一神經元的闡值為γt。對某一訓練樣本k，輸入向量表示為：Ak=(a1，a2，…，an)k=1，2，…，m對應的輸出向量表示為：Yk=(y1，y2，…，yq)k=1，2，…，mS函數表達式為：（1）

則隱含層的輸入輸出分別為：j=1，2，…，p（2）j=1，2，…，p（3）同樣，輸出層的輸入輸出分別為：t=1,2,…,q（4）t=1，2，…，q（5）以上過程為網絡訓練信息的正向傳播過程，另一過程為誤差反向傳播過程。如果網絡輸出與期望輸出yk間存在誤差，則將誤差反向傳播。輸出層各單元的校正誤差為：（6）其中t=1，2，…，q；k=1，2，…，m中間層各單元的校正誤差為：（7）j=1,2,…p；k=1，2，…，m得到校正誤差之后，沿逆方向調整輸出層至中間層、中間層至輸入層之間的連接權，以及各單元的輸出閾值。其調整量按式8~11計算。（8）（9）j=1，2，…，P；k=1，2，…，m；o<α<l(學習率)（10）（11）j=1，2，…，P；i=l，2，…，n；o<β<l(學習率)BP網絡的全局誤差可以用下列形式來表示：(12)(13)3.基于BP神經網絡的PPP模式風險評價風險評價是在識別出項目風險以后，對風險發生的概率、損失程度和其他因素進行綜合考慮，得到描述風險的綜合指標——風險值，并與公認（或經驗）的風險指標相比較，得到是否要實施此項工程，需要采取哪些措施的結論[5]。由于PPP項目參與方眾多，實施周期長，因此，它涉及的風險因素也相當復雜。在查閱相關資料后，本文以表1中的風險因素為參考。表1PPP項目常見風險因素[6]風險類別表現形式風險類別表現形式宏觀環境法律、政策變更運營風險能源與原材料供應利率風險項目公司違約外匯風險環境破壞通貨膨脹風險運營不可抗力建造風險基礎設施完備程度運營商管理能力土地拆遷與補償政府違約商業完工風險技術風險重大事故市場風險市場價格風險成本超支市場需求風險質量風險市場競爭風險溝通協調風險環境風險環境污染罰款環境破壞環境評價費用私人投資機構違約改正措施所需投入承包商違約不可抗力風險不可抗力風險技術風險技術先進性技術適應性技術復雜性由于不同的參與方有著不同的風險，而且有時某一方的風險可能是另一方的機會，因此，有必要從各個參與方的角度對PPP項目進行風險評價。這里主要討論政府部門、私人投資機構及承建方的風險。于是，基于人工神經網絡的PPP項目風險評價基本步驟如下：3.1建立PPP項目各參與方風險評價指標矩陣各參與方的風險因素，可以通過問卷調查的方式，對不同參與方所關注的風險進行統計。本文中僅根據表1的風險因素考慮各方的關注點建立各參與方的風險評價指標體系。（1）確定各參與方的風險因素私人投資機構投入了大量的資金，他關心的是PPP項目能否成功實施，能否獲得預期利潤，因此，私人機構更關心的是宏觀環境、運營風險及市場風險。政府的支持是PPP項目成功運作的一個關鍵和必要的條件，一般情況下，為保證項目公司的正常、持續、穩定經營，最終使社會公眾的利益得到保障，政府需要對項目提供資金和政策上的支持，有時甚至需要通過某種方式分擔投資人無法獨立承擔的部分風險[7]。因此，政府更關注宏觀環境和市場風險。承建方是項目的建造者，面臨的風險主要在施工階段，包括在費用一定下完成要求的質量、進度所需承擔的風險。各參與方的主要風險，見表2。表2PPP項目各參與方的風險序號各參與方的風險因素私人投資機構政府承建商1法律、政策變更法律、政策變更基礎設施完備程度2利率風險利率風險土地拆遷與補償3外匯風險外匯風險商業完工風險4通貨膨脹風險通貨膨脹風險重大事故5市場價格風險市場價格風險成本超支6市場需求風險市場需求風險質量風險7市場競爭風險市場競爭風險溝通協調風險8能源與原材料供應能源與原材料供應環境破壞9運營不可抗力運營不可抗力私人投資機構違約10環境破壞私人投資機構違約政府違約11政府違約承建商違約原材料供應12承建商違約不可抗力風險不可抗力風險13商業完工風險14不可抗力風險（2）確定風險評價指標并量化為滿足神經網絡對輸入量的要求，需要在確定表2的各參與方風險后，對各個風險因素進行評價，并將其量化。各風險因素的定性評價指標，可以通過專家打分法得出，本文中將風險的影響大小分為5級，分別為：﹛大；較大；中等；較小；小﹜將其量化到0~1范圍內，分別對應為：﹛0.9；0.7；0.5；0.3；0.1﹜則可以得到各影響因素的評價指標，即可作為BP網絡的輸入。3.2設計PPP項目風險評價的BP神經網絡模型[8]PPP項目風險評價的BP神經網絡模型，就是把風險評價的影響因素作為BP網絡的輸入，把評價結果作為BP網絡的輸出，利用BP網絡的學習能力，從看似雜亂無章的風險評價因素數據中得出評價的結果，為風險管理者的風險決策提供依據。BP神經網絡的設計主要包括輸入層、隱含層、輸出層的設計及各層之間的傳輸函數及各參數。合理確定網絡層數與各層的節點數，是成功應用BP神經網絡模型的關鍵之一。（1）確定網絡層數大多數的神經網絡都預先確定了網絡的層數，而BP網絡可以包含不同數目的隱含層。但理論上已經證明，在不限制隱含層節點數的情況下，具有一個隱含層的BP網絡可以實現任意非線性映射。增加隱含層可增加人工神經網絡的處理能力，但是必將使訓練復雜化、訓練樣本數目增加和訓練時間增加。由于風險因素不是很多，故可以僅設置一個隱含層。因此，本模型可以采用三層的網絡結構，即輸入層、隱含層、輸出層各一個。（2）確定各層的節點數輸入層接受外部的輸入數據，因此其節點數取決于輸入矢量的維數。在本模型中，輸入層的節點對應風險評價指標。因此，輸入層節點數等于各參與方風險因素的個數。輸出層的節點數取決于輸出數據類型和表示該類型的數據所需的數據大小。本模型中，輸出層只需輸出風險評價結果，即一個表示風險大小的0~1間的數值（數值越大風險越大），所以輸出層節點數為1。隱含層的節點數可以決定網絡精度。當使用較多的隱含層節點時，出現局部極小的現象就少，當使用較少的隱含層節點時，局部極小的現象就多。增加隱含層節點的數目可以改善網絡與訓練樣本相匹配的精確度。然而，為了改善網絡的概括推論能力，即改善對新圖形的適應性，又要求適當減少隱含層的節點數。所以，對一特定的網絡，其隱含層的節點數應該是按精確度和概括性來統一考慮。大多數情況下，人們根據經驗并進行試算來確定隱含層節點數。在本模型中，先用經驗公式（公式14）來確定一個隱含層節點數J，然后選取幾個不同隱含層節點，代入所選網絡進行試算，選擇性能最好的那個作為隱含層節點數。（14）式中：m為輸出層節點個數；n為輸入層節點個數；a為1~10之間的常數。（3）建立BP神經網絡模型在確定了BP神經網絡的層數和節點數后，根據上文介紹的BP神經網絡的原理，用MATLAB編寫程序并實現相關功能，即可建立PPP項目風險評價的BP神經網絡模型。3.3BP神經網絡模型對各參與方的風險評價BP神經網絡模型建立好后，收集已完工類似項目的風險數據，做為輸入層元素，類似項目的最終風險評價做為輸出。取合適的樣本集誤差及最大學習次數，當檢驗樣本的誤差小于預設精度，則說明擬合情況良好，此時，該模型可以用于各參與方的風險評價。由于該模型已模擬并記憶了輸入變量與輸出變量間的函數關系，只需要輸入各參與方的風險指標即可得出各自的風險評價結果。以承建商的風險評價為例，若收集的已完類似項目的風險數據如表3，樣本誤差及最大學習次數分別取0.01和5000。表3神經網絡樣本樣本序號風險因素訓練樣本檢驗樣本12345678基礎設施完備程度0.330.250.400.240.300.280.190.35土地拆遷與補償0.500.570.350.400.350.480.450.55商業完工風險0.450.500.350.490.480.400.570.49重大事故0.350.380.410.400.300.370.280.30成本超支0.500.540.480.570.500.450.490.50質量風險0.300.280.270.310.330.360.380.29溝通協調風險0.280.370.270.400.310.290.340.28環境破壞0.190.210.340.250.370.300.290.35私人投資機構違約0.230.350.400.290.340.310.300.40政府違約0.300.200.240.280.190.250.300.27原材料供應0.500.610.700.680.710.730.690.70不可抗力風險0.650.630.580.670.690.700.780.69評價結果0.4550.520.3970.570.670.4680.6010.514輸入樣本1~6對網絡進行訓練，訓練完成后，對檢驗樣本進行網絡仿真，并與實際值進行比較，以觀察網絡的精度和實際擬合情況，比較結果如表4所示。表4檢驗樣本期望輸出與網絡輸出對比樣本序號期望輸出網絡輸出絕對誤差70.6010.5930.00880.5140.5170.003由表4可知，檢驗樣本的誤差均小于0.01，滿足預設精度，即神經網絡模型擬合良好，可用于承包商的風險評價。此時，該網絡模型已存儲輸入輸出的函數關系，只要將需預測項目的風險指標輸入就可。若用專家打分法對表2中承建商的12個風險因素打分得到的輸入為（0.333，0.577，0.522，0.444，0.566，0.335，0.477，0.356，0.476，0.389，0.758，0.655）T，將這組數據輸入已建好的神經網絡模型，輸出的評價結果為0.518，則可知此情況下承包商的風險適中。以上僅以承包商為例進行說明，私人投資機構和政府的風險評價可用同樣的方法進行。由人工神經網絡得到的評價結果，PPP項目各參與方可以知曉各自將面臨的風險大小，為是否參與該項目提供決策依據。同時，如果參與方都確定以后，可以對有效分配風險提供幫助。如表2中，私人投資機構和政府都考慮了宏觀環境的風險和市場風險，這樣必然使得評價結果偏大。因此，各參與方可以參照各自的評價指標及評價結果，進行風險分配和調整。根據對風險最有控制力的一方承擔相應的風險的原則[9]，一般政府承擔諸如政策法律變更、利率、外匯等宏觀環