[PPP项目风险分析] 如何进行项目风险分析

项目决策分析与评价论文

基于BP神经网络的PPP项目风险评价

姓名：叶金莲 学号：074811215

专业：土木工程规划与管理

基于BP神经网络的PPP项目风险评价

叶金莲

（中南大学 土木建筑学院，长沙， 410075）

摘要：PPP融资模式的运用，拓宽了基础设施建设的投资渠道，又满足了私营企业的盈利需要，给合作各方带来了“双赢”。但是，由于PPP项目建设周期长，参与方众多，导致项目风险很大，因此，必须进行风险评价。BP神经网络模型有很好的非线性映射能力，可以有效的应用于项目风险评价。因此，本文采用BP神经网络模型，对PPP项目各主要参与方的风险进行评价，以期为项目决策提供依据。

关键字：PPP融资模式；BP神经网络；风险评价

Abstract: The using of PPP financing mode, which develops the investment channel, satisfies the enterprise’s profit demand, and pings “win-win” to all the partners. But because of its long construction term and many partners, it leads a lot of risks, so the risk assessment is necessary. At the same time, BP neural network model has a good nonlinear reflecting capability, which can apply effectively to project risk assessment. So this article assesses the core partners’s risk in order to offer basis for project decision-making by the use of BP neural network model.

Key words: PPP financing mode; BP neural network model; risk assessment

1. 前言

基础设施的建设是经济迅速发展的有力保证，但它的建设需要大量的投资资金和高额的运营成本。这样，无论是发达国家还是发展中国家都为此背负了沉重的债务，造成政府负担过重，这大大阻碍基础设施建设的发展；而同时，私人企业经济实力不断增强，存在投资欲望。于是，在公私部门之间建立伙伴关系，共同建设基础设施，就显得顺理成章，也切实可行。在此背景下，PPP融资模式应运而生。

PPP（Public-Private Partnership，即公私合作关系）融资模式是政府、营利性企业和非营利性企业基于某个项目而形成的相互合作形式，其实质是政府通过给予私营公司长期的特许经营权和收益权来加快基础设施的建设和有效运营[1]。它的运用，拓宽了基础设施建设的投资渠道，私营企业与政府部门的共同参与既满足了政府发展基础设施的要求，又满足了私营企业的盈利需要，实施的结果给合作双方带来了“共赢”，同时也为公众带来了更好的基础设施服务。

PPP模式虽然是近几年才发展起来的（1992年英国最早应用PPP模式），但在国外已经得到普遍的应用。国内也开始了PPP模式的应用，如北京地铁四号线[2]。相信，PPP融资模式在基础设施建设领域中的应用会成为一种世界趋势。

但是，以PPP模式实施的基础设施项目一般具有实施周期长、不确定因素多、经济风险和技术风险大、对生态环境的潜在影响严重、在国民经济和社会发展中占有重要战略地位等特征。在项目的融资、工程建设和运营过程中，经常要受到多种因素的影响与干扰，而这些因素又大多具有相当的不确定性，影响时间跨度往往贯穿项目的全寿命周期。因此，有必要对PPP项目进行风险评价，为项目的决策提供依据。

风险评价是一个典型的多指标综合评价问题，评价指标与评价结果之间存在

着高度非线性关系，也就是一种一般方法难以识别的、隐藏的关系，难以用精确的数学公式来描述它们之间的关系。而人工神经网络优秀的并行处理能力、输入输出之间的非线性关系和自适应的学习能力，可实现函数逼近、数据聚类、优化计算、自适应模式识别和非线性预测等功能，非常适合建设项目风险评价[3]。为此，本文采用BP神经网络进行PPP项目的风险评价。

2. BP神经网络的原理[4]

典型的BP神经网络是三层前馈型网络（如图1），即由一个输入层，一个输出层，一个隐含层(也称中间层)组成，每层可以有若干个节点。输入层从外部接受信息并将其传入神经网络；隐含层接受输入层的信息，然后对所有的信息进行处理；输出层接收处理后的信息并将最后结果输出。由此可以看出，每一神经元计算的输出又是下一层所有神经元的输入，且每一神经元均使用相同的算法计算输出。

输入层

隐含层 输出层

图1 三层前馈型神经网络结构

设输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元；输入层的激活函数为比例为1的线性函数，隐层和输出层的激活函数为S函数；可供训练的样本数为m。隐含层任一神经元的输入向量设为sj，输出向量设为bj；输出层任一神经元的输入向量设为lt，输出向量设为ct。输入层和隐层两个神经元之间的连接权值设为wij，隐层和输出层两个神经元之间的连接权值设为vjt。隐含层任一神经元的阈值为θj，输出层任一神经元的阐值为γt。

对某一训练样本k，输入向量表示为：

Ak = (a1，a2，„，an ) k = 1，2，„，m

对应的输出向量表示为：

Yk = (y1，y2，„，yq ) k = 1，2，„，m

S函数表达式为： fs

11e

s

（1）

则隐含层的输入输出分别为：

n

S

j



w

i1

ij

aiθ

j

j = 1，2，…，p （2）

b

j

1e

p

1

wijaiθ

i1n

j

j = 1，2，…，p （3）

同样，输出层的输入输出分别为： lt



j1

vjtbjγ

t

t = 1,2,…,q （4）

ct

1e

1

p

v

j1

jtbj

γ

t

t = 1，2，…，q （5）

以上过程为网络训练信息的正向传播过程，另一过程为误差反向传播过程。

如果网络输出与期望输出yk间存在误差，则将误差反向传播。

输出层各单元的校正误差为：

dtytct

k



kk

fly

"

t

kt

ctct1ct （6）

k



其中t = 1，2，…，q； k = 1，2，„，m

中间层各单元的校正误差为：

qqkk"k

ejvjtdtfsjvjtdtbj1bj （7）

t1t1

j = 1,2,…p；k = 1，2，„，m

得到校正误差之后，沿逆方向调整输出层至中间层、中间层至输入层之间的连接权，以及各单元的输出阈值。其调整量按式8~11计算。

Δvjtαdtbj （8） Δrtαdt （9）

j=1，2，„，P； k=1，2，„，m； o

Δwijβejα

k

ki

k

kk

（10）

jekj （11）

j=1，2，„，P； i=l，2，„，n； o

BP网络的全局误差可以用下列形式来表示：

2

kt

Ek

y

t1

m

q

c

kt



/2 (12)

E

E (13)

k

k1

3. 基于BP神经网络的PPP模式风险评价

风险评价是在识别出项目风险以后，对风险发生的概率、损失程度和其他因素进行综合考虑，得到描述风险的综合指标——风险值，并与公认（或经验）的风险指标相比较，得到是否要实施此项工程，需要采取哪些措施的结论[5]。

由于PPP项目参与方众多，实施周期长，因此，它涉及的风险因素也相当复杂。在查阅相关资料后，本文以表1中的风险因素为参考。

表1 PPP项目常见风险因素[6]

由于不同的参与方有着不同的风险，而且有时某一方的风险可能是另一方的机会，因此，有必要从各个参与方的角度对PPP项目进行风险评价。这里主要讨论政府部门、私人投资机构及承建方的风险。于是，基于人工神经网络的PPP项目风险评价基本步骤如下：

3.1 建立PPP项目各参与方风险评价指标矩阵

各参与方的风险因素，可以通过问卷调查的方式，对不同参与方所关注的风险进行统计。本文中仅根据表1的风险因素考虑各方的关注点建立各参与方的风险评价指标体系。

（1）确定各参与方的风险因素

私人投资机构投入了大量的资金，他关心的是PPP项目能否成功实施，能否获得预期利润，因此，私人机构更关心的是宏观环境、运营风险及市场风险。

政府的支持是PPP项目成功运作的一个关键和必要的条件，一般情况下，为保证项目公司的正常、持续、稳定经营，最终使社会公众的利益得到保障，政府需要对项目提供资金和政策上的支持，有时甚至需要通过某种方式分担投资人无法独立承担的部分风险[7]。因此，政府更关注宏观环境和市场风险。

承建方是项目的建造者，面临的风险主要在施工阶段，包括在费用一定下完成要求的质量、进度所需承担的风险。

各参与方的主要风险，见表2。

（2）确定风险评价指标并量化

为满足神经网络对输入量的要求，需要在确定表2的各参与方风险后，对各个风险因素进行评价，并将其量化。

各风险因素的定性评价指标，可以通过专家打分法得出，本文中将风险的影响大小分为5级，分别为：

﹛大；较大；中等；较小；小﹜

将其量化到0~1范围内，分别对应为：

﹛0.9；0.7；0.5；0.3；0.1﹜

则可以得到各影响因素的评价指标，即可作为BP网络的输入。

3.2 设计PPP项目风险评价的BP神经网络模型[8]

PPP项目风险评价的BP神经网络模型，就是把风险评价的影响因素作为BP网络的输入，把评价结果作为BP网络的输出，利用BP网络的学习能力，从看似杂乱无章的风险评价因素数据中得出评价的结果，为风险管理者的风险决策提供依据。

BP神经网络的设计主要包括输入层、隐含层、输出层的设计及各层之间的传输函数及各参数。合理确定网络层数与各层的节点数，是成功应用BP神经网络模型的关键之一。

（1）确定网络层数

大多数的神经网络都预先确定了网络的层数，而BP网络可以包含不同数目的隐含层。但理论上已经证明，在不限制隐含层节点数的情况下，具有一个隐含层的BP网络可以实现任意非线性映射。增加隐含层可增加人工神经网络的处理能力，但是必将使训练复杂化、训练样本数目增加和训练时间增加。由于风险因素不是很多，故可以仅设置一个隐含层。因此，本模型可以采用三层的网络结构，即输入层、隐含层、输出层各一个。

（2）确定各层的节点数

输入层接受外部的输入数据，因此其节点数取决于输入矢量的维数。在本模型中，输入层的节点对应风险评价指标。因此，输入层节点数等于各参与方风险因素的个数。

输出层的节点数取决于输出数据类型和表示该类型的数据所需的数据大小。本模型中，输出层只需输出风险评价结果，即一个表示风险大小的0~1间的数值（数值越大风险越大），所以输出层节点数为1。

隐含层的节点数可以决定网络精度。当使用较多的隐含层节点时，出现局部极小的现象就少，当使用较少的隐含层节点时，局部极小的现象就多。增加隐含层节点的数目可以改善网络与训练样本相匹配的精确度。然而，为了改善网络的概括推论能力，即改善对新图形的适应性，又要求适当减少隐含层的节点数。所以，对一特定的网络，其隐含层的节点数应该是按精确度和概括性来统一考虑。大多数情况下，人们根据经验并进行试算来确定隐含层节点数。

在本模型中，先用经验公式（公式14）来确定一个隐含层节点数J，然后选取几个不同隐含层节点，代入所选网络进行试算，选择性能最好的那个作为隐含层节点数。

J

nma （14）

式中：m为输出层节点个数；n为输入层节点个数；a为1~10之间的常数。 （3）建立BP神经网络模型

在确定了BP神经网络的层数和节点数后，根据上文介绍的BP神经网络的原理，用MATLAB编写程序并实现相关功能，即可建立PPP项目风险评价的BP神经网络模型。

3.3 BP神经网络模型对各参与方的风险评价

BP神经网络模型建立好后，收集已完工类似项目的风险数据，做为输入层元素，类似项目的最终风险评价做为输出。取合适的样本集误差及最大学习次数，当检验样本的误差小于预设精度，则说明拟合情况良好，此时，该模型可以用于各参与方的风险评价。由于该模型已模拟并记忆了输入变量与输出变量间的函数关系，只需要输入各参与方的风险指标即可得出各自的风险评价结果。

以承建商的风险评价为例，若收集的已完类似项目的风险数据如表3，样本误差及最大学习次数分别取0.01和5000。

输入样本1~6对网络进行训练，训练完成后，对检验样本进行网络仿真，并与实际值进行比较，以观察网络的精度和实际拟合情况，比较结果如表4所示。

由表4可知，检验样本的误差均小于0.01，满足预设精度，即神经网络模型拟合良好，可用于承包商的风险评价。此时，该网络模型已存储输入输出的函数关系，只要将需预测项目的风险指标输入就可。

若用专家打分法对表2中承建商的12个风险因素打分得到的输入为

（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，将这组数据输入已建好的神经网络模型，输出的评价结果为0.518，则可知此情况下承包商的风险适中。

以上仅以承包商为例进行说明，私人投资机构和政府的风险评价可用同样的方法进行。

由人工神经网络得到的评价结果，PPP项目各参与方可以知晓各自将面临的风险大小，为是否参与该项目提供决策依据。同时，如果参与方都确定以后，可以对有效分配风险提供帮助。如表2中，私人投资机构和政府都考虑了宏观环境的风险和市场风险，这样必然使得评价结果偏大。因此，各参与方可以参照各自的评价指标及评价结果，进行风险分配和调整。根据对风险最有控制力的一方承担相应的风险的原则[9]，一般政府承担诸如政策法律变更、利率、外汇等宏观环境风险，私人投资机构承担大部分运营及市场风险等，拟定初步的风险分配方案，然后调整各自的输入，那么这必然会使评价结果有所下降，从而得到新的评价结果。而对于那些双方都不容易控制的风险，就应该根据新的评价结果进行分配，尽量使各参与方承担的风险均保持在一个不相上下的水平。

4. 结论

鉴于PPP项目风险因素多，而且不是简单的叠加，而是各因素的有机组合，本文将BP神经网络应用于PPP项目的风险评价，以其较强的自学习能力、强容错性能及非线性映射能力，很好的解决了传统评价方法受人为因素影响大的缺点。但是，由于神经网络的应用需要大量的样本数据，本文仅提出了其理论框架，并未将模型应用于具体项目的分析，有待进一步的完善。

参考文献：

[1] 沙骥. PPP模式在我国基础设施建设中的应用研究[D]. 南京: 东南大学, 2004.

[2] 陈敬武, 袁志学, 黄耕, 李雅. PPP项目风险的模糊综合评价方法研究[J]. 河北工业大学学报, 2006, 35(5): 46~50.

[3] 蔡自兴. 神经控制器的典型结构[J]. 控制理论与应用, 1998, 15(1): 21~24.

[4] 曹丽. 基于人工神经网络的工程项目风险管理研究[D]. 西安: 西安理工大学, 2006.

[5] 王卓甫. 工程项目管理风险及其应对[M]. 北京: 中国水利水电出版社, 2005.

[6] 王全新, PPP模式在我国基础设施建设中的应用研究[D]. 武汉: 武汉理工大学, 2005.

[7] 彭桃花, 赖国锦. PPP模式的风险分析与对策[J]. 中国工程咨询, 2004, (47): 11~13

[8] 袁曾任. 人工神经元网络及其应用[M]. 北京: 清华大学出版社, 1999. [9] 刘新平, 王守清. 试论PPP项目的风险分配原则和框架[J]. 建筑经济, 2006, (280): 59~63.