基于PCA—BP的PPP基础设施项目风险评价研究

王文寅　刘丽霞　李佳

【摘 要】 PPP基础设施项目风险管理是参与方在进行项目管理时的瓶颈问题之一，如果不能在风险因素正确识别的基础上评价项目风险，则情况会变得更加复杂。鉴于此，文章在风险识别的基础上建立了PCA-BP风险评价方法，并在MATLAB 2010平台上进行实证分析。研究表明：基于PCA-BP的风险评价方法优于单一BP神经网络风险评价方法，其为PPP项目参与者精确评价项目风险提供了一定的参考价值。

【关键词】 PPP项目； 风险评价； 主成分分析法； BP神经网络

中图分类号：F224；F283 文献标识码：A 文章编号：1004-5937（2016）07-0056-04

一、引言

PPP（Public-Private-Partnership）项目，即公私合营项目，是指政府与私人企业以特许经营协议为前提合作建设的城市基础设施项目。近年来公私合作投资和经营的PPP项目在国内外已经开展，主要是减轻政府财政压力、提高运作效率、分散风险等，PPP项目越来越受到社会重视，具有积极意义[ 1 ]。然而，建设过程中，参与主体多、项目成本高、建设周期长的特点也使得其面临的风险因素多而杂，因此，能否准确定位风险因素并对其进行精准评价关乎PPP项目的成功与失败。

二、文献综述

国外对PPP项目风险评价方法的研究起步较早，也较为成熟。Cheng J H（2001）[ 2 ]建立了基于德尔菲法、模糊数学方法以及AHP法的风险评价模型，将其用于选择台湾地区BOT交通项目的融资模式；Thomasctal（2006）[ 3 ]提出了运用故障树法和德尔菲法的PPP项目风险评估方法框架。

国内学者对PPP基础设施项目风险评价方法的研究始于21世纪初，陈敬武等（2006）[ 4 ]采用模糊综合评价方法，使PPP项目的风险评价更加有效；张玮、张卫东（2012）[ 5 ]利用网络层次分析法（ANP）对主要风险因素进行分析评价；贾丽丽等（2014）[ 6 ]采用熵权法对风险因素赋权后运用灰色关联理论进行风险评价，以确定各风险承担主体。

纵观现有文献，国内外学者对PPP项目风险评价的研究多是从案例研究、统计分析及建立评价方法的角度来展开的，且对PPP项目的风险评价所用方法多集中于层次分析法、模糊综合评价法、灰色关联法等，这些方法适用于指标较少、指标间信息独立的情况。本文将统计学领域的主成分分析法和预测领域的BP神经网络进行结合，对PPP项目的风险因素进行评价分析，以期为我国PPP基础设施项目风险管理提供新思路。

三、PPP基础设施项目风险评价指标的确定

本文采用历史数据法即广泛查阅国内外相关文献及书籍并对其所涉及的PPP基础设施项目风险因素进行整理，同时综合考虑项目风险的来源及风险作用的影响范围，将PPP基础设施项目风险影响指标划分为7个一级指标和36个二级指标，据此建立PPP基础设施项目风险评价指标体系（如表1所示）。

四、PPP基础设施项目风险评价方法的建构

本文将主成分分析法和BP神经网络相结合，提出了PPP基础设施项目风险评价方法。该方法具体实施过程如图1。

五、PPP基础设施项目风险评价方法的实证

（一）数据样本获取

本文选择山西省拟建的16个PPP基础设施项目，通过收集项目信息并进行相关问卷调查，请工程建设领域的10位专家分别对16个项目的36个二级风险指标进行评分（本次评估按照风险可能性很大、比较大、中等、不大、较小五个等级，分别在8—10、6—8、4—6、2—4和0—2区间打分），并取10位专家的平均分作为各风险指标分值。具体评分结果见表2。

（二）主成分分析法对指标降维

主成分分析法是从变量间的相关关系出发，将多个变量（或指标）综合成少数几个变量（或指标）的方法[ 7 ]。根据主成分分析法降维步骤，本文采用SPSS软件对表2的原始数据进行分析，最终获得的方差表及成分矩阵表如表3、表4。

同理可得另外五个主成分的表达式。为了取消各维数据间的数量级差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大，可利用最大最小法并通过MATLAB算法实现（见表5）。其中，xmin为数据序列中的最小数；xmax为数据序列中的最大数。

（三）BP神经网络的训练与测试

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络类型之一[ 8 ]。本文采用单隐层的BP神经网络进行风险评价，由于经过主成分分析后的输入样本为11维的向量，因此输入层共有11个神经元。根据经验公式及试凑法，确定中间层有23个神经元。本文在对风险进行评价时，考虑了风险很大、比较大、中等、不大、较小五种可能，故而将网络输出设置为5维的输出数据（具体见表6），因此，输出层共有5个神经元。据此建立11×23×5的BP神经网络结构。

按照BP神经网络的一般设计原则，将中间层神经元的传递函数设为S型正切函数。由于输出已被归一化到[0，1]区间，故将输出层神经元的传递函数设定为S型对数函数。网络所用的训练算法为可变学习速率的梯度下降算法，对应函数为traingda。并设定：训练学习率为0.05，训练动量因子为0.9，训练步数为 1 000次，训练目标差为1e-5。

本文选择前14个项目为训练样本，训练过程中，网络经过243次迭代就完成训练。为测试网络效果，将15—16项目数据输入，结果表明：项目15—16的风险等级分别为：中等，不大。该结果同专家打分结果一致，说明该网络可以很好地进行风险评价。

为了进一步说明经过主成分分析后的方法较单一BP神经网络更加有效，本文将原始数据归一化后，建立了36×16×5的BP神经网络结构，并采用相同的训练次数和训练目标差对该网络进行训练，之后再对15—16项目进行网络预测。表7展示了测试过程中采用PCA-BP神经网络和单一BP神经网络的误差对比。

实验结果表明：PCA-BP神经网络方法是一种高效的PPP项目风险评价方法，且其优于单一BP神经网络评价方法。在收敛速度方面，PCA-BP要经过4秒共354次收敛，而单一BP神经网络要经过54秒共1 853次收敛；在精确度方面，PCA-BP方法的误差保持在2%以下，而单一BP神经网络预测则误差幅度较大。

六、结论

本文运用主成分分析和BP神经网络组合的方法来进行PPP项目风险评价，研究表明：该方法较单一BP神经网络风险评价方法更为有效，原因在于：（1）利用主成分分析法筛选出相互独立且包含众多信息的新指标作为BP神经网络的输入端；（2）区别于已有文献，本文将SPSS运算后得出的成分矩阵的每一列除以相应成分的特征值的平方根作为主成分的系数；（3）将神经网络预测目标设定为5维向量，使得评价结果更加接近实际。

当然，本文还有一些不足之处。首先，中间层神经元个数的选择具有一定的主观性；其次，本文只选取了山西省拟建的16个PPP基础设施项目，样本数量受到了限制。以上问题是未来工作时需重点考虑的，同时也为接下来的进一步研究提供了思路。

【参考文献】

[1] 朱向东，肖翔，征娜.基于三方博弈模型的轨道交通PPP项目风险分担研究[J].河北工业大学学报，2013（2）：97-101.

[2] CHENG J H. A view of public and private sectors for Taiwan's BOT transportation project financing using fuzzy multi-criteria methods[J].Proceedings of the 10th IEEE International Conference on Fuzzy Systems. Australia，The University of Melbourne，2001，12（2）： 356-359.

[3] THOMAS A V， SATYANARAYANA N.Kalidindi，modeling and assessment of critical risks in BOT road projects[J].Construction Management and Economics， 2006，24（4）：407-424.

[4] 陈敬武，袁志学，黄耕，等.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（5）：46-50.

[5] 张玮，张卫东.基于网络层次分析法（ANP）的PPP项目风险评价研究[J].项目管理技术，2012（10）：84-88.

[6] 贾丽丽，和鑫，王辉.城市轨道交通PPP融资模式风险评价研究[J].石家庄铁道大学学报（社会科学版），2013（4）：29-33.

[7] 李洪成，姜宏华.SPSS数据分析教程[M].北京：人民邮电出版社，2012.

[8] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.