基于ABC—SVM的通航企业投资风险评价研究

姜宝山 刘圣 康玉祥

【摘 要】 通用航空作为战略新兴产业，发展前景良好。现实中，由于行业政策滞后，市场成熟度不够，国内通用航空企业投资风险日益突出。将传统的投资风险评价中的风险回归预测问题转换为模式分类问题，以新的视角与思维，研究通用航空企业投资风险问题。首先，确立了通用航空企业投资风险评价指标体系；其次，设计问卷，走访行业专家，同时进行大量的数据采集和信息收集，经过多轮征询，得到有效数据集；最后，以该评价体系为基础，引入ABC-SVM算法，建立基于ABC-SVM算法的通用航空企业投资风险评价模型；实例分析表明，所建立的ABC-SVM投资风险评价模型对风险分类的精度达到89%以上，较BP算法有更好的分类预测能力，可以用于通用航空企业投资风险评价。

【关键词】 ABC-SVM； 通用航空企业； 投资风险评价

【中图分类号】 F272.1-F272.3 【文献标识码】 A 【文章编号】 1004-5937（2018）09-0106-07

通用航空（以下简称“通航”）是以通用航空飞行活动为核心的，涵盖通用航空器材研发制造、市场运营、综合保障以及延伸服务等全产业链的国家级战略性新兴产业体系。目前，国内通航还是一个没有真正启动的大产业。现实中，空域浪费情况严重、产业结构不协调、配套产业不完善，相关政策未能适应通航投资运营实践并进行有效跟进，政策空间没有打开，导致通航产业投资运营现实市场难以有效形成。由于行业政策滞后，市场成熟度不够，使得通航企业运营举步维艰，加大了投资运营风险，影响着国内通航产业的健康发展。面对该产业的广阔发展前景及现实市场的潜在风险及困难，加强通航企业投资风险评估论证，找到有效的规避风险策略以降低国内通航企业投资运营风险，减少投资损失显得尤为必要[1]。

建立相对客观的评价指标体系，选择有效的评价方法，是评估通航企业项目投资风险的关键。周平等[2]在进行航空项目风险管理时，使用模糊层次分析法，识别出航空项目关键的风险因素，并有针对性地提出了风险应对方案。李原等[3]进行了创新，提出了一种基于改进的计划评审技术的航空项目风险评价方法，将该方法应用到某型飞机研制项目04段装配子项目中，得到了很好的效果。李江等[4]在大型航天研发项目进行了突破，提出了一种基于Multi Agent技术的风险分析方法，并进行了仿真分析。何佳音[5]通过WBS-RBS法分析了机场投资风险因素，建立了FAHP机场投资风险评估模型，并以北京新机场作为实例进行了预测。贾晓光[6]使用BP神经网络的方法，建立了航天精导设备研制项目的风险评价模型，并对其进行应用，提出了管理风险的策略。

近年来，一些学者提出了不同的项目投资风险评价模型，并进行了应用，取得了显著成效。Yao Hui-Li et al.[7]分析了层次分析法在造船项目风险识别中的优越性，阐述了基于层次分析法的船厂项目投资风险识别的基本步骤，以造船基地为例，通过层次分析法识别项目风险，进行评估。Jiang Hua et al.[8]在高新技术项目投资风险评估中进行了探索，AHP与BP结合，建立评估模型，通过一系列数据对投资风险进行评估，结果表明该模型在该领域效果显著，为后续研究提供了新思路。Liu Jin et al.[9]在国际工程项目投资风险领域打开思路，建立了相应的评价指标体系，以风险影响程度和风险概率为尺度，形成判断矩阵，计算Borda序值，通过AHP计算各风险权重，案例分析结果表明该模型具有可行性，为投资决策提供了可靠的依据。Li Cun-Bin et al.[10]构建了一个用蒙特卡洛方法模拟NPV的过程评估风电项目的投资风险，在此基础上分析了投资回收期和内含报酬率，并结合具体的案例，进行仿真检验。

从上述研究可以看出，在投资风险评估中，使用较多的有层次分析法、蒙特卡洛方法、灰色系统评价法、模糊多属性决策方法、Borda数法、神经网络模型等。当前一些主流的投资风险评价，基本上源于专家的主观经验和历史数据，缺乏客观依据和经验智慧，无法做到优势互补，相互兼顾；传统风险评估多是统计方法或是建立在线性模型的基础上，很难真实描述复杂的非线性关系和不确定因素。

针对上述评价模型在投资风险预测方面的一些不足，越来越多的学者引入支持向量机（SVM）。Chen XB[11]建立基于SVM在复杂的运行环境和海上风电项目的投资风险评估模型，减少运行过程中的风险所造成的损失，分析了模型的预测精度，通过具体的项目数据和案例研究表明，该方法具有更高的精度，比传统的评价方法更方便。Hong Xia[12]将粗糙集理论与支持向量机理论结合，建立了生态材料工业投资风险评价指标体系，对生态材料产业投资风险评估具有积极作用。

为了更有效地评价通航企业投资风险，方便管理者投资决策，本文在上述研究基础上，结合通航企业特点，分析通航企业活动过程，确立了通航企业投资风险评价指标体系，将通航企业投资风险评价的风险回归预测问题转换为模式分类问题，借助支持向量机（SVM）[13]强大的模式分类能力及人工蜂群算法（ABC）[14]优秀的全局搜索性能，建立了基于ABC优化SVM参数的通航企业投资风险评价模型（ABC-SVM）。该方法在通航企业投资风险评价领域相对新颖。运用此方法对通航企业投资风险进行评价，在处理不确定性因素和复杂的线性关系时更为有效，分类结果运算效率高，更贴近通航企业运营实际，为通航企业投资风险评估问题增添了新的角度和维度，为行业发展助力。

一、通航企业投资运营特点

（一）市场前景广阔，政策不能有效跟进，现实市场成熟度低

通航企业面临新一轮发展机遇，低空空域改革试点等政策的稳步推进改善了行业发展环境，我國通航产业投资发展的内外部条件均已初步形成。但是政策的推进和实施对通航来说仍然是困难重重，这限制了资本的自由进出，无法拓宽资本进入渠道，也使资本难以迅速有效地进入通航的生产链条中，难以形成良性闭环循环。

（二）技术难度大，投资周期长

通航作为战略性新兴产业，在复杂程度以及技术难度等方面的要求相较其他行业高，而且投资周期较长，同时受到来自于政策、市场等方面的影响，因此投资行为应当符合企业的长期发展规划。

（三）风险因素多，附加值高

风险因素之所以是多方面的，一是由于通航投资的建设周期较长、环节较多、建设内容复杂、涉及的审批部门多、审批程序严格，客观风险因素多；二是由于企业本身及其所处的环境多样化，国家及地方政策的波动性，给建设单位及管理部门全面、系统地识别各类风险带来了难度。虽然通航投资风险因素多，需要重视由其风险带来的高附加价值，若通航投资可以利用它自身的管理以及资金优势，并结合企业自身的技术长处和管理优势，就能带来更高附加值[15]。

（四）产品市场波动大，投入成本高

稳定增长的市场需求是企业发展的外在动力之一。对通航市场的需求预测分析发现，我国通航产业国内市场需求旺盛，国际市场增长缓慢，市场支撑力量强大。但是，国内市场环境不成熟、国际市场环境多变，导致未来的具体需求不稳定，规模不确定。与一般经济活动相比，投资通航需要更为强有力的资金支持。由于一次性投入的资金量大，形成的设施和资产规模大、占地多，因此对管理资产及资金的要求非常严苛。

（五）机制不顺，投资动力不足

通航项目审批程序相对复杂，时间长，并且限制条件多，与通航灵活快速高效的特点不符，再加上其他政策没有及时与市场有效跟进，管理力度不足，加大了资本进入的障碍。

二、指标体系的建立

（一）指标体系建立的原则

结合通航企业投资特点，参考相关文献，本文将依据可操作性、适应性、层次性、科学性原则来确定国内通航投资风险评估指标体系。

（二）风险因素识别与指标体系的构建

本文对测量指标选取的依据是：（1）已有的专家学者及文献在大型工程、装备制造业、大型飞机、军工研发等项目投资风险方面的研究；（2）国内通航企业投资特点；（3）国家有关于企业投资的相关规定。

本文结合以上特点、原则和依据，选择以下6类因素及18个子因素作为投资风险评价指标体系：

1.政策因素

政策因素包括产业政策（U1）、宏观经济政策（U2）、环保节能政策（U3）。国家出台的一系列政策，都有利于通航企业的发展，同时也会带来一定的风险。

2.市场因素

市场因素主要包括营销能力（U4）、市场空间（U5）和市场需求（U6）。市场空间提供了发展潜力，市场需求是一个动态的过程，通航企业有可能面临无法提前预测到的较大需求改变。

3.技术因素

技术因素包括技术不确定性（U7）、基础薄弱（U8）和面临技术和材料的更新问题（U9）。通航企业由于受到客观条件的限制，因此在技术上有着较大的风险性以及不确定性，基础薄弱与技术和材料更新换代都是需要投资者考虑的问题。

4.管理因素

管理因素包括决策水平（U10）、风险意识（U11）和组织结构（U12）。组织结构是整个管理系统中的外部架构，是为了达成组织目标，在管理工作中进行协调、分组以及分工的结构体系，代表权力、职能范围以及责任，而该体系说明了组织内各部分的沟通方式、聚集合分散状态以及所处的空间位置。

5.财务因素

财务因素包括融资能力（U13）、企业资金结构（U14）和获利能力（U15）。通航企业所需资金的筹集过程也存在很多风险，若弱化了企业资金的结构，有可能会提升企业总资产的负债占比，企业将会背负沉重的财务负担，缺乏偿付能力，使投资过程变得异常艰难。市场状况影响着通航企业的盈利能力，存在着一定的风险[17]。

6.人力因素

人力因素包括专业技术人才短缺（U16）、人才竞争（U17）和员工泄密（U18）。通航人力资源的风险主要来源于专业技术人才的匮乏，我国通航产业的发展起步较晚，规模尚小，水平尚低，而从整个通航企业来看，普遍存在着专业技术人才严重不足的短板。

通航企业投资风险评价流程图如图1所示：

三、ABC-SVM算法模型

该模型的核心思想是将通航企业投资风险评价的风险回归预测问题转换为基于SVM的模式分类问题。SVM在进行分类时，模型参数的选择会对分类的精度产生影响（如惩罚因子、核函数类型、核函数参数等），所以，本文借助人工蜂群算法（ABC）的全局搜索性能，建立了基于ABC优化SVM参数的通航企业投资风险评价模型（ABC-SVM）。首先，根据已构建的评价指标体系，进行数据收集；其次，各指标风险评价值作为SVM的输入，将各样本企业的投资风险评价值分类，作为SVM的输出，建立一个学习样本集；再次，确定核函数，对惩罚因子C和核函数宽度参数σ进行初始化，基于ABC算法优化惩罚因子C和核函数σ，使SVM的性能达到最优状态，将确定的训练样本输入模型，对其训练；最后，把待预测样本输入模型，就能够对通航企业进行投资风险评价和研究。

（一）SVM

支持向量机[13]（Support Vector Machine，SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，在小样本、非线性和高维模式识别中有很多独特的优势，并能够推广到函数拟合等其他机器学习问题中。由于通航企业投资风险评价指标具有非线性特征，本文选用非线性支持向量多分类机来进行投资风险评价。根据已建立的通航企业投资风险评价指标体系，将通航投资风险分为5类，分别为投资风险低、较低、适中、较高和高，则该投资风险评价模型变为多分类问题。本文选择“一对一”的多分类非线性支持向量机进行运算，步骤如下：

输入：投资风险训练样本T={（xi，yi），…，（xN，yN）}，其中，xi∈Rn，yi∈{1，2，…，5}，i=1，2，3，…，N，xi為第i个企业投资风险指标向量值，为SVM的输入值，yi为该企业的投资风险类别，为SVM的输出值。

输出：分类决策函数

（1）forh=1■N-1

fork=h+1■N

将yh=h的数据样本设置为正类，

yk=k的样本设置为负类。

（2）选取恰当的核函数K（x，z），选择适当的惩罚因子C，构造并求解最优化问题

■■■■aiajyiyjK（xi，yj）-■ai

s.t■aiyi=0

0≤ai≤C，i=1，2，…，N

求得最优解a*=（a1*，a2*，…，aN*）。

（3）选择a*的一个正分量0

b*=yj-■a*iyiK（xi，xj）

（4）构造决策函数

G（x）=sign■ai*yiK（x，xi）+b*

end

end

本文选择SVM的核函数K（x，z）为径向基函数，具体为：

K（x，z）=exp（-Px-zP2/2σ2）

（二）ABC算法

ABC算法[16，18，19]于2005年由Karaboga D et al.提出，较其他优化算法ABC算法具有更好的全局搜索性能。因此，该算法被越来越多地应用于函数极值寻优等问题[18，19]。ABC算法将蜂群分为3类：雇佣蜂、观察蜂和侦查蜂，其中，雇佣蜂和观察蜂各占蜂群总量的一半，主要职责是开采蜜源，侦查蜂的作用是避免蜜源种类过少[20]。ABC算法将问题的解转换为蜜源的位置，将相应的函数值转换为花蜜数量，寻找最优蜜源的过程演变为函数寻最优解的过程，具体为：在D维解空间中，随机产生2N个位置，选取其中N个作为蜜源位置。蜜蜂在搜索蜜源时主要通过以下三个步骤，如图2。

按照式1随机产生蜜源：

Xij=rand（0，1）（ub-lb）+lb （1）

其中，ub、lb分別为蜜源位置x的上、下限。雇佣蜂和观察蜂依照式2搜索新的蜜源位置：

Vij=xij+r（xij-xkj） （2）

其中vij为新蜜源位置，r∈[-1，1]是一个随机数，k∈{1，2，…，N}且k≠i，j∈{1，2，…，D}，j为第i个蜜源中第j维的位置，k和j为随机产生的整数。

观察蜂按照式3选择蜜源：

pi=■ （3）

其中fiti为蜜源适应度，按式4进行计算：

fiti=1/（1+f（i），f（i））≥01+abs（f（i），f（i））≤0 （4）

式中f（i）为第i个解目标函数值。在一定的循环次数后，若蜜源枯竭，该蜜源即被放弃，雇佣蜂转换为侦查蜂，同样的，按式5随机产生新蜜源。

Xij=rand（0，1）（uj-lj）+lj （5）

式中，uj，lj分别为当前循环内求出的解的第j维最大值和最小值。

用ABC算法优化SVM的惩罚因子C和核函数宽度 （算法流程图如图3所示）。

（1）设置ABC算法中相关的参数，主要包括：

蜜源数量=雇佣蜂数量=跟随蜂数量=N=25；蜜源最大循环次数（limit）=50；最大迭代次数（cycles）=1000。

（2）ABC算法的适应度函数。为了使SVM具有更高的分类准确率，适应度函数设置为SVM分类错误率的倒数为：

Fobj=■ （6）

式中，Vacc为SVM的分类正确率。

（3）设置SVM中RBF（Radial Basis Function）核函数，惩罚因子C和核函数宽度参数σ范围分别为[10-1，103]、[10-2，102]。

以上便是基于ABC-SVM算法的通航企业投资风险评价模型。为使得模型性能达到最优，算法关键是需要设置合适的ABC算法参数、选择合适的核函数类型及参数范围。算法的核心环节是将ABC和SVM建立联系及公式6的建立。

四、实例分析

（一）数据收集与处理

1.数据收集

数据的收集是本研究最为关键的环节（数据获取过程如图4所示）。来自各方的数据输入可以不断地修正模型，使得模型在进行分类预测时可以避免专家思维惯性造成的主观判断的偏差。

首先，设计问卷。通过对通航企业投资特点的深入分析，对指标体系精准的把握，对相关文献的透彻理解，设计问卷。

其次，选择专家类型。本研究选择的专家具有很强的代表性，都是资深的、经验丰富的通航领域专家，包括业内的大企业高管、高校专家、政府主管部门、风险投资专业人士四类，发放问卷，进行指标打分。

再次，进行实地调研。先后到北京八达岭机场FBO、广东龙浩集团有限公司、德奥通航有限公司等10余家相关单位进行调研考察，前后历时1年多。在与专家进行探讨和分析的过程中，获得大量一手信息和资料，得到通航投资风险最前沿资讯和可靠经验，为后续工作做了大量铺垫。

最后，专家打分。运用经验借鉴法、德尔菲法、头脑风暴法等相结合的综合方法，经过和多位专家几轮征询和透彻分析，反复修改和确认，大量搜集和统计，不断反馈和再修改，最终收集到高质量问卷反馈共15份，进行筛选和剔除之后共获得110个样本，1 980条数据，这为进行后续模型的运算和分析打下了良好的基础。所有专家打分情况的统计图如图5所示。

2.数据处理

对所搜集到的数据根据上述ABC-SVM投资风险评价模型的基本思想，将风险分为5个等级：低、较低、适中、较高、高，对应的分值区间为[0，0.2），[0.2，0.4），[0.4，0.6），[0.6，0.8），[0.8，1）。将各个专家对基准样本公司打分的结果按照上述分值区间进行分类，类别依次为[1，2，3，4，5]。根据专家的打分，建立10×11=110个样本的数据集。部分专家打分及分类情况如表2所示。

（二）运算结果

随机选取已搜集的通航企业投资风险数据集中80个样本作为模型的输入样本进行训练，其中30个样本为测试样本。利用MATLAB进行计算，结果显示基于ABC优化的SVM在达到最优值时的C=24.6327与σ=1.8756。

将本文所建立的ABC-SVM投资风险评价模型与BP网络评价模型各随机运行30次，取平均值、最优值、最差值、方差进行对比。结果显示本文所选用的评价模型平均精度高于BP网络评价模型，精度达到89%以上，表明该模型可以作为通航企业风险评价模型。两种算法的对比结果如表3所示。

结果显示，ABC-SVM运算出来的平均值，最差值分别为89.67%、80.00%、96.67%，BP运算出来的平均值，最差值分别为84.11%、73.33%、93.33%，都高于BP的运算结果，所计算的方差为0.00316，精度高于BP的0.0035。所建立的ABC-SVM投资风险评价模型对风险分类的精度达到89%以上，该模型在通航投资风险评估上具有更明显的优势，可以提高判断精度，提供更为精准的决策支持，由于数据相对全面、代表性较高，所以分析的结果更加贴合通航企业投资风险实际，具有更高的实用性，可以作为后续该类问题的模型和典范。

五、结论及建议

面对国内通航发展存在的风险与困境，客观上提出了构建适合通航产业特点的风险评价指标体系及其评价方法的要求。本文结合通航特点，将传统的通航企业投资风险评价的风险回归预测问题转换为模式分类问题，该模型在通航企业风险评价应用方面比较新颖，可以用于通航企业投资风险评估中。

（一）结论

1.ABC-SVM模型具有实践推广价值。从理论和实践两方面来看，ABC-SVM是在统计学习理论上的一种新的机器学习算法，结构相对简单，具有较好的泛化运算能力。针对传统方法主观性过强的缺点，本文從通航产业风险等级分类入手，考虑通航产业风险的组成和特征，引入ABC-SVM评价模型，将风险评价转化为机器分类识别问题，并对数据进行分析处理，缩短了模型运算训练时间。该模型方法评价视角新，本文的实例分析是ABC-SVM模型应用于通航产业领域的一次创新探索与尝试。

2.ABC-SVM方法精度高、运算精练。在本文实例分析中，ABC-SVM投资风险评价模型对风险分类的精度达到89%以上，比较其他评价方法，可提高判断精度，提供更为精准的决策支持。再者，ABC-SVM方法异与传统的判断方法，可避免由于专家判断角度不同而造成的权重设置不合理，贴近通航产业发展实际，在更大程度上避免主观判断带来的不确定性，为通航投资风险评估提供了新的判断角度。

3.风险评价工作数据的有效取得是难点和关键。风险评价效果好坏，数据支持至关重要。本研究调研历时1年多，先后对10余家相关单位进行调研考察，在与专家进行探讨和分析的过程中，获得大量一手资料，进而了解通航企业投资风险最前沿信息。可以说，前期大量数据的搜集为后续模型评价分析提供了可靠的、多层次、多维度、宽领域的数据集，有效的数据调研保证了本研究的顺利进行。

（二）建议

通航产业作为战略新兴产业，机遇与挑战并存，发展过程中存在诸多矛盾、问题，加大了投资风险。对此本文提出如下三点建议：

1.提高经营者整体素质，增强风险意识。在经济全球化的竞争中，企业的竞争更多地体现为商品竞争、资源竞争、信息竞争、理念竞争、技术竞争、标准竞争，归根结底反映的是人才的竞争。企业的人才，一是自己培养；二是面向社会招聘，要敢于到国外包括跨国公司招揽人才，人才是竞争优势之源。通航产业高风险这一特征要求企业经营决策者必须以较高的素质、较强的能力以及风险控制意识与之匹配。管理者要有敏锐的眼光和战略嗅觉，了解行业发展的前沿信息，实时了解市场、行业、国家政策法规等的变化，增强风险意识，树立全员参与意识，充分利用，积极调整运营方向，减少由于经营不当造成的投资损失。

2.建立风险管控体系，提高项目投资风险评估事前事中事后工作效率。通航产业民营企业较多，要借鉴国有企业全面风险管理工作经验，尽早建立企业风险控制组织与体系制度，建立专业人士、各职能部门、总经理、风控委员会、董事会五道闸门，避免一个人拍脑门做决定，把通航企业风险管理工作落到实处。

3.加强商情信息管理，发挥行业协会作用。通航产业作为国家新型战略产业，市场经济自由竞争的作用不可否认，但是协调统一的引导是必要的，是符合市场发展规律的，这里包含国外成功运作的经验。企业可以与行业协会共同搭建信息共享平台，加强两者间的联系和协同。对此，我们建议政府出面牵头组织各级行业协会（政府主导、民营体制），通过行业协会统一组织，对投资风险进行宣传、指导，为民营企业在风险管理方面提供一个交流、学习、培训的平台。行业协会和政府部门通过及时发布信息，建设风控专家库，主办风险专栏、专刊，政府部门定期就特定主题做风险提示，使风险控制工作具有计划性、协调性，减少盲目性。政府主导带头推进民营企业全面风险管理的一体化、组织化、制度化，打破民营企业全面风险管理工作的空白状态；在微观层面，通航企业在风险管理与控制过程中强化风险信息分类收集，及时了解和掌握相关政策法律法规风险信息、宏观经济政策、通航产业市场风险信息、通航产业发展状况，了解税收、利率变化，经营风险信息、技术风险信息等对通航企业投资的影响。制定合理的企业战略计划目标和风控目标，整合企业自身及外部优质资源，建立企业运行评估机制，提高项目投资风险管理水平。

【参考文献】

[1] ZHU Yongming，JIA Minge，SHI Youcun.Analysison current development situations，the key issuesand countermeasures of China's general aviation industry[J].Procedia Engineering，2017，174：871-877.

[2] 周平，朱松岭，姜寿山.基于模糊层次分析法的航空项目风险管理研究[J].计算机集成制造系统-CIMS，2003（12）：1062-1066.

[3] 杨铭，李原，张开富，等.基于改进的计划评审技术的航空项目风险评价技术研究[J].计算机集成制造系统，2008（1）：192-196，208.

[4] 李江，雷晓刚.基于Multi-Agent技术的大型航天研发项目风险分析方法[J].国防科技大学学报，2012，34（6）：148-152.

[5] 何佳音.机场投资风险评估与对策研究[D].北京交通大学硕士学位论文，2015.

[6] 贾晓光.航天精导设备研制项目风险管理研究[D].哈尔滨工业大学硕士学位论文，2016.

[7] YAO Huili，LIAN Chunguang，BAI Jingxian.Application of Analytic Hierarchy Process（AHP）in shipyard project investment Risk Recognition[J].Canadian Social Science，2009，5（5）：17-25.

[8] JIANG Hua，RUAN Junhu.Investment risks assessment on high-tech projects based on analytic hierarchy process and bp neural network[J].Journal of Networks，2010，5（4）：393-402.

[9] LIU Jin，GAO Xuanneng.Evaluation of investment risk in international engineering project based on improved risk matrix method[J].Advanced Materials Research，2011，1279（255）：3887-3892.

[10] LI Cunbin，LU Gongshu，WU Si.The investment risk analysis of wind power project in ChinaResearch on Investment Risk Assessment of Eco-Materials Industry Renewable Energy，2013，50：481-487.

[11] CHEN XB，XIE ZZ，LI J. Risk evaluation on the operation period of offshore wind power projects based on support vector machine[J].Journal of Engineering Management，2013（4）：55-59.

[12] JIN Hongxia，YAO Heping，YU Jie.Research on investment risk assessment of eco-materials industry[J].Applied Mechanics and Materials，2013，347-350：1018-1021.

[13] VAPNIK V N.The nature of statistical learning theory[M]. New York：Springer，2000：133-167.

[14] KARABOGA D.An idea based on honey bee swarm for numerical optimization[Z].2009.

[15] RAFTERY J.Risk analysis in project management[M].E&FNSPON;，An Imprit of Chapman&Hall;，London，1994.

[16] DOHERTY N A.Integrated risk management.Techniques and Strategies for reducing risk[M].McGraw-Hi11.NewYork.2000：236.

[17] 王少輝.科研机构军工固定资产投资项目风险分析与控制研究[D].中国科学院大学硕士学位论文，2015.

[18] KARABOGA D，BASTURK B.A powerful and efficiental gorithm fornumerical function optimization：artificialbeecolony（ABC）algorithm[J].Journal of Global Optimization，2007，39（3）：459-471.

[19] KARABOGA D，AKAY B.A comparative study of artificial bee colony algorithm[J].Applied Mathematics & Computation，2009，214（1）：108-132.

[20] LIUXB，CAIZX. Artificial bee colony programming made faster[C]//International Conferenceon Natural Computation.IEEE，2009：154-158.