BP网络优选模型在水利工程绩效管理评估中的应用

李淑霞

(辽宁省观音阁水库管理局有限责任公司，辽宁 本溪 117100)

水利工程管理控制系统的核心内容是综合多种因素进行绩效管理评估，不仅是检验施工企业价值判断的主要方法，而是企业进行计划实施和战略发展的重要手段。据此，对水利工程的管理绩效进行测评、保证和完善已成为当前水利工程项目研究的热点和主要方向。闫文周等基于工期、费用、质量、安全四大要素构建了用于综合体项目的管理绩效模型；周巍等对工程项目评价体系中的财务、社会经济以及环境等方面开展研究分析[1]。然而，对实际工程的绩效评估是一个多层次、多维度的管理和分析，传统的评估方法主要是依靠单项要素的线性分析法，此方法简单易行往往采用“降维”或简化的方法对问题进行处理，并对各评价指标间的非线性复杂作用关系不能准确表征，其评价结果的精度通常不能满足工程项目的管理决策相关标准要求。人工神经网络法相对于传统的绩效评价方法，具有较强的联想能力和适应能力，神经处理器对于特殊样本可通过联想、极易等对系统进行合适的控制输出，其计算精度有明显的改善和提高[2]。据此，本文通过将神经网络和模糊优化理论向结合，在参数训练过程中利用BP网络自学习特征不断的对指标权值进行修正，并使得模型的计算输出逐渐逼近所期望的输出，以期构建可靠性和适用性更强的工程建设管理绩效优劣的评价模型[3]。

1 水利工程绩效管理评估体系的构建

建设周期长、施工环境恶劣和技术复杂等是水利工程建设的主要特点，同时还需要做好与多个参建单位的协调沟通如处理好勘测、设计、施工、业主和监理等部门的统一协调等问题[4]。各大型工程的建设都具有与其特征要素相对应的发展阶段，本研究结合水利工程建设的基本程序和要素将其划分为9个阶段如总体规划阶段，建议书决策阶段、可行性研究阶段、工程项目的初步设计、施工准备阶段、建设实施阶段、生产准备、竣工验收以及后评价阶段，各阶段的实施过程即为项目的全寿命周期阶段，其中包含了工程的设计、施工、交付验收、运行等过程。勘测设计评估、投资计划评估、投资控制评估、工程质量进度以及项目后评估是水利工程建设管理绩效评价的主要部分[5]，据此，可将工程项目的全寿命周期各个阶段的控制难点和重点内容划分至上述5个评价模块之中，所构建的绩效管理评估体系见表1。

绩效管理评估指标体系中的各指标的量纲和单位各不同，且各指标的取值范围也存在一定的差异，引起各评估指标不具备相互之间的可比性[6- 8]。

表1 水利工程项目的绩效管理综合评价指标体系

据此，在对评估指标进行计算分析前需先进行量纲统一标准化处理以消除不同评估指标之间的不可通度性，各评估指标无量纲化取值范围为0～1之间的数据。依据专家对各评估指标进行的绩效赋分结果，可将工程绩效管理评估标准划分为5个等级即为优秀、良好、中等、合格和不合格，各等级的综合评估指标赋分范围依次为1.0～0.9、0.8～0.9、0.7～0.8、0.6～0.7、0～0.6五个取值范围，评分数值的大小代表绩效管理效果的优劣程度。通过将14个工程项目数值进行统计分析，并进行无量纲化标准处理，可获得15个样本评估指标和专家组对绩效管理的赋分结果。本研究为了提高所选取样本的准确性，增设了2个理想样本作为参照性对比分析样本，即考虑了评估值和专家评价结果分别为0和1时的两种特殊情况，得到的最终样本数量共为17组。

2 模糊优选BP网络系统的构建

2.1 模糊优选BP网络模型及参数设计

设定系统内包含个目标特征值即在输入层有个输入节点，在系统处理隐含层中有个单元的节点，输出总仅有一个节点，则所构建的BP神经网络系统共包含输入层、隐含层和输出层3个模糊优选层次，所构建的模型如图1所示。

图1 水利工程绩效管理综合评价模型

设定评价模型中的评价指标的样本数为n，则系统中样本j所对应的输入层数据为rij，其中i=1,2,，m;j=1,2,，n，模型的计算过程如下：

(1)在系统的输入层中的节点i所包含的信息直接传递给隐含层中所对应的节点，则节点的输入和输出信息相同，即rij=uij。

(1)

(2)

(4)模糊优选网络模型的权重调整系数计算利用相关文献中的基本公式，对于隐含层与输出层的节点k、p之间的调整权重量采用下式进行计算：

(3)

式中，n—指标学习效率系数；M(upj)—样本j所期望的输出结果。

输入层与隐含层的节点之间的权重调整量采用下式尽心计算：

利用上述模型对网络系统的连接权重系数采用BP网络的方向传播法进行计算，并确定单元系统与期望目标的权重值，可明显降低期望输出和实际输出之间的计算误差，使得计算误差值最低[9]。结合Kolmogorov定律，本文所设定的14个评估指标的输入层节点共有14个，系统的中间层节点共29个，而绩效管理评估结果即为输出层的节点，有且仅有一个。利用trainlm函数对学习样本进行训练，所进行的训练计算方法为LMBP反向传播法，此函数训练法具有计算精度高且收敛速度快等优点。其他各参数的设置为训练目标误差为0.001，最大训练步数为1000。

2.2 模糊优选BP网络模型率定及验证

选择样本中的前14组数据作为学习训练样本的初始数据，系统的输入节点数据为各评价指标经标准化统一处理后的指标值，系统的输出层中的期望值数据选取与样本相对应的评估指标经专家组打分所确定的绩效管理评估值[10]。依据文中所述评估指标和方法，所构建BP网络优选模型经过5个训练周期后其均方误差即可满足预先设定要求。

在样本数据中的训练检测数据为第15～17组数据，系统模型的输入层节点值和输出层节点值分别为15～17组样本数据的评估指标值和与之对应的专家组绩效管理的赋分值，然后利用文中所构建的模糊优选BP网络模型对各指标进行评估，评估计算结果见表2。

表2 BP网络优选模型的训练结果和期望结果对比表

由上表模糊优选BP网络优选模型评估结果可知，水利工程各项目的实际绩效管理评估结果与模型评估结果保持高度的一致性，期望输出与实际输出值之间的相对误差较小，样本数据的均方差D均小于0.0001，满足水利工程项目的评估精度要求。据此，利用文中所构建的评估模型可应用于对水利工程绩效管理评估考核中，其评估结果可以客观、合理的水利工程的管理水平和效益进行准确评价，并且可以实例对模型的绩效管理评估进行验证。

3 实例分析

本文以某供水改造项目为研究对象，并利用文中所构建的BP网络优选模型对该项目的绩效管理水平进行评估。该项目兴建于2014年3月15日，并与2015年8月20日通过竣工验收，于2016年8月25日正式竣工通水。项目全长48.6km，2018年为设计水平年，且供水保证率为98%，设计年供水总量为35.16×108m3。供水分布在某市各个城区和主要城镇。某改造项目部分概况为：工程外观质量得分率为94.2%，单位工程、分布工程和单元工程的优良率分别为95.7%、100%和93.6%；在事故安全控制方面未发生安全死亡事物；在征地移民方面各项工作质量均符合规定要求；在环境方面，水土流失治理率确保在92%以上；在投资管理控制方面均符合设计预期要求，同时节约成本12%，工期提前12%，该工程的绩效管理质量水平明显高于其他同类项目的平均值。

利用该工程监理项目部的有关资料、检验验收资料以及实际测量数据和建设投运情况对各参数指标值进行计算和提取，经统一标准化处理后的各评估指标值见表3。

利用文中所述的程序算法得到该水利改造工程项目的绩效管理综合评估结果为0.9527，评估等级标准为优秀，研究表明，该项目的管理绩效水平处于相对优秀水平，文中所构建的评估模型的计算公式和相关理论具有一定的科学性和有效性，能够应用于相关水利工程的绩效管理评估系统研究。

表3 某改造项目各评估指标统一标准化处理数据结果

4 结语

本文基于水利工程绩效管理评估基本理论方法和研究现状水平，在详细分析了BP网络优选和模糊优选计算公式和基本理论的基础之上，结合水利工程绩效管理基本特征和要素，构建了评估指标体系。所选取的评估指标相对于现有的实际项目，表现出有明显科学性、准确性和全覆盖性，不仅适用于工程项目的内外部环境要求，而且对相关项目的评价方法具有重要的参考价值。本文得出的主要结论如下：

(1)本文所构建的系统模型对水利工程各项目的实际绩效管理评估结果与模型评估结果保持高度的一致性，期望输出与实际输出值之间的相对误差较小，样本数据的均方差D均小于0.0001，满足水利工程项目的评估精度要求。

(2)所构建的评估模型可应用于对水利工程绩效管理评估考核中，其评估结果可以客观、合理的水利工程的管理水平和效益进行准确评价，本文提供了一套完整的水利工程绩效管理评估指标体系和标准，具有较强的实际应用价值和理论意义。