国际工程项目风险智能评估研究框架

金 峰 向文武 宣 凯 汲 铮

1.东南大学国家发展与政策研究院 北京 100083；2.中石化炼化工程（集团）股份有限公司 北京 100029；3.加利福尼亚大学洛杉矶分校

近些年，随着全球化进程的推进和国家“一带一路”倡议的纵深发展，对外投资合作已成为中国主动融入全球化的重要方式，和实现互利共赢、共同发展的重要推动力。商务部统计数据显示，2019 年，我国对外全行业直接投资1171.2亿美元。其中，我国境内投资者共对全球167 个国家和地区的6535家境外企业进行了非金融类直接投资，累计投资1106 亿美元。在“一带一路”沿线对56 个国家非金融类直接投资150.4 亿美元，占同期总额的13.6%，主要投向新加坡、越南、老挝、印尼、巴基斯坦、泰国、马来西亚、阿联酋、柬埔寨和哈萨克斯坦等国家。在对外工程承包方面，我国对外承包工程业务完成营业额1729 亿美元，同比增长2.3%；新签合同额2602.5 亿美元，同比增长7.6%。在“一带一路”沿线的62 个国家新签对外承包工程项目合同6944 份，新签合同额1548.9 亿美元，占同期我国对外承包工程新签合同额的59.5%，同比增长23.1%；完成营业额979.8 亿美元，占同期总额的56.7%，同比增长9.7%。中国对外投资与工程承包已经成长为中资企业国际化经营不可忽视的一个行业。

随着对外承包工程业务的迅速发展，EPC、BOT/ PPP 模式已经成为中国承包商承揽海外项目的主要业务模式之一。同时，中国承包商在项目经营中所面临的风险变得越来越复杂，大规模成本超支与工期延误现象时有发生，这对中国承包商项目风险管理能力提出了更高要求，亟需企业兼具定性和定量风险评估的能力。一方面，当前国内工程承包企业的项目风险管理水平较低，大多数只关注风险定性评估，对风险量化管理关注度不够，风险量化管理能力较弱。另一方面，相比于欧美承包商成熟的风险量化技术，风险意识和方法技术的落后使得中国企业在国际工程市场竞争中处于劣势，不能有效地评估、预测与管控风险。因此，在国际工程项目风险评估中开展智能化决策研究势在必行。

1 研究现状

1.1 概述

国际工程项目风险评估主要涉及到单项目、项目群与项目组合的风险分析、评价与控制。针对单项目风险评估，蒙特卡罗模拟（Xingbai Gu et al. 2011；David Hillison 2003；RoyNersesian 2013；John Hollmann 2016）已经广泛应用在国际工程项目风险评估中，主要用来模拟项目的进度和费用概率分布曲线，测算工期或费用基准目标实现的概率，并筛选出主要的风险因素。

2003—2016 年，美国工程成本促进协会先后编制出版了一系列工程项目风险量化评估推荐规程，其核心思想是使用蒙特卡罗模拟技术量化进度/ 费用风险储备、测算涨价预备费、选择决策树模型等。

基于风险量化评估思想，很多学者（Yang and Zhang 2011；孙成双2013；陈伟珂2015）根据国际工程项目开展经验，总结了国际总承包项目在合同谈判阶段和项目执行阶段在内的整个项目周期包含的主要风险，分别对设计风险、原材料价格风险、供应商风险、法律法规风险、外汇风险和物流风险等风险因素进行分析，并提出相应的对策。其中，供应商选择是大型工程项目风险管理研究的热点之一。此外，一些学者认为（Dai and Molennar 2015），在项目早期开发阶段，通过合同形式确定成本和风险的项目交付方式有利于合同方分散风险，提出了一种以风险控制为导向的项目交付方式比选模型，来评价项目成本对项目交付方式比选的潜在影响。

工程项目群风险评估的目的是对项目整体风险值的排序，有些学者（Yuri Raydugin 2014）建议按照单个费用风险排序，也有专家学者（Juliane Teller 2013；Janne Gastafasson et al. 2005）建议综合考虑进度与费用两个目标对项目风险值排序，并开发出基于SQL数据库的商业化软件。对于工程项目组合风险评估，最优化模型是一种常见的思路，经常使用在基于一定资源约束条件下的项目优选模型 （Rolf Olsson 2007；I.R.Bardhan et al. 2010；Hamidreza Abbasianjshrami2012；Yvan Petit2010；AlexanderKock 2016），以保障项目价值最大化的目标。国内一些专家（杨雪燕和罗洪2007；张啸锋等2011）已经成功将这种方法在油井投资组合中使用，实现在一定资源约束情形下的项目组合价值最大化。另外，实物期权模型也是解决此类问题的一种常见方法，能够有效分析项目整体价值的不确定性问题（Johnathan Mun 2009；Hyun Woo Lee et al. 2014）。

1.2 信息化

目前，市场上商业化的工程项目风险评估系统与软件比较多，开发商主要是英美软件公司，包括Web 网络化与单机版两种类型，代表性的软件有@Risk、Crystal Ball、Primavera Risk Analysis、Acumen、ARM(ActiveRisk Manager)(何伯森 2008；AACERInternational RPs，2007- 2016)。其中，建筑信息建模（BIM）包括BIM 3D、4D（进度维）与5D（成本维）模式（陈勇等2015；李锦华等2014），已在国内外一些工程项目上得到实践。BIM 的发展提供了一个可视化和信息丰富的环境对建筑风险知识进行项目管理，已有国外专家学者（Ding et al. 2016）利用BIM 的优势、本体论和语义Web 技术建立了基于BIM 环境建设风险知识的管理方法和框架的项目风险知识管理系统平台。

同时，Dillon 等（2003）开发了基于成本预算管理的项目风险分析与管理平台（APRAM），优化与配置每阶段预算储备和资金。Taillandier 等（2015）提出了多智能体模型（SMACC），使用Multi- Agent 模拟和随机方法，评估利益相关者和整个项目受到风险因素的影响，对不同的风险缓解策略情景分析，为领导提供灵活多变的决策支持信息。Serpell 等（2015）建立了一种基于Web 应用程序的企业组织成熟度模型，用来评估工程公司组织风险管理的能力，指导客户或承包商提高项目风险管理能力。

1.3 智能化

尽管基于人工智能方法的系统化、规范化工程项目风险评估体系尚未建立，但围绕着应用人工智能理念解决风险评估中热点问题的研究一直在持续(Mohammad Namazi et al. 2016；M.De Beule et al. 2007；Perkgoz et al.2007；戴晗2017；马力等2015；张明伟等2010）。

在项目风险评估方面，神经网络与遗传算法是应用最广泛的两种算法，在国际顶尖期刊上相应的研究多达数十篇(Francesco Costantino et al. 2015；Xiaohua- Jin et al. 2011；郭鹏等2015；马计诚等2014）。Francesco Costantino 等(2015)使用神经网络识别出关键风险因素，并结合最优化模型，对项目组合方案进行比选。Salvatore 等（2014）使用BP 模型对数十个新建项目定性分析结果进行检验与预测，体现出BP 模型能够有效地学习与模拟项目内在的规律。Izabela 等（2008）应用人工神经网络（ANN）技术探寻工程项目自身的规律，持续训练与学习历史数据，结合蒙特卡罗模拟，测算出进度/ 费用联合概率分布。

Ing. Jurgen Schwarz 等（2015）分别使用ANN、支持向量机与蒙特卡罗模拟对同一个工程项目成本进行风险量化分析，指出ANN 与支持向量机（SVM）通过分类与学习，能够提高风险数据的质量与可靠性，运算结果更优。匡建超等（2006）应用改进遗传算法量化分析房地产投资项目风险，该方法具有自组织与自适应等优点，能够提高评价的精度。另外，有些专家（Jarboui et al. 2008；许建平2009；陈德泉等1994）使用模拟退火、粒子群算法、基因算法对项目群的资源分配和工期分配进行了研究，取得了良好的效果，但尚未应用这类方法研究风险管理问题。

2 现有研究尚存不足之处

虽然国内外一些专家学者对国际工程项目风险评估进行了深入研究，并且在一些重大项目上展开实践，但在风险数据的历史积累、机器学习和智能化风险评估方面缺乏有效的探索，应用上也欠缺可操作性，主要表现在以下几方面：

2.1 项目历史数据库未得到充分挖掘

目前风险评估的输入变量、可能性及其影响，大多数还是通过专家的主观判断，并没有充分挖掘积累的历史数据的内在规律。由于缺乏科学、智能化的风险数据分析处理技术，使风险数据资源的价值未得到充分挖掘。

2.2 项目群和项目组合风险评估未得到高度重视

国内外专家学者在单项目风险评估领域积累了丰富的研究成果，但对项目群和项目组合风险评估问题并没有深入地开展研究，尚未构建有效、具有可操作性的评估模型。

2.3 智能化、一体化的单项目、项目群和项目组合风险评估平台未建立

现有的风险评估信息平台和软件主要是针对单项目风险评估，例 如 @Risk、Primavera Risk Analysis 和Acumen 等，仅适合于项目组开展单项目风险评估，不能满足具有集团性质的公司同时监控多个不同性质项目的风险。例如， 同时执行多个 EPC 与BOT/ PPP 项目时，无法实现分层、分级有效地应对风险。

3 研究框架和模型

国际项目风险智能评估框架如图1 所示。

图1 国际项目风险智能评估框架

3.1 驱动机理与传导机制

通过公开的风险数据与企业自有数据库，引入人工智能技术对风险数据的训练、机器学习，及深度机器学习，寻找风险驱动机理，揭示风险因素之间的因果关系及其相关关系和相互作用的机理，探索出工程项目风险传导与演化的机制。主要包括：

（1）基础数据库原型构建。通过专家深度访谈、调查问卷和案例分析，并结合整理欧美公开的风险数据与企业数十年的历史数据，构建专家意见库与案例库，形成项目所需要的数据库原型。

（2） 风险驱动机理与传导机制研究。利用人工智能技术对数据不断的训练、机器学习或深度机器学习，寻找国际工程项目风险数据的内部规律及其关联性，并将它们作为项目风险智能评估系统的输入变量。

3.2 控制资源模型

面对复杂的国际工程项目环境，项目风险管理控制依赖于一定的资源，主要有项目风险决策资源和项目风险控制资源，从根本上保障国际工程项目风险管理控制的有效实施。

（1）项目风险决策资源模型。数据、信息和知识是项目风险决策的重要资源，面对国际工程项目重点研究“风险数据→信息→知识”及时转化的基础条件和触发机制，建立科学的项目风险决策资源模型，保障国际工程项目风险决策的科学性、及时性。

（2）项目风险控制资源模型。面对国际工程项目重点研究时间、成本和绩效约束环境，有效保障项目风险控制的有效实施，以科学的项目风险控制资源模型，保障国际工程项目风险控制的有效性。

3.3 数据分析原理

国际工程项目风险评估的输入变量原始数据数量较大、种类较多，可以划分为宏观环境数据、中观行业数据与微观项目数据三大类，包括客观历史数据与专家经验主观判断两大范畴，遵循分层分级的原则深入分析、处理这些原理数据，具体内容包括：

（1） 客观风险数据的分析与处理。使用大数据分析、数据挖掘、金融数学和机器学习等技术探索输入变量的内部规律与统计特征，例如LIBOR 利率和货币汇率短期预测等，工程项目单位成本数据概率分布的拟合等，以此作为风险智能评估的基础。一般而言，这类方法较多地适用于具有历史数据的宏观环境与中观行业风险数据分析与处理。

（2） 主观风险数据的分析与处理。对于一些没有客观数据的风险信息，只能依据专家经验进行分析、判断与确定，例如政治风险、政策风险和天气风险对项目成本的影响。由于数据获得的便利性、重要专家意见的代表性、锚效应等诸多原因，专家意见一般不统一，甚至有意见相左的情况。本部分主要研究如何借助大数据分析与数据挖掘等方法降低专家意见的误差，进一步提高输入变量的数据质量与精度，常适用于项目微观风险数据。

3.4 智能评估模型

3.4.1 单项目风险智能评估

（1） 项目机会研究阶段风险智能评估模型：收集中央企业、进出口银行、中信保等投资环境分析、公共安全风险与国别风险分析报告与历史数据，使用数据挖掘技术和人工智能技术对项目投资国的内外部投资风险构建智能模型，识别并测算出主要风险的优先级，并对投资环境风险按照控制目标进行聚类分析，模式化与固定化风险对应的控制措施。利用中国承包商项目进行实证分析，验证投资环境风险智能评估模型的有效性。

（2） 投资决策风险智能评估模型：收集项目投资中涉及的技术风险、经济风险、市场风险、汇率利率风险和原料风险等大数据，构建知识管理数据库，并使用数据挖掘、计量经济模型等算法构建这些参数的智能模型。对于市场竞争态势，使用博弈论与马尔科夫链等智能算法总结历史数据，构建预测模型。在此基础上，引入大气环境风险分析中常用的不确定性与可变性理论，构建基于决策树、实物期权等决策模型的二维蒙特卡罗模拟仿真技术；并结合金融学中提及的情景分析与压力测试，测算项目投资决策所面临的内外部风险，最终结合风险承受能力做出科学的投资决策。还要利用中国承包商投资项目进行实证分析。

（3） 工程建设风险智能评估模型：通过数百个项目的历史数据，构建风险定性与定量评估的数据库。使用ANN、混沌理论、复杂性科学与系统动力学等智能算法，发现风险形成机理，构建工程建设项目风险信息数据库；根据数据库，建立以项目投产期（进度）、投资估算（费用）为主要控制目标的风险量化智能模型，主要包括价格、风险储备、价格波动、资源和进度等。并使用中国承包商正在投标与建设的项目验证提出的风险量化智能模型的有效性。

3.4.2 群风险智能评估模型

综合考虑项目目标耦合关系产生的新风险、资源冲突和项目结构复杂性等特征，研究项目群风险评估智能方法。

（1） 资源有限约束冲突情形下的项目群风险智能评估：鉴于项目群之间的单项目存在着一定的耦合与资源冲突关系，使用遗传算法、粒子群、鱼群算法及传统的最优化算法，构建在一定资源约束情形下的项目群优化模型，使得项目目标最优化。在此基础上，使用中国承包商正在执行的诸多项目进行实证分析，指出模型的有效性。

（2）项目群投资估算（成本）/投产期（进度）风险智能评估：通过历史项目知识库，构建基于成本与进度优化的项目群目标管理模型，主要使用因子分析、主成分分析与系统动力学，识别出项目风险水平排序，并结合企业风险承受能力，将企业风险管控有限的资源应用到最为关键的项目或风险上去，再使用真实的项目进行实证分析。

3.4.3 组合风险智能评估模型

鉴于全球固定资产项目投资有所萎缩，提高项目投资回报率与经济效益成为投资者最关心的议题。基于这种思想，引用运筹学、人工智能、最优化和计量经济等方法，建立基于一定约束条件下的项目组合风险智能评估模型，便于优选具有重大投资价值与效益的项目群。

3.5 信息系统理论框架

本部分主要研究中国承包商项目风险量化评估信息系统框架，主要包括信息系统框架搭建、系统集成与实际应用。

3.5.1 信息系统框架

综合考虑风险管理的全过程，包括目标设定、风险识别、风险分析、风险评价和风险应对等，构建的信息系主要包括项目风险评估、项目群风险评估与项目组合风险评估三个模块，并附加辅助模块：参数历史数据库、项目历史数据库、国别风险等知识管理平台，使用JAVA 与SQL 等技术建立综合风险智能信息系统。

3.5.2 系统集成模型

研究开发与国际工程项目管理系统BIM 和ARM 的接口，使得开发的风险信息系统能够与国际惯例与软件系统直接接轨。

3.5.3 实际应用

中国承包商使用该系统进行项目、项目群与项目组合风险管理的历史数据收集、智能分析和实践应用的实证分析。

4 结论

本研究将人工智能方法中的数据挖掘、大数据、最优化和生物数学等理论方法，大规模应用到项目风险量化评估实践中，综合分析已经完成项目的风险信息特征，寻找内在规律，建立适用于中国承包商的单项目、项目群和项目组合集成风险评估智能方法，丰富传统的风险量化评估模型。在前期理论研究基础上，为中国承包商工程项目风险评估提供智能化的理论与方法，帮助中国承包商在国际化经营中更加有效地识别、评估与应对风险，为项目重大决策提供智力支持。