基于改进DBN算法模型的PPP模式项目投资风险分析

王冠枫

(中交一公局厦门工程有限公司, 福建, 厦门 361021)

0 引言

随着全球基础设施建设的不断扩展和深化, PPP模式作为一种新兴的投资和运营模式,在推动各类基础设施项目的实施中发挥着日益重要的作用[1-2]。然而,伴随着PPP模式的广泛应用,项目投资风险的增加也引起了广泛关注。项目投资风险的不确定性和复杂性使得风险管理成为PPP模式下项目成功实施的关键因素之一[3]。

在工程建设的过程中,PPP模式的运行存在以下技术缺陷。

(1) 合作项目在分析过程中,出现项目运行滞后,项目运维困难等各种问题,这使得PPP模式在合作过程中效率低下。

(2) 现有技术的分析仅仅局限于人工分析方法,效率低下、技术落后,难以满足现有技术发展的需要。

(3) 现有技术的PPP模式智能化分析程度低下,人工智能技术能力落后,无法实现项目投资分析的快速达成。

针对上述技术的不足,本文进行了以下技术研究。

1 投资风险分析架构设计

针对上述技术的不足,本文设计了新型的投资风险分析架构,该架构包括应用层、平台层、网络层和感知层4层架构。通过分层架构实现投资项目风险数据信息分析、应用与计算。其中应用层包括通过计算分析后输出的政策风险、投资风险、技术风险和运营风险等;平台层包括网络数据信息运维风险算法模型和风险投资评估管理平台;网络层包括远程和本地通信网;感知层指政府投资项目运营风险和各类末端感知单元[4-5]。多层架构平台的结构图如图1所示。

图1 投资风险分析架构示意图

在感知层中,数据项目分为投资项目风险、技术风险、运营风险、政策风险等各种风险数据信息,这些数据项目能够反映社会各项资本数据信息,其内包括融资风险、项目执行风险、收益风险、前期规划、设计风险、运维风险、管理风险、预期风险、建设风险等多种数据信息[6-7]。

网络层包括无线网、有线光纤网和网络风险参数等。为满足评估处理的实时性和带宽需求,采用扩大投资风险评估应用、优化传输网和数据网的方法,为投资风险提供合适的数据传输通道[8]。

平台层包括风险投资评估管理平台、投资项目、投资风险评估计算机算法等。将风险参数管理专业投资风险评估、数据规划、风险投资评估等共性需求建立成一定的联系,通过大数据分析的方法,将具有多种投资风险评估参数形成频率较多的评模型进行输出,为合作项目核心投资风险评估处理提供共享服务[8]。

应用层主要为投资风险评估应用主系统构成。通过基于风险投资评估管理平台提供的接口,实现对各类风险参数的管理,包括风险参数的监测、管理以及应用管理等。借助投资项目投资风险评估和数据的共享,建立起项目风险管理和运维体系[9]。下面对本文的关键技术进行设计。

2 关键技术研究

2.1 风险项目评估网络架构设计

项目风险评估架构方案应同时满足通信安全、风险评估精确等信息安全要求,同时兼容政府投资项目运营风险和融资风险等精确评估,可覆盖风险投资评估体系的各个环节。采用的网络有光纤/4G/无线专网、有线RS485、宽带载波和微功率无线[9-10],通信网络架构设计如图2所示。

图2 项目投资数据信息通信网络架构设计

项目投资数据信息通信网络架构在本文发挥着至关重要的作用,能够实现多种数据信息的交互和通信。该项目包括风险项目评估中的各种不同数据信息,对于项目投资数据信息通信网络架构中项目合作模式选择、项目设计组织、项目建设、项目采购方式、管理组织实施、运营管理等各个方面均具有重要的意义[11-12]。

这些数据信息通过不同的网络架构实现数据信息传递和交互,本文采用多种形式的数据通信,数据安全设备的联动集中分析技术主要从基于安全策略的防火墙状态检测、项目风险数据信息发现及识别、项目数据信息安全接入、项目数据流量异常分析、项目数据信息防护等,以合理的方式实现对防火墙策略统一管理的服务来实现策略的集中管理、分析和优化,完成从告警到处置的自动化处置流程,提升告警分析效率,加快应急响应速度,提升安全运维的能力和效果[13]。进而提高项目投资风险的预警能力。下面对风险分析方法进行分析。

2.2 风险评估方法

本文基于网络安全态势感知技术,引入DBN算法模型,实现项目投资风险中政府和私有企业之间的关系计算。通过评估政府和社会资本合作之间的相关性,实现影响二者合作因素之间的关系,评估架构示意图如图3所示。

图3 评估架构示意图

为了体现评估过程,现在通过分步骤进行描述。

步骤一:将组织风险、政策风险、法律风险、设计风险、建设风险、财务风险、最低需求风险、项目建设管理风险、项目运营管理风险、融资风险、运维风险和不可抗力风险等多种因素信息进行归一化处理,处理后的计算公式用rij表示,则有以下计算公式:

(1)

步骤二:构建风险评估矩阵,通过矩阵表示风险项目内部蕴含的价值函数,则有:

(2)

式(2)中,xmn表示为上述风险种类,m、n表示不同风险的评价指标。

初始化后的数据矩阵可以采用R来表示:

(3)

步骤三:设置权值,假设输入第i个风险影响函数时,则输出第j种投资风险项目,将fij表示影响PPP模式中投资风险影响参数对用户用电影响的权重,则有:

(4)

式(4)中,当fij的值为0时,fij输出值也为0,信息熵Hi表示为

(5)

式(5)中,k的值可以用1/Inn来表示,然后将第i个投资风险的熵权值表示为

(6)

步骤四:然后对投资风险数据进行DBN网络模型设计,通过AGV输入建立训练函数:

(7)

式(7)中,m表示投资风险流程中政府项目,n表示投资风险评估过程中的私人企业资金项目,Fe表示风险评估训练结果对比函数,Ae表示投资风险流程风险评估参数标准。

根据建立的DBN算法函数对比结果选出最优风险评估规划方法,对此方法进行评估,则评估函数为

(8)

式(8)中,Dm表示风险评估DBN对比函数评估结果,VT表示风险评估周期内数据对比集合,R表示DBN模型输入风险评估数据变化。

以DBN模型评估数据为基础进行改进,将投资风险的GUI组件建立的模型与DBN模型融合[11],政府项目与私人企业之间资金关系可以表示为

(9)

式(9)中,π表示GUI组建模型与DBN模型融合契合度。

根据两者融合的契合度完成风险评估数据的最优规划,通过分析风险评估前后不同时刻电力变化进行评估,得到时刻评估函数:

(10)

式(10)中,A(m)表示融合后的模型风险评估时刻评估结果,BT表示不同时刻下的风险评估数据量,k表示风险评估数据输入量,m表示风险评估中的风险参数影响量,i表示模型输出风险评估数据变化量。

根据不同时刻的评估数据,将风险评估数据与模型输入之间相互联系[12],通过分析算法模型承受能力进行输入,进而确定最优风险评估方案,其模拟最优风险评估函数结果为

Z(i)=WHHn+r+WEEn+r,i∈Vt

(11)

式(11)中,Z(i)表示模拟最优风险评估方案评估结果,WH表示风险评估方案输入数据量,WE表示算法模型录入数据量,Hn+r表示风险评估方案运行中风险参数运行状态,En+r表示算法模型运算速度。

改进的DBN算法将传统算法模型应用到投资风险方案中,通过图形用户界面(GUI)组建实现算法模型与风险评估模型的兼容性评估,并根据不同时刻的风险评估数据设计模型,通过模拟算法模型运行结果找到最优风险评估方案,实现投资风险的流程化,将繁琐的计算过程运用模型的形式运行,减轻工作人员的压力,同时提高投资风险数据处理效率[13]。

3 案例分析及应用

假设以一个土建项目作为案例进行分析,将片区开发分为土地一级开发和二级开发两个阶段,这些阶段涵盖基础设施和公共服务设施、规划咨询、产业吸引以及运营维护等领域。采用本文方法对本项目风险进行评估。试验架构示意图如图4所示。

图4 试验项目示意图

以文献[1]和文献[2]方法作为实验比较对象,对本文中的风险评估方法进行比较。实验用CPU采用Inter i8以上处理器,在Windows操作系统下,人为制造一些故障数据信息,假设提取人工设置投资风险、执行风险、收益风险、设计风险和运维风险数据信息分别为893 475、456 777、756 566、656 565、565 656、567 335和956 567条。

在进行风险评估时,没有特殊的数据特征,为了将数据更好地识别处理,可以设置数据特征,也可以设置数据标签,主要目的在于将每种数据类型赋予身份证身份,以便在应用过程中便于处理和计算。通过不同的方法对上述信息进行识别的结果如表1所示。

表1 项目投资风险识别试验表

由于投资项目诸多,为了试验的便利,仅仅通过上述几种方式进行试验。对于投资风险、执行风险、收益风险、设计风险和运维风险数据信息的信息识别中,将本文方法与文献[1]方法和文献[2]方法进行对比分析。检测耗时对比如图5所示。

图5 检测耗时对比示意图

图5中,在进行10次测试后,每次的测试数据量都不相同。具体而言,第二次测试的数据量是第一次的2倍,第三次测试的数据量是第一次的3倍,以此类推。由于数据量逐渐增加,所需的时间也在逐步增加。根据实验结果,使用文献[1]中的方法总耗时为103 s,使用文献[2]中的方法总耗时为97 s,而采用本文提出的方法总耗时仅为49 s。因此,本文方法能够显著提升项目风险的识别能力。

下面对项目风险中的识别能力进行验证,项目风险识别能力通过识别正确率进行对比。3种方法的对比结果如图6所示。

图6 3种不同方法的对比曲线图

在图6的试验中,常规方法是指人工经验评估方法,文献[1]方法为k-means分类算法,文献[2]方法为聚类分析算法,通过10个小时的试验,文献[1]和文献[2]虽然利用了算法,但是效果不够好,本文方法不到1小时的时间内就完成了所有项目风险数据的评估,大大提高了PPP项目合作能力。

4 总结

在PPP项目合作过程中,由于涉及面广且繁杂,其交易结构复杂,如何实现PPP模型的合作就成为亟待研究的课题,本文基于大数据算法模型,构建出了改进型DBN算法模型,提高了项目投资风险中政府和私有企业之间的关系计算,大大提高了PPP项目合作模式的能力。本文虽然能够科学合理的分配项目风险,不断完善片区PPP项目的实施方案,促进各种合作项目开发良性循环发展。但是政府投资项目的智能服务在长时间运行中可能会出现通信网络变慢等各种数据问题,这需要进一步的研究和计算。