基于神經(jīng)網(wǎng)絡(luò)的項(xiàng)目風(fēng)險(xiǎn)管理分析

周宇航 金鑫

2

中國(guó)電子科技集團(tuán)第二十八研究所系統(tǒng)工程事業(yè)部 江蘇 南京 210007

摘 要 項(xiàng)目風(fēng)險(xiǎn)管理的核心在于對(duì)可能造成項(xiàng)目存在風(fēng)險(xiǎn)的風(fēng)險(xiǎn)因子進(jìn)行分析。首先對(duì)風(fēng)險(xiǎn)因子進(jìn)行量化，根據(jù)不同類(lèi)型的風(fēng)險(xiǎn)因子采用不同的量化方式;然后根據(jù)歷史項(xiàng)目的風(fēng)險(xiǎn)數(shù)據(jù)整理出用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集并搭建一個(gè)全連接神經(jīng)網(wǎng)絡(luò);最后利用BP（back-propagation）算法完成神經(jīng)網(wǎng)絡(luò)權(quán)值的訓(xùn)練。根據(jù)該方法得到的神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)測(cè)試，得到的測(cè)試結(jié)果表明，項(xiàng)目風(fēng)險(xiǎn)可使用基于神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行管理。

關(guān)鍵詞 項(xiàng)目風(fēng)險(xiǎn);風(fēng)險(xiǎn)因子;神經(jīng)網(wǎng)絡(luò)

Project risk management based on neural network

Zhou Yuhang1，Jin Xin2

1. The 28th Research Institute of China Electronics Technology Group Corporation， Nanjing 210007， China;

2. The 28th Research Institute of China Electronics Technology Group Corporation， Nanjing 210007， China

Abstract The core of project risk management is to analysis risk factors. Those risk factors can cause project risk. First movement is to quantify those risk factors. Use different quantitative method according to the type of risk factors. Then arrange a data base. This data base is arranged on historical project risk data. And this data base is arranged for training neural network. Also build a full-connection neural network. Finally use BP method to finish the training of values used by neural network. Test the neural network. The result shows project risk can be managed by neural network.

Key words Project risk; Risk factor; Neural network

引言

隨著企業(yè)規(guī)模的不斷擴(kuò)大，企業(yè)的項(xiàng)目數(shù)量也隨之增加，從而帶來(lái)了企業(yè)對(duì)項(xiàng)目風(fēng)險(xiǎn)的管理難度急劇加大，依靠人力對(duì)數(shù)量較多的項(xiàng)目進(jìn)行風(fēng)險(xiǎn)管理存在兩個(gè)比較大的問(wèn)題。一是人力資源的浪費(fèi)。二是風(fēng)險(xiǎn)響應(yīng)速度較慢[1-7]。這是因?yàn)榇蟛糠猪?xiàng)目不僅存在滿(mǎn)足項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的問(wèn)題，而且還存在項(xiàng)目計(jì)劃管理里程碑節(jié)點(diǎn)的問(wèn)題，即項(xiàng)目應(yīng)該在何時(shí)推進(jìn)到何種程度的問(wèn)題，這里稱(chēng)之為項(xiàng)目逾期問(wèn)題。由于不同規(guī)模的項(xiàng)目的里程碑節(jié)點(diǎn)少則三五個(gè)、多則數(shù)十個(gè)，如果通過(guò)人力去管理數(shù)量較多的項(xiàng)目所涉及的多個(gè)里程碑節(jié)點(diǎn)的逾期問(wèn)題，可能衍生較嚴(yán)重的項(xiàng)目風(fēng)險(xiǎn)響應(yīng)速度較慢的問(wèn)題。為解決上述問(wèn)題，本文研究的重點(diǎn)如何判斷項(xiàng)目當(dāng)前狀態(tài)是否存在風(fēng)險(xiǎn)。首先依靠人力去判斷項(xiàng)目是否存在風(fēng)險(xiǎn)的準(zhǔn)確度取決于判斷人員的經(jīng)驗(yàn)，不同人員對(duì)不同項(xiàng)目因素有著不同理解，而且隨著項(xiàng)目規(guī)模越來(lái)越大，時(shí)間周期越來(lái)越長(zhǎng)，可以影響項(xiàng)目的風(fēng)險(xiǎn)因子越來(lái)越多，相應(yīng)的判斷難度越來(lái)越大，準(zhǔn)確度越來(lái)越低。于是本文嘗試給出一種既可以借鑒歷史數(shù)據(jù)，又可以借鑒人員經(jīng)驗(yàn)的項(xiàng)目風(fēng)險(xiǎn)判斷的方法，即利用神經(jīng)網(wǎng)絡(luò)判斷項(xiàng)目是否存在風(fēng)險(xiǎn)，該方法不僅可以節(jié)省人力資源，而且也具有較快的風(fēng)險(xiǎn)響應(yīng)速度，其核心在于判斷項(xiàng)目是否存在風(fēng)險(xiǎn)時(shí)不再僅僅依賴(lài)于評(píng)價(jià)人員的個(gè)人經(jīng)驗(yàn)，還可依賴(lài)于經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)獲得的歷史項(xiàng)目及人員經(jīng)驗(yàn)，從而在降低項(xiàng)目風(fēng)險(xiǎn)的判斷難度的同時(shí)，也提高了項(xiàng)目風(fēng)險(xiǎn)判斷的準(zhǔn)確度[8-14]。

神經(jīng)網(wǎng)絡(luò)作為當(dāng)下比較熱門(mén)的研究以及應(yīng)用對(duì)象，其已經(jīng)在多個(gè)領(lǐng)域展示出比較理想的應(yīng)用效果，例如在人臉識(shí)別領(lǐng)域已經(jīng)展示出超越人類(lèi)的辨識(shí)準(zhǔn)確度和辨識(shí)速度;雖然在語(yǔ)音識(shí)別以及人工智能領(lǐng)域目前并未超越人類(lèi)，但也展示出了實(shí)際應(yīng)用的極大可能性;最著名的當(dāng)屬Google公司的AlphaGo在圍棋領(lǐng)域近乎無(wú)敵的存在，AlphaGo展現(xiàn)的不僅僅是神經(jīng)網(wǎng)絡(luò)可以借鑒歷史數(shù)據(jù)（棋譜），而且可以通過(guò)學(xué)習(xí)、訓(xùn)練去發(fā)現(xiàn)目前人類(lèi)并未掌握的規(guī)律?？梢酝ㄟ^(guò)學(xué)習(xí)、訓(xùn)練發(fā)現(xiàn)規(guī)律是利用神經(jīng)網(wǎng)絡(luò)進(jìn)行項(xiàng)目風(fēng)險(xiǎn)管理的一個(gè)非常大的優(yōu)點(diǎn)，這是因?yàn)闊o(wú)論風(fēng)險(xiǎn)管理人員多有經(jīng)驗(yàn)，受限于可以影響項(xiàng)目風(fēng)險(xiǎn)的風(fēng)險(xiǎn)因子的數(shù)量和復(fù)雜度，一些非常隱晦的規(guī)則很難被發(fā)現(xiàn)或整理成比較明顯的經(jīng)驗(yàn)用于實(shí)際的項(xiàng)目風(fēng)險(xiǎn)管理，而神經(jīng)網(wǎng)絡(luò)正好彌補(bǔ)了這一缺點(diǎn)，神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)歷史數(shù)據(jù)的學(xué)習(xí)可以很好地掌握并應(yīng)用這些未被發(fā)現(xiàn)的規(guī)律。

綜上所述，本文提出了一種通過(guò)搭建、訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方式輔助項(xiàng)目風(fēng)險(xiǎn)管理。

1風(fēng)險(xiǎn)因子選擇量化

風(fēng)險(xiǎn)因子是可以對(duì)項(xiàng)目產(chǎn)生影響的因素，也是用于判斷項(xiàng)目是否存在風(fēng)險(xiǎn)的信息來(lái)源。

1.1 風(fēng)險(xiǎn)因子選擇

風(fēng)險(xiǎn)因子的數(shù)量眾多，而且存在多種不同類(lèi)型。例如定性類(lèi)的風(fēng)險(xiǎn)因子，其值大多為特定的語(yǔ)言描述，如進(jìn)度評(píng)估風(fēng)險(xiǎn)因子的值多為超前、正常、遲緩、嚴(yán)重逾期等。還有定量類(lèi)的風(fēng)險(xiǎn)因子，其值多為具體數(shù)字，如人員投入風(fēng)險(xiǎn)因子的值多為具體在項(xiàng)目中投入的人員數(shù)量。而針對(duì)定量類(lèi)的風(fēng)險(xiǎn)因子也可以依據(jù)對(duì)項(xiàng)目的影響程度進(jìn)行進(jìn)一步細(xì)化，例如人員投入風(fēng)險(xiǎn)因子可以依據(jù)不同類(lèi)型人員對(duì)項(xiàng)目的影響程度不同進(jìn)一步細(xì)分為重要人員投入，一般人員投入等。

[2] 周春艷.基于層次分析法的PPP項(xiàng)目風(fēng)險(xiǎn)研究[J].納稅，2020，14（3）： 182.

[3] 瞿英，范默苒，劉濱，等.基于文本分析的軟件項(xiàng)目風(fēng)險(xiǎn)研究演化脈絡(luò)解析[J].河北科技大學(xué)學(xué)報(bào)，2020，41（1）：88-98.

[4] 王貝貝.關(guān)于PPP項(xiàng)目融資風(fēng)險(xiǎn)控制研究[J].中外企業(yè)家，2020（2）：13.

[5] 周榜蘭.高度綜合化航空電子信息系統(tǒng)項(xiàng)目風(fēng)險(xiǎn)管理研究及思考[J].項(xiàng)目管理技術(shù)，2020，18（1）：110-115.

[6] 萬(wàn)毅.風(fēng)險(xiǎn)評(píng)估在鋼鐵建設(shè)項(xiàng)目可行性研究階段的應(yīng)用[J].冶金經(jīng)濟(jì)與管理，2019（6）：44-46.

[7] 朱志紅.電力建設(shè)項(xiàng)目承建風(fēng)險(xiǎn)管理相關(guān)問(wèn)題分析[J].商訊，2019（35）：187.

[8] Kin CC，Zhu H，Jessica L，et al. Error margin analysis for feature gene extraction[J]. BMC Bioinformatics，2010，11（1）：241.

[9] Xiao J，Li Y，Wang K，et al. In silico method for systematic analysis of feature importance in microRNA-mRNA interactions[J]. BMC Bioinformatics，2009，10（1）：427.

[10] Liu Q，Sung A H，Qiao M，et al. Comparison of feature selection and classification for MALDI-MS data[J]. bmc genomics，2009，10（S1）：S3.

[11] A A P，B S A，C A G，et al. Neural network modelling for estimating linear and nonlinear influences of meteo-climatic variables on Sergentomyia minuta， abundance using small datasets[J]. Ecological Informatics，2020（1）：56..

[12] Guo H，Nguyen H，Vu D A，et al. Forecasting mining capital cost for open-pit mining projects based on artificial neural network approach[J]. Resources Policy，2019（8）：474.

[13] 楊金潤(rùn). 基于BP神經(jīng)網(wǎng)絡(luò)的X證券公司IPO項(xiàng)目風(fēng)險(xiǎn)預(yù)警及應(yīng)對(duì)[D].南京：南京航空航天大學(xué)，2019.

[14] Li R，Zhang H，Zhuang Q，et al. BP neural network and improved differential evolution for transient electromagnetic inversion[J]. Computers and Geosciences，2020（1）：217.

作者簡(jiǎn)介

周宇航（1991-），男，吉林敦化人;學(xué)歷：碩士研究生，職稱(chēng)：工程師，現(xiàn)就職單位：中國(guó)電子科技集團(tuán)第二十八研究所，研究方向：神經(jīng)網(wǎng)絡(luò)模式識(shí)別應(yīng)用。

金鑫（1983-），女，遼寧鞍山人;學(xué)歷：碩士研究生，職稱(chēng)：高級(jí)工程師，現(xiàn)就職單位：中國(guó)電子科技集團(tuán)第二十八研究所，研究方向：人工智能算法模型應(yīng)用研究。