項目綜合管理：BP神經(jīng)網(wǎng)絡在項目風險識別中的應用簡述

申請免費試用、咨詢電話：400-8352-114

項目風險管理作為項目管理九個領域中一個重要的組成部分，正在受到越來越多的重視。項目風險管理之所以重要，顯然是由于項目管理所必然面臨的不確定因素。根據(jù)對項目的定義，任何項目都有其某種程度的唯一性或特殊性。項目管理區(qū)別于企業(yè)一般運營管理的關鍵一點，在于項目管理所面臨的各種變化因素。內(nèi)部和外部的變化，主動和被動的變化，可以預見的和不可預見的變化，為項目帶來風險，為項目管理帶來難度，迫使企業(yè)管理層和項目經(jīng)理增強風險意識、預先制定或臨時采取應對措施?？梢哉f，沒有對風險的有效識別和相應的應對措施的制定，項目成功的可能性是比較小的。
風險識別主要回答以下問題：
1、有哪些風險應當考慮；
2、引起這些風險的主要因素是什么？
3、這些風險所引起后果的嚴重程度如何？
因此，作為一個優(yōu)秀的項目管理人員，經(jīng)常使用的風險識別方法主要有：分解法、故障樹（FALT TREES）法、頭腦風暴法、檢查表、評估表專家調(diào)查法和蒙特卡羅模擬法等。這些風險識別方法一定程度上可以發(fā)揮良好的作用，但仍然存在著一些問題，主要有四個方面：
① 可靠性問題，即是否有嚴重的危險未被發(fā)現(xiàn)；
② 假設條件依賴問題, 即結果的有效性依賴于嚴格的假設條件，如變量的獨立性及多元正態(tài)分布等；
③ 定性分析多，定量結論少，線性判別多，對非線性模型難以起到良好的效果；
④ 偏差問題，即由于風險識別帶有很大的主觀性和不確定性，所獲得的結果是否客觀、準確。
另一方面，由于經(jīng)營過程內(nèi)外環(huán)境的海量數(shù)據(jù)并不能給人們一個清晰的信息，過去人們習慣用抽象和降維的方法來進行了處理。但這并不是一種良好方式，降維的過程中存在很多人為因素，其中最主要的就是權的確定。雖然人們想出了確定客觀權值的方法，但那些方法卻不可避免地丟失一些信息，這樣一來，人們不得不去追求一種盡可能少地丟失信息，同時又盡可能排除人為因素的方法。由于神經(jīng)網(wǎng)絡技術在解決非線性建模問題上的非線性、非參數(shù)和自適應學習等特征，因此可作為風險識別的一個強有力的工具。
一．建立模型
根據(jù)項目的系統(tǒng)風險因素，可以使用反向傳播算法，即BP算法。BP (Back Propagation)網(wǎng)絡即誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡，是能實現(xiàn)映射變換的前饋網(wǎng)絡中最常用的一類網(wǎng)絡，它是一種典型的誤差修正方法，具有理論上能逼近任意非線性連續(xù)函數(shù)的能力，且結構簡單，易于編程，在眾多的領域得到了廣泛的應用。從公司經(jīng)營的歷史數(shù)據(jù)來看，影響項目失敗的風險主要有社會環(huán)境、成本費用、進度、技術質(zhì)量和組織管理等幾大方面。

項目綜合風險因素U
|
+----------不可控的外部環(huán)境因素U1
| |
| +----------自然災害U11
| |
| +----------國際金融環(huán)境U12| |
| +----------國家政策U13
| |
| +----------社會文化U14
| |
| +----------環(huán)保因素U15
|
+-----------成本費用風險U2
| |
| +----------產(chǎn)品返工率和維護因素U21
| |
| +----------資金周轉(zhuǎn)因素U22
| |
| +----------原材料因素U23
| |
| +----------合同變更因素U23
+---------------人力資源U3
| |
| +----------人員流動U31
| |
| +----------士氣因素U32
| |
| +----------員工溝通U33
| |
| +----------管理素質(zhì)U33
|
+----------進度風險U4
| |
| +----------關鍵技術U41
| |
| +----------樣品中意率U42
| |
| +----------計劃合理性U43
...

因此，我們認為項目管理的最終風險值是由生產(chǎn)成本超過預算、管理費用超過預算，意外支出、工期延誤、產(chǎn)品質(zhì)量、技術風險、士氣低落、骨干人員流失等若干事件的風險值綜合求得，并據(jù)此構筑項目風險BP神經(jīng)網(wǎng)絡。

二．指標選取
選擇的樣本分訓練樣本和檢驗樣本兩類，每類樣本分別由代表公司歷史中項目組合四個象限(以公司對項目的熟悉程度為X軸，以項目創(chuàng)造的利潤貢獻比進行劃分)中的項目組成，實證研究中先通過訓練樣本建立模型，然后用檢驗樣本對模型的預測能力進行檢驗。一般來說，我們將這些數(shù)據(jù)分為不可控和可控兩大方面：
不可控：政治環(huán)境(法律法規(guī)及其穩(wěn)定性)，經(jīng)濟環(huán)境（社會總體收入水平，物價水平，經(jīng)濟增長率），產(chǎn)業(yè)結構（進入產(chǎn)業(yè)障礙，競爭對手數(shù)量及集中程度），市場環(huán)境（市場大小）。
可控：企業(yè)盈利能力（銷售利潤率，企業(yè)利潤增長率），產(chǎn)品競爭能力（產(chǎn)品銷售率，市場占有率），技術開發(fā)能力（技術開發(fā)費比率，企業(yè)專業(yè)技術人才比重），資金籌措能力（融資率），企業(yè)職工凝聚力（企業(yè)員工流動率），管理人才資源，信息資源；戰(zhàn)略本身的風險因素（戰(zhàn)略目標，戰(zhàn)略重點，戰(zhàn)略措施，戰(zhàn)略方針）。
這種初始指標體系是針對普遍意義上的企業(yè)，當該指標系統(tǒng)運用于實際企業(yè)時，需要對具體指標進行適當?shù)脑黾踊驕p少，并據(jù)此進行相應的約簡，構造神經(jīng)網(wǎng)絡的初始結構，便于神經(jīng)網(wǎng)絡的訓練。

三．計算和網(wǎng)絡訓練
BP神經(jīng)網(wǎng)絡風險識別模型將沿以下流程進行計算：
1）權值和閾值初始化。隨機給出權值|W[i][j]|、|V[j][t]|和|Q[j]|、|R[t]|的初始值，計算器歸零。
 2）給定輸入信號A[k]，（k＝1，2，……，m）和期望輸出信號T[k]（k＝1，2，……，q）。
3）計算神經(jīng)網(wǎng)絡前向傳播信號。
隱節(jié)點的輸入輸出：
S[j]= ∑W[i][j]Y[j] – Q[j]
B[j] = f(S[j]) (j = 1,…,p)

輸出節(jié)點的輸入輸出：
L[j] = ∑V[j][t] – R[t]
Z[t] = f (L[t]) (t = 1,…,q)

實際輸出節(jié)點和目標值之間的誤差：

E = e[t] = 0.5 * ∑( A[t] – Z[t]) (A[t] – Z[t])

4）各層次權值和閾值的修正。如果誤差不能滿足誤差精度要求，從輸出層開始，誤差信號將沿連接通路反向傳播，以修正權值和閾值。
5）隨機抽取一個學習模式（樣本）提供給網(wǎng)絡，返回第3）步，直至n個模式（訓練樣本）全部訓練完畢。
6）重新從n個模式中隨機選取一個模式返回第3）步進行訓練，直至訓練誤差達到誤差精度（ε）要求，訓練結束。

四．實證檢驗
這一階段是把模型輸出風險進行分類。
具體等級分為三級:無警、輕警、重警，并用綠、黃、紅三種顏色燈號表示。其中綠燈區(qū)表示項目運營綜合指標所反映的實際運行值與目標值基本一致，運行良好；黃燈區(qū)表示項目運營綜合指標所反映的實際運行值與目標值偏離較大，要引起企業(yè)的警惕。若采取一定的措施可轉(zhuǎn)為綠燈區(qū)，若不重視可在短期內(nèi)轉(zhuǎn)為紅燈區(qū)；紅燈區(qū)則表示這種偏離超過企業(yè)接受的可能，并給企業(yè)帶來整體性的重大損失。

綜上所述，我們可以得出以下結論：
（1） 運用神經(jīng)網(wǎng)絡系統(tǒng)能夠很好地避免一般統(tǒng)計方法和模糊評判的隸屬度和權重分配不易準確確定的問題，大幅度提高了預測精確度和可靠性。
（2） 應用神經(jīng)網(wǎng)絡分析風險的方法可以根據(jù)總風險值按照大小程度對管段進行有效的排序，對企業(yè)內(nèi)個各個項目的健康狀態(tài)進行了評估，為決策提供良好的依據(jù)。