新型自适应RBF神经网络应用于PPP模式风险控制研究

窑商企管理窑

2018援1

新型自适应RBF神经网络应用于PPP模式风险控制研究

陆晓琴1,2袁王

喜1

(1.嘉兴学院袁浙江嘉兴314001曰2.上海财经大学袁上海200433)

摘

要院伴随着PPP模式在基础设施领域的广泛应用袁其潜存的风险也开始备受关注遥各利益

主体的行为控制在怎样的一种风险边界之内袁才能实现预期的收益钥为此袁本文将通过新型自适应RBF神经网络对各利益主体的行为进行数理拟合测度遥在详细剖析PPP项目利益相关者互动关系的基础上袁从正反两个方向对主线型的三大核心利益主体行为进行建模分析袁进行智能预测袁同时通过对自身最低收益的确定找寻风险控制的临界值袁进而有针对性的实施风险控制策略袁为PPP项目风险智能测度提供理论上的参考遥

关键词院PPP项目曰RBF神经网络曰风险控制中图分类号院F282

一尧引言

文献标识码院A

力臻和王宏辉渊2015冤尧杨俊辉和程银侠渊2011冤等都基于BP神经网络对工程项目实例模型进行了风险评价验证遥王文寅等(2016)建立了PCA-BP风险评价方法袁将主成分分析结合BP神经网络实证检验山西省相关项目遥而RBF神经网络在分类尧逼近能力及学习速度等方面都有优势袁将其与PPP相结合的文章尚未见到遥

总结各学者们的风险测度袁大都是基于政治风险尧经济风险等项目初期的风险评价袁对于整个PPP项目生命周期内的动态风险测度未见其研究报道遥PPP模式是各利益主体为获得自身利益最大化袁而在整个项目生命周期内相互动态博弈的过程遥如何实现风险最小化的同时满足各利益主体自身利益最大化袁而又不影响整个项目量尧质及进度钥各利益主体的行为控制在怎样的一种风险边界之内袁才能实现预期的收益钥为此袁有必要对各利益主体的行为进行细致分析袁并通过相关数理模型进行测度袁找到这样一个风险边界值遥基于此袁本文将站在政府尧私有资本尧公众三方核心利益主体的角度上袁提

共享尧风险共担的特征袁可以减轻政府部门的资金压力袁盘活社会资本袁加速公共基础设施和相关公共产品服务的提供遥

目前袁应用于PPP项目风险测度的方法主要有

PPP模式渊政府与社会资本合作模式冤具有利益

模糊综合分析法尧层次分析法尧德尔菲法等遥例如袁Lyons(2004)尧Ebrahimnejadetal(2010)尧李妍和赵蕾渊2015冤等人都通过调查问卷袁专家打分对PPP项目进行定性的风险评估曰Woodward(1995)则通过敏感性分析对PPP项目进行财务风险评价曰张玮和张卫东(2012)尧何健(2008)等则将层次分析法和模糊数学理论结合起来对基础设施项目进行风险评价遥PPP项目风险测度的文章还为数不多遥能查到的相

从查阅相关文献来看袁我国将神经网络用来对

关研究有院蔡晓琰和周国光渊2016冤建立了智能风险评价模型袁对交通基础设施PPP项目进行了BP神PSO-RBF神经网络应用到项目招标评标过程中遥廖经网络风险预测遥汪学清和黄嘉林等渊2014冤则将

收稿日期院2017-11-09

基金项目院浙江省哲学社会科学规划课题(14NDJC044YB)曰浙江省自然科学基金项目(LY15G030034)曰嘉兴学院南湖学院科研重点资助项目渊N41472001-22冤

作者简介院陆晓琴渊1986要冤袁女袁浙江嘉兴人袁讲师袁上海财经大学博士研究生袁研究方向院投融资风险与项目风险管理遥王喜渊1977要冤袁男袁辽宁锦州人袁教授袁研究方向院项目融资风险管理遥

1项目管理协会渊PMI冤将项目利益相关者界定为野积极参与项目袁或其利益因项目的实施或完成而受到积极或消极影响的个人和组织袁他们还会对项目的目标和结果施加影响冶遥

99

江苏商论

窑商企管理窑

2018援1

出一种新型自适应的RBF神经网络构建三方利益主体的风险测度模型袁进而绘制出预期收益下袁三方主体行为控制的风险边界图遥以其为PPP模式的有效运行提供理论上的参考遥

二尧PPP项目利益相关者分析从PPP项目的整个生命周期来看袁其利益相关者大致可以分为两大类院主线型利益相关者和辅线型利益相关者遥前者主要包括院政府尧私营部门和公众遥

第一袁政府主要是吸引私营投资者参与基础设施建设袁解决其资金压力袁从而在整个PPP项目过程中袁政府的角色从运营者转变为监督者遥作为监督者袁政府有两种选择策略院一是根据项目合同对其进行监督袁当发现违规者袁给予警告或相应的处罚曰二是敷衍应付袁抑或是滥用手中的权力进行利益寻租遥第二袁私营部门也即社会资本的参与方袁主要是通过对PPP项目的投入运营以获得自身的经济利益遥那么私营部门也有两种策略院一是履行期初合约袁将环保问题考虑在内而加大资金投入袁并遵守期初项目收费标准曰二是违反期初约定袁为追求自身最大经济利益而偷工减料袁破坏环境袁抑或提高收费标准遥第三袁对于最终使用的用户来说袁其行为策略也有两种袁对于PPP项目价格的提高或者环境的破坏袁公众可以选择不使用该公共服务袁并向政府举报袁也可以继续选择使用该公共服务袁不参与举报遥

后者辅线型利益相关者主要包括为项目提供贷款的银行等金融机构袁若干项目承包商尧供应商尧运营商袁资质水平相对较高尧提供各类保险的保险公司袁以及若干咨询顾问公司遥根据PMI1对于利益相关者的定义袁以上主线型和辅线型的参与方都共享利益并共担风险袁因此袁都是PPP项目的利益相关者遥各利益相关者间通过大大小小的合约袁提供各自的资源以满足项目的需要袁并从中获得相应的利益袁同时也面临着相应的约束袁体现出不同形式尧不同程度尧错综复杂的互动关系渊具体见图1冤遥在有限的资源内追逐利益的驱动性袁必然使各主体间存在着一定的矛盾和冲突袁但同时又要通过相互协商合作袁实现共赢遥因此将PPP与PBF相结合是可靠的趋势渊见图2冤遥

三尧建模分析

d确定改进的自适应RBF神经网络公式滓dimax袁其中袁=

是所选中心之间的最大距离袁是姨maxw

隐2w层中心数目遥100

图1

PPP项目各利益相关者的互动关系

图2

RBF神经网络拓扑结构

应用渊一冤以上正向建模改进预的测

自适应RBF神经网络对主线型的三大核心利益主体行为进行建模遥假定政府进行监督的概率为p私营部门履约的概率1袁为敷p衍应付的概率则为1-p1公众举报的概率为p2袁违约的概率则为1-p2曰曰

输入样本为p3为W11尧W2尧W3遥,p运2,p用文3袁输袁不出举献为报的概率则为1-p3遥则訛輲輥的各计利算益公主式体的收袁用计益算分机别

拟

合得训练和测试数据袁其中算法用matlab软件语言编写遥其结果见图3袁说明训练误差随着隐层神经元数的增加而逐渐减少袁理论与实验一致遥

图3

隐层神经元数与训练误差曲线为验证模型袁接下来对训练好的模型进行测试遥其结果如图4所示袁由图4可知模型预测值和实测值基本上相温和遥运用该训练好的模型袁各利益主体就可以根据对各风险值的判断来预测其各自的利益遥

江苏商论

窑商企管理窑

2018援1

图4神经网络预测值与实测值比较

在渊二实冤际反的向建模PPP预项测

目构建过程中袁各利益主体往往倾向于对自身利益满足的情况下去实现风险最小化的目标遥即在实现多大利益的情况下袁各利益主体是愿意参与该项目的袁那么在这样的情况下袁风险必须控制在多少以内才可以实现遥也即利益与风险的边界值如何求得遥

为此袁接下来进行反向建模遥将各利益主体收

益W府p尧私1尧W营2尧部W门3作为RBF神经网络的输入值袁以政

和公众策略操作的风险概率值p13为模型的输出值遥为避免实验随机性带来的影

尧p2尧响袁对于每种情况进行30次训练遥其结果见图5遥图5

不同隐层节点数下的训练误差

由图5可知袁其训练误差逐渐下降袁考虑到精度和泛化性袁最后将测误值差较锁好定的在温1.0000e-04和袁说明本遥模型由图合6显得示效果预测较值和实好遥

拟

运用以上训练好的RBF神经网络模型袁各利益主体可以根据自身可接受的最小收益来预测其履约的最小值袁即风险控制的最大值遥只要将各利益主体预期的利益值输入训练好的模型袁模型的输出端就可以得出其风险控制的概率值遥

图6

神经网络预测值与实测值比较

例如袁若将政府最小收益定位于大于-2袁私营部门最小收益大于10袁公众最小收益大于等于0袁那么通过训练好的模型袁可以拟合出各p值的临界点袁具体见图7袁共可以找到7个符合要求的临界点遥从图7可以看到袁其最优临界点中P2值相对都较大袁说明对私营部门履约的风险控制相对更为重要袁只有私营部门在PPP项目整个实施过程中都履行合约袁才能确保三方都取得共赢遥

图7风险控制的临界点

三尧结论与建议

本文将自适应的RBF神经网络运用到PPP项目风险控制研究中袁在分析各利益主体相互关系的

基础上进行量化实证分析袁从正反两个方向建模院通过自适应RBF神经网络建模实现了各利益主体对自身风险的智能预测袁另一方面袁各利益主体通过对自身最低收益的确定找寻了风险控制的临界值袁有利于相关主体部门有的放矢的实施风险控制策略袁为PPP项目风险智能测度提供理论上的参考遥

成熟的智能网络模型能够替代目前较为普遍的PPP主项观目定性分析风险袁袁有利于帮助核心利益主体判断的精度和成熟度做袁出实最现优最的优战的略风险控决策遥为制了临提界点高模型

袁本文提出三点建议院第一袁不同类型的PPP项目利益

101

江苏商论

窑商企管理窑

2018援1

主体间的支付数据有差异袁有必要归类建立不同种类PPP项目所涉及主体间的利益补偿机制遥利益补偿及利益支付的不同袁直接影响到数据的可靠性和神经网络模型的精度遥第二袁随着PPP项目的普及袁相关政府部门应牵头建立统一的PPP项目风险跟踪系统遥尤其对于一些失败或者因某个环节出问题而拖延工程的PPP项目进行典型分析袁并建立相应的PPP项目问题数据库袁为其他项目风险控制研究提供实例借鉴遥第三袁对于已经开展的PPP项目袁应定时实施反馈袁对部分数据值进行修改完善袁并进一步优化模型袁以利于其他项目的实证测度遥实现理论到实践袁再到理论的新的升华遥此外袁由于PPP项目是一个较为复杂的动态的系统工程袁所涉及的各利益主体较多遥本研究仅将三方主线型的利益主体进行了量化分析遥如何将所有利益主体考虑进来袁并对PPP项目全寿命周期的动态风险进行全方位的测度将是未来研究的一个方向遥参考文献院

[1]LyonsT,SkitmoreM.ProjectRiskManagementintheQueenslandofProjectManagement,2004,22(01):51.

[2]Ebrahimnejad,S.,Mousavi,S.M.Seyrafianpour,H..RiskwithApplications,2010,(37):575-586.(05):17-23.

EngineeringConstructionIndustry:ASurvey[J].InternationalJournalIdentificationandAssessmentforBuild-operate-transferProjects:[3]李妍,赵蕾.新型城镇化背景下的PPP项目风险评价体系的

[4]WoodwardDG.UseofSensitivityAnalysisinBuild-own-Management,1995,13(04):239-246.

operate-transferProjectEvaluation[J].InternationalJournalofProject[5]张玮,张卫东.基于网络层次分析法(ANP)的PPP项目风险评价研究项目[J].项目管理技术,2012,(10):84-88.模型[J].广西水利水电,2008,(02):29-32.

[6]何健.基于多层次动态模糊评判的水电项目融资风险评价[7]蔡晓琰,周国光.交通基础设施PPP项目智能风险评价模型研究[J].技术经济与管理研究,2016,(08):20-24.

[8]汪学清,黄嘉林,胡德俊.基于PSO-RBF神经网络的项目招

标评标应用研究[J].工程管理学报,2014,(06):96-101.究[J].价值工程,2015,(11):1-3.

[9廖力臻,王宏辉.基于PCA-BP-GA的BOT项目风险预测研[10]杨俊辉,程银侠.基于BP神经网络的工程项目风险评价[11]包敏,简迎辉.基于PSO-BP模型地铁PPP项目调价研究[J].武汉理工大学学报(交通科学与工程版),2015,(05):1091-1094.风险评价研究[J].会计之友,2016,(07):56-59.

[12]王文寅,刘丽霞,李佳.基于PCA-BP的PPP基础设施项目[J].西安邮电学院学报,2011,(01):115-118.

[13]黄元君,楼平,吴志军,林小峰.新型自适应RBF神经网络应用于微带天线建模[J].工程设计学报,2014,(05):426-431.[14]王艳伟,黄宜,李靖.政府和社会资本合作(PPP)项目多目标

优化模型研究[J].工程管理学报,2016,(01):48-53.式研究[J].统计与决策,2012,(06):74-77.

[15]叶晓甦,杨俊萍.基于多目标规划模型的PPP项目定价方[16]吴孝灵,陆冰,石岿然,周静.政府补偿情景下考虑私人损失规

AFuzzyMultiAttributeDecisionMakingModel[J].ExpertSystems

避的PPP项目投资决策模型[J].系统管理学报,2016,(04):683-690.[17]刘贵斌.PPP融资模式之困[J].中国金融,2016,(09):101.

构建要要要以上海莘庄CCHP项目为例[J].经济体制改革,2015,

监管问题研究[J].中央财经大学学报,2015,(12):3-8.

[18]温来成,刘洪芳,彭羽.政府与社会资本合作(PPP)财政风险

whatkindofaboundaryonallthestakeholders爷behavior,toachievetheexpectedbenefits?Therefore,thisarticlewillmeasurethebehaviorofallthestakeholdersthroughnewadaptiveRBFneuralnetwork.OnthebasisofdetailedanalysisoftheinteractionduringthePPPprojectstakeholders,Analysisofthebehavioronthemainlineofthreecorestakeholdersfrompositiveandnegativetwodi鄄minimumincome,andthenimplementingtargetedriskcontrolstrategy,whichprovidedtheoreticalreferencefortheintelligentmea鄄sureofPPPprojectrisks.

thePPPmode曰RBFneuralnetwork曰riskcontrol

rections.TheresultsshowedthatthroughadaptiveRBFneuralnetworkmodelcanrealizeintelligentpredictionofeachbenefitmain

WiththewideapplicationofPPPmodelininfrastructure,muchattentionhasbeenpaidtotheriskofcesarean.Controlin

bodyofitsownrisk,Atthesametimecanalsofindthecriticalvalueofriskcontrolwhenwhichbebasedonthedeterminationof

102