袁久芹

(江苏省盐城市大丰区水利局，江苏 盐城 224100)

1 概述

我国水利工程建设具有悠久历史，随着我国经济的高速发展，水利项目逐年增多。由于地质条件、人员素质等影响因素，导致水利工程施工中存在较大风险。要保证施工质量，就必须要求管理人员能够采取合适的方法，对施工风险进行管控，做到事前控制。但是，施工项目风险具有较大的不确定性，传统的方法不能够有效的识别风险源，进而不能采取有效的手段管控[1]。随着计算机技术的不断发展，跨越了传统方法的障碍，改变了风险识别的方式，将无法处理的因素信息转化处理，使评价结果更加科学[2-4]。本文在对水利工程施工项目风险因素分析的基础上，采用层次分析法进行权重分配，结合人工神经网络算法进行风险识别，提前预测施工风险，事前控制，避免事故的发生。

2 施工项目风险因素分类

2.1 风险因素分类

在水利工程施工过程中，可能遇到的风险种类较多，因此，需要对可能潜在的风险进行识别，并根据风险可能造成的后果，对各种趋势进行推理预测并根据趋势做出预判，这是一项复杂且细致的工作。在项目开展之前，风险因素的初始信息收集工作时风险识别开展前的关键工作。在施工过程中，影响施工质量的风险因素有很多，按照表现形式大致可以分为：环境风险、社会风险、经济风险及技术风险等。本文在文献研究和经验总结的基础上，整理水利工程施工风险的影响因素[5，6]，如表1所示。

表1 水利工程施工风险影响因素表

风险的结果是指实际结果与预期目标的差异程度。差异程度越大，风险则越大。通常来讲，质量是工程施工的最基础保证，利益和工期相互关联，因此，本文通过对质量风险和费用风险描述，为项目施工单位提供风险评估，在保证质量的前提，施工单位承担多大的费用风险，以保证施工单位在实施过程中不出现亏损。

2.2 风险评估标准

本文将施工项目风险分为五个等级，即“很大”“较大”“一般”“小”“较小”，根据风险等级，转换为风险得分，分别为：0.9，0.7，0.5，0.3，0.1。根据评估得分，可以得出向量矩阵：C=[0.9，0.7，0.5，0.3，0.1]T，本文认为风险评分大于0.7为高风险，那么需要根据评估结果着重控制；风险评分小于0.3，为低风险，那么项目质量、费用都处于可控的范围之内，项目属于正常进行状态；风险评分介于两者之间，属于中风险，需根据影响因素的不同类型采取相应的措施进行控制。

在进行项目风险评估时，需要为影响指标赋予权重，指标权重的取值直接关系到评估结果的准确性，目前关于权重赋值的研究方法较多，但对于多目标决策或评价时，通常采用层次分析法。本文同样采用层次分析法进行权重赋值，将评价体系分为三层，第一层(评价目标)、第二层(第一级评价指标)、第三层(第二级评价指标)。指标可表示为：

1)第一级评价指标Ui={U1,U2,U3,U4}；

2)第二级评价指标Uij={Ui1,Ui2,…，Uin},i=1,2,3…。

3 基于人工神经网络的风险预测

3.1 输入输出数据预处理

人工神经网络采用Sigmoid函数作为传递函数，需要对输入输出数据进行归一化处理，本文采用插值法将所有数据进行归一化处理，将所有数据变换为[0,1]之间，计算公式如式(1)所示。

(1)

通过式(1)可以将所有的数据转换为[0,1]之间，减少了网络的训练时间，提高了计算效率。

3.2 网络结构及参数选取

输入节点数值需要根据样本数据确定，采用4个输入节点，输出节点为2个，根据式(2)计算隐节点个数。

p=(n+m)/2+c

(2)

其中，n为输入节点数；m为输出节点数；c为介于1～10的常数。

根据上述公式计算，得出最佳隐节点个数为10。

3.3 权值的初始化

权值的初始化值对于神经网络的训练至关重要，通常来说，权值随着迭代的进行而逐步更新，最终收敛，如果权值的初始化值太大，则网络可能出现不收敛的现象。权值的设置直接关系到网络的收敛速度，通常权值的设置范围在[-1,1]之间。

4 实际应用

施工风险因素评价：

本文收集了某水利施工单位的12项实际施工情况的数据，邀请10位专家对工程项目风险因素指标进行评价，评价分值设置为[0,10]，将专家评价进行汇总，计算整理即可得到模糊子集R，即单因素评价矩阵，由于篇幅所限，在此列出其中一个项目的评分，如表2所示。

表2 专家对某工程风险因素评价打分表

权重的确定采用层次分析法，因为权重的确定过程相差不大，在此给出施工项目技术风险的各指标权重的确定过程，其他因素的权重可类似得出。根据表2的各指标评价，可得到如下矩阵：

上述矩阵E求解特征根，根据式(3)即可求解。

EA=λmaxA

(3)

求解可得出向量A，经过归一化处理，即可得到归一化的权重向量：

A=[0.24,0.13,0.31,0.32]。

根据模糊子集R和权重向量A，即可算出此项目的技术风险度0.329。同理，可以计算出其他因素的风险度。将12个工程项目按照上述方法进行计算，计算结果汇总如表3所示。

将表3的前9组数据作为学习样本，后3组数据作为测试样本，网络预期误差为0.002。通过神经网络的数据训练，采用训练好的网络阈值对施工项目风险进行预测。将后3组数据输入到神经网络中，经计算可得到如表4所示的预测结果。

表3 12组施工项目风险评估结果

表4 施工项目风险预测结果对比

根据表4的预测结果可知，预测结果与实际值非常接近。说明该神经网络模型对水利施工项目预测是可行的。采用此模型对该公司正在施工的项目进行质量和费用风险评估，预测结果为：质量风险0.063，费用风险0.086。结果表明：该项目质量风险和费用风险的风险值均小于0.1，风险较小，保持项目的正常运行，即可保证质量安全和企业的正常盈利。

5 结论

本文在研究国内外对施工项目风险预测的基础上，对水利施工项目的风险评估进行较深入的研究，主要结论如下：

1)本文从施工单位的角度出发，分析了施工项目不确定影响因素以及因素数学分析方法，将影响因素分为四类，每个类别分别对应影响指标，采用层次分析法对影响指标进行权重赋值。

2)结合人工神经网络对项目风险进行预测，将风险度分为质量风险和费用风险，在保证质量的前提下，实现经济最优。本文收集企业的12项已完工的工程项目，构建风险评估网络，并对正在实施的项目进行应用，结果较好。