用户名:
密 码:
验证码:
  
过刊回眸
价值工程2018年
01期
02期
价值工程2016年
价值工程2015年
价值工程2014年
价值工程2013年
价值工程2012年
价值工程2011年
价值工程2010年
价值工程2008年
价值工程2009年
价值工程相关
 
期刊导读

ANP-决策树分类在多项目风险评价中的应用

Application of ANP and Decision Tree Classification in the Risk Assessment of Multiple Projects

姜东民 JIANG Dong-min;丁伶 DING Ling
(青岛理工大学管理学院,青岛 266520)
(School of Management,Qingdao University of Technology,Qingdao 266520,China)

摘要:建筑工程领域大型施工企业存在数量众多、性质迥异的项目,由此造成项目风险评价过程的不确定性及评价方法的复杂低效性。文章建立了基于网络层次分析法(ANP)与决策树分类的多项目风险评价模型。在建立项目风险评价指标体系基础之上,通过ANP确定各风险因素发生的可能性及其权重。应用“康斯坦茨信息挖掘工具”KNIME软件进行决策树分类,建立多项目风险等级评价模型,快速高效的应用于后续多个新项目风险等级评估。算例验证结果表明,该模型在准确评估多项目风险因素权重、快速确定多项目风险等级方面具有较强的实用性,为大型施工企业、政务部门提供科学依据。
Abstract: Because of the uncertainty of the risk evaluation process and the complex inefficiency of evaluation method which due to the large number and nature of different projects in large-scale construction enterprise, this paper establishes the risk evaluation model of multi-project based on analytic hierarchy process (ANP) and decision tree classification. Based on the characteristic project risk assessment index system of construction, through ANP which determines the possibility of risk factors and weights, combining with KNIME software to deal with decision tree classification, finally this paper builds multi-project risk assessment model which will be applied to multiple new multi-project risk assessment fast and efficient. The numerical example results show that the model has a stronger practicability in assess of multi-project risk factors accurately and determining the risk level of multi-project quickly, which will provide a scientific basis for large-scale construction enterprises and government departments.
关键词:多项目风险评价模型;网络层次分析法;决策树分类;KNIME
Key words: risk evaluation model of multi-project;ANP;decision tree classification;KNIME
  中图分类号:F284                                      文献标识码:A                                  文章编号:1006-4311(2017)02-0012-04

0  引言
      建筑工程项目具有投资规模大、参与方众多、建设周期长等特征,大型施工企业一般具有多个参建项目。通常多项目的同时施工增大了实际管理者对每一个项目协调管理的难度,并且在其建设过程中经常会出现由各类风险引发的种种事故。因此,多项目或单一项目的风险管理、评价一直是学者关注研究的重心。如陈勇强,顾伟在对相关项目风险管理文献的统计总结基础上指出了目前工程项目风险管理研究的不足及未来发展方向[1];如王冬霞以灰色系统理论为主,结合德尔菲法、层次分析法以及项目管理、风险管理、工程项目评价等方面的理论,对水电工程项目风险评价管理进行研究[2]。但较多评价方法在运用过程中均存在较强的主观性,且仅对某单一项目展开评价分析,评价方法的扩展性差,不利于企业多个参建项目整体风险的把控。随着学者不断的深入研究,评价方法的扩展性得到一定提高,如网络层次分析法(ANP)结合误差反向传播(BP)神经网络模型能较为高效的解决有关风险评价的扩展问题。考虑到目前建筑工程领域中较多文献仅就单一项目进行风险评估,并且评估过程较为局限。为解决多项目风险因素评估的客观性差、风险等级评价模型欠缺等问题,本文以项目主要参与方作为风险来源,提出了项目风险评价指标体系,建立了基于ANP的项目风险评价模型,在此基础之上,应用“康斯坦茨信息挖掘工具”KNIME软件构造决策树分类模型,两者的有效结合使得多项目风险因素评价的客观性得到提高、多项目风险等级的评价更加高效。
1  基于ANP的项目风险评价体系
1.1 ANP的基本理论与解决方法
1.1.1 ANP的基本理论
网络层次分析法(ANP)是美国匹兹堡大学的Saaty教授于1996年在AHP基础上提出的一种适用于非独立的递阶层次结构的决策方法。相对于AHP,ANP更多的考虑了指标相互之间的影响与反馈性。ANP通过建立网络结构模型,将决策系统分为控制层和网络层:控制层一般由目标和准则组成,控制层允许没有准则,但至少有一个目标;网络层包含受控制层支配的元素组,组内元素相互影响与支配,形成网络结构。
1.1.2 ANP的解决方法
ANP不再单一考虑各指标的上下层次关系,而是综合考虑不同层次之间的信息反馈和同层次元素之间的相互依存关系。学者王莲芬曾提到,ANP的解决主要是通过超矩阵与加权超矩阵[3]。本文,笔者通过ANP,将计算获得的二级指标权重汇总得到超矩阵,继续对各相互影响的因素进行综合分析并应用Super Decision[4]及MATLAB软件得到极限超矩阵,获得各元素指标的极限权重。进一步处理,即可得到后续研究所需的各指标综合权重。
1.2 构建项目风险评价指标体系
笔者遵循系统全面性原则,综合分析了周荣喜[5]、唐小丽[6]等人关于项目风险评价指标体系的研究成果,在此基础之上,通过案例研究、访谈调查等方式全面搜集项目风险评价的资料,咨询相关建筑工程领域的专家获取经验,结合现行法律法规及相关项目实际管理者对项目风险的具体管理情况,获得数量众多的风险评价指标。如按照项目风险承担主体分类,可以划分为业主、承包商、设计方、监理方风险等评价指标;按照风险特征分类,可以划分为工期、质量、费用、安全性风险评价指标等。整体来说,任何项目风险因素都可能影响项目的目标,但并不是所有风险因素都能对项目产生显著影响。因此,笔者遵循指标的科学性筛选原则,突出各参与方对项目风险的影响、突出本文研究的重点,考虑到后续软件的应用,经仔细斟酌,最终确定项目风险评价的一级指标即施工方风险A1、业主方风险A2、设计方风险A3、监理方风险A4、环境风险A5五大类,并确定相应20个内部相互依存与反馈的二级指标。综合各评价指标,形成项目风险评价指标体系,如图1项目风险评价指标体系所示。
2  算例分析
2.1 基于ANP的各级指标判断矩阵
①一级指标判断矩阵:本文建立的判断矩阵均是通过集成多位专家的学识与经验,是在对各指标因素进行两两比较的基础之上,结合1~9标度方法[7]打分而成的。换言之,判断矩阵的原始数据是由多位专家根据经验给出,这样每一个指标对项目风险的影响程度都具有较强的表达性。本文集合五位权威专家的学识经验,由每位专家针对项目的5个一级指标包括施工方风险A1、业主方风险A2、设计方风险A3、监理方风险A4、环境风险A5进行两两比较,最终得到一级指标判断矩阵(后续五位专家对每个项目各二级指标的打分亦采用同样的方法进行处理)。再利用“特征根”法[7],结合MATLAB软件计算出判断矩阵的最大特征根,求出特征向量(后续二级指标判断矩阵亦采用相同方式求得相应指标权重),如表1一级指标的判断矩阵所示。
②元素组内部判断矩阵:元素组内部的指标相互影响相互依存,因此对于矩阵的构造,原理与上述方法类似。基于ANP,五位专家们利用1~9标度方法[7]以A1为准则,其中的元素P1为次准则为例,将P2、P3、P4、P5进行两两比较[3],形成五组判断矩阵。经过对类似上述一级指标的五组判断矩阵数据的一致性验证处理,形成如表2 P1下的判断矩阵所示。相应我们可以得到在A1准则之下,分别以P2、P3、P4、P5为次准则,两两比较其他的元素关系,建立判断矩阵,通过对数据的处理保证矩阵数据的一致性,利用特征根法[14]、MATLAB软件计算得到各二级指标权重(其他元素组内部的判断矩阵建立方法相同)。

2.2 项目风险评价指标的超矩阵
将各二级指标变换次准则相互比较,经计算验证获得的各二级指标权重,整理得到评价指标的超矩阵。如表3项目风险评价指标的部分超矩阵所示。
2.3 综合权重的确定
综合权重的确定是依据ANP的超矩阵和加权矩阵[3]获得的,通过建立判断矩阵、运用特征根法[7]获得各指标权重,综合后应用Super Decision[4]及MATLAB软件得到极限超矩阵即可获得各二级指标极限权重,与相应一级指标对应相乘,即得综合权重。上述评价指标超矩阵,每一列已经过归一化处理,继续运用MATLAB软件编写程序求得极限超矩阵,得到各二级指标的极限权重。将一级指标权重与二级指标权重对应相乘,即得综合权重。如表4评价指标的综合权重所示。
3  应用KNIME软件的多项目风险决策树分类模型
“康斯坦茨信息挖掘工具”KNIME软件是基于Eclipse环境的模块化智能工具,用户通过工作流来控制数据的集成、清洗、转换、过滤,再到统计、数据挖掘。大多基于ANP所得到的各指标权重的评价方法,对新项目的深入评估没有较高的扩展性。为将ANP方法进一步扩大应用,笔者通过五位专家进行打分(10分制),再结合二级指标综合权重,对应相乘求和得到项目风险评价的综合评分。为使多项目的风险等级具有一定的可比性,基于同样的方法体系,专家继续给出不同项目各指标的分数,最终结合综合权重,得到不同项目的综合评分。进一步应用KNIME软件的决策树分类功能,训练项目风险评价等级模型,便于高效的对后续多项目进行更为完善的项目风险评价。
3.1 数据采集及处理
为提高软件的训练精度,本文选取20家大型建筑施工企业各10个项目作为模拟对象,通过ANP得到项目的综合评分进行风险等级的分类模拟。原始数据处理的过程是基于ANP开展而来,200个项目的基本建设情况不同,但面临的风险是类似的。因此,基于本文建立的项目风险评价指标体系,专家组根据实际情况对每一个项目的二级指标进行打分,经过一致性检验,归一化后,结合二级指标综合权重,对应相乘求和,即可作为软件运行的原始数据。原始数据的具体确定过程以某项目为例,如下所示:
①专家评分。按照表3评价指标的综合权重,针对每个二级指标对某项目的风险影响程度,由五位专家结合自身经验给出各二级指标分数。为保证专家给出的数据可行,继续对每位专家的打分进行一致性检验处理,通过深入的数据清理[8],使得噪声数据比率降至最低,识别、删除离群点,解决数据的不一致性(即针对同一指标评分,剔除偏离标准较大的数值,保留后的数值求均数),为使分数便于后续比较,对其按式(1)进行归一化[7]处理。
Ui=■                                                  (1)
②确定项目综合评分。基于上述归一化后的专家评分Ui、表3中对应的各指标综合权重Wi,利用式(2),两者对应相乘求和即可确定每一个项目的综合评分。
Q=10■UiWi  (2)
利用上述步骤求得的评分,整理后得到软件分类训练模型所需的数据样本(由于数量大,在此不再展示)。本文的项目风险等级评判标准可以参照综合风险指数[13]进行,该标准规定,在[0,1]区间选择以0.64、0.36、0.16、0.04作为风险区分的分界值。风险等级划分标准如下所示:1)综合评分≤0.04,则项目风险程度很低;2)0.04<综合评分≤0.16,则项目风险程度较低;3)0.16<综合评分≤0.36,则项目风险程度一般;4)0.36<综合评分≤0.64,则项目风险程度较高;5)综合评分>0.64,则项目风险程度很高。
3.2 应用KNIME软件进行决策树分类的过程
基于上述分类标准,将200个项目的综合评分作为数据源导入KNIME软件中,利用决策树分类功能,运行程序。具体流程如图2决策树分类流程图所示,分类结果如图3所示。


3.3 结果分析及建议
①基于ANP确定得出的各指标权重,以项目各主要参与方为风险来源,帮助实际管理者了解每个指标对项目风险影响的程度。根据表1中的权重,一级指标施工方风险A1对项目风险影响程度最为显著,在项目的建设过程中,要加强对施工方的管理,落实安全生产责任制。其他指标对项目风险影响程度的排序依次是业主方风险A2、环境风险A5、设计方风险A3、监理方风险A4,鉴于此,项目管理者对不同项目参与方的管理协调应予以重视,从实际出发。
②应用KNIME软件的决策树分类,如图3 Scorer结果显示,决策树分类模型的正确率达到97.561%,错误率为2.439%,分类精度达到0.966,表明分类效果较好。本训练模型精度较高,适用于后续多项目风险等级评价。
4  结束语
笔者将网络层次分析法应用到项目风险评价领域中,以建筑工程项目为例,以项目建设过程的主要参与方作为风险来源,科学的建立评价体系。通过超矩阵结合实际专家意见得到项目的综合评分。为提高大型施工企业、政务部门的实际管理者对多项目风险级别划分的效率,更有效的管理参建的多项目,本文将ANP模型进一步扩大,引入KNIME软件的应用。基于ANP获得的各项目综合评分,应用KNIME中的决策树分类功能,一方面经过算例分析、软件的运行,结果表明两者的有效结合可以解决大规模数据问题,减少人为因素的评价偏差,提高工作效率;另一方面经过科学的验证,即评价模型的高效、评价结果的准确,使得多项目风险等级评价、风险因素评估有了依据,该模型较为新颖,对后续多项目风险的全面评价具有更为完善的指导意义。
参考文献:
[1]陈勇,顾伟.工程项目风险管理研究综述[J].科技进步与对策,2012.29(18):157-160.
[2]王东霞.灰色系统理论用于水电工程项目风险管理的研究[D].哈尔滨工业大学,2006.
[3]王莲芬.网络分析法(ANP)的理论与算法[J].系统工程理论与实践,2001,21(3):44-50.
[4]刘睿,余建星,孙宏才,田平.基于ANP的超级决策软件介绍及其应用[J].系统工程理论与实践,2003(08).
[5]周荣喜,徐步祥,邱菀华,王新哲.ANP-BP铁路系统安全风险评估模型及应用[J].科技进步与对策,2014(11).
[6]唐小丽,冯俊文.ANP原理及其运用展望[J].统计与决策. 2006(12).
[7]杜栋,庞庆华,吴炎编著.现代综合评价方法与案例精选[M].北京:清华大学出版社,2008.
[8]Jiawei Han.Micheline Kamber. Jian Pei.数据挖据概念与技术[M].范明,孟小峰,译.北京:机械工业出版社,2012.
[9]王家远,刘春乐编著.建设项目风险管理[M]. 北京:知识产权出版社,2004.
[10]邱菀华主编.现代项目风险管理方法与实践[M].北京:科学出版社,2003.
[11]杨振瑜,国外主要可视化数据挖掘开源软件的比较分析研究[J].图书馆理论与实践,2013(05).
[12]Thomas L.SAATY.DECISION MAKING - THE ANALYTIC HIERARCHY AND NETWORK PROCESSES (AHP/ANP)[J]. Journal of Systems Science and Systems Engineering. 2004(01).
[13]提福楠.因素风险VS项目风险及风险等级判别标准研究[J].中国工程咨询,2015(04).
[14]苏金明,阮沈勇编.MATLAB实用教程[M].北京:电子工业出版社,2005.

 

返回
首页 杂志社介绍 新闻中心 期刊导读 人才招聘 联系我们