1.山东滕建投资集团有限公司 山东枣庄 277500
摘要：工程项目建设过程投入高、风险大，容易受到经济、社会、环境等诸多因素的影响，不确定性大，在工程项目投资建设过程中，仅仅依靠经验进行投资，具有很大的盲目性，加大了工程项目的投资风险。为有效预见工程风险，及时采取应对策略，本文以政治、经济等4个因素为一级指标，政治稳定性风险、合同风险等20个因素为二级指标建立一种改进的PSO-BP工程项目投资风险评价模型，并将该模型应用于江西省南昌市某房地产项目的工程实践中，结果显示：房地产项目投资风险的评价得分为0.61395，属于较高风险级别，后期通过对现场施工过程的实际情况进行分析，评价模型结果与现场情况相一致，评价结果的可信度高。
关键词：建筑工程；投资；风险评价；神经网络；粒子群优化算法
建筑业作为国民经济的支柱产业之一，近些年来随着城镇化建设的需要而得到快速发展，已成为促进国民生产总值增长的关键因素。但目前我国建筑行业依然存在效率低、能耗大、管理方式粗放、施工质量参差不齐等问题。与制造业、服务业不同，建筑业是一个复杂的系统工程，涉及到国计民生，且工程建设周期长、资金投入大，风险因素多，因此，对建设工程项目进行投资风险评价，提高对建设工程投资风险的辨别能力，避免不必要的投资，减少投资风险带来的损失，保障建筑工程的正常进行就显得尤为重要[1-2]。
李晓娟在对装配式建筑项目投资风险进行评价时，提出以政策、市场、经济、技术、管理为指标的装配式建筑工程项目投资风险评价体系，对装配式建筑项目投资风险进行定量评价，为建筑业投资风险评价研究提供了参考[3]。汪洋、张威、李亚东将层次分析法与变异系数法进行结合，构建城市轨道交通项目投资风险评价模型，并对武汉轨道交通6号线进行评价，结果显示该模型具有较好的适用性[4]。李清黎对房地产建筑业投资风险评价中存在的问题进行分析，并提出建立基于粗糙集的建筑业投资风险评价模型，确保建筑工程项目投资风险的关键指标得到监控，并制定合理的预防措施[5]。余义勇，段云龙针对传统建筑工程投资风险评价中存在的诸多不足，导致评价结果与实际情况不符，提出以灰色关联度分析方法对影响建筑业投资风险的主要因素进行筛选，建立以管理、建造、经济、其他为一级指标的工程项目投资风险评价模型，对工程项目投资风险评价具有一定的借鉴作用[6]。
本文基于已有的研究成果，提出一种基于改进粒子群优化算法的BP神经网络投资风险评价模型，通过引入粒子群优化算法解决神经网络中权值、阈值的最优化问题，从而提高了BP神经网络模型的运算速度，避免运算过程陷入局部最优解，使模型计算结果更加符合实际情况，为相似工程投资风险评价提供借鉴。
1 BP神经网络
BP神经网络具有很强的自主学习能力、容错能力，可避免繁杂的计算过程，它是运用误差逆向传递神的经网络训练算法，用以解决多层网络连接权值的确定问题，其训练过程包括外部输入信号正向传递以及输出值与真实值的误差反向传递两个阶段。BP神经网络结构如图1所示，包括输入层、隐含层、输出层三部分，根据以往的应用实践，三层神经网络的应用范围最广，可以解决绝大多数的非线性问题[7-10]。
.png)
图1 BP神经网络学习过程
神经网络的本质是一个有输入值和输出值构成的函数 ，BP的基本原理如下：
但传统的BP神经网络算法的收敛速度很慢，计算过程长，无法找到全局最优解，极容易导致局部极小值，其使用范围受到限制，因此需要一些改进措施。
2 粒子群优化算法
粒子群优化算法是根据鸟类在飞行空间寻找食物的过程为原型，求解空间问题最优解的过程。在粒子群优化算法中，在初始化空间存在一组最优解粒子，每一个粒子均代表一个潜在解，有粒子的速度及位置信息，粒子的速度决定粒子的搜索方向、速度；适应度值则表示粒子的优劣。粒子在空间中运动，以个体极值、全局极值为标准，改变粒子的运动状态，并不断更新粒子的适应度值，以达到寻优的目的。
3 改进的PSO-BP模型
以粒子群优化算法中的粒子位置表示BP神经网络模型的连接权重，以粒子群优化算法中的粒子速度表示BP神经网络模型的权重的更新。通过引入粒子群优化算法解决神经网络中权值、阈值的最优化问题。从而提高了BP神经网络模型的运算速度，避免运算过程陷入局部最优解，从而增强了模型运算结果的准确性，其基本流程如图2所示。
.png)
图2 工程项目投资风险评价模型建立
4 工程项目投资风险评价模型建构
4.1 评价指标选取
工程项目建设受诸多因素的影响，根据已有的文献资料，选取包括政治因素、经济因素等5个一级指标，政策限制、施工技术在内的20个二级指标构建工程项目投资风险评价模型指标体系[11-13]，如表1所示。
4.2 改进的PSO-BP模型构建
用MATLAB软件编程构建改进的PSO-BP工程项目投资风险评价模型，设置模型参数如下：粒子群个体数为40；精度要求为1×10-4；最大迭代次数为400；粒子最大速度为0.5；惯性因子的取值范围为[0.3，0.9]；粒子初始位置和初始速度的范围均为[-1，1]，学习因子 、 。
表3 训练及监测样本输出结果
选择表1中前7组数据作为训练样本，后3组数据作为检测样本，输入到MATLAB构建的评价模型中，并按照图2 的流程进行学习，直到满足1×10-4精度要求时，学习过程结束，并将学习后的模型保存。选择表1中后3组数据作为检测样本输入到训练好的模型中，进行效果的检验。表1中10组样本的输出结果如表3所示。
改进的PSO-BP模型的收敛速度快，由上表可知检测样本的期望输出结果与实际输出结果的误差很小，能够满足工程项目的评价要求。
5 工程实例应用
本文以江西省南昌市某房地产项目为例，该工程项目位于南昌市赣江新区，总体规划占地面积2.1万m2，建筑面积9.5万m2，共有6栋22层高层住宅，单栋建筑高度为72.7m，主体结构采用框架剪力墙结构，总体投资约25.68亿元。
通过邀请专家打分的方式对工程项目投资风险评价模型的各指标因素进行综合评选，本次选取工程建设领域的10位专家，得到专家评价结果如表4所示。
表4 专家评分结果
.png)
将上述表4的数据进行归纳整理后得到如表5所示的评价结果
表5 南昌市某房地产项目投资风险评价结果
将表5中的数据代入MATLAB软件的PSO-BP模型中，经模型仿真得该房地产项目投资风险的评价得分为0.61395，属于较高风险级别。
在项目的建设过程中，通过现场施工过程的实际情况进行分析，该房地产项目的投资风险等级较高，与评价模型结果相一致，因此评价结果的可信度较高，改进的PSO-BP工程项目投资风险评价模型的适用性较好。
6 结论
综合上述研究内容可以得到一下结论：
（1）通过引入粒子群优化算法解决神经网络中权值、阈值的最优化问题，从而提高了BP神经网络模型的运算速度，避免运算过程陷入局部最优解，使模型计算结果更加符合实际情况。
（2）工程项目投资风险评价模型由4个一级指标，20个二级指标构成，评价结果分为5等级，经样本学习后，改进的PSO-BP模型的计算速度更快，检测样本的期望输出结果与实际输出结果的误差很小，能够满足工程项目的评价要求。
（3）将改进的PSO-BP工程项目投资风险评价模型应用于南昌市某房地产项目中，经模型仿真得该房地产项目投资风险的评价得分为0.61395，属于较高风险级别，与后期现场实际情况相一致，模型具有较好的适用性。
参考文献：
[1]张栋，许燕，张舒媛.“一带一路”沿线主要国家投资风险识别与对策研究[J].东北亚论坛，2019，28（03）：68-89+128.
[2]吕志鹏.高速公路PPP项目投资方风险评价与对策[J].工程建设与设计，2019（07）：311-313.
[3]李晓娟.装配式建筑项目投资风险评价[J/OL].工程管理学报：1-6[2019-05-22].https：//doi.org/10.13991/j.cnki.jem.2019.02.024.
[4]汪洋，张威，李亚东.城市轨道交通BT项目投资风险评价方法探究[J].项目管理技术，2016，14（02）：27-31.
[5]李清黎.浅析房地产项目投资风险评价[J].山西农经，2016（10）：79-80.
[6]余义勇，段云龙.基于模糊灰关联法的工程项目投资风险评价研究[J].项目管理技术，2015，13（09）：47-52.
[7]毛亮，刘畅.基于模糊综合评价法的PPP项目投资风险分析[J].会计之友，2018（15）：94-100.
[8]王凤春，石爽.未确知测度模型在城市房地产投资风险分析评价中的应用[J].菏泽学院学报，2017，39（05）：65-69.
[9]赖致轩，李昭，邹坦.基于灰色聚类法的水利枢纽灌区PPP项目风险评价研究[J].工程管理学报，2018，32（03）：75-80.
[10]王小兵.刍议房地产企业投资管理及风险控制[J].财经界（学术版），2017（22）：49-50.
[11]周启清，韩永楠.基于模糊层次综合评价法的房地产项目投资风险评价及控制研究[J].金融理论与实践，2018（06）：104-110.
[12]韩璐.商业地产项目投资风险评价研究[D].浙江大学，2018.
[13]孙爱民，韩建委，何国华.城市商业综合体投资风险评价模型[J].建材世界，2018，39（02）：111-114.