一种基于神经网络的复合型项目风险评估模型的制作方法

本发明涉及一种新型的项目风险评估模型，该模型在传统的基于AHP法设置权重的三级评估指标模型基础上，从第三级指标以下扩展了神经网络层、量化调整层、填写层等三类复合型结构。填写层、量化调整层能将项目方填报的信息导入并进行初级组合量化，形成神经网络层的输入向量，再经过神经网络层的二次量化计算，形成传统风险评估模型的第三级指标输入值，最后，经过传统三级指标、权重可获得项目的最终风险评级结果。神经网络层在经过一定数据训练后，一定程度上能够取代专业评估人员对第三级指标的主观打分过程，形成人工智能评估。同时，这一模型在填写层之上引入量化调整层后，项目填写方只需按照引导输入各单元化的基本信息，再由隐含的量化调整层进行统计和组合后，成为神经网络所须的量化输入，能避免项目填报方在直接接触到评估指标内容后，有意识地虚报、夸大等情况，从而增加评估结果的真实性。

背景技术：

对投资项目风险的有效控制一般是通过建立相应的风险评价指标体系，再结合相应的风险评估模型进行综合分析，评估项目风险的整体水平。风险投资项目评估指标体系研究始于Wells和Poindexter(1976)研究。之后，Tyebijee、Macmillan、Robinson和Timmons也进行了大量的实证研究。与指标体系研究相伴的是风险评估方法论及模型的研究，目前风险评估模型一般可分为定性、定量、定性与定量结合三类，常用的方法有：调查和专家打分法、层次分析分析法(AHP法)、模糊综合评估法等。在项目风险评估模型中，各指标权重的确定又是非常关键的。权重评估中，AHP法由于其结构严谨、思路简洁，已成为目前最常用的风险指标权重评估模型，它将一层次上的风险因素相对与上一层各风险因素的重要性进行两两比较判断为基础；进一步，在风险评估过程中，传统上常采用Delphi法，由多名专业评估人员进行多轮评判打分，这是由于基于Delphi法的评判模型有一定科学性，能通过定性分析，将评估人员群体的主流意见显性化。但是，上述两类模型的明显问题在于：依赖于人的主观判决的因素较多，以定性分析占比较多，定量分析环节相对较少，导致评估结果的科学性不够强；在指标数量较多情况下，已不能适应现代市场环境的复杂性，特别是评估过程采用的Delphi模型，是最消耗人工工作量和成本的，计算过程也比较复杂，方法本身不具备利用储备信息、知识判断新增信息的能力，完全依赖人工重复判决，不能适应评估对象的时变性和不确定性。

技术实现要素：

为了克服传统风险评估模型定量分析偏弱、人工主观因素偏强、不能适应复杂时变环境的问题，本发明推出了一种新型的项目风险评估模型，考虑经典AHP模型相对于Delphi模型占用人工成本较少，本发明模型沿用了传统AHP法作为确定各级指标权重的基本模型，同时，从第三级指标以下扩展了神经网络层、量化调整层、填写层等三类模型组成复合型结构，通过量化调整层实现评估输入信息的初级量化，用神经网络模型作为数量最大的第三级指标的评估算法，替代Delphi模型的人工评估过程。

本发明模型扩展的填写层、量化调整层能将项目方填报的信息导入并进行初级组合量化，形成神经网络层的输入向量，再经过神经网络层的二次量化计算，形成传统风险评估模型的第三级指标输入值，最后，经过传统三级指标权重计算模型可获得项目的最终风险评级结果。同时，这一模型在填写层之上引入量化调整层后，项目填写方只需按照引导输入各单元化的基本信息，再由隐含的量化调整层进行统计和组合后，成为神经网络所须的量化输入，能避免项目填报方在直接接触到评估指标内容后，有意识地虚报、夸大等情况。

本发明引入了神经网络作为第三级指标的评估模型，神经网络在经过一定数据训练后，一定 程度上能够取代专业评估人员对第三级指标的主观打分过程，形成人工智能评估，降低人工主观因素对评价结果客观性额影响，同时大幅度降低人工评估的工作量和成本。其次，神经网络模型具备的机器学习能力，能根据储备的知识和经验对复杂问题给出较合理的判决，以及对未来过程给出有效的预估，足以应对现代市场环境复杂、多变、不确定性等各因素的叠加作用。

本发明涉及的风险评估模型的具体组成包括：

1、项目层：属于传统结构，输入为一级指标层各指标评分以及权重，输出是项目整体风险评估的最终评分；

2、一级指标层：属于传统结构，输入为二级指标层各指标评分以及权重，输出是各一级指标的评分；

3、二级指标层：属于传统结构，输入为三级指标层各指标评分以及权重，输出是各二级指标的评分；

4、三级指标层：输入为神经网络层输出层各节点输出分值，输出是各三级指标的评分；

5、神经网路层：神经网络层内部又由输入层、隐含层、输出层组成，这里选择的是BP神经网络模型结构。神经网络层输入节点数量与量化调整层的输出节点数量一致，神经网络层的输出是面向各三级指标的分值；

6、量化调整层：量化层主要的功能是将填写层输入的定性描述进行定量统计，以量化的数值作为神经网络各节点的特征输入值，例如，填写层填写出完整的团队成员信息后，量化调整层将采用一定的模型统计出团队学历分布、年龄分布、专业构成等量化指标，作为团队部分三级指标如“团队成熟度”指标的初级评估量化指标，再经神经网络层二次量化计算后，获得对该三级指标的评分。输入为填写层的初级定性信息，输出节点数量与神经网络层的输入节点一一对应。

7、填写层：该层是整个风险评估模型的初始输入层，具体形式为由项目方填写的各类项目相关基础信息，如团队成员、产品技术、市场等相关的经专门细化分解的初级简单信息。

项目层到三级指标层为树状结构，神经网络层到三级指标层一对一级联结构，量化调整层到神经网络层之间是一对一级联结构，填写层到量化调整层是网状级联结构。

本发明涉及的风险评估模型的具体操作流程是：

1、确定各层结构中的具体内容：根据具体项目设计各指标层内的指标内容，确定量化调整层统计模型，填写层各填写单元内容；

2、AHP法确定三层指标权重：各级指标层内容确定后，由专业人员采用AHP法对权重进行确定；

3、对神经网络层进行学习训练：采用BP神经网络模型，用仿真或历史数据对BP神经网络模型进行训练，获得收敛的网络内部各权值；

4、项目方填写新项目信息：项目方根据给出的填写单元要求，填写项目相关定量、定性信息；

5、输出新项目信息评价结果：模型在经过权证确定、神经网络训练后，即可视为一针对某一领域的成熟评价体系，在项目方信息填写完成后，可实时获得项目的风险评价结果。

本发明带来的有益效果是，克服了传统风险评估模型定量分析偏弱、人工主观因素偏强、不能适应复杂时变环境的问题。引入了量化调整层结构，项目填写方只需按照引导输入各单元化的基本信息，再由隐含的量化调整层进行统计和组合后，成为神经网络所须的量化输入，能避免项目填报方在直接接触到评估指标内容后，有意识地虚报、夸大等情况。引入了神经网络作为第三级指标的评估模型，形成人工智能评估，能降低人工主观因素对评价结果客观性的影响，同时大幅度降低人工评估的工作量和成本。由于神经网络模型具备根据储备的知 识和经验对复杂问题给出较合理判决的特点，以及对未来过程给出有效的预估，足以应对现代市场环境复杂、多变、不确定性等各因素的叠加作用。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明涉及的项目风险评估模型基本架构图。

图1中(1)是项目层，(2)是一级指标层，(3)是二级指标层，(4)三级指标层，(5)是神经网络层，(6)是量化调整层，(7)是填写层。

图2是本发明涉及的项目风险评估模型基本流程图。

图3是本发明涉及的项目风险评估模型中的BP神经网络模型解决方案。

图3中(7)BP神经网络输入层，(8)是BP神经网络隐含层，(9)是BP神经网络输出层

具体实施方式

在图1所示的项目风险评估模型基本架构图中，从项目层(1)到三级指标层(2)、(3)、(4)为树状结构，与传统风险评估指标体系机构相似，各层次指标有一个权重，按树形结构，每层级各指标的得分乘以其指标的权重后的加权平均值即是上一层级对应指标的分值，由此，推导到项目层的最终风险评估得分。(2)、(3)、(4)层各指标的权重值，采用经典AHP法经过多人评估后得出后，各层级权重分布即固定下来。

图1中，从神经网络层(5)到第三级指标层(4)一对一级联结构，神经网络层(5)内部又由输入层、隐含层、输出层组成，这里选择的是3层结构的BP神经网络模型结构。神经网络层(5)的输出是面向第三级指标层(4)中各指标的分值。神经网络层(5)内部各节点对应权值的确定，采用多个历史或仿真数据通过机器学习训练，迭代计算收敛后确定。

图1中，量化调整层(6)到神经网络层(5)之间是一对一级联结构，神经网络层(5)输入节点数量与量化调整层(6)的节点数量一致。

图1中，填写层到量化调整层是网状级联结构。量化层主要的功能是将填写层输入的定性描述进行定量统计，以量化的数值作为神经网络各节点的特征输入值，例如，填写层填写出完整的团队成员信息后，量化调整层将采用一定的模型统计出团队学历分布、年龄分布、专业构成等量化指标，作为团队部分三级指标(例如“团队成熟度”指标)的初级评估量化指标，再经神经网络层二次量化计算后，获得对该三级指标的评分。输入为填写层的初级定性信息，输出节点与神经网络层的输入节点一一对应。

图1中，填写层是整个风险评估模型的初始输入层，具体形式为由项目方填写的各类项目相关基础信息(如团队成员、产品技术、市场等)经专门细化分解的初级简单信息组成。

图2给出了本发明涉及的项目风险评估模型基本流程图：

第一步：根据具体项目设计各指标层内的指标内容，确定量化调整层统计模型，填写层各填写单元内容；

第二步：各级指标层内容确定后，由专业人员采用AHP法对权重进行确定；

第三步：采用BP神经网络模型，用仿真或历史数据对BP神经网络模型的进行训练，神经网络内部权值收敛后得到稳定的模型；

第四步：上述三步过程结束后，即可得到一个完整的风险控制模型，用于新项目信息的智能评估；

第五步：项目方根据给出的填写单元要求，填写项目相关定量、定性信息；

第六步：在项目方信息填写完成后，可实时获得项目的风险评价结果。

图3给出了风险评估模型中神经网络层采用的BP神经网络方案。如图3所示的BP神经网络模型，包含输入层(7)、隐含层(8)和输出层(9)。本发明之所以采用BP神经网络方案，是由于它与其他各类神经网络模型相比，具有较好的自学习、自联想和容错性，是应用比较广泛的一种人工神经网络模型。如图3所示，从量化调整层来的输入量，要先向前传输到隐含层节点，经过作用函数后，再把隐节点的输出量传播到输出节点，最后得出输出结果向上传输到第三层指标层节点。本发明涉及的BP神经网络节点的作用激励函数选取S型函数：

式中Q为调整激励函数形式的Sigmoid参数。在正向传播过程中，输入信息从输入层经隐含层逐层处理。每一层神经元状态只影响下一层神经元的状态。如果输入层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。

实际使用BP神经网络模型对新项目进行风险评估之前，还须要对神经网络有一个学习和训练的过程才行。对此，本发明给出的具体实施方案如下：

1、对相同领域或行业的项目，从不同企业选取20个左右的项目为训练样本；

2、按照设计好的填写层的要求，详细描述和总结每一个案例的实际发生情况，输入填写层；

3、输入填写层的信息经量化调整层后，量化为针对每一个三层指标的评估参考量；

4、每一个案例都分别请三名不同的专家，在参考量化调整层输出的量化参考指标后，针对每一个三层指标给出评价分值，然后将三名专家给出的分值进行求和平均，从而得出每个三层指标的最终评价分值；

5、将量化调整层的输入量，与三名专家给出的每个三级指标的最终评价分值结合，就得到BP神经网络模型的学习样本；

6、将20个项目获得的学习样本集输入给BP神经网络进行学习训练后，在设定好一定的相对误差范围(一般取10％)，即可令BP神经网路内部各权值能收敛，这样的神经网络就是一个成熟可用的模型了。