基于专家未知权重群决策FANP和SVM的煤炭企业管理信息化项目建设风险评估

陈红军刘 波任 鑫

（1.中国矿业大学（北京），北京市海淀区，100083；2.中国诚通控股集团有限公司，北京市丰台区，100070）

基于专家未知权重群决策FANP和SVM的煤炭企业管理信息化项目建设风险评估

陈红军1，2刘 波1任 鑫1

（1.中国矿业大学（北京），北京市海淀区，100083；2.中国诚通控股集团有限公司，北京市丰台区，100070）

针对目前我国煤炭企业管理信息化项目建设风险因素多、风险因素之间存在复杂影响关系、历史可供借鉴项目案例少的实际情况，提出了一种基于专家未知权重群决策模糊网络分析法（FANP）和支持向量机（SVM）的煤炭企业管理信息化项目建设风险组合评估模型。该模型能够有效将专家经验变成系统内在知识，提升风险评估效率和质量，从而取得更好的评估效果，更加切合当前我国煤炭企业管理信息化项目建设现状。

信息化项目 群决策 风险评估 模糊网络分析法（FANP）支持向量机（SVM）

1　引言

当前，由于外部环境约束强化、市场需求增速放缓、超前产能过剩等因素影响，我国煤炭行业正处于深度结构调整攻坚期。我国煤炭企业多是从传统经济体制下转型而来，原有管理模式比较粗放，通过加强管理信息化建设，煤炭企业可以提升生产运营效率，提高自身综合管理水平，实现降本增效、增强市场竞争力、推进企业转型升级的目标。目前，煤炭企业信息化建设主要集中于安全生产过程的信息化，管理信息化水平仍处于初级阶段。相对安全生产信息化项目，煤炭企业管理信息化项目实施牵涉范围广、涉及风险因素多，项目实施更容易失败。以ERP为例，根据资料，在实施ERP系统的煤炭企业中，一般只有10%～20%能够按期、按预算实现系统集成，一般只有30%～40%的企业只实现部分功能，约50%的企业项目彻底失败。为尽可能规避风险，煤炭企业有必要在管理信息化项目实施前，对项目建设风险进行有效的风险评估。从相关文献看，近年来相关学者主要利用传统分析和人工智能方法对风险评估领域进行研究，传统方法主要包括决策树法、层次分析法（AHP）、模糊综合评判法等，这些方法有着深厚的理论基础，在实践中也有广泛的应用；人工智能分析法包括神经网络、灰色理论、贝叶斯网络、熵理论等，智能方法的优势在于对评估专家主观方面依赖程度较少，能够在条件相对模糊或证据缺少的情况下，基于历史信息对未来的风险做出更接近于真实值的评估。目前，综合传统分析和人工智能两种方法对风险进行评估已成为该领域研究的重点，近年来也取得了不少成果，如马丽仪等对模糊综合评判法和神经网络进行组合对信息系统安全风险进行评价研究、付钰等利用模糊理论结合熵权和神经网络组合对信息系统安全进行评估、赵刚等综合多层次模糊综合评判及熵权理论对信息安全风险进行评估。目前，我国煤炭企业管理信息化建设正处于初级阶段，可借鉴的历史项目案例较少，同时项目建设牵涉的风险因素较多，风险因素之间还存在复杂的影响关系。现有的文献研究较多地利用单一专家对风险因素权重进行评判，缺乏信息的全面性，同时缺乏对具有复杂影响关系风险因素权重的研究，所采用的智能分析方法也需要较多的历史项目案例信息，评估方法不能很好地切合当前煤炭企业管理信息化现状。基于此，本文创新性地提出了专家权重未知的FANP模型，并将其与SVM方法相结合，在依赖的数据样本较少的前提下，取得了比原有的层次分析、熵权、神经网络等方法更为客观的效果，为煤炭企业管理信息化项目建设风险的有效评估提供了新的途径和思路。

2　基于专家未知权重群决策FANP-SVM的煤炭企业管理信息化项目建设风险评估模型

2.1基本原理

2.1.1专家未知权重群决策

群决策是将多个专家决策集结为群体决策结果的过程。最优群决策规则是体现群体成员决策的可能性最大，简单来说就是尽可能让大多数人满意。基于此思路，设在多属性群决策问题中，决策专家集Z=｛z1，z2，…，zs｝，专家zk的权重为rk，其中专家zk给出规范化决策矩阵其中，n为备选方案个数，m为衡量方案优劣的属性向量个数。则群决策矩阵B=（bij）n×m可表示为:

基于TOPSIS方法，求取专家权重向量R的核心思想是使群决策点尽可能接近所有专家决策的中心位置。首先，取群决策的正、负理想点分别为:则专家zk与理想点的距离可表示为:

求解方程组

可得到专家权重向量R。

2.1.2网络分析法

网络分析法（ANP）是通过构建网络结构模型，以求解关系复杂且量化不易问题的方法。ANP是在层次分析法（AHP）基础上发展起来，典型ANP由控制层和网络层组成，其中控制层元素由目标和决策准则组成，所有决策准则被认为是相互独立的控制层元素，控制层可以没有决策准则，但至少要有一个目标；网络层由受控制层支配的元素组组成，元素组及内部元素可能存在相互作用和影响关系，如图1所示。

设ANP控制层元素为P1，P2，…，Pm，网络层元素组为C1，C2，…，CN，元素组Ci中的元素为ei1，ei2，…，eini（i=1，2，…，N）。以控制层Ps（s=1，2，…，m）为准则，以元素组Ci中元素eil（l=1，2，…，ni）为次准则，元素组Ci中其他元素对eil的优势度大小进行比较，构建判断矩阵。通过优势度比较得出归一化特征向量win，对win进行一致性检验，如检验通过，则win为网络元素排序向量。相对于其他元素的排序向量可同理得到，从而形成矩阵Wij:

图1　ANP基本结构

矩阵中，wij的列向量为Ci中元素ei1，ei2，…，eini对Cj中元素ej1，ej2，…，ejnj的重要程度排序向量，若Ci与Cj之间无影响，则Wij=0，可得到在元素Ps下的超矩阵W:

超矩阵W中，子块Wij（i，j=1，2，…，N）为列归一化的，但W却是非归一化的，因此以Ps为准则，将Ps下的各组元素对准则Cj的重要性比较，归一化特征向量为:（a1j，a2j，…，aNj）T，若比较后无相互影响关系，则aij=0，对所有特征向量进行综合得到权重矩阵A。

2.1.3SVM

SVM是一种基于统计学理论、在小样本情况下能够最大限度提高预测可靠性的方法。SVM具有严格的数学基础，建立在结构风险最小化准则基础上，其基本原理是寻找一个最优分类面，使其对线性可分样本的分类间隙最大。设n维空间中的样本集合（xi，yi），i=1，2，…，l，xi∈Rn，y∈ ｛-1，1｝。该样本集合的分类线方程为α·x+b=0，满足

2.2基于专家未知权重群决策FANP-SVM的煤炭企业管理信息化项目建设风险评估模型

综上所述，基于专家未知权重群决策FANPSVM的煤炭企业管理信息化项目建设风险评估方法的步骤如下（流程图）所示:

（1）构建风险因素集与评判集。对项目建设风险进行系统识别，构建风险因素集C=（e1，e2，……en）和评判集V=（v1，v2，…vk），其中n为风险因素个数，k为对应评判集元素个数。风险识别可按照风险分解结构（RBS）方式进行分解，采用此方法同时有利于风险因素ANP结构模式的建立和求解。

（2）构建风险因素群决策FANP模型，求取风险因素权重。根据风险因素集C，分析因素之间影响关系，构建ANP模型，并建立“0.1～0.9标度”的因素模糊关系量化矩阵。选择多位专家，分别进行评价，并按照多属性未知权重群决策的方法，首先求出各专家权重，然后将加权平均值作为此元素关系量化的群决策值，再根据ANP过程，计算风险因素权重

（3）构建模糊集合和隶属度矩阵。专家根据评判集V对风险因素C=（e1，e2，……en）进行评价，给出各风险因素评语，构造模糊映射f:C→F（V），Ui→f（Ui）=（ui1，ui2，…，uim）∈F（V）。其中，映射f表示风险因素C=（e1，e2，……en）对评判集中评语的支持程度。综合多位专家的评价结果，计算风险因素集C对评判集V的隶属向量Ui=（ui1，ui2，…，uim），得到隶属度矩阵P=（pim）n×m。

（4）计算项目风险评估结果。对评判集V中各评语赋予相应的权重，得到指标权向量Q=（q1，q2，……qn），按照计算得到项目风险评估结果。

（5）SVM训练和仿真。选取外部样本案例，由专家进行风险评估，计算相应样本的隶属度矩阵，构建煤炭企业管理信息化SVM模型，将隶属度矩阵中的元素值作为有限向量机模型的输入向量，相应的项目风险评估结果作为风险评价的输出结果，对SVM模型进行训练，得到评估对象的风险值，并对风险进行评级，风险等级0～0.2为底，0.2～0.4为较低，0.4～0.6为中等，0.6～0.8为较高，0.8～1为高。

图2　专家未知权重群决策FANP-SVM的风险评估流程

3　实例分析

煤炭企业管理信息化项目建设风险涉及4类风险，如图3所示，分别为企业组织管理风险、C1系统软件风险C2、项目团队组织风险C3、项目培训风险C4。

图3　煤炭企业管理信息化项目建设风险结构分解图（RBS）

3.1构建风险因素集及评判集

基于图3，煤炭企业管理信息化建设总目标风险因素为P=｛C1，C2，C3，C4｝=｛企业组织管理风险，系统软件风险，项目团队组织风险，项目培训风险｝。子目标风险因素集C1=｛e11，e12，e13，e14，e15，e16｝=｛对信息化认知不足，管理高层参与支持不足，流程再造变革难度大，企业信息化需求不明确，专业人力资源储备不足，业务基础管理不规范｝；C2=｛e21，e22｝=｛软件实施商选择不当，软件技术性能不满足要求｝；C3=｛e31，e32，e33，e34｝=｛项目团队能力配备不合理，项目沟通体系运行不畅，项目团队核心人员不稳定，项目管理技能比较缺乏｝；C4=｛e41，e42｝=｛关键用户缺乏参与，最终用户培训力度不足｝。因素集C1、C2、C3、C4之间两两相互影响，相同因素集中各个因素也相互影响（C2、C4中的元素相互独立）。风险评判集为V=（v1，v2，v3，v4，v5）=｛低风险，较低风险，中等风险，较高风险，高风险｝。

3.2构建风险因素群决策FANP模型，计算风险因素的权重

选取4个专家，以煤炭企业管理信息化项目建设风险C为准则，以风险元素组Ci（i=1，2，3，4）为次准则，按照“0.1～0.9标度”进行两两比较，构造两两模糊比较矩阵。元素集Ci相对于元素集Cj的重要性为aij，如两个元素集相互之间没有影响，则aij为0。以元素集C1，C2，C3，C4为例，4个专家给出的判断矩阵如表1所示。

表1　控制层专家判断矩阵

根据专家权重计算的步骤，通过MATLAB遗传算法工具箱经过多次迭代计算得到4位专家的权重分别为:0.431、0.252、0.179、0.138。通过图4验证，专家判断矩阵的加权平均值，尽可能地靠近了每个专家决策的中心，能够体现群决策的意义。

图4　专家判断矩阵加权验证（RBS）

根据ANP的步骤，将上述专家判断矩阵的加权平均判断矩阵建立控制层超矩阵如表2所示，计算控制层极限超矩阵如表3所示。

表2　控制层超矩阵

表3　控制层极限超矩阵

同理计算网络层超矩阵如表4所示、网络层极限超矩阵如表5所示。

表4　网络层超矩阵

指标　e11　e12　e13　e14　e15　e16　e31　e32　e33　e34e31　0　0　0　0　0　0　0.000　0.325　0.379　0.431 e32　0　0　0　0　0　0　0.379　0.000　0.331　0.325 e33　0　0　0　0　0　0　0.331　0.245　0.000　0.245 e34　0　0　0　0　0　0　0.289　0.431　0.289　0.000

表5　网络层极限超矩阵

由于C2、C4中的元素相互独立，且（e21，e22）与（e42，e42）的加权判断矩阵相同。根据AHP方法计算e21/e41与e22/e42的指标权重分别为0.604和0.396。

对上述结果进行模糊关系合成，得到综合权重如表6所示。

表6　综合指标权重

3.3构建SVM模型训练并仿真

通过MATLAB构建SVM模型，含14×5个输入向量和1个输出向量。并经过行业内调查，得到16个相似煤炭企业管理信息化项目建设的样本数据，分别计算所选16个样本项目的理论风险值与SVM预测风险值，将1～10组作为训练组，11～15组作为测试组，16组进行预测。设定学习速率为0.05，误差限制在0.001，同时相应地建立神经网络模型作为对照，利用MATLAB软件进行仿真训练，直到总体误差满足要求，这时阀值向量就固定下来，成为系统内部知识。将预测组数据输入训练完成的SVM模型，得到拟建设项目总体风险数值为0.211，为较低风险，该风险等级可以作为指导项目风险人员采取风险对策的依据。表7为分别利用模糊理论的评估算法、SVM和神经网络的训练的结果。

图5　样本的理论值与预测值对照曲线

运用SVM与神经网络预测方法，预测结果与样本理论值对照曲线如图5所示。图6为SVM与神经网络预测误差对照，可以看出相比神经网络方法，运用SVM在较少的样本下可取得更快的收敛度和更高的精度逼近由模糊理论计算得到的风险值，从而验证SVM模型在煤炭企业管理信息化项目建设风险评估中的优越性。

表7　样本的理论值与预测值

图6　样本预测误差

4　结论

为提高风险评估的准确性，综合多种方法，提出了基于专家未知权重群决策FANP和SVM的风险评估模型。一定意义上消除了风险评估过程中的专家偏见，并利用MATLAB软件进行仿真实验，对SVM的预测与神经网络预测进行了对照，验证了模型的有效性。

（1）提出了基于TOPSIS理论的专家群决策信息集结方法，一定意义上克服了专家主观性偏见对评估结果的影响。

（2）应用SVM方法进行风险评估预测，通过与神经网络的对比试验可以看出，SVM方法能够更快收敛，且精度较高，尤其是对于小样本预测，该方法更加合理。

（3）煤炭企业管理信息化项目建设风险具有高度一致性的风险因素集，对于不同项目的风险评估，该模型具有很强的适用性。

［1］ 陈红军，刘波，任鑫.基于改进的WBS-RBS与FHAP方法的煤炭企业管理信息化项目建设关键风险识别［J］.中国煤炭，2015（6）

［2］ 谭章禄，方毅芳.基于信息化的煤炭企业管控模式研究［J］.中国矿业，2014（3）

［3］ 常金明.煤炭企业信息化研究综述［J］.辽宁工程技术大学学报（自然科学版），2013（11）

［4］ 董晓波，张同建，谭章禄.我国煤炭企业ERP实施成功因素实证研究［J］.矿业研究与开发，2010（12）

［5］ 黄俐.北京地铁盾构施工沉降风险机理研究及评价模型构建 ［D］.北京:中国矿业大学（北京），2012

［6］ 赵刚，刘换.基于多层次模糊综合评判及熵权理论的实用风险评估 ［J］.清华大学学报（自然科学版），2012（10）

［7］ 马丽仪，张露凡，杨宜，范蓓.基于模糊神经网络方法的信息系统安全风险评价研究 ［J］.中国安全科学学报，2012（5）

［8］ 付钰，吴晓平，王甲生.基于模糊—组合神经网络的信息系统安全风险评估［J］.海军工程大学学报，2010（2）

［9］ 陈红军，刘波，任鑫.基于解释结构模型的煤炭企业管理信息化项目建设风险要素分析 ［J］.中国矿业，2015（8）

［10］ 王俊英，李德华.群决策专家权重自适应算法研究［J］.计算机应用研究，2011（2）

［11］ 陈晓红，刘益凡.基于区间数群决策矩阵的专家权重确定方法及其算法实现［J］.系统工程与电子技术，2010（10）

［12］ 钟登华，蔡绍宽，李玉钦.基于网络分析法（ANP）的水电工程风险分析及其应用［J］.水力发电学报，2008（2）

［13］ 贾俊峰，梁青槐.WBS-RBS与AHP方法在土建工程施工安全风险评估中的应用［J］.中国安全科学学报，2005（7）

Risk assessment of coal enterprise management IT project construction based on experts'unknown weight group decision FANP and SVM

Chen Hongjun1，2，Liu Bo1，Ren Xin1
（1.China University of Mining and Technology，Beijing，Haidian，Beijing 100083，China；2.China Chengtong Holdings Group Ltd.，Fengtai，Beijing 100070，China）

In view of actual situation that China coal enterprises have many risk factors with complex influence relationship in management IT project construction at present and can learn from few project cases，the paper puts forward risk portfolio assessment model of coal enterprise management IT project construction based on experts'unknown weight group decision FANP and SVM.Combination model proposed in this paper can effectively change expert experience into internal system knowledge，promote risk assessment efficiency and quality，achieve better assessment effect，and be more suited to the status quo of China coal enterprise management IT project construction.

IT project，group decision，risk assessment，FANP，SVM

F270.7 F426

A

陈红军（1974-），男，江苏盐城人，项目经理，工程师，博士研究生，研究方向为工程管理信息化、企业信息化。

（责任编辑 温子伯）

国家自然科学基金（41472259），北京市自然科学基金（4133085）