基于结构优化BP神经网络的铁路“走出去”目标国宏观风险评估模型研究

金 晶， 朱 亮， 李宗昊， 童心豪，杨长卫

(1. 中国铁道科学研究院,北京 100081;2.中国铁路总公司 科技和信息化部，北京 100084；3.西南交通大学土木工程学院，四川成都 610031)

中国铁路技术具有技术先进、安全可靠、兼容性强的优势，是吸引“一带一路”沿线国家参与的热点领域，中国铁路实施“走出去”战略是践行“一带一路”倡议的必然选择。但是，由于“一带一路”涉及国家多，各国国情和需求各不相同，需要因国施策。同时，铁路项目投资大、建设周期长、涉及环节多，潜伏各类风险因素复杂，亟需分国别评估铁路项目“走出去”宏观风险，为铁路“走出去”风险规避与控制提供决策支持。

传统的风险评估方法不能满足目前复杂的情况，因此，寻求一种适用于海外铁路投资建设风险评估的新方法具有重要意义。

目前针对铁路“走出去”目标国宏观风险的评估主要基于专家打分的方法。然而，专家打分比选受控于专家的技术水平、个人情感及不同专家群体等人为因素的影响，具有较大的随机性。基于此，本文对海外铁路投资建设项目风险评估指标体系进行构建，提出基于随机重连BP神经网络模型的评估方法，并通过实例验证此模型可用于对海外铁路项目进行投资建设的宏观风险评估。

1 改进的BP神经网络模型

1.1 BP神经网络介绍

人工神经网络是一种基于人脑所建立的模型[1]，其拥有由数量巨大的神经元所组成的神经元系统，有大规模并行、分布式处理、自组织、自学习等优点[2-4]。其中，多层前向BP网络是目前应用最多的一种神经网络形式[5],具备自学习和自适应能力、非线性映射能力、容错率高等优点。许多用传统信息处理方法无法解决的问题采用神经网络后取得了良好的效果[6-9]。

1.2 改进的BP神经网络模型

本文在典型 3层前馈型 BP网络模型(1个输入层、1个输出层和1个隐藏层，如图1所示)的基础上，对隐藏层与输入层和输出层之间的连接方式作出改进(本文输出层只有一个输出单元)，如图2所示。

图1 典型3层BP网络流程图

图2 随机连接BP网络流程图

图中：xi(i=1，…，n)代表输入变量；vji为输入层与隐藏层之间系统随机的权值；wij为隐藏层与输出层神经元之间系统随机的权值；y为整体输出变量。

典型的BP网络模型中，输入层与隐藏层、隐藏层与输出层之间采用全连接，但是其精度与效率存在一定的缺陷。本文基于此模型，提出一种变结构BP神经网络模型，即输入层和输出层与隐藏层之间并不完全连接，取G=5(G为每个输入神经元或输出神经元相连接的隐藏层神经元的个数)，称为随机连接BP神经网络，将有效提高运算的精度与效率[10]，具体过程如下。

设vji是输入层与隐藏层之间系统随机的权值；wij是隐藏层与输出层神经元之间系统随机的权值；隐藏层第j节点的阈值为θj；输出层第k节点的阈值为θk,任一节点的输出以O表示，输入用Q表示。在输入层，输入节点仅将输入信息通过激活函数f(u)的作用传播到隐藏层节点上。对于隐藏层第j个节点 ,其输入和输出分别为

( 1 )

( 2 )

节点作用的激活函数f(u)采用Sigmoid型,其表达式为

( 3 )

对于输出层第k个节点,其输入和输出分别为

( 4 )

( 5 )

上述过程为BP神经网络训练过程中的正向传播过程，本文采用的正向计算过程与典型的BP网络[11]相同，权值与阈值的调整过程如下。

在训练学习过程中，对于隐藏层与输出层之间的权值，有：

(1)按顺序计算每个与输出层相连的隐藏层神经元j∈[0,G]。

(2)令ξ1∈[0,1]为一随机数。

(4)令新的隐藏层神经元为g，但g≠J，即新的隐藏层神经元与原相连的G个隐藏层神经元不重合。

(5)令ξ2∈[0,1]为一随机数。

(7)激活的隐藏层神经元与输入层和输出层的连接权值迭代方程为

( 6 )

δkp=(dk-Okp)Okp(1-Okp)

( 7 )

(8)当E≤ε，训练学习过程结束；否则n=n+1，转回(1)。

变结构BP神经网络流程如图3所示。

图3 BP神经网络计算流程

2 铁路“走出去”目标国宏观风险评价方法

2.1 评价指标体系

在遵循科学性、系统性、代表性、可行性和可操作性原则的基础上，综合海外国家的实际情况与铁路建设影响因素，根据多名具有海外项目实操经验的铁路勘察、设计、建设及投资领域专家意见，研究建立目标国宏观风险评价指标体系，如图4所示。

通过对已有的海外铁路建设项目案例资料分析，总结出中国铁路“走出去”建设项目面临的风险因素主要为以下几个方面：

(1)经济方面的风险。此风险是根据目标国整体的经济水平与经济前景所分析出来的风险，如总GPD、人均GDP等，经济是贯穿整个铁路建设项目的关键，在一定程度上影响着一国的偿付意愿和能力。

(2)人口方面的风险。此风险是根据目标国人口的总体生活质量所分析出来的风险，如平均寿命、出生率、死亡率等，在一定程度上反映了本国人民生活水平的高低，决定了该国的发展前景以及劳动力的价格。

(3)交通方面的风险。此风险是根据目标国当前国内整体的交通水平所分析出来的风险，如交通服务率等，在一定程度上反映了本国目前交通行业发展状况。

(4)政治方面的风险。此风险是根据目标国当前国内的政策法规等情况所分析出来的风险，诸如法治能力、政治稳定性等。政治壁垒是中国铁路企业在“走出去”过程中首先遇到的非经济因素的巨大阻碍，目前中亚及中东地区政治局势不稳定，一旦发生意外，将对整个项目造成巨大损失，甚至人员伤亡。

图4 铁路“走出去”目标国宏观风险评价指标体系

2.2 BP神经网络模型的建立

根据铁路“走出去”目标国宏观风险评价指标体系(图4)，可以建立典型的3层BP神经网络，其中将17项风险作为输入层17个单元，输出层神经元数量为1，隐藏层通过公式为

式中：m为隐藏层神经元数；n为输入层神经元数；l为输出层神经元数；a为0～5的任意常数，本文a取为5。

2.3 综合评价

在影响铁路投资建设的目标国宏观风险评价指标的17个指标中，每种指标之间并无直接联系，且量纲差异很大。因此，在建立神经网络模型之前，要对数据进行归一化处理，即把所有数据经过处理后，限制在一定范围内[12-13]，而本案例采用专家评分的方法进行分类处理，评分时经过专家充分审核，具体结果见表1。

表1 专家对于风险的评分情况

输入层17个单元根据表1的风险分级得到的数据，通过隐藏层的不断拟合，最终得到输出层的1个神经元输出，该输出为1个取值范围为[0，1]的代数值，该值属于表1的分类，即数值越大，该项目的风险越低，反之，数值越低，风险越高。本文采用NO.1代表国家1，以此类推。

BP神经网络对项目风险的评价，是通过一定数量的已知样本，对网络进行训练，将17个输入数据通过网络不断的迭代计算，最终达到目标值，即得到了一个理想的神经网络模型。训练网络的样本集应是可信度高的权威性评价结果，可以通过专家对部分海外修建铁路的实际工程的结果得到。将训练的模型储存起来，对需要预测的项目进行风险预测，只要输入相应的风险评估值，此神经网络系统就可以通过之前学习算出的权值和阈值，计算出此项目的综合风险评价值，并将输出层作为网络结果输出，即可得到最终评价结果。

3 模型的实例应用

综合上述BP神经网络模型与风险评价体系，对“一带一路”沿线32个国家宏观风险进行评价。基于专家经验法对每个国家的17个风险进行评估，再综合这17项得分，对每个国家修建铁路的风险进行评估，结果见表2。选取前18个国家的数据作为训练样本集，采用TRAINDX学习函数，调整训练参数直到满足训练集的误差要求，应用MATLAB软件神经网络工具箱训练前18组数据，训练结果见表3。

表2 铁路“走出去”32个目标国宏观风险评价指标体系

表2(续)

表3 BP神经网络对前18个国家铁路修建风险的训练结果

表4 BP神经网络对后14个国家铁路修建风险的预测结果

从表3可以看出，前18组训练数据的平均相对误差为2.5%，训练样本的最大误差为4.9%，可以判断该神经网络模型学习效果较好，满足项目的精度需求。该模型经过训练已经将数据之间的非线性函数关系存储到系统之中，故可以将后14组数据作为模型的预测值代入模型进行预测，将预测结果和专家评估值进行比对，结果见表4。

从表4可以看出，预测数据集的平均相对误差为2.76%，预测集的最大相对误差为4.9%，说明该神经网络模型可达到项目所需求的精度，能够用于该类项目风险评估。

4 结束语

通过本文所创建的神经网络模型，在铁路“走出去”目标国宏观风险评价中，只需专家给出目标国各个风险的评分，就可以得出目标国的总体建设风险评分，无需再进行繁琐的人工评分，能够从宏观层面为国家铁路“走出去”提供支撑，且能够实时跟踪不同影响因素的变化轨迹及其对整体风险的影响程度。

由于本项目中的各个影响因素之间关系复杂，并不能直观用一个线性表达式来进行风险预测，故选择采用BP神经网络对数据进行非线性处理，得到风险评估量化值。BP神经网络对于一组非线性的数据，不需要相对应的函数方程，仅通过自身的训练，不断迭代出相应的结果，得到一个满足要求的方程模型，即可以满足项目的要求[14],比传统方法更为有效便捷，神经网络在此非线性领域具有广阔的应用前景[15]。

本模型主要针对铁路“走出去”宏观建设风险评价，对于具体的铁路项目风险，如施工风险、环境风险等具体建设过程中的风险，需根据实际目标需要及实际风险指标，另作考虑。