基于ISM-BN的国际铁路工程工期风险预警

申建红, 尹 琪, 张宇馨, 张 超

(青岛理工大学 a. 管理工程学院, b. 智慧城市建设管理研究中心, 山东 青岛 266500)

自“一带一路”倡议提出以来,我国铁路企业对外工程承包金额持续创新高,这些项目在促进区域经济合作、实现沿线国家共同发展繁荣,产生巨大经济效益的同时,也面临着各种风险。国际铁路项目施工有较大的不确定性和复杂性,风险因素众多,工程能够如期履约完成的难度较大,由于工期拖延造成利益损害以至项目失败的案例时有发生。例如:中泰铁路一期工程(曼谷至呵叻段)预计2019年建成通车,但至今仍未开通运营;莫喀高铁项目于2015年公开招标,计划2018年前完工,但截至目前,因双方协商问题停滞不前,仍处于未动工状态。这些项目的停滞或延期导致不能按时完成工期目标、造成利益损害,因此对影响工期的关键风险因素需要提前预警,建立工期风险预警模型,达到降低风险损失的目的。

在进度风险及预警系统方面,张晓峰等[1]基于故障树法运用PERT技术对水利水电工程进度风险进行探讨,这是国内较早的大型工程进度风险研究;Hamzah等[2]、 Gebrehiwet等[3]对国外工程出现延误的原因进行了分析;何清华等[4]基于实证数据和实例,采用贝叶斯网络构建大型复杂工程项目群进度风险因素模型,并提出风险管理的建议;黄建文等[5]提出DEMATEL和ISM 相结合的进度风险分析方法;林雪倩[6]、李婉[7]构建工程风险预警模型,为后续研究提供参考;黄德春等[8]从利益相关者的角度利用贝叶斯网络实现对社会稳定风险的预警;张锦等[9]基于可拓理论对川藏铁路等艰险山区的铁路施工风险进行预警。

在国际铁路风险方面,金晶[10]从宏观和微观2方面建立国际铁路通道双层风险评估模型;Jurado等[11]对地下水对地铁施工产生的风险进行研究,并建立风险评估模型;王顺洪等[12]运用ISM探讨了新马高铁各投资风险因素之间的关系,得到层级结构图;王经略等[13]针对海外铁路项目,将 ANP和DEMATEL 2种方法相结合对其进行风险评估。

综上所述,很多学者在工期风险、预警系统、铁路风险方面均取得了丰富的研究成果,但对海外铁路工期风险预警的研究少之又少。针对国际铁路工程,现有的方法没有将众多风险因素综合考量形成一个系统的网络,缺乏通过研究各因素间的复杂逻辑关系对工期风险进行预警,进而获取影响工期的关键风险因素以便提前采取预防措施。针对以上不足,本文从国际铁路工程视角出发,为充分分析各风险因素间的关系引入ISM,将复杂系统通过计算逐层细分,形成逻辑清晰的层级关系结构,将ISM转化为贝叶斯网络(BN),根据求出的后验概率给出不同工期风险因素的预警状态并获取关键影响因素,实现对国际铁路工程项目的工期风险预警。

1 指标体系建立

1.1 风险因素识别

本文采用文献分析法归纳国际工程工期风险影响因素,并采用德尔菲法对铁路行业相关专家进行问卷调查得到因素选取的意见,同时邀请专家采用Likert 5分量表对国际铁路工程工期风险因素进行打分,最终由6个不同的维度得到44个风险因素,如表1所示。

表1 国际铁路工程工期影响因素Table 1 Factors affecting the construction period of international railway projects

1.2 数据来源

基于表1,采用现场、网络在线问卷和邮件的形式对相关专家进行调研以获取样本,调查结果见表2。调查对象包括中铁十局、青建集团、中建八局、戴德梁行等单位,2021年11月至2022年2月期间共发放调查问卷120份,实际收回86份,其中有效问卷73份,有效率61%。有效问卷中显示具有5年以上工作经验的人数为41人,占50%左右,样本信息可靠性较强。

表2 国际铁路工程工期风险影响因素问卷调查结果Table 2 Results of the survey on risk factors affecting the construction period of international railway projects

1.3 数据分析

运用SPSS 25.0对问卷进行数据统计分析,信度系数α值为0.917,大于0.9,问卷可信度较高;KMO 值为0.721,大于0.7,效度水平较高,Bartlett检测结果p值小于0.001,达到了显著水平,可以进行因子分析。因此本问卷数据可信度较高,可以用来统计分析。

1.4 确定预警指标体系

根据表2中的问卷信息,选取了认可度大于60%的影响因素,形成如图1所示的预警指标体系。

2 模型构建

国际铁路工程所处环境动态且复杂,实际工期能否控制在预期范围内很难确定,其影响因素的关系错综复杂,而BN对不确定性问题处理能力较强,对样本量的大小没有限制[14]。但在以往研究中,BN结构学习的初始节点排序一般由主观经验确定,这种情况会导致BN结构达不到最优。同时ISM能将各个节点复杂的逻辑关系转化为清晰有层次的拓扑有向图,为贝叶斯网络的初始节点排序提供参考[15]。ISM与BN的结合可以有效的建立预警模型,实现对国际铁路工程的工期风险预警。

终端群体的变化以及施肥方式的转变不断挤压复合肥企业的生存空间，欧化农业复合肥产品在中国市场分销也日益艰难，即便如此，“从进口的角度来说，今年欧化农业的销售是近几年来最好的一年。”丁振军说。

2.1 构建工期风险初始网络结构图

解释结构模型是用来解决系统工程中复杂问题的方法。该方法以定性分析为主,尤其适用于分析变量较多且关系复杂的系统,在对系统功能没有影响的前提下,以有向层级图的方式展示结论,直观性较强[12]。本文研究的国际铁路工程工期风险的影响因素众多,且各因素之间的关系复杂,因此,本文采用ISM模型梳理各因素间的关系[15-16]。

1) 确定影响因素。以图1中的24个2级指标作为研究对象,并对照表1的符号标记各指标。

本文采用问卷调查和线上线下调研的方法,选择24×24的矩阵确认各因素间的关系,此次调研最终回收有效问卷32份,受访者信息如表3所示。

表3 问卷调研相关专家背景统计Table 3 Background information of relevant experts in the questionnaire survey of international railwayprojects

3) 建立邻接矩阵。根据调研结果,遵循少数服从多数的原则,得到邻接矩阵A=(aij)n×n。

4) 生成可达矩阵。基于布尔运算公式,将邻接矩阵导入MATLAB软件中并转化为可达矩阵。

5) 阶层划分。根据可达矩阵确定先行集A(Si)和可达集R(Si),先行集A(Si)指到达Si的要素的集合,可达集R(Si)指Si到达的要素的集合。由R(Si) ∩A(Si)=C(Si)求得共同集C(Si),具体结果如表4所示。

表4 工期风险影响因素阶层划分Table 4 Hierarchy division of construction period risk factors

6) 生成层次结构图。 以递阶结构有向图的形式表示国际铁路工程工期风险的预警指标。 由于解释结构模型只是根据数据和专家经验对因素进行分层来表示相邻层级的联系, 不可以表示跨层级的关系, 因此本文参照因果图法对初始有向图修正, 得到最终层次结构(虚线部分是新增关系), 如图2所示。

图2 工期风险层次结构Fig.2 Hierarchical structure of duration risk

2.2 工期风险影响因素推理

2) 风险矩阵与预警状态。首先对表2中的问卷数据进行预处理,依据风险矩阵的思想,将风险影响工期的严重程度和风险发生的概率相结合构建矩阵[22],以国家企业标准《铁路建设工程风险管理技术规范》为依据,并用数字1～5由低到高表示5种等级状态,风险被分为R1、R2、R3 3个等级,代表低、中、高3类风险,并对数据规范化处理风险等级,如图3所示。将风险预警状态定义为:轻度预警(延迟<10%);中度预警(10%≤延迟≤30%);高度预警(延迟>30%)。

图3 风险矩阵Fig.3 Risk matrix

3) 结构学习。ISM为贝叶斯网络提供初始节点排序,大大减少搜索空间,但预警模型需要调用K2算法寻求贝叶斯最优网络结构,而MATLAB软件中的BNT工具箱可以直接调用算法进行结构学习。K2算法是以初始节点排序和最大父节点数目为依据,选择某一节点为起点,依次用评分函数选择评分最高的节点作为父节点[15]。参照解释结构模型层次结构关系,并将问卷数据进行数值化处理,综合考虑网络复杂度和最高层级因素数量,经多次调整得到最优模型,通过Netica软件构建国际铁路工程工期风险预警贝叶斯网络结构。

4) 参数学习。由于BNT工具箱得到的网络结构不能直接反映各节点变量的概率,本文采用Netica软件进行参数学习来获取概率各节点的概率值,根据均匀分布的思想,对各个节点进行初始化赋值,每个状态的概率均为1/3[4]。初始化赋值后,数据经Access处理后,导入Netica软件中,并采用不需要考虑先验知识的最大似然估计进行参数学习,结果如图4所示。

图4 工期风险参数学习结果Fig.4 Learning results of duration risk parameters

5) 逆向推理。贝叶斯网络可以通过逆向推理寻找关键影响因素,将节点“工期延误风险”状态R3设置为100%,得到结果如图5所示。由图5可知,当一定会发生工期延误时,设计文件延迟交付或错误、工程变更2项指标处于高度预警状态,材料价格变动和进度计划编制不合理等4项指标中R3的概率近30%,这些指标对工期影响较为显著,在实际工程中应提前制定相关防控措施。

图5 工期风险逆向推理结果Fig.5 Reverse reasoning result of duration risk

6) 敏感性分析。在图5的逆向推理结果的基础上,通过Netica软件中方差缩减的方法对各节点进行敏感性分析,由样本方差的值对各风险因素的敏感性由高到低排序(仅列前10位),如表5。由表5可见,施工技术和方案不合理、进度计划编制不合理、自然灾害节点的敏感性居前3位,即上述节点灵敏度高,小幅度的变化可能会较大程度的造成工期延误,应重点管控这些因素,使工程抵御风险的能力得以提高[8]。

表5 工期风险敏感性分析结果Table 5 Duration risk sensitivity analysis results

3 案例分析

印度尼西亚境内雅加达至万隆段高速铁路项目(简称雅万高铁),总里程142.3 km,设计运行速度最高为350 km·h-1,是中国承包国外铁路中首次全线采用中国技术、使用中国设备的铁路,建成后预计全程运营时长约40 min,该项目计划于2016年开工,2019年建成并投入使用。本文通过国内外官方网站收集大量数据资料,并听取相关专家意见,以本文建立的风险预警模型为基础,结合雅万高铁项目背景,最终将该项目工期风险影响因素进行风险等级化处理,并将风险分析内容导入贝叶斯网络模型中,运行结果如图6所示。

图6 雅万高铁工期风险预警模型Fig.6 Risk warning model of Jakarta-Bandung High-speed Railway construction period

可知,“政局的稳定性”、“业主资金不到位”、“施工技术和方案不合理”为关键风险因素,这主要是因为印尼国内政治环境复杂、社会因素众多以及我国海外铁路建设经验缺乏,从而导致项目进度进展缓慢。该项目原计划工期36个月,根据贝叶斯网络模型运行结果对该项目作工期风险分析,见表6。

表6 雅万高铁工期风险Table 6 Jakarta-Bandung High-Speed Railway construction period risk

实际上,雅万高铁建设过程并不顺利,2015年10月16日,中印两国成立合资企业并预计当年11月开工,3年建成。但由于当地征地等问题此项目停滞不前,复合型人才的缺失、忽视对当地民众的关注及政治互信等问题均是雅万高铁建设中面临的困境,直至2017年4月中方同印尼政府签署EPC合同,雅万高铁才得以进入全面实施规划阶段。但截至2021年11月雅万高铁主体工程仍未完工,而贝叶斯网络预警模型预测工期延迟概率为43.2%,预测工期延误超过10.8个月,属于高度预警状态,与实际结果相符。综上,本文建立的ISM-BN 风险预警模型具有实践意义。

4 结 论

国际铁路工程建设周期长且不确定风险因素众多,属于高风险系统工程。为降低工期延期风险,本文提出基于解释结构模型和贝叶斯网络的风险预警模型,并应用到实际案例中,为国际铁路工程工期风险预警提供了可操作性的依据。主要得出以下结论:

1) 从国际铁路工程风险相关的6个维度中筛选24个风险指标,构成指标层,使用解释结构模型划分层次关系得到初始节点排序,用贝叶斯网络中的风险节点代替各项风险预警指标,连接点有向边代替各风险间的因果关系,构建系统且全面的工期风险预警模型,可以实现对国际铁路工程工期风险的预警,在实际工程中对降低、预防工期风险,具有参考价值。

2) 将构建的模型应用至实际工程中,预估雅万高铁工期延迟发生的概率,并给出相应的预警状态。结果表明征地问题等项目前期风险因素对工期风险有决定性的影响,承包商应该减少在工程建设准备阶段的时间消耗,提前做好相关准备工作并制定应急方案;施工技术方案不合理等因素是进行工期控制的关键,提高承包单位的施工组织能力可以降低工期风险。承包商可以通过整个系统工程的风险预警状态提前采取措施。

但由于国际铁路工程数据不易获取、样本数量少,无法根据客观且真实的数据得到先验概率,这也是诸多风险预警模型中的缺陷。未来研究可将重点放在对先验概率的训练上,以获取更准确的数据。