(PPT)项目决策分析与评价.pptVIP

基于BP神经网络的PPP项目风险评价 叶金莲 目录 1. 前言 PPP项目产生的背景 PPP的定义 PPP项目风险评价的必要性 BP神经网络的引入 BP神经网络优点：具有集体运算能力和自适应的学习能力，可实现函数逼近、数据聚类、优化计算、自适应模式识别和非线性预测等功能。 2. BP神经网络的原理 网络训练信息的正向传播过程 误差反向传播过程 逆向调整连接权值及阈值 3. 基于BP神经网络的PPP模式风险评价 表1 PPP项目常见风险因素 3.1 建立PPP项目各参与方风险评价指标矩阵 确定各参与方的风险因素 表2 PPP项目各参与方的风险 确定风险评价指标并量化 确定风险评价指标并量化 3.2 设计PPP项目风险评价的BP神经网络模型 3.3 BP神经网络模型对各参与方的风险评价 意义 4. 结论 感谢您的关注 LOGO LOGO 1. 前言 2. BP神经网络的原理 3. 基于BP神经网络的PPP模式风险评价 4. 结论 前言 PPP产生背景 PPP的定义 PPP项目风险评价的必要性 BP神经网络的引入 基础设施 政府 私人企业 大量投资资金高额运营成本 沉重负担 经济实力增强强烈投资欲望 PPP（Public-Private Partnership，即公私合作关系）融资模式是政府、营利性企业和非营利性企业基于某个项目而形成的相互合作形式 作用：拓宽了基础设施建设的投资渠道，既满足了政府发展基础设施的要求，又满足了私营企业的盈利需要，实施的结果给合作双方带来了“共赢”，同时也为公众带来了更好的基础设施服务 PPP融资模式在基础设施建设领域中的应用会成为一种世界趋势 以PPP模式实施的基础设施项目特征：实施周期长、不确定因素多、经济风险和技术风险大、对生态环境的潜在影响严重、在国民经济和社会发展中占有重要战略地位 在项目的融资、工程建设和运营过程中，经常要受到多种因素的影响与干扰，而这些因素又大多具有相当的不确定性，影响时间跨度往往贯穿项目的全寿命周期。 有必要对PPP项目进行风险评价为项目的决策提供依据。 为此，本文采用BP神经网络进行PPP项目的风险评价。 理论上：神经网络模型能在相当高的精度上逼近任意复杂的建设项目系统，因而可有效地应用于许多用常规方法不易处理的建设项目风险评价 a1 a2 an y1 y2 yq wij vjt 输入层 输出层 隐含层 图1 三层前馈型神经网络结构 输入sj输出bj阈值θj 输入lt输出ct阈值γt 则隐含层的输入输出分别为： j = 1，2，…，p 同样，输出层的输入输出分别为： t = 1，2，…，q 输出层各单元的校正误差为： 中间层各单元的校正误差为： BP网络的全局误差: 得到校正误差之后，沿逆方向调整输出层至中间层、中间层至输入层之间的连接权，以及各单元的输出阈值 j=1,2,…,P； k=1,2,…,m； oαl(学习率) j=1,2,…,P； i=l,2 ,…,n； oβl(学习率) 输出层调整量： 隐含层调整量： 建立PPP项目各参与方风险评价指标矩阵 设计PPP项目风险评价的BP神经网络模型 BP神经网络模型对各参与方的风险评价 技术复杂性 技术适应性 技术适应性 技术复杂性 技术先进性 技术风险 不可抗力风险 不可抗力风险 承包商违约 改正措施所需投入 私人投资机构违约 环境评价费用 环境破坏 环境污染罚款 环境风险 沟通协调风险 市场竞争风险 质量风险 市场需求风险 成本超支 市场价格风险 市场风险 重大事故 技术风险 商业完工风险 政府违约 土地拆迁与补偿 运营商管理能力 基础设施完备程度 建造风险 运营不可抗力 通货膨胀风险 环境破坏 外汇风险 项目公司违约 利率风险 能源与原材料供应 运营风险 法律、政策变更 宏观环境 表现形式 风险类别 表现形式 风险类别 由于不同的参与方有着不同的风险，而且有时某一方的风险可能是另一方的机会，因此，有必要从各个参与方的角度对PPP项目进行风险评价。这里主要讨论政府部门、私人投资机构及承建方的风险。 步骤： （1）确定各参与方的风险因素 （2）确定风险评价指标并量化 各参与方的风险因素，可以通过问卷调查的方式，对不 同参与方所关注的风险进行统计。由于时间有限，本人 仅根据表1的风险因素考虑各方的关注点进行改动。 各参与方的主要风险，见表2 不可抗力风险 14 商业完工风险 13 不可抗力风险 不可抗力风险 承建商违约 12 原材料供应 承建商违约 政府违约 11 政府违约 私人投资机构违约 环境破坏 10 私人投资机构违约 运营不可抗力 运营不可抗力 9 环境破坏 能源与原材料供应 能源与原材料供应 8 沟通协调风险 市场竞争风险 市场