基于BP神经网络的PPP项目绩效评价

作者:吴东平 周志鹏 卢建新
单位:中交第二公路勘察设计研究院有限公司城建分院 中南财经政法大学金融学院
摘要:在CSF理论基础上,构建涉及项目特征、经济评价、管理控制及产出影响四个方面,包含24个KPI指标的全生命周期绩效指标体系,建立基于BP神经网络的PPP项目绩效评价方法,并利用仿真实验测试其性能。仿真结果表明,该方法显著提升了PPP项目绩效评价的精确度和效率,具有较高的应用价值。
关键词:PPP项目 绩效评价 BP神经网络
作者简介:吴东平,男,生于1980年,湖北省宜昌人,高级工程师,研究方向:项目投融资和交通规划。; 卢建新,男,生于1974年,湖北省孝感人,教授,湖北省PPP评审专家,研究方向:投融资理论与实践。
基金:中国交通建设股份有限公司重大研发项目海绵城市关键技术研究与应用(2016-ZJKJ-11)子课题六“海绵城市PPP投融资模式及财务绩效评价研究”

1 引言

根据Wind数据库统计,截至2019年1月底,财政部PPP综合信息平台项目库入库项目12597个,总投资额达17.64万亿元。与普遍重视投资规模扩张不同的是,投资绩效却并未得到应有的重视。Lawther和Martin指出,公共部门应重视项目质量,要通过设置绩效标准以确保私人部门维持公共产品质量,并可用关键绩效指标来判断项目是否达到可付费要求。然而,实践中部分项目绩效意识模糊,误把PPP项目绩效与工程绩效等同,甚至未建立与绩效挂钩的付费机制,直接导致了不符合绩效要求的规模达2.39万亿元的2407个项目被清理退库。

已有文献对PPP项目绩效评价进行了一定研究,绩效关键指标的识别一直是PPP绩效评价研究的重点。Vyas和Kulkarni从效率和效能视角提出了PPP项目KPI的T-A模型。袁竞峰等通过问卷调查,识别出了项目的物理特征、进程控制、利益相关者满意度等五方面31个KPI指标。还有学者把不同评价方法运用在PPP项目绩效评价上,如兰兰和高成修采用平衡记分卡的思路,利用AHP层次分析法进行PPP项目绩效评价,并通过专家打分赋值来确定各指标权重。但评价结果过度依赖于专家的经验,具有较强的主观随意性。张红平和叶苏东引入“成功度”概念,建立了PPP项目绩效评价梯度模型,利用熵权值法进行客观赋权,虽克服了主观随意性,但赋权结果却依赖于数据质量和数量,可能导致评价结果与实际不符。从理论和实践角度来看,我国PPP项目绩效评价尚处在起步阶段,已有研究虽从不同视角识别出不同的KPI指标,但多集中某一特定阶段,还缺少更为有效的评价方法。因此,本文将从关键成功因素出发,构建PPP项目全生命周期KPI指标体系,提出基于BP神经网络算法的PPP项目绩效评价方法,并利用5个项目案例进行仿真实验分析。

2 PPP项目全生命周期绩效关键指标体系

绩效评价是衡量项目结果的尺度,并以绩效目标为导向。在PPP模式下,社会资本更注重项目的经济利益,项目公司更关注项目在建设期的管理效果,政府和公众更关心项目进入运营期后的社会效益。因此,PPP项目的绩效目标就是使PPP项目经济效益最大、内部控制最优、社会效益最大。绩效目标能否达成受关键成功因素(Critical Success Factors,CSF)的影响,并作用于PPP项目全生命周期的各个阶段。本文基于已有文献,提炼出16个关键成功因素及其作用路径(见图1)。

根据PPP项目的CSF理论,衡量PPP项目绩效的KPI应包含各利益相关方的绩效指标,需考虑各方的绩效贡献与利益诉求,覆盖识别、准备、采购、执行和移交的项目全生命周期。这要求KPI既要考察识别阶段的整体规划和交易结构设计,又要涉及传统建设项目的投融资效益及进度、成本、质量控制;既要强调PPP项目独有的运营维护工作,又要考核其对地区经济发展、产业示范及结构调整、公众福利改善的外部性。本文以CSF理论为基础,识别出项目特征、经济评价、管理控制、产出影响四个方面的24个KPI指标,构建了PPP项目全生命周期绩效评价指标体系(见表1)。

3 基于BP神经网络的PPP项目绩效评价实现

BP神经网络是一种基于误差前馈的传播网络,通过模拟人脑并行处理单元结构,实现信息处理的智能算法。可以从复杂,甚至矛盾的数据样本中探寻规律,从而避免人工赋权所带来的主观随意性。基于BP神经网络的PPP项目绩效评价过程可分为两步,即通过对样本的学习训练判别出一定的统计规律,然后利用模拟出的统计规律对待判断的样本进行分类,从而区分出绩效水平不同的样本。

3.1 数据的采集

本文选取财政部PPP综合信息平台项目库中具有代表性的120个示范项目作为研究对象。针对定量指标数据,从公示的物有所值评价报告、财政承受能力报告及项目实施方案文件中,提取、计算、整合得到相应的样本数据。针对定性指标数据,邀请5位专家根据评判标准对项目的指标进行五个等级的评价,分别是:优(5分)、良(4分)、中(3分)、差(2分)、非常差(1分),对评分结果进行算术平均处理,计算出每个指标的量化结果。

3.2 数据的处理

在把样本数据输入BP神经网络进行训练及检验前,需对不同量纲的数据进行归一化处理,化为0-1之间的标准化值,其表达式为:

 

图1 PPP项目关键成功因素全生命周期作用路径

图1 PPP项目关键成功因素全生命周期作用路径

 

表1 PPP项目全生命周期绩效评价指标体系   

表1 PPP项目全生命周期绩效评价指标体系

其中,y为标准化值,x为数据原始值,maxx和minx代表指标设定的上限和下限,经处理后的部分数据(见表2)。

3.3 BP神经网络结构与参数设置

(1)激活函数。激活函数是BP神经网络的基本结构,要求具有连续可微性。有三种形式的激活函数,根据尝试调整,选取logsig函数作为传递函数。

(2)训练函数。训练函数由其所对应的学习算法决定,本文在训练网络时选择train为训练函数。

(3)输入层神经元数量。输入神经元数量对应输入数据维度,本文绩效评价指标体系有24个指标,因此输入层个数n=24。

(4)输出层神经元数量。采用布尔离散向量,输出层节点数m=5,对应5个绩效等级。

(5)网络隐含层数量。网络隐含层数量是网络学习效率的决定因素,通常三层网络隐含层就具有逼近任一连续函数的功能,因而选择结构较为简单的三层网络来构建网络结构。

(6)隐含层神经元数量。网络收敛性能取决于隐含层神经元数量,经验公式为:

 

本文将隐含层神经元数量设置为11。

(7)神经元转换函数。一般采用S型函数作为神经元转换函数。

(8)训练参数。训练循环次数设置为9000次,迭代次数700次,学习率0.015,动量系数设为0.8,选择初始步长为0.8,设置允许误差为0.002。

3.4 样本的选择

将120个PPP项目样本划分成训练样本和测试样本,训练样本可以得到合理的内部描述,测试样本对训练函数的BP神经网络实施检测,分析检测结果是否达到预期目标,通常两种样本各占总样本数的80%以及20%。故将随机抽选的96个项目作为训练样本,将24个项目作为检测样本。

4 仿真检测与结果分析

当训练步骤达到502步时,收敛精度达到0.0001,最大相对误差仅为0.03%,远远低于1%,并且相关系数的值高达0.97(见图2)。因此BP神经网络已经训练完成,且网络性能良好,具有较好的非线性映射能力和学习能力,可以满足PPP绩效评价的实际需求。

表2 经归一化处理的部分样本数据   

表2 经归一化处理的部分样本数据
图2 BP神经网络训练误差曲线

图2 BP神经网络训练误差曲线

 

利用训练好的BP神经网络,输入5个待评价案例样本数据,得到输出绩效得到相应等级范围内的计算结果(见表3)。

表3 预留样本评价结果   

表3 预留样本评价结果

样本序号为6的项目输出结果中的最大值为0.9542,位于(0.8,1)区间,其他项均在(0,0.2)区间,因此该项目绩效水平为优。该项目将设计、融资、建造及后期运营与维护有效地整合到统一的合同框架中,全生命周期整合力大;在项目设计之初就预先设计了合理的风险分配机制,利益分配机制能实现项目全生命周期的“风险共担、收益共享”;在项目识别期就设定了清晰合理的财务经济指标和项目管理指标,具有较高的绩效管理水平;当地政府早已成立PPP项目管理办公室,具有较强的PPP业务能力和操作经验;项目主要固定资产占比大,可融资性较强;建设期成本、进度管理、质量管理水平较高;运营收入增长潜力大;能明显提升居民的生活水平;行业示范性较强;项目物有所值评价专家得分高达89.4。

5 结语

本文通过分析PPP项目的绩效目标,在识别PPP项目CSF的基础上,提取出了24个KPI,建立了PPP项目全生命周期绩效指标体系,将BP神经网络算法引入PPP项目绩效评价中,克服了传统评价方法的主观随意性。利用5个案例样本进行了仿真检验,结果表明该方法具有良好的绩效评估能力,是一种有效的PPP项目绩效评价方法。

 

参考文献[1]兰兰,高成修.基于AHP的PPP绩效评估体系研究[J].海南大学学报,2013(3):115-119.
[2]袁竞峰,季闯,李启明.国际基础设施建设PPP项目关键绩效指标研究[J].工业技术经济,2012(6):109-120.
[3]袁竞峰,季闯,李启明,Skibniewski MJ.基础设施PPP项目的KPI评价标准设定研究及案例分析[J].现代管理科学,2010(12):24-27+49.
[4]张红平,叶苏东.基于成功度的公私合作项目绩效评价研究[J].北京交通大学学报,2017(3):22-29.
[5] Lawther WC,Martin L. Availability payments and key performance indicators:challenges for effective implementation of performance management systems in transportation publicprivate partnerships[J]. Public Works Management&Policy,2014(3):219-234.
[6] Leung BYP,Hui ECM. Evaluation approach on public,private partnership(PPP)urban redevelopments[J]. International Journal of Strategic Property Management,2005(1):1-16.
[7] Vyas S,Kulkarni S. Performance indicators for construction project[J]. International Journal of Advanced Electrical&Electronics Engineering,2013(1):61-66.
[8] Yuan J,Zeng AY,Skibniewski MJ. Selection of performance objectives and key performance indicators in public-private partnership projects to achieve value for money[J]. Construction Management and Economics,2009(3):253-270.
[9] 吴宗法,马振鹏,孟秀焕.基于模糊神经网络的公共项目绩效评价模型研究——以发展结果为导向的理论框架构建[J].南京审计学院学报,2015(1):85-94.
[10]仇文君.基于模糊神经网络的软件项目绩效评价模型研究[J].科技管理研究,2010(23):43-45.
Performance Measurement in PPP Project Based on BP Neural Network
WU Dongping ZHOU Zhipeng LU Jianxin
(CCCC Second Highway Consultants Co.,Ltd School of Finance,Zhongnan University of Economics and Law)
Abstract: This paper constructs a whole life cycle performance indicators system based on CSF theory,which includes 24 KPI indicators in four aspects,project characteristics,economic evaluation,management control and output impact,establishes a performance measurement method in PPP project based on BP neural network,and tests its function by simulation experiments. The results show that this method significantly improves the accuracy and efficiency of performance measurement in PPP project,and has high application value.
Keywords: PPP project; performance measurement; BP neural network
784 0 0
文字:     A-     A+     默认 取消