PCA-TOPSIS模型在EPC铁路工程项目风险评估中的应用.pdf

建筑经济CONSTRUCTION ECONOMY第 44 卷第 S1 期2023 年 7 月Vol.44 No.S1Jul.2023摘要：以铁路工程项目为对象，进行铁路施工风险的识别、分析、评估与预测。首先，通过文献以及德尔菲法识别出海外EPC总承包项目风险因素，构建EPC铁路工程项目的风险评价指标体系；其次，建立基于熵权法的PCA-TOPSIS风险评估预测模型，通过熵权法判别各个风险因素的重要性，采用风险评估模型评价各项风险发生的可能性，开展项目风险判断和评价；最后，以某海外铁路路段为案例，评估该工程风险等级，验证PCA-TOPSIS风险评估预测方法的有效性。关键词：铁路工程；PCA-TOPSIS；风险评估；预测中图分类号：TU712文献标识码：A文章编号：1002-851X（2023）S1-0194-07DOI：10.14181/ki.1002-851x.2023S1194Research on the Application of PCA-TOPSIS Model in Risk Evaluation of EPC Railway ProjectHUANG Zhiting（School of Applied Technology，Shenyang University，Shenyang 110044，China）Abstract：This paper takes railway project construction as the object，carries on the railway risk identification，analysis，assessment and prediction.Firstly，it uses the literature and Delphi method to identify the risk factors of overseas EPC general contracting projects，establishing a comprehensive evaluation index system for railways EPC general contracting projects.Secondly，basing on the entropy weight method，this paper establishes the PCA-TOPSIS combination model，identifies the importance of each risk factor with entropy weight method，analyzes the possibility of the occurrence of each risk with risk evaluation model，carries out risk judgment and evaluation for project.Finally，taking one of the oversea railways construction as an example，to evaluate the risk level and verify the effectiveness.Keywords：railway construction；PCA-TOPSIS method；risk evaluation；prediction1引言随着我国与“一带一路”沿线国家经济合作的不断加深，EPC工程项目模式得到迅速的运用，成为许多国际工程项目的主要模式之一。我国在建筑工程上启用EPC总承包模式具有综合性强、集成管理程度高等特点。随着EPC工程模式的广泛运用，EPC总承包模式全过程风险逐渐暴露出来。目前，已有许多学者针对EPC总承包工程项目风险管理进行了深入 研究。在识别方法方面，刘光忱等（2012）采用主观评分以及相关分析法识别评价项目风险；廖奇云等（2013）采用风险清单法将EPC项目风险源划分七类，并建立相应的二级风险指标；Jiali L（2018）提出建立基于清单法和专家调查法的综合研究法识别EPC项目的成本风险，并采用专家评分法和熵权计算法对成本风险等级进行评判；Yunna W（2019）采用文献回顾和四维风险分析法确定风险评估指标体系，通过直觉模糊和决策作者简介：黄志婷，硕士研究生，研究方向：工程管理、项目管理。PCA-TOPSIS模型在EPC铁路工程项目风险评估中的应用黄志婷（沈阳大学应用技术学院，辽宁 沈阳 110044）第 44 卷第 S1 期195试验与评估实验室（IF-DEMATEL）方法确定了关键风险因素的权重；段晓晨等（2022）运用案例分析法识别海外铁路建设项目投资风险并构建风险指标体系，并且采用粒子群优化算法、误差反向传播神经网络等方法建立海外铁路建设项目投资风险评估模型；Qing e W（2022）等采用解释结构模型（ISM）和交叉影响矩阵相乘法（MICMAC）确定风险因素之间的相互关系，开发了国际EPC项目的传输路径，找到关键风险 因素。在模型选用方面，Yimeng S等（2020）采用解释性结构模型分析国际EPC项目的风险因素；刘斌（2020）运用问卷调查法对海外铁路EPC项目风险进行了识别，运用概率影响矩阵建立铁路EPC项目风险评价模型；王卓华（2022）采用模糊层次分析法对铁路项目成本风险进行分析，通过建立风险评估模型，确定铁路项目成本控制关键风险因素。本文从政治、经济、法律、社会和自然五个方面选取EPC模式铁路工程风险因素评价指标，采用基于熵权法和TOPSIS方法确定其主、客观权重，利用熵原理进行组合优化赋权，构建EPC铁路风险评估模型，对铁路EPC工程模式风险进行评估。2评价指标确定EPC项目工程风险因子构成是研究和评价项目风险的基础，本文采用文献法结合德尔菲法识别EPC铁路工程项目全过程风险因素。按风险层面划分为海外铁路项目的外部风险包括政治风险、经济风险、社会风险、法律风险和自然风险五个大类，EPC铁路工程项目相关风险评价指标如表1所示。3EPC项目工程风险评价方法3.1熵权TOPSIS法熵值法是一种基于各项指标的变异程度，利用信息熵这个工具，计算各个指标权重的客观加权方法。设有m个待评价对象，n项评价指标，形成原始指标数据矩阵X=（xij）m*n。对于某项指标Xj，指标值Xij的差异程度越大，提供的信息量越大，权重越大。计算步骤 如下：（1）设X为某地区的铁路风险指标对应m个地段与n个评价指标的样本矩阵，有X=（xij）m*n，通过功效系数法将原始索引数据矩阵X=（xij）m*n标准化得到矩阵 V=（Vij）m*n。1）对初始数据标准化处理：vij=vij=xij-minixijmaxixij-minixij+（1-）vij=maxixij-xijmaxixij-minixij+（1-）?（1）其中，maxxij和minxij分别是第i个指标下各评价样本值的最大值和最小值。2）采用Z-score标准化公式：Zij=xij-xisi，（i=1，2，n；j=i=1，2，m）（2）xi为第i个指标的均值，Si为标准差。表1EPC铁路工程系统外风险评价指标一级指标二级指标政治风险B1部分政府部门办事效率低B11地方政府支持力度低，项目进展不顺B12地方政府主要领导更换，项目无法落地B13地方政府信誉差B14政府要求生产本地化，要求当地设厂等B15法律风险B2工程总承包相关法律法规不健全B21所在国劳动法限制中方高铁企业雇佣合同B22项目所在国在环境保护方面要求过高B23项目所在国的法律制度发生变化B24对项目所在国的法律条文不够了解B25经济与市场风险B3宏观经济形势风险，客流量预测高B31建筑生产要素市场价格上涨B32市场利率上涨或融资难度加大B33偏远山区施工资源匮乏，劳务价格上涨B34其他国家的竞争企业对项目造成影响B35社会环境风险B4征地拆迁风险B41管线改移风险B42临地征用风险B43阻工风险，项目推进难度大B44自媒体网络影响B45自然环境风险B5不利气候风险，温差大或温度极端B51不利水文、地质条件风险B52滑坡崩塌风险B53隧道施工风险B54自然灾害风险，如地震、海啸、台风等B55传染病风险B56黄志婷PCA-TOPSIS模型在EPC铁路工程项目风险评估中的应用建 筑 经 济2023年196（2）令Vij=vij+d，其中d为略大于0的常数，一般在05之间，这样便得到了标准化矩阵：V=（Vij）mn（3）（3）计算概率矩阵Pij，即计算第j个指标下第i个样本所占的比重：Pij=Vij?ni=1Vij（4）（4）计算第j项指标的熵值ej（0ej1）：ej=-k?mi=1pijlnpij，（k=1lnn）（5）其中，k0，ln为自然对数，ej0，式中常数k与样本数n有关。（5）计算第j项指标的差异系数：对于第j项指标，指标值Vij的差异越大，对方案的评价作用越大，熵值就越小。dj=1-ej（6）其中，dj越大指标越重要。（6）指标权重W：Wj=dj?mj=1dj（7）TOPSIS是C.L.Hwang和K.Yoon于1981年首次提出的一种多维目标决策逼近理想解排序方法。将每个评估对象的原始数据放入一个矩阵中，并对特征矩阵进行归一化处理，得到规范化决策矩阵R。R=rij，（rij=xij/?mi=1x2ij）（8）其中i表示第i个方案，j就表示第j个属性，一个方案的属性之间具有可比性。构造加权规范化矩阵如公 式（9）：vij=wij R=w1r11w2r12wnr1nw1r21w2r22wnr2nw1rm1w2rm2 wnrmn（9）下一步，通过公式计算权重指定值v，公式（10）确定最优目标Z+和最劣目标Z-：Z+=（maxivij|jJ），（minivij|jJ）=v1+，v1+，vn+Z-=（minivij|jJ），（maxivij|jJ）=v1-，v1-，vn-?，i=1，2，3m（10）其中，J=（J=1，n|j为最优型目标属性）；J=（J=1，n|j为最劣型目标属性）。每个评估对象到Z+和Z-的距离如下：Si+（q）=?mj=1|vij-vj+|1qq，q0，i=1，2，mSi-（q）=?mj=1|vij-vj-|1qq，q0，i=1，2，m?（11）其中，S反映各评价对象与相应目标的贴近度，每个待评估对象与最优目标的相对接近度Ci*可以计算如式（12）表示：Ci*=si-（i）si+（q）+si-（q）i=1，2，m（12）确定贴近度接近Ci*后，将根据数值进行排序。3.2主成分分析法主成分分析（PCA）最早是由卡尔 皮尔逊（Karl Pearson）对非随机变量引入的一种统计方法，该方法防止在降维计算过程中由于指标的高度相关性造成的信息重叠和覆盖，减少了变量数量以减少计算时间，并确保相对完整的数据信息，提高评估的效率和准确性。首先验证索引数据的适用性，同时进行巴特利特球形检验和抽样适合性检验（KMO），以计算相关矩阵的特征值i和相应的单位特征向量；其次根据特征值i确定因子数r；最后，选取大于1的特征值，绘制相应的因子碎石图，用于辅助判断因子个数，通过确定特征值大于1的主成分因子作为筛选条件，确定因子数。具体步骤 如下：（1）求解第i个主成分因子的贡献率。=ini=1i，（i=1，2，n）（13）表示第i个主成分因子的贡献率，代表主成分因子对原始指标信息的解释能力。（2）计算前个主成分因子的累积贡献。r=ri=1inn=1i（14）（3）提取主成分因子并进行因子旋转，研究众多变量之间的内部结构依赖关系重构因子荷载；转轴后增加了相同因子上每个变量荷载之间的差值，解决了在解释和确定主成分因子上的困难。（4）计算每个变量对象的主成分因子的得分，并用主成分因子变量构建模型，对原始样本进行评价。第 44 卷第 S1 期1973.3耦合熵权PCA-TOPSIS模型将熵TOPSIS法引入PCA可以提高评价结果的客观性和公正性，本文结合两种方法的特点，建