項目風險評估范文
前言：我們精心挑選了數篇優質項目風險評估文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。
第1篇
[關鍵詞]軟件項目風險管理神經網絡粗集
本篇論文的中心是基于粗集的人工神經網絡(ANN)技術的高風險識別，這樣在制定開發計劃中，最大的減少風險發生的概率，形成對高風險的管理。
一、模型結構的建立
本文基于粗集的BP神經網絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經網絡系統，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數，簡化ANN結構。本論文在此理論基礎上，建立一種風險評估的模型結構。這個模型由三部分組成即：風險辨識單元庫、神經網絡單元、風險預警單元。
1.風險辨識單元庫。由三個部分功能組成：歷史數據的輸入，屬性約簡和初始化數據.這里用戶需提供歷史的項目風險系數。所謂項目風險系數,是在項目評價中根據各種客觀定量指標加權推算出的一種評價項目風險程度的客觀指標。計算的方法:根據項目完成時間、項目費用和效益投入比三個客觀指標,結合項目對各種資源的要求,確定三個指標的權值。項目風險系數可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數;T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預計效能;w1、w2、w3分別是時間、費用和效能的加權系數,而且應滿足w1+w2+w3=1的條件。
2.神經網絡單元。完成風險辨識單元的輸入后,神經網絡單元需要先載入經初始化的核心風險因素的歷史數據,進行網絡中權值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權值和閥值。
(1)選取核心特征數據作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網絡期望輸出)提供給網絡。用輸入模式xp,連接權系數wij及閾值hj計算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隱含層輸出ypj,連接權系數wij及閾值h計算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權值及輸出神經元閾值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步長;t是學習次數;T是總的迭代次數;M是一個正數,α∈(0,1)是動量系數。σp是一個與偏差有關的值,對輸出結點來說；σp=yp(1-yp)(dp-yp)；對隱結點來說,因其輸出無法比較,所以經過反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權值及隱含神經元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風險預警單元
根據風險評價系數的取值,可以將項目的風險狀況分為若干個區間。本文提出的劃分方法是按照5個區間來劃分的:
r<0.2項目的風險很低,損失發生的概率或者額度很小;
0.2≤r<0.4項目的風險較低,但仍存在一定風險;
0.4≤r<0.6項目的風險處于中等水平,有出現重大損失的可能;
0.6≤r<0.8項目的風險較大,必須加強風險管理,采取避險措施;
0.8≤r<1項目的風險極大,重大損失出現的概率很高,建議重新考慮對于項目的投資決策。
總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數五個等級。給出各風險指標的評價系數，衡量相關風險的大小。系數越低，項目風險越低；反之，系數越高，項目風險越高。
二、實證：以軟件開發風險因素為主要依據
這里我們從影響項目風險諸多因素中，經項目風險系數計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復雜的計算過程省略)。總共抽取出六個主要的指標(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經元，根據需求網絡隱含層神經元選為13個，一個取值在0到1的輸出三層神經元的BP網絡結構。將前十個季度的指標數據作為訓練樣本數據，對這些訓練樣本進行數值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數參數β=1.05，誤差閉值ε=0.01，經過多次迭代學習后訓練次數N＝1800網絡趨于收斂，以確定神經網絡的權值。最后將后二個季度的指標數據作為測試數據，輸入到訓練好的神經網絡中，利用神經網絡系統進行識別和分類，以判斷軟件是否會發生危機。實驗結果表明，使用神經網絡方法進行風險預警工作是有效的，運用神經網絡方法對后二個季度的指標數據進行處理和計算，最后神經網絡的實際輸出值為r=0.57和r=0.77，該軟件開發風險處于中等和較大狀態，與用專家效績評價方法評價出的結果基本吻合。
參考文獻：
[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學出版社，2001
第2篇
在軟件項目特別是信息系統構建項目投資過程中的風險因素眾多，其后果嚴重程度各異，要把每個風險因素都加以考慮會導致問題的復雜化，是不現實的。本文以某高校人力資源管理信息系統的構建過程中所提出的指標體系，建立了該項目風險遞階層次結構圖。
1.1基于層次分析法的一致性效驗結果根據圖1對各風險子因素進行判斷，從而得到單因素評判矩陣。咨詢相關專家，對專家們的評判結果進行分析，合理取舍，得到風險子因素的評判矩陣。最終將評語集確定為：A={低風險，中等風險，高風險}。對于風險子因素的權重矩陣，則采用層次分析法，邀請十位技術專家進行調查研究和相關分析，采用不同因素兩兩比較的方法，構造不同層次的判斷矩陣，并進行歸一化處理和一致性檢驗。根據選定專家事先估計出項目實施人員對各個因素的側重程度，進行一級風險因素的權重分配，加權后建立權重集，現以一級風險“技術性風險”中各組成因素的權數確定為實際評判對象，其一致性效驗結果如表2。由以上一致性效驗結果可得到一個模糊集：P2=（0.5015，0.4985）同樣也可以估計出各專家對人員風險、經濟風險、環境風險、管理風險中各因素側重程度而加權組成因素的權重集如下：P1=（0.4238，0.5762），P3=（0.3824，0.2527，0.3649），P4=（0.4237，0.5673），P5=（0.3792，0.2284，0.3924）
1.2模糊綜合風險評估分析在這個過程中，要使用專家調查法，具體操作如下，選取10名專家，讓這10名專家根據各自的相關經驗，給出每一個風險指標對各類風險的隸屬度，然后對其進行歸一化，最后得出一級評判矩陣，本文通過下面的“技術性風險”中的各風險因素的一級評判矩陣，對該種方法進行說明。該一級評判矩陣如表3所示。由此相應的可得出人員風險、經濟風險、管理風險中各因素的一級評判矩陣。
1.2.1一級模糊綜合評價用加權平均模型模糊評價理論，計算項目風險評估中一級模糊評價指標的模糊值BK1=PK*RK，其中BK1代表一級模糊綜合評價指標值，P代表權系數，R為一級評判矩陣，仍以“技術性風險”為例來計算一級評判矩陣，將上述過程中的P2與R2代入公式。
1.2.2二級模糊綜合評價由人員風險、技術性風險、經濟風險、環境風險、管理風險共同組成的項目總體風險權重矩陣。從向量矩陣B的結果可以看出，三個數中0．3841最大，其隸屬于風險等級為低風險，說明該校人力資源管理信息系統的構建過程和投資風險很小，是切實可行的。
2結論與展望
2.1結論①運用模糊綜合評判法對某高校的人力資源管理信息系統的設計與實現項目進行綜合評估，得到了該項目在未來發生較低風險的可能性最大，也就是項目的生命周期是很穩定的。項目的發展也是隨著項目的目標而進行的，由此可以看到，該項目的研究和系統的構建都對某高校的人力資源現代化管理和信息化建設起到一定作用。②在實際應用模糊綜合評價法建立相關軟件項目的風險評價模型時，最關鍵的步驟是把項目中包含的方向不明、影響大小不易確定影響因素轉化成可以進行相關數學處理的模糊變量，然后在通過使用相關的模糊評價模型，對上述得出的模糊變量進行統計分析，最后得到可以定量的數據結果。從實際經驗來看，這種評價的數據結果和一般的常規分析結果基本保持一致，這種量化的風險分析結果，使得項目負責人可以隨時根據項目風險的量化指標，合理安排項目的風險防范措施，這種使用量化數據的風險分析指標，對于動態監控風險有著良好的作用。③從本文的應用實例可以看出，層次分析法適用于風險管理比較簡單方便，通過一致性效驗結果進行數學建模的方式能夠更好的反應風險的層級關系和權重指標。
第3篇
[關鍵詞]軟件項目風險管理神經網絡粗集
本篇論文的中心是基于粗集的人工神經網絡(ANN)技術的高風險識別，這樣在制定開發計劃中，最大的減少風險發生的概率，形成對高風險的管理。
一、模型結構的建立
本文基于粗集的BP神經網絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經網絡系統，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數，簡化ANN結構。本論文在此理論基礎上，建立一種風險評估的模型結構。這個模型由三部分組成即：風險辨識單元庫、神經網絡單元、風險預警單元。
1.風險辨識單元庫。由三個部分功能組成：歷史數據的輸入，屬性約簡和初始化數據.這里用戶需提供歷史的項目風險系數。所謂項目風險系數,是在項目評價中根據各種客觀定量指標加權推算出的一種評價項目風險程度的客觀指標。計算的方法:根據項目完成時間、項目費用和效益投入比三個客觀指標,結合項目對各種資源的要求,確定三個指標的權值。項目風險系數可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數;T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預計效能;w1、w2、w3分別是時間、費用和效能的加權系數,而且應滿足w1+w2+w3=1的條件。
2.神經網絡單元。完成風險辨識單元的輸入后,神經網絡單元需要先載入經初始化的核心風險因素的歷史數據,進行網絡中權值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權值和閥值。
(1)選取核心特征數據作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網絡期望輸出)提供給網絡。用輸入模式xp,連接權系數wij及閾值hj計算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隱含層輸出ypj,連接權系數wij及閾值h計算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權值及輸出神經元閾值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步長;t是學習次數;T是總的迭代次數;M是一個正數,α∈(0,1)是動量系數。σp是一個與偏差有關的值,對輸出結點來說；σp=yp(1-yp)(dp-yp)；對隱結點來說,因其輸出無法比較,所以經過反向推算；σpj=ypj(1-ypj)(ypwj)(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權值及隱含神經元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風險預警單元
根據風險評價系數的取值,可以將項目的風險狀況分為若干個區間。本文提出的劃分方法是按照5個區間來劃分的:
r<0.2項目的風險很低,損失發生的概率或者額度很小;
0.2≤r<0.4項目的風險較低,但仍存在一定風險;
0.4≤r<0.6項目的風險處于中等水平,有出現重大損失的可能;
0.6≤r<0.8項目的風險較大,必須加強風險管理,采取避險措施;
0.8≤r<1項目的風險極大,重大損失出現的概率很高,建議重新考慮對于項目的投資決策。
總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數五個等級。給出各風險指標的評價系數，衡量相關風險的大小。系數越低，項目風險越低；反之，系數越高，項目風險越高。
二、實證：以軟件開發風險因素為主要依據
這里我們從影響項目風險諸多因素中，經項目風險系數計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復雜的計算過程省略)。總共抽取出六個主要的指標(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經元，根據需求網絡隱含層神經元選為13個，一個取值在0到1的輸出三層神經元的BP網絡結構。將前十個季度的指標數據作為訓練樣本數據，對這些訓練樣本進行數值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數參數β=1.05，誤差閉值ε=0.01，經過多次迭代學習后訓練次數N＝1800網絡趨于收斂，以確定神經網絡的權值。最后將后二個季度的指標數據作為測試數據，輸入到訓練好的神經網絡中，利用神經網絡系統進行識別和分類，以判斷軟件是否會發生危機。實驗結果表明，使用神經網絡方法進行風險預警工作是有效的，運用神經網絡方法對后二個季度的指標數據進行處理和計算，最后神經網絡的實際輸出值為r=0.57和r=0.77，該軟件開發風險處于中等和較大狀態，與用專家效績評價方法評價出的結果基本吻合。
參考文獻：
[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學出版社，2001
