项目风险评估范文
前言：我们精心挑选了数篇优质项目风险评估文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。
第1篇
[关键词]软件项目风险管理神经网络粗集
夜上海论坛 本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。
一、模型结构的建立
本文基于粗集的BP神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。
1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据.这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r为风险系数;T、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。
2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。
(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn]T,dp(网络期望输出)提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。
m
夜上海论坛 Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
夜上海论坛 (2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
夜上海论坛 (3)比较已知输出与计算输出,计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。
夜上海论坛 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)]
夜上海论坛 η(k)=η0(1-t/(T+M))
η0是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)
夜上海论坛 (4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.风险预警单元
根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5个区间来划分的:
夜上海论坛 r<0.2项目的风险很低,损失发生的概率或者额度很小;
0.2≤r<0.4项目的风险较低,但仍存在一定风险;
夜上海论坛 0.4≤r<0.6项目的风险处于中等水平,有出现重大损失的可能;
夜上海论坛 0.6≤r<0.8项目的风险较大,必须加强风险管理,采取避险措施;
夜上海论坛 0.8≤r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。
总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。
二、实证：以软件开发风险因素为主要依据
这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性(中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。
参考文献：
夜上海论坛 [1]王国胤“Rough:集理论与知识获取”[M].西安交通大学出版社，2001
第2篇
在软件项目特别是信息系统构建项目投资过程中的风险因素众多，其后果严重程度各异，要把每个风险因素都加以考虑会导致问题的复杂化，是不现实的。本文以某高校人力资源管理信息系统的构建过程中所提出的指标体系，建立了该项目风险递阶层次结构图。
1.1基于层次分析法的一致性效验结果根据图1对各风险子因素进行判断，从而得到单因素评判矩阵。咨询相关专家，对专家们的评判结果进行分析，合理取舍，得到风险子因素的评判矩阵。最终将评语集确定为：A={低风险，中等风险，高风险}。对于风险子因素的权重矩阵，则采用层次分析法，邀请十位技术专家进行调查研究和相关分析，采用不同因素两两比较的方法，构造不同层次的判断矩阵，并进行归一化处理和一致性检验。根据选定专家事先估计出项目实施人员对各个因素的侧重程度，进行一级风险因素的权重分配，加权后建立权重集，现以一级风险“技术性风险”中各组成因素的权数确定为实际评判对象，其一致性效验结果如表2。由以上一致性效验结果可得到一个模糊集：P2=（0.5015，0.4985）同样也可以估计出各专家对人员风险、经济风险、环境风险、管理风险中各因素侧重程度而加权组成因素的权重集如下：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模糊综合风险评估分析在这个过程中，要使用专家调查法，具体操作如下，选取10名专家，让这10名专家根据各自的相关经验，给出每一个风险指标对各类风险的隶属度，然后对其进行归一化，最后得出一级评判矩阵，本文通过下面的“技术性风险”中的各风险因素的一级评判矩阵，对该种方法进行说明。该一级评判矩阵如表3所示。由此相应的可得出人员风险、经济风险、管理风险中各因素的一级评判矩阵。
1.2.1一级模糊综合评价用加权平均模型模糊评价理论，计算项目风险评估中一级模糊评价指标的模糊值BK1=PK*RK，其中BK1代表一级模糊综合评价指标值，P代表权系数，R为一级评判矩阵，仍以“技术性风险”为例来计算一级评判矩阵，将上述过程中的P2与R2代入公式。
1.2.2二级模糊综合评价由人员风险、技术性风险、经济风险、环境风险、管理风险共同组成的项目总体风险权重矩阵。从向量矩阵B的结果可以看出，三个数中0．3841最大，其隶属于风险等级为低风险，说明该校人力资源管理信息系统的构建过程和投资风险很小，是切实可行的。
2结论与展望
2.1结论①运用模糊综合评判法对某高校的人力资源管理信息系统的设计与实现项目进行综合评估，得到了该项目在未来发生较低风险的可能性最大，也就是项目的生命周期是很稳定的。项目的发展也是随着项目的目标而进行的，由此可以看到，该项目的研究和系统的构建都对某高校的人力资源现代化管理和信息化建设起到一定作用。②在实际应用模糊综合评价法建立相关软件项目的风险评价模型时，最关键的步骤是把项目中包含的方向不明、影响大小不易确定影响因素转化成可以进行相关数学处理的模糊变量，然后在通过使用相关的模糊评价模型，对上述得出的模糊变量进行统计分析，最后得到可以定量的数据结果。从实际经验来看，这种评价的数据结果和一般的常规分析结果基本保持一致，这种量化的风险分析结果，使得项目负责人可以随时根据项目风险的量化指标，合理安排项目的风险防范措施，这种使用量化数据的风险分析指标，对于动态监控风险有着良好的作用。③从本文的应用实例可以看出，层次分析法适用于风险管理比较简单方便，通过一致性效验结果进行数学建模的方式能够更好的反应风险的层级关系和权重指标。
第3篇
[关键词]软件项目风险管理神经网络粗集
夜上海论坛 本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。
一、模型结构的建立
夜上海论坛 本文基于粗集的BP神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。
1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据.这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r为风险系数;T、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。
2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。
(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn]T,dp(网络期望输出)提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。
m
夜上海论坛 Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出
m
夜上海论坛 Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比较已知输出与计算输出,计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
夜上海论坛 h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)(4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.风险预警单元
根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5个区间来划分的:
r<0.2项目的风险很低,损失发生的概率或者额度很小;
0.2≤r<0.4项目的风险较低,但仍存在一定风险;
0.4≤r<0.6项目的风险处于中等水平,有出现重大损失的可能;
0.6≤r<0.8项目的风险较大,必须加强风险管理,采取避险措施;
0.8≤r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。
总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。
二、实证：以软件开发风险因素为主要依据
这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性(中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。
参考文献：
夜上海论坛 [1]王国胤“Rough:集理论与知识获取”[M].西安交通大学出版社，2001
