EN中文

Economic geography >

2021 , Vol. 41 >Issue 3: 58 - 65

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.03.006

Construction and Empirical Test of Risk Monitoring Model in Sino-Burmese Railway Project Construction

  • PAN Bin , 1, 2 ,
  • GE Qing , 2, ※ ,
  • TANG Yang 2
Expand
  • 1. School of Accounting，Hunan University of Finance and Economics，Changsha 410205，Hunan，China
  • 2. Business School，Ningbo University，Ningbo 315211，Zhejiang，China

Received date: 2020-07-20

  Revised date: 2020-12-27

  Online published: 2025-04-30

Fold

Abstract

Since the Belt and Road Initiative(BRI), China's enterprises have been expanding and undertaking a large number of overseas infrastructure construction projects. Due to the large number of participants, huge investment and high construction difficulty in overseas engineering projects, there are many risk factors. However, most of the research papers on engineering risk assessment have the problems that are excessive subjectivity on the data and lack of backward reasoning. Based on the above, this paper proposes a risk assessment method which combines triangular fuzzy number with Bayesian network method. Taking the Sino-Burmese railway project as the research object, firstly, the expert's evaluation data is transformed into the required fuzzy number language through triangular fuzzy number method. Secondly, based on the Bayesian network and junction tree algorithm, this paper calculates the probability of engineering risk. Thirdly, through forward and reverse reasoning, it calculates the influence degree of each risk factor on engineering risk. Finally, the sensitivity analysis is used to analyze each risk in order to determine the sensitive factors that affect the project risk. It is found that the political risk, social and cultural risk are relatively high, while the natural risk, economic risk and technical risk are relatively low, which is in line with the actual situation of the project. The results show that: compared with other evaluation methods, the above methods effectively reduce the subjectivity of data, and also consider the influence of the interaction and pathway among risk factors, which makes the evaluation results more reliable, and effectively improves the risk evaluation system of overseas key projects.

Key words： overseas key projects; triangular fuzzy number; risk assessment; Bayesian network; the Belt and Road Initiative

Cite this article

PAN Bin , GE Qing , TANG Yang . Construction and Empirical Test of Risk Monitoring Model in Sino-Burmese Railway Project Construction[J]. Economic geography, 2021 , 41(3) : 58 -65 . DOI: 10.15957/j.cnki.jjdl.2021.03.006

“一带一路”沿线国家重大工程从基础设施到工业再到人文，其包含的项目多种多样。其中的重大基础设施工程建设资金投入大，周期长，成本回收慢，但对于促进各国经济繁荣和区域经济合作、互利共赢，具有重大意义。这些项目为改善沿线国家的基础设施条件发挥了积极作用。然而它在带来大量社会效益和经济效益的同时，也面临着各种风险。例如沿线国家的制度体制差异大，政局动荡；经济发展水平不平衡，市场开放难度大；民族宗教矛盾复杂；文化繁杂多样，存在因认知偏差误判中国战略意图的可能。这些风险极大地阻碍了海外工程建设，极有可能导致项目失败。例如，在缅甸的莱比塘铜矿项目[1]在2010年就计划开始动工，但是因为当地群众的反对，一度停工复工，直到2015年才真正开始投产。2015年，柬埔寨当地非政府组织对茶润水电大坝项目进行阻工与堵路拦截，使得该项目陷入停滞。这些项目的停滞给中国带来了很大损失，因此在项目开始前，尽早辨识出与该工程项目相关的社会、自然、经济环境的潜在风险，提高工程建设和运行的安全性就显得尤为重要。

1 文献综述

从对现有文献的梳理来看，对于工程风险的管理，主要可分为风险识别、风险评估和风险应对三个方面。
风险识别是风险管理的前提和基础，主要是分析工程产生风险的原因。Goh基于案例分析推理得出危害施工安全的因素[2]。Zhang利用间隔层次分析法识别出水电工程的潜在风险因素[3]。
风险评估[4]主要是根据工程的具体情况，对其进行概率性统计，以此判断工程发生风险的概率以及影响范围。Yuan等通过熵权法来评估一带一路沿线国家燃煤电厂投资风险[5]；Duan等提出了基于熵权法的能源投资风险模糊综合评价模型[6]；潘彬利用熵权改进后的模糊综合评价法来评估大型基础设施项目的风险，并且把该方法成功应用于温州轨道交通建设项目[7]。
风险应对是工程风险管理的目的，在对风险进行精确识别和评估之后，针对风险提出相应的应对措施。具体的风险应对措施主要有三种策略：风险转移、风险规避、风险自留。而在实际操作中，三种策略通常根据风险的实际情况和项目的需求单独或组合使用。
针对海外重大工程风险的评估，许多学者已经利用蒙特卡洛模拟、层次分析法、人工神经网络、模糊推理等传统方法进行了研究。HUI等[8]通过层次分析法和熵权法评估了中国页岩气海外投资风险。杨怡婷[9]通过模糊层次分析法对某尼日利亚铁路改造项目进行了风险识别与评估。但是这些传统方法在复杂系统的不确定性知识表示和推理方面存在诸多不足，当一个问题的因果关系在干扰项较多时，系统无法做出精准的预测；无法处理不完备数据集，往往缺少其中的某一输入就会使建立的模型产生偏差。贝叶斯网络法是近年来引入风险评估领域的新方法，是在不确定条件下进行知识表示和推理的有力工具，其优势是考虑了风险因素之间的相互作用和传递路径。马德仲等基于模糊概率对多状态贝叶斯网络可靠性进行分析[10]。Lee等建立了贝叶斯网络风险流程，并将其用于评估工程风险[11]。丁斅等运用贝叶斯网络评估港珠澳大桥主体工程设计风险[12]。但是这些研究仍然依靠专家打分法来确定初始概率，其数据主观性往往过大。为了降低专家打分带来的数据主观性，本文将模糊推理理论和贝叶斯网络相结合，建立模糊二态贝叶斯网络风险评估模型。为了证明该风险评估方法的实用性，以中缅铁路为例进行实证分析，为海外重大工程风险评估提供参考。

2 研究方法

2.1 贝叶斯定理

贝叶斯定理是应用所观察到的现象对有关概率分布的先验概率进行修正的标准方法。贝叶斯定理的运用可以使修正后的先验概率更加符合实际。
其可以表示为：
P Y X = P X Y P X
由此可以转换为以下形式：
P X Y = P Y X P X
同理可得： P X Y = P Y X P Y
由此可得出先验概率与后验概率之间的关系：
P X = x Y = y P X = x P Y = y X = x P Y = y
贝叶斯网络本身是将多元知识图解可视化的一种概率知识表达与推理模型，其利用条件概率表达各个信息要素之间的相关关系，可以在信息不完善的情况下进行推理。从而促进了概率统计在复杂领域的应用[13]。
贝叶斯网络是由代表结点的随机变量以及代表父子节点间相互关系的有向边构成的一个有向无环图。并通过条件概率来定量描述父节点与子节点之间的关系强度。令X1，…，Xn，为有向无环图中节点所代表的随机变量，其联合概率分布表示为：
P X 1 , ⋯ , X i = ∏ i = 1 n P X x π X i
运用概率统计方法进行不确定问题的推理，就是通过类似 X = X 1 , X 2 , ⋯ , X n的一组随机变量，利用联合概率分布 P X基于概率论原则进行推理计算， P X[14]即作为问题的知识表述。

2.2 基于贝叶斯网络的海外重大工程风险分析方法

2.2.1 风险评估与分类

对于“一带一路”沿线国家重大工程建设过程中存在的风险，结合国内外各种文献[15]，本文大致将其归纳，见表1。
表1 海外工程风险因素表

Tab.1 The risk factors of oversea engineering

一级风险因素 二级风险因素
政治风险 政治稳定性；政府效能；中国因素；宗教主义及民族主义
经济风险 通货膨胀率；汇率波动；利率风险
社会文化风险 国民受教育程度；社会治安情况；社会失业情况
自然风险 地质风险；气候风险；不可抗力风险
技术风险 设计风险；技术标准风险；知识产权与专利风险

2.2.2 风险估值

在确定工程项目风险因素后，就需要采集各个节点风险发生概率来进行风险评估，包括根节点的先验概率以及其它节点的条件概率。由于工程建设风险的精确概率难以获得，本文将由专家打分来获取数据，但是由于其存在主观性过大的缺陷，因此将通过结合模糊数法来增加数据的客观性。在模糊数法之中，三角模糊数参照函数处理较方便，代数运算较容易，因此本文将采用三角模糊数来表示风险模糊发生概率，其隶属度函数形式为：
μ x = 0 , x a x - a / m - a , a ≤ x ≤ m b - x / b - m , m ≤ x ≤ b 0 , x b
因此，三角模糊数也可由参数（a，m，b）表示。对于两个三角模糊数 A ˜ = a 1 , m 1 , b 1 、 B ˜ = a 2 , m 2 , b 2有以下运算法则：
两数之和为：
A ˜ ⊕ B ˜ = a 1 + a 2 , m 1 + m 2 , b 1 + b 2
两数之积为：
A ˜ ⊕ B ˜ = a 1 × a 2 , m 1 × m 2 , b 1 × b 2
两数之商为：
A ˜ ÷ B ˜ = a 1 a 2 , m 1 m 2 , b 1 b 2
如果有精确数k，则：
A ˜ ∕ k = a 1 k , m 1 k , b 1 k
通过引入“非常高”“高”“偏高”“中等”“偏低”“低”和“非常低”7个语言变量[16]将专家的评估结果与模糊数联系起来。每个语言变量与模糊数的对应关系见表2。通过这种方法可以用三角模糊数表示的模糊概率来表达专家的意见。
表2 三角模糊数语义表

Tab.2 Semantic table of triangular fuzzy numbers

序号 语义值 三角模糊数
1 非常高 （0.9，1.0，1.0）
2 高 （0.7，0.9，1.0）
3 偏高 （0.5，0.7，0.9）
4 中等 （0.3，0.5，0.7）
5 偏低 （0.1，0.3，0.5）
6 低 （0，0.1，0.3）
7 非常低 （0，0，0.1）

2.3 构建贝叶斯网络

首先，确定构成研究项目的变量集，形成根节点；然后根据节点之间的概率依赖关系或先验依赖关系确定网络结构，即形成有向弧；最后计算各个节点概率分布。

2.3.1 由语言变量得出模糊概率

通过多位专家的意见来确定根节点不同状态的发生概率。若专家人数为q，第k个专家给出的根节点 X i处于状态j的概率的语言变量可以通过三角模糊数转化为 P ˜ i j k = a i j k , m i j k , b i j k k = 1,2 , ⋯ , q。

2.3.2 模糊概率的均值化

通过算术平均法来处理多位专家的评估结果。得出节点 X i处于j状态的模糊概率的平均值为：
P ~ i j ' = P ˜ i j 1 ⊕ P ˜ i j 2 ⊕ ⋯ ⊕ P ˜ i j q q = a i j ' , m i j ' , b i j '

2.3.3 模糊概率的解模糊

通过均值面积法[17]处理模糊概率，将其转换为精确概率。根节点 X i处于j状态的概率为：
P i j ' = a i j ' + 2 m i j ' + b i j ' 4

2.3.4 概率的归一化

为了确保根节点各状态的概率之和为一，需要对根节点的各状态的精确概率进行“归一化”处理。根节点 X i处于j状态的概率为：
P i j = P i j ' / ∑ j = 0 r i - 1 P i j '

2.3.5 贝叶斯网络的推理运算

在已经计算出各节点的条件概率后，利用联合树法进行信念更新，使其达到全局一致。首先将贝叶斯网络转化为联合树，继而通过定义联合树上的消息传递过程进行概率计算，完成贝叶斯网络的推理运算[18]。步骤描述如下。
S0：首先使用一条无向边将同一节点的父节点两两相连，反复进行，得到有向图后，将其转换为无向图，得到的无向图又称为Moral，将Moral三角化，在其中区分出团结点，连接团结点形成联合树。
S1：假设联合树中的集团 B i由r个节点 X 1 , X 2 , ⋯ , X r组成，每一个节点有 S r个状态，则共有 ∏ r = 1 r S r个状态组合。令 Φ i为 B i的分布函数， Φ i j为团 C i的第j个状态组合分布函数： Φ i j = Φ i j × P A j π a j
S2：在初始化完成的联合树上进行消息传递，假设有子结构 B i - S - B j ,消息从 B i经过S到 B j，其中S称为分离节点。其具体的计算为：
Φ s ' = ∑ b i / s Φ b i   ' , Φ b j ' = Φ s ' Φ s
S3：当联合树达到全局一致后，可以计算任意随机变量的概率分布。即对于 ∀ S i 、 S j，有 S i = S j ⇒ Φ s i = Φ s j。满足全局一致性的联合树表示一个联合概率分布：
P U ∏ i Φ b i ∏ j Φ s j
式中： b i为簇节点；U为所有节点的随机变量集合。
S4：若有新的证据e加入，重复上述算法，联合树将重新达到一致。此时，对于任意簇节点B满足 Φ b = P B , e。如果要计算A的概率分布，则首先要找一个包含A的团节点B，然后计算：
P A e = ∑ B / A P B , e = ∑ B / A Φ b
根据条件概率公式，可得变量A的概率分布为：
P A e = P A , e P e = P A , e ∑ a P A , e

2.3.6 敏感性分析

敏感性分析是研究根节点对风险事件的影响程度，敏感性越高说明对风险事件的影响越大，在风险管理中需要加大预防。本文将采用MI指数法[19]进行敏感性分析，来衡量根节点对叶节点的影响程度。MI是两个随机变量统计相关性的测度，两个随机变量X和Y之间的MI为：
H X , Y = ∑ y ∈ Y ∑ x ∈ X p x , y l o g 2 p x , y p x p y
式中： p x , y为X和Y的联合概率分布函数； p x与 p y分别为X和Y的边缘概率分布函数。

3 实证研究与分析

3.1 数据采集

中缅铁路起点为中国昆明，终点为缅甸仰光，全长约1 920 km。中缅铁路的建设将大大提升中国与东盟各国之间的经贸往来效率，中缅铁路一旦贯通将成为中国连接东南亚、南亚地区的国际大通道。
本工程计划于2014年开始动工建设，但是由于缅甸一些公民组织反对声音较大，缅甸公民组织和铁路途经地区居民多次向缅甸政府抗议，因此一度停工，之后于2016年开始动工，但是仍有许多问题需要解决，本文对该工程进行风险评估就显得尤为必要。
各个节点的风险发生概率由向专家发放问卷调查得出。为表明意见的权威性和说服力，选择的专家都是本领域内的专业人士或者是有相关知识的学者。在得到数据之后又通过网络爬虫进行大面积低价值密度数据的收集来进行辅助验证。
首先通过专家头脑风暴法得出中缅铁路项目的风险因素。其次，采用分层抽样随机发放问卷，调查对象拥有不同背景。一共发放了80份调查问卷，其中收回42份问卷，回收率达到了52.5%。之后通过去除包含大量缺失值的问卷、逻辑明显与实际不符的问卷，且对于缺失值很少的数据，通过以同一指标的计算结果填充缺失值。发现其中无效问卷8份，通过聚类法找到在集合以外的孤点进行清除以达到数据降噪处理的目的，之后结合知名反恐作家李伟主编的《“一带一路”沿线国家风险安全评估》[20]以及莱比塘铜矿项目建设过程中的风险对问卷进行了筛选，最终整理出34份较为可靠的问卷。该风险评估小组由34名专家组成，专家的相关信息见表3，表格中的数字代表相应专家的数量。
表3 专家信息表

Tab.3 Expert information sheet

职称 进行工程相关的工作年限
10年以下 10~15年 15年以上
高级工程师 0 1 2
工程师 2 5 1
教授 8 2 2
技术员 2 4 2
施工人员 2 1 0
本文选出其中16个风险源作为中缅铁路建造过程中的主要风险源，并将其归纳为政治风险、经济金融风险、社会文化风险、自然风险、技术风险5类，专家对相关风险源的评价见表4。
表4 中缅铁路风险专家评价等级表

Tab.4 The risk evaluation level of China-Myanmar railway expert

一级风险因素 二级风险因素 专家评价等级（人数）
非常
高		 高 偏高 中等 偏低 低 非常低
A.政治风险 A1.政治稳定性 0 6 4 4 16 2 2
A2.政府效能 0 0 0 2 6 25 1
A3.中国因素 0 1 1 3 20 8 0
A4.宗教主义及民族主义 0 6 6 8 12 2 0
B.经济风险 B1.通货膨胀率 0 0 0 8 4 16 6
B2.汇率波动 0 0 0 0 2 4 28
B3.利率风险 0 0 0 0 0 10 24
C.社会文化风险 C1.国民受教育程度 0 0 8 8 18 0 0
C2.社会治安情况 0 0 0 0 6 22 8
C3.社会失业情况 0 0 0 4 6 18 8
D.自然风险 D1.地质风险 0 0 0 0 16 16 2
D2.气候风险 0 0 0 2 4 20 8
D3.不可抗力风险 0 0 0 0 10 12 12
E.技术风险 E1.设计风险 0 0 0 0 0 20 14
E2.技术标准风险 0 0 0 0 6 14 14
E3.知识产权与专利风险 0 0 0 0 4 18 12
表5 可靠性统计表

Tab.5 Reliability statistics

Reliability Statistics
Cronbach's Alpha N of Items
0.991 16

3.1.1 数据信度分析

本文计算衡量数据信度高低的Cronbach’s Alpha系数为0.991，证明本文得到的数据较为一致、可靠，由此得出的结论具有参考意义。

3.1.2 数据效度分析

本文采用因子分析法来分析问卷的结构效度。通过对政治稳定性、政府效能等16个二级风险因素进行因子分析，得出KMO为0.899；Bartlett球形检验可知P值为0.000，拒绝原假设，说明变量之间存在相关关系。共同度在 0.654 ~ 0.973之间，表明所提取的公因子用于解释原变量较为有效。综合得出，发放的调查问卷具有较好的结构效度，证明该问卷题项设计合理，所得出的结果与风险因素相对应。

3.2 中缅铁路建造风险贝叶斯网络

在确定上述风险因素之后，通过分析风险因素之间的主要因果关系，设置贝叶斯网络的基本节点，其中每个节点设置两种状态。本文构建了一个三层结构的贝叶斯网络，最外层由16个风险源组成，属于根节点集合，第二层为各子节点，第三层为项目风险。具体如图1所示。
图1 中缅铁路建设工程风险的贝叶斯网络结构图

Fig.1 Bayesian network structure diagram of China-Myanmar railway construction project risks

用0表示发生，1表示未发生， P A i j '表示风险因素A的第i种因素在j状态下的概率根据式（9）确定各根节点各状态的模糊概率的均值如下：

P A 10 ' = 0.05,0.19,0.38 ,   P A 11 ' = 0.63,0.83,0.96

P A 20 ' = 0.08,0.13,0.32 ,   P A 21 ' = 0.68,0.88,0.99

P A 30 ' = 0.02,0.12,0.34 ,   P A 31 ' = 0.63,0.82,0.95

P A 40 ' = 0.18,0.37,0.57 ,   P A 41 ' = 0.48,0.68,0.86

P B 10 ' = 0.00,0.06,0.22 ,   P B 11 ' = 0.74,0.89,0.96

P B 20 ' = 0.00,0.01,0.12 ,   P B 21 ' = 0.83,0.95,0.99

P B 30 ' = 0.00,0.03,0.16 ,   P B 31 ' = 0.79,0.92,0.96

P C 10 ' = 0.07,0.22,0.42 ,   P C 11 ' = 0.61,0.80,0.95

P C 20 ' = 0.02,0.12,0.30 ,   P C 21 ' = 0.69,0.88,0.98

P C 30 ' = 0.00,0.08,0.25 ,   P C 31 ' = 0.76,0.93,1.00

P D 10 ' = 0.05,0.19,0.38 ,   P D 11 ' = 0.65,0.85,0.97

P D 20 ' = 0.02,0.09,0.25 ,   P D 21 ' = 0.76,0.92,0.99

P D 30 ' = 0.00,0.05,0.19 ,   P D 31 ' = 0.81,0.95,1.00

P E 10 ' = 0.00,0.05,0.19 ,   P E 11 ' = 0.76,0.92,0.99

P E 20 ' = 0.00,0.05,0.19 ,   P E 21 ' = 0.77,0.93,0.99

P E 30 ' = 0.00,0.04,0.17 ,   P E 31 ' = 0.82 , 0.96,1.00 )

然后通过式（10）处理模糊概率，将其转化为精确概率。之后根据式（11），对上述结果进行归一化处理得：

P A 10 ' = 0.20 ,   P A 11 ' = 0.80 ,   P A 20 ' = 0.16

P A 21 ' = 0.84 ,   P A 30 ' = 0.16 ,   P A 31 ' = 0.84

P A 40 ' = 0.36 ,   P A 41 ' = 0.64 ,   P B 10 ' = 0.09

P B 11 ' = 0.91 ,   P B 20 ' = 0.04 ,   P B 21 ' = 0.96

P B 30 ' = 0.06 ,   P B 31 ' = 0.94 ,   P C 10 ' = 0.23

P C 11 ' = 0.77 ,   P C 20 ' = 0.14 ,   P C 21 ' = 0.86

P C 30 ' = 0.10 ,   P C 31 ' = 0.90 ,   P D 10 ' = 0.20

P D 11 ' = 0.80 ,   P D 20 ' = 0.11 ,   P D 21 ' = 0.89

P D 30 ' = 0.07 ,   P D 31 ' = 0.93 ,   P E 10 ' = 0.07

P E 11 ' = 0.93 ,   P E 20 ' = 0.07 ,   P E 21 ' = 0.93

P E 30 ' = 0.06 ,   P E 31 ' = 0.94

相同的办法可以计算出每个子节点的条件概率，由于篇幅原因，本文只给出工程风险发生的条件概率见表6。
表6 工程风险条件概率表

Tab.6 Conditional probability table of engineering risk

政治风险 经济金
融风险		 社会文
化风险		 自然
风险		 设计
风险		 发生 不发生
发生 发生 发生 发生 发生 0.52 0.48
不发生 0.51 0.49
不发生 发生 0.51 0.49
不发生 0.45 0.55
不发生 发生 发生 0.41 0.59
不发生 0.40 0.60
不发生 发生 0.34 0.66
不发生 0.31 0.69
不发生 发生 发生 发生 0.48 0.52
不发生 0.45 0.55
不发生 发生 0.45 0.55
不发生 0.40 0.60
不发生 发生 发生 0.37 0.63
不发生 0.31 0.69
不发生 发生 0.30 0.70
不发生 0.27 0.73
不发生 发生 发生 发生 发生 0.40 0.60
不发生 0.40 0.60
不发生 发生 0.34 0.66
不发生 0.29 0.71
不发生 发生 发生 0.23 0.77
不发生 0.19 0.81
不发生 发生 0.13 0.87
不发生 0.12 0.88
不发生 发生 发生 发生 0.36 0.64
不发生 0.32 0.68
不发生 发生 0.26 0.74
不发生 0.23 0.77
不发生 发生 发生 0.18 0.82
不发生 0.17 0.83
不发生 发生 0.08 0.92
不发生 0.03 0.98

3.3 实验结果分析

3.3.1 正向推理

把根节点的概率数据与子节点的条件概率都输入软件后，即可计算得到各个节点处于不同风险状态的概率。
从根节点的先验概率可以看出，风险较大的根节点有宗教主义及民族主义、地质风险和国民受教育程度等。利用已经得到的根节点的先验概率和子节点的条件概率，借助GeNIe软件，根据联合树推理算法即可计算得到中缅铁路工程发生风险的概率为11%，不发生为89%。工程风险总体较大。子节点中风险最大的为政治风险，其次为社会文化风险和自然风险。正向推理可以随着工程的推进时刻变化，可以随时调整各项指标发生的概率，使其对应于工程的不同阶段。如国民受教育程度风险已经确定发生，这时只需把国民受教育程度发生风险的概率设置为100%，利用推理算法，就可以得到中缅铁路的施工风险发生的概率为13%，总体风险明显增加。
图2 中缅铁路正向推理概率图

Fig.2 The forward inference probability graph of China-Myanmar railway

3.3.2 逆向推理

根据风险推理的算法，把中缅铁路建设过程中发生风险的概率设置为100%，计算结果见表7。可以得出工程发生风险时，各一级指标与二级指标发生的风险的概率，其中政治风险发生的概率为49%，远大于其它根节点，是工程发生风险的最大隐患。大于18%的子节点有6个，分属于不同的根节点，我们应着重关注其对工程的影响。在应对工程风险时可以从这些比较具体的因素入手。
表7 逆向推理和敏感性分析表

Tab.7 The backward inference probability table and sensitivity analysis table

编号 发生
（%）		 不发生
（%）		 MI指数
（×10-4）		 敏感性
排序		 编号 发生
（%）		 不发生
（%）		 MI指数
（×10-4）		 敏感性
排序		 编号 发生
（%）		 不发生
（%）		 MI指数（×10-4） 敏感性
排序
A 49 51 432.3 1 A3 19 81 15.9 5 C3 11 89 0.6 12
B 7 93 14.8 6 A4 45 55 13.7 7 D1 23 77 0 19
C 27 73 201.7 2 B1 9 91 0.1 15 D2 12 88 0.1 16
D 15 85 7.8 8 B2 6 94 0 21 D3 7 93 0.2 13
E 5 95 31.9 3 B3 4 96 0 20 E1 7 93 0.1 18
A1 23 77 3.2 10 C1 29 71 16.5 4 E2 7 93 0.1 17
A2 18 82 4.7 9 C2 16 84 1.9 11 E3 6 94 0.1 14

3.3.3 敏感性分析

MI指数取决于各风险因素的先验概率、后验概率以及各风险因素与风险事件之间的连接概率（表7）。从表7可以看出，敏感性程度最高的为政治风险、社会文化风险和技术风险，而经济风险与社会文化风险甚至排在国民受教育程度与中国因素等二级因素的后面，其对工程发生风险的敏感性较低，其风险程度增加也不会引起工程风险迅速增加。我们在关注敏感性程度最高的政治风险与社会文化风险时，也要格外注意技术风险，虽然其自身风险较低，但是与工程风险密切相关，当其增加时，可能会导致工程风险迅速增加。
经实践检验，此模型得出的结论与现实相符，说明本研究方法合理、可行。

4 结论与政策建议

本研究结论启示，中国资本在“一带一路”建设过程中应该认识到，政治风险与社会文化风险是工程风险发生的重要隐患。因此，投资方应积极与当地政府合作，着重宣传基础设施建设给当地带来的有益影响，引导当地民众树立正确的中国印象。其次，应加强文化输出，促进人文交流，降低因文化认知存在差异而导致民族矛盾。第三，投资方在项目建设过程中可以招收当地员工，并在当地开展基础教育活动，降低因失业和缺乏教育所导致的社会文化风险。
针对重大工程项目的风险评价问题，数据大多来自于专家打分法，主观因素较为严重，且忽略了风险因素之间的相互作用与传递路径。本文通过将三角模糊数与贝叶斯网络法相结合得出的风险评价方法，一定程度上克服了凭经验主观性确定风险发生概率的缺点，且考虑了风险因素之间的相互作用。以中缅铁路为例，通过此模型得出的结论与现实相符，证明此模型是合理的。此方法可应用于“一带一路”海外重大工程项目建设过程中的风险管理，具有广阔的推广前景。本论文也存在不足之处，仅考虑了风险发生的两种状态，后续研究可以采用风险损失等级作为风险发生的状态，可以使得结论更加明确、清晰。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
何金花, 田志龙. 中国海外投资项目政治风险的演化——基于合法性视角的案例研究[J]. 管理评论, 2019, 31(6):277-288.

[2]
Goh-Y, H Chua-D-K. Case-based reasoning approach to construction safety hazard identification:adaptation and utilization[J]. Journal of Construction Engineering, 2010, 136(3):120-127.

[3]
Zhang S, Bo S, Lei Y, et al. Risk identification on hydropower project using the IAHP and extension of TOPSIS methods under interval-valued fuzzy environment[J]. Natural Hazards, 2013, 65(1):359-373.

[4]
刘聪. 输变电工程项目风险管理研究[D]. 广州: 华南理工大学, 2020.

[5]
Yuan J H, Li X Y, Xu C B, et al. Investment risk assessment of coal-fired power plants in countries along the Belt and Road initiative based on ANP-Entropy-TODIM method[J]. Energy, 2019, 176:623-640.

[6]
Duan F, Ji Q, Liu B Y, et al. Energy investment risk assessment for nations along China’s Belt & Road Initiative[J]. Journal of Cleaner Production, 2018, 170:535-547.

[7]
潘彬, 黄靖, 薛笑笑, 等. 基于熵权改进的模糊综合方法对大型基础设施项目的风险评价——以温州轨道交通建设项目为例[J]. 经济地理, 2015, 35(10):46-51.

[8]
Li H, Sun R J, Lee W J, et al. Assessing risk in Chinese shale gas investments abroad:modelling and policy recommendations[J]. Sustainability, 2016, 8,708,doi:10.3390/su8080708.

[9]
杨怡婷. 某尼日利亚铁路改造项目风险识别及评估分析[D]. 北京: 对外经济贸易大学, 2016.

[10]
马德仲, 周真, 于晓洋, 等. 基于模糊概率的多状态贝叶斯网络可靠性分析[J]. 系统工程与电子技术, 2012, 34(12):2607-2611.

[11]
Lee E, Park Y, Shin J G. Large engineering project risk management using a Bayesian belief network[J]. Expert Systems with Application, 2009, 36(3):5880-5887.

[12]
丁斅, 徐峰. 基于贝叶斯网络的工程风险管理研究——以港珠澳大桥主体工程设计风险为例[J]. 系统管理学报, 2018, 27(1):176-185,191.

[13]
张连文, 郭海鹏. 贝叶斯网引论[M]. 北京: 科学出版社, 2006.

[14]
金晶, 李宗昊, 朱亮, 等. 我国铁路走出去项目建设风险评估研究[J]. 铁道运输与经济, 2019, 41(2):82-87.

[15]
朱海平, 张国军, 邵新宇. 模糊理想解法在多准则群决策中的应用[J]. 工业工程与管理, 2007, 12(1):99-102.

[16]
Wickens C D. Engineering psychology and human performance[M]. New York: Harper Collins Publishers Inc., 1992:211-257.

[17]
兰蓉, 范九伦. 三角模糊数上的完备度量及其在决策中的应用[J]. 系统工程学报, 2010, 25(3):313-319.

[18]
张劲文, 朱永灵. 港珠澳大桥主体工程建设项目管理规划[J]. 公路, 2012(3):143-147.

[19]
吴贤国, 丁保军, 张立茂, 等. 基于贝叶斯网络的地铁施工风险管理研究[J]. 中国安全科学学报, 2014, 24(1):85-90.

[20]
李伟. “一带一路”沿线国家安全风险评估[M]. 北京: 中国发展出版社, 2015.

Options
Outlines

/

〈 〉