%9c的石油化工工程建设项目管理绩效评价

  本文关键词：基于人工神经网络的石油化工工程建设项目管理绩效评价，由笔耕文化传播整理发布。

石油学报（石油加工） ２０１０年６月
ＡＣＴＡ ＰＥＴＲ０１．ＥＩ ＳＩＮＩＣＡ（ＰＥＴＲＯｌ，ＥＵＭ ＰＲＯＣＥＳＳＩＮＧ ＳＥＣＴＩＯＮ）

第２６卷第３期

文章编号：１００１—８７１９（２０１０）０３一０３１７一０７

基于人工神经网络的石油化工工程建设 项目管理绩效评价
韩志国１，王基铭１’

２，陈智高１
（１．华东理工大学，上海２００２３７；２．中国石油化工集团公司，北京１００７２８）

摘要：针对非线性多输入多输出的石油化工工程建设项目管理绩效评价问题，应用人工神经网络（ＡＮＮ）构建评价
模型。使用５０个项目的２８７个学习案例数据，以１０个影响因素为输入，６个指标为输出，对ＢＰ神经网络、基于

遗传算法的ＢＰ神经网络、径向基函数神经网络与广义回归神经网络４类网络模型进行训练和测试。通过均方误差 的比较，发现基于遗传算法的ＢＰ神经网络优于一般的ＢＰ神经网络，广义回归神经网络的测试结果优于ＢＰ神经 网络，径向基甬数神经网络具有最好的误差精度。Ｚ个应用示例表明，人工神经网络应用于石油化工工程建设项目
管理绩效的评价是可行和有效的。

关键词：石油化工工程建设项目；项目管理；绩效评价；人工神经网络（ＡＮＮ）
中图分类号：Ｆ２２４ 文献标识码：Ａ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－８７１９．２０１０．０３．００１

ＭＡＮＡＧＥＭＥＮＴ ＰＥＲＦＯＲＭＡＮＣＥ ＥＶＡＬＵＡＴＩＯＮ

ＩＮ

ＰＥＴＲＯＣＨＥＭＩＣＡＬ ＥＮＧＩＮＥＥＲＩＮＧ

ＣＯＮＳＴＲＵＣＴＩｏＮ ＰＲＯＪＥＣＴ ＢＹ ＵＳｌＮＧ ＡＲＴＩＦＩＣＩＡＬ ＮＥＵＲＡＬ
ＨＡＮ

ＮＥＴＷＯＲＫ

Ｚｈｉｇｕ０１，ＷＡＮＧ Ｊｉｍｉｎ９１”，ＣＨＥＮ

Ｚｈｉｇａ０１

（１．ＥａｓｔＣｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ

２００２３７，Ｃｈｉｎａ；２．ＣｈｉｎａＰｅｔｒｏｃｈｅｍｉｃａｌＣｏｒｐｏｒａｔｉｏｎ，Ｂｅｉｊｉｎ９１００７２８。Ｃｈｉｎａ）
ｆｏｒ ｔｈｅ ｍａｎａｇｅｍｅｎｔ

Ａｂｓｔｒａｃｔ：Ａｎ

ａｒｔｉｆｉｃｉａｌ

ｎｅｕｒａｌ

ｎｅｔｗｏｒｋ

ｍｏｄｅｌ（ＡＮＮ）ｗａｓ ｄｅｖｅｌｏｐｅｄ

ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｐｅｔｒｏｃｈｅｍｉｃａｌ

ｅｎｇｉｎｅｅｒｉｎｇ ｃｏｎｓｔｒｕｃｔｉｏｎ ｐｒｏｊｅｃｔ．Ｂｙ ｕｓｉｎｇ ｔｈｅ ｄａｔａ ｆｒｏｍ
ａｓ

２８７ ｓａｍｐｌｅｓ ｏｆ ５０ ｐｒｏｊｅｃｔｓ，ｉｎ ｗｈｉｃｈ １０ ｆａｃｔｏｒｓ ｗｅｒｅ ａｎｄ
ｔｅｓｔ

ｉｎｐｕｔｓ ａｎｄ ６ ｉｎｄｉｃａｔｏｒｓ

ａｓ

ｏｕｔｐｕｔｓ，ｔｒａｉｎｉｎｇ

ｗｅｒｅ ｇｉｖｅｎ

ｔｏ

ｆｏｕｒ ｋｉｎｄｓ ｏｆ ＡＮＮ ｍｏｄｅｌｓ，ＢＰ—ＮＮ，ＧＡ—ｂａｓｅｄ ＢＰ—ＮＮ，ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ

ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＲＢＦ—ＮＮ）ａｎｄ ｇｅｎｅｒａｌｉｚｅｄ ｒｅｇｒｅｓｓｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（Ｇ１０ＮＮ）．Ｂｙ ｃｏｍｐａｒｉｎｇ ｔｈｅ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒｓ，ｉｔ ｉＳ ｆｏｕｎｄ ｔｈａｔ ＧＡ－ｂａｓｅｄ ＢＰ—ＮＮ ｉＳ ｐｒｉｏｒ
ｔｏ

ＢＰ—ＮＮ，ＧＲ—ＮＮ
ｃａｓｅｓ

ｉＳ

ｐｒｉｏｒ

ｔｏ

ｆｏｒｍｅｒ。ａｎｄ ＲＢＦ－ＮＮ ｈａｓ ｂｅｓｔ ａｃｃｕｒａｃｙ．Ｉｔ ｉＳ ｖｅｒｉｆｉｅｄ ｂｙ ｔｈｅ ｉｌｌｕｓｔｒａｔｉｏｎｓ ｏｆ ｔｗｏ ｍｏｄｅｌ ｉｓ ｆｅａｓｉｂｌｅ ａｎｄ ｖａｌｉｄ ｃｏｎｓｔｒｕｃｔｉｏｎ ｐｒｏｊ
ｅｃｔ． ｔｏ

ｔｈａｔ ＡＮＮ

ｔｈｅ ｍａｎａｇｅｍｅｎｔ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｐｅｔｒｏｃｈｅｍｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ

Ｋｅｙ ｗｏｒｄｓ：ｐｅｔｒｏｃｈｅｍｉｃａｌ

ｅｎｇｉｎｅｅｒｉｎｇ

ｃｏｎｓｔｒｕｃｔｉｏｎ

ｐｒｏｊｅｃｔ；ｐｒｏｊｅｃｔ

ｍａｎａｇｅｍｅｎｔ；ｐｅｒｆｏｒｍａｎｃｅ

ｅｖａｌｕａｔｉｏｎ；ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＡＮＮ）

石油化工工程建设项目是高投入、高风险的项 目，具有资金和技术高度密集、技术复杂、涉及专 业多、关联范畴广、集成程度高、质量要求高、工 程投资大、建造周期长的特点。工程建设项目管理 水平的高低将直接决定项目的投资效益，决定建设

项目的成败，决定石油化工企业的持续有效发展。 少投入、多产出、快建设、高质量、保投产始终是 工程项目建设中必须要解决好的重大命题Ⅲ。因此， 石油化工工程建设项目的管理及其绩效评价有其特 殊意义。目前，针对石油化工工程管理绩效评价展

收稿日期：２０１０—０２—０５ 通讯联系人：韩志国，Ｔｅｌ：０１０—５９９６２３０９；Ｅ－ｍａｉｌ：ｈａｎｚｇ＠ｓｉｎｏｐｅｃ．ｃｏｒｎ．ｃｎ

万方数据

３１８

石油学报（石油加－１２）

第２６卷

开的研究还不多，对于工程建设项目管理绩效评价 的研究主要涉及两方面的内容，即评价指标体系和 评价方法。对于不同类型的项目和不同的评价者， 由于对象和角度的差异，项目管理绩效评价的指标 和方法有所不同。 石油化工工程建设项目管理绩效的评价是一类 典型的非线性多输人多输出问题。笔者基于人工智
能领域神经网络方法的优势，研究石油化工工程建

定量，不得不依靠经验法给出管理绩效的评价意见。 尽管现在已经产生了许多客观的方法，项目管理绩 效的某些指标，例如技术水平、质量等，以及评价 方法中指标权重的设定等，依然离不开经验判断法。 定量的分析决策方法又可分为技术经济评价法 和多因素评价法。例如净现值法［６３和挣值法¨３便是 常用的技术经济评价法。因为许多评价指标已经超 出经济因素的范围，单纯的技术经济评价法已不能 完整地评价工程建设项目管理的绩效。多因素评价 法中以统计分析方法居多，其中最常用的是权重取 决于专家经验的多层次指标值加权综合法∞］，其次
是回归分析方法一叫虬和结构方程建模法。１１】。多层次

设项目管理绩效的评价模型，为此类项目管理绩效 的科学评价提供可选择的新途径。
１

已有的相关石油化工工程建设项目管理绩

效评价的研究
１．１

分析法凹坝０常用于设定多指标加总的权重。除统计 分析方法之外，多因素评价方法中还有基于最佳实 践比较的标杆法口２““、综合多层次多因素平衡发展 思想的平衡计分卡［１“、模糊决策方法ｏ］、数据包络
分析法ｕ ５】、系统动力学－６－１７１和人工神经网络 （ＡＮＮ）Ｅ１８—１９ｊ等。 ２

工程建设项目管理绩效的评价指标

工程建设项目管理绩效评价指标分为综合性评 价指标和局部性评价指标两类。综合性评价指标一 般包括局部性评价指标，局部性评价指标中又以经 济指标为主。综合性的项目管理绩效研究中， ＢｒｙｄｅＬ２１参考ＥＦＱＭ（Ｅｕｒｏｐｅａｎ
ｑｕａｌｉｔｙ ｆｏｕｎｄａｔｉｏｎ ｆｏｒ

ｍａｎａｇｅｍｅｎｔ）业务卓越模型提出的项目管理
ｍａｎａｇｅｍｅｎｔ ｐｅｒｆｏｒｍａｎｃｅ

人工神经网络及其在工程建设项目管理中

绩效评价ＰＭＰＡ（Ｐｒｏｊｅｃｔ

的应用
人工神经网络是一种通过物理器件或计算机来 模拟生物体中神经网络的某些结构与功能的技术， 在结构上由许多人工神经元相互连接而成。实际中 使用最广泛的是ＢＰ神经网络（ＢＰ—ＮＮ，Ｂａｃｋ
ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ

ａｓｓｅｓｓｍｅｎｔ）模型最具代表性。ＰＭＰＡ模型面向各种 类型的项目，设有项目管理的领导、人员、策略、 合作关系和资源、生命周期管理过程（时间、成本、 工作范围的计划、风险管理、质量管理等１６项活 动）、关键绩效指标（ＫＰＩ）６个评价准则，其最主要 的特点是将项目管理及其结果作了区分，即从因和 果的两个方面来区别绩效指标。 成本、时间和质量构成的铁三角∞］是最基本的 项目管理绩效评价指标。随着时代的进步和项目管 理领域的发展，不同类别的项目分别按需要增加一 些新的指标或管理成功与否的判断准则。例如，面 向特定用户的开发项目增设客户满意度或客户利益 的指标一］，因安全与环境保护意识的增强而加入了 “健康?安全?环保”（ＨＳＥ）指标＿］，因长期发展战 略的需要而增加了可持续性指标，等等。 １．２工程建设项目管理绩效的评价方法 目前，关于工程建设项目管理绩效的评价方法 的研究主要在于普适性方法的应用研究和其他领域 评价方法的借鉴应用研究。常见的项目绩效评价方 法大致上可分为定性的经验判断法和定量的分析决
策法。

ｎｅｔｗｏｒｋ），即误差反向传播神经

网络模型，主要用来进行非线性系统的多输入多输
出映射关系建模。

神经网络在工程建设项目管理中的早期应用可 见于２０世纪９０年代后期。当时的应用主要有建筑 需求的预测：２０］、预算绩效‘２１］、现金流预测：２ ２｜、建 筑计划和管理ｏ¨等。近几年来，神经网络在工程建 设项目管理中的应用不断拓展和深化。Ｄｉｋｍｅｎ 等口８｜、Ｃｈｅｕｎｇ等，２４一开发了支持建筑工程项目招投 标决策的神经网络模型，Ｅｌｈａｇ等＿５：构建了用于桥 梁维护项目风险评估的神经网络模型和结合回归分 析的混合模型，Ｃｈｅｎｇ等。６：提出了一个综合遗传算 法以及模糊逻辑和神经网络优势的进化模糊神经参 考模型，用以支持工程建设项目的前期管理。 已有的神经网络在工程建设项目管理中的应用 主要集中在单项的项目管理，在综合性的项目管理 绩效评价中的应用非常少见。Ｌｉｎｇ等盈７３构建的由 ６５个影响因素为输入，分别以成本、工期、质量、

由于工程建设项目的管理绩效涉及面广且难以

万方数据

第３期

基于人工神经网络的石油化工工程建设项目管理绩效评价

３１９

业主４类１１个绩效指标为输出的神经网络模型，是 一个不多见的综合性项目管理绩效评价模型。该模 型用于预测新加坡ＤＢ管理模式下的项目绩效，能 够相当精确地预估项目的绩效指标。闰文周等ｕ钉综 合考虑项目的工期、质量、费用和安全四大控制指 标所建立的神经网络模型，也是一个不多见的综合 性工程项目管理绩效评价模型。

含有单个隐层的ＢＰ神经网络可以任意逼近含 有多个隐层的ＢＰ神经网络，因此笔者选用由输入 层、隐层和输出层构成的３层ＢＰ神经网络。输入 和输出层的神经元数目及其角色与具体的研究对象 有关。基于项目建设过程的实践，笔者所在的石油 化工工程建设项目管理研究课题组提出了项目组织、 项目策划、沟通协调、进度管理、费用管理、质量 管理、ＨＳＥ管理、技术管理、合同管理和风险管理 １０个影响项目管理绩效的参数，从全面评价的角度 提出了质量水平、造价、建设工期、ＨＳＥ、技术水 平和效益水平６个项目管理绩效评价指标。这些参 数和指标构成“因一果”关系，并已采集到有效的样本 数据。因此，这１０个参数和６个指标可分别设为神 经网络的输入变量和输出变量。 根据以上思路，构建了面向石油化工工程建设 项目管理绩效评价的ＢＰ神经网络模型，如图１所 示。该模型设１０个输入变量和６个输出变量，分别 用ｚｉ和Ｙ，表示（ｉ＝１，２，…１０；．ｊ＝１，２，…６）。

３石油化工工程建设项目管理绩效的神经网 络建模与数据采集
３．１神经网络建模

神经网络建模包括网络类型的选择、网络结构 的设计、网络各层神经元数目及其角色的设计。不 同类型的神经网络具有不同的特点和适用性，笔者 以目前应用较为普遍的３层ＢＰ神经网络作为基准网 络，以基于遗传算法的ＢＰ神经网络、径向基函数神 经网络和广义回归神经网络作为参选网络，通过这 ４类网络测试误差的比较确定最佳的神经网络类型。
Ｑｕａｌｉｔｙ
儿 ＣＯＳｔ 咒 Ｔｉｍｅ 乃

ＨＳＥ
ｙ４

Ｔｅｃｈｎｏｌｏｇｙ
ｙｓ

Ｐｒｏｆｉｔ ｙ６

呲岍

眦岍
呲岍
ｘ２ ｘ３ ｘ‘ｘ，ｘ６ ｘ１ ｘｓ ｘｑ ＸｌＯ

ｓｃｈｅｍｅ

ｃｏｍｍ四‘－ ｃａｔ］ｏｎ＆
ＣＯＯｒｄｉｎａｔｉｏｎ

ｓｃｈｅｄｕｌｅ
ｍａｎａｇｅ

ｃｏｓｔ
ｍａｎａ２ｅ

Ｑｕａｌｉｔｙ
ｍａｎａｇｅ

ＨＳＥ ｍａｎａｇｅ

Ｔｅｃｈｎｏｌｏｇｙ ｍａｎａｇｅ

ｃｏｎｔｒａｃｔ ｍａｎａｇｅ

Ｒｉｓｋ ｍａｎａｇｅ

图ｌ面向石油化工工程建设项目管理绩效评价的ＢＰ神经网络模型
Ｆｉｇ．１ ＢＰ－ＮＮ ｍｏｄｅｌ ｏｆ

ｐｒｏｊｅｃｔ ｍａｎａｇｅｍｅｎｔ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｆｏｒ ｐｅｔｒｏｃｈｅｍｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ ｃｏｎｓｔｒｕｃｔｉｏｎ

面向石油化工工程建设项目管理绩效评价的 ＢＰ神经网络模型中，隐层的神经元个数是决定神 经网络模型精度的影响因素之一，笔者将讨论隐层 神经元个数的设定。 ３．２数据采集与检验 笔者采用问卷调查数据作为数据源，考察项目管 理要素与项目绩效的“因一果”关系，用判断抽样和配 额抽样相结合的方法抽取样本，于２００９年５月下旬 至７月中旬在中国石油化工集团公司内部选取３２家 单位５２个重大或大型石油化工工程建设项目所参与

的业主、管理商、承包商、监理等专家回答问卷。实 际共回收样本３２４份。在剔除异常样本后，实际获得 有效样本２８７份，涉及５０个项目占总问卷数的８８．６％。 将样本数据中的１０个管理要素作为输入、６个 绩效指标作为输出，用于神经网络模型的训练和测 试。１０个输入变量的样本数据各由３个测量变量数 据构成，因此还需要对这些变量的样本数据按其负 荷系数作加权归总处理。３０个测量变量和６个输出 变量都取１～７之间的定距尺度，值越大表示水平或 绩效越好，反之亦然。

万方数据

３２０

石油学报（石油加工）

第２６卷

样本数据的检验由信度和效度２个指标考察。 信度即可靠性，是指采用同一方法对同一对象进行 调查时，调查结果的稳定性和内部一致性。笔者以 常用的Ｃｒｏｎｂａｃｈ’Ｓ口法来检验由测量变量构成的输
Ｔａｂｌｅ １ Ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ
ｔｅｓｔ

入，结果列于表１。口用来衡量１组测量变量的线性 组合在多大程度上能够表示被测变量，它的值在 Ｏ～１之间，通常ａ＞Ｏ．７即可信。由表１可知，各输 入变量的口均大于０．７，因此可信。

表１用于ＢＰ神经网络模型的输入变量和输出变量的Ｃｒｏｎｂａｃｈ’ｓ口法信度检验
ｏｆ ｉｎｐｕｔ ａｎｄ ｏｕｔｐｕｔ ｖａｒｉａｂｌｅｓ ｆｏｒ ＢＰ－ＮＮ ｍｏｄｅｌ ｂｙ Ｃｒｏｎｂａｅｈ。ｓ口

效度（Ｖａｌｉｄｉｔｙ）是指测量工具或手段能够准确测 出客观事物的程度。效度又分为内部效度和外部效 度，内部效度可以理解为研究者的判断可以取得共 识并成为知识的程度，外部效度描述研究者已证实 的假设可供推广的程度。内部效度可以用验证性因 子分析来检验，当所有测量变量对于被测变量的负 荷系数Ａ＞ｏ．５时，内部效度理想。本研究的３０个 测量变量的Ａ都大于０．７６，因此可以认为外部效度 有效。

７２个测试样本。 隐层神经元个数的设置没有专门的方法，一般 通过对比不同神经元个数情况下的训练及测试效果 后得出。为进行确定隐层神经元个数，训练与测试 的参数取ＭＡＴＬＡＢ ７．６．０的默认值。 在１５～４０个神经元个数区间内，以５个神经元 为间隔，通过试差法对比隐层不同神经元个数下的 训练及测试效果，得到如表２所示的结果。表２中 均方误差（Ｍｅａｎ 绝对误差（Ｍｅａｎ
ｓｑｕａｒｅ

ｅｒｒｏｒ）为各测试样本实际输 ｅｒｒｏｒ）为各测试样本实际

４石油化工工程建设项目管理绩效的神经网 络模型的函数选择与隐层神经元个数设定
神经元的传递函数、神经网络的训练函数、权 值和阈值等参数是神经网络模型的重要构成。笔者 使用ＭＡＴＬＡＢ ７．６．０的神经网络工具箱进行网络 的设计，选择传递函数时以常用者为准则。选择 Ｓｉｇｍｏｉｄ型函数Ｔｒａｎｓｉｇ（）为隐层神经元的传递函 数、线性函数Ｐｕｒｅｌｉｎ（）为输出层神经元的传递函 数。选择基于数值优化理论的Ｔｒａｉｎｌｍ（）函数训练 ＢＰ神经网络。Ｔｒａｉｎｌｍ（）函数与传统的梯度下降法 相比，具有收敛速率快和精度高等特点。权值和阈 值的初始化采用Ｎｅｗｆｆ（）函数自动完成。 Ｓｉｇｍｏｉｄ型函数输出Ｏ～１之间的连续值，对较 大值的输入收敛速率慢，易陷入局部极值。因此样 本数据需要归一化处理。由式（１）所示的线性函数对 １０个输入与６个输出的样本数据进行归一化处理。 实际应用时的输出再由式（２）进行逆变换，得到原来 阈值的数值。
（１） （２）

出与期望输出偏差平方和的平均值取平方根，平均
ａｂｓｏｌｕｔｅ

输出与期望输出偏差绝对值的平均值。平均绝对误 差更直观地反映了测试样本实际输出和期望输出之 间的偏差程度。
表２采用试差法对比隐层不同神经元个数下的
训练及测试结果
Ｔａｂｌｅ ２ Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｎｏｄｅ ｎｕｍｂｅｒ ｉｎ ｈｉｄｄｅｎ ｌａｙｅｒ ｂｙ ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ｔｒａｉｎｅｄ ａｎｄ ｔｅｓｔｅｄ ｄａｔａ
Ｎｏｄｅ ｎｕｍｂｅｒ ｉｎ Ｔｒａｉｎｉｎｇ Ｎｏ．

Ｍｅａｎ

ｓｑｕａｒｅ

Ｍｅａｎ ａｂｓｏｌｕｔｅ
ｅｒｒｏｒ

ｈｉｄｄｅｎ
１５ ２０ ２５ ３０ ３５ ４０

Ｉａｙｅｒ

ｅｒｒｏｒ

０．０５３３ ０．０４８１ Ｏ．０５１０ ０．０５０７ ０．０５８０ ０．０７１５

０．１６６０ ０．１５６０ ０．１６２４ Ｏ．１７４４ ０．１８４０ ０．１９７４

表２表明，隐层神经元个数为２０时，测试样本 实际输出和期望输出之间可以达到最好的均方误差 ０．０４８和误差精度０．１５６。因此，图１模型的隐层神 经元的个数设置为２０。

ｙ＝（ｚ—ｚ。。）／（上一一ｚ。。）
ｙ—Ｘｏｕ。。。。×（ｚ。。。一ｚ一）＋ｚ。ｉｌｌ

５用于石油化工工程建设项目管理绩效评价 的神经网络的训练与测试
５．１

式（１）和式（２）中的ｚ。。＝７、ｚ。ｉ。＝１，ＸｏＩｌ。州为 神经网络模型的输出值。 按交叉验证（Ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ）的思想，将 ２８７个样本以３；１的比例划分为２１５个训练样本和

ＢＰ神经网络的训练与测试 神经网络的训练首先要设定最大训练次数、目

标精度（均方误差）、学习率等参数。图１模型在不

万方数据

第３期

基于人工神经网络的石油化工工程建没项目管理绩效评价

３２ｌ

设置训练次数的情况下，最优训练精度在训练 ５００次左右即稳定于０．００７６。但此时的测试样本平 均绝对误差达到了０．９７１１，出现了训练样本过度学 习的过拟合现象。为防止过拟合现象的出现，目标 精度应低于最优值的水平，对训练次数不作限定。 基于样本数据的测量误差水平，并经过试差法实验 将训练目标精度设为０．０２。学习率是神经网络案例 学习的速率。如果学习率过大，就会造成学习过程 不稳定。同样，通过试差法将学习率设定为０．０１。 在以上训练参数下，采用Ｔｒａｉｎｌｍ（）函数训练 用于石油化工工程建设项目管理绩效评价的ＢＰ神 经网络。经过２１５个训练样本的训练，７２个测试样 本的测试，得到各测试样本实际输出与期望输出之 间的均方误差为０．０２５８，平均绝对误差为０．１２２３。 均方误差曲线如图２所示。

５００代时，种群的适应度趋于稳定。适应度函数是 度量群体中个体在优化计算过程中可能达到或接近 最优解的优良程度。用此时的神经网络权值进行样 本的训练与测试接近最优状态。 基于遗传算法的ＢＰ神经网络（简称基于ＧＡ的 ＢＰ神经网络）训练参数的设置仍采纳５．１节中所述 的数值，将训练样本目标精度设为０．０５，并同样对 ２１５个训练样本进行训练，将训练后的神经网络用 于７２个测试样本的测试。得到测试样本的均方误差 为０．０２１３，平均绝对误差为０．１１３２，表明基于遗传 算法的ＢＰ神经网络较单纯的ＢＰ神经网络在测试 样本误差精度上有所提高。 ５．３径向基函数与广义回归神经网络的训练测试 ＢＰ神经网络和基于遗传算法的ＢＰ神经网络所 能达到的测试样本平均绝对误差仍显稍大。因此考 虑利用函数逼近能力、学习速率和泛化能力等均优 于ＢＰ神经网络的径向基函数（Ｒａｄｉａｌ 神经网络（Ｇｅｎｅｒａｌｉｚｅｄ
ｂａｓｉｓ

ｆｕｎｃｔｉｏｎ）神经网络（ＲＢＦ—ＮＮ），及其变种广义回归
ｒｅｇｒｅｓｓｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，

ＧＲ—ＮＮ）对石油化工工程建设项目管理绩效评价的 ．】ｏｅ警Ｔ１口∞ｃ碍Ｑｌ，、Ｉ 输入输出映射关系进行建模。 ＲＢＦ神经网络采用径向基函数神经元，其传递 函数为高斯函数（Ｒａｄｂａｓ），神经元Ｒａｄｂａｓ的输人 为输入向量和权值向量的距离乘以阈值。经过多次
７Ｅｐｏｃｈｓ

试差法比较，将训练目标精度设置为０．０２，散布常 数设置为０．２５的情况下，得到测试样本的均方误差 为０．０１８２，平均绝对误差为０．０９９７。 广义回归神经网络具有１个径向基隐层和１个特 殊的线性层，同时，不需要进行参数的设置，得到测 试样本的均方误差为０．０１９９，平均绝对误差为０．１１２８。
５．４

图２用于石油化工工程建设项目管理绩效评价的
ＢＰ神经网络测试误差曲线
Ｆｉｇ，２ Ｔｈｅ
ｔｅｓｔ

ａ删ｃｍ＾ｌｅ ｏｆ

ｐｅｒｒｏｒｍｎｃｅ

ｅｖａｌｕａｔｉｏｎ ｏｆ

ｐｅｔｒｏｃｈｅｍｉｃａｌ蜘岫ｒｉＩｌｇ

ＢＰ－ＮＮ ｆｏｒ

ｐｒｏｊｅｃｔ ｍａｎａｇｅｍｅｎｔ
ｃｏｎｓｔｒｕｃｔｉｏｎ

（１）Ｔｒａｉｎｌ（２）Ｇｏａｌ

４类神经网络训练与测试结果的比较 表３为上述４类神经网络模型经过训练后的测

５．２基于遗传算法的ＢＰ神经网络初始权值设置 神经网络的初始权值在很大程度上决定了训练 结果，不同的初始权值设置会对神经网络的训练时 间、收敛性和泛化能力产生影响。现阶段，对如何 有效地确定网络的初始权值尚无成熟的理论指导， 往往只能通过随机选取或者大量实验来确定，这就 可能导致网络的训练时间过长，容易陷入局部极值。 遗传算法具有全局搜索能力强、收敛速率快的优点， 利用遗传算法优化神经网络的初始权值，可以得到 较好的均衡效果。 随机生成网络的权值后，程序调用遗传算法对 神经网络的权值进行优化计算。当遗传算法迭代
表３

试误差。
４类神经网络训练与测试的均方误差和平均绝对误差 Ｍｅａｎ ｓｑｕａｒｅ
ｅｒｒｏｒ

Ｔａｂｌｅ ３

ａｎｄ ｍｅａｎ ａｂｓｏｌｕｔｅ

ｅｒｒｏｒ ｏｆ

ｆｏｕｒ ｋｉｎｄｓ ｏｆ ＡＮＮ

由表３可知，就笔者所取学习案例的情况下， 石油化工工程建设项目管理绩效评价的４类神经网 络模型中，基于遗传算法的ＢＰ神经网络优于一般

万方数据

３２２

石油学报（石油加工）

第２６卷

的神经网络，这２类神经网络的稳定性差，表现为 多次训练测试得到的测试样本误差值波动较大；广 义回归神经网络的测试结果优于ＢＰ神经网络，径 向基函数神经网络的测试结果是最优的。

６．３５３２，６．３３９０，６．００００，６．６７０６，５．６７５８，６．３３１４］； ｉｎｐｕｔ＿ｇｙ＝［ｏ．８８５８，１．００００，０．８９０６，０．７８０４，０．８９２２， ０．８８９８，０．８３３３，０．９４５１，０．７７９３，０．８８８６３ 示例２：ｉｎｐｕｔ＝［６．３８０５，４。６８１７，５．００００，４．００００， ５．ｏＯｏｏ，４．６６５９，５．ｏ０００，６．３３４０，４．３２３８，５．ｏｏｏｏ］； ｉｎｐｕｔ＿＿ｇｙ＝［ｏ．８９６８，０．６１３６，０．６６６７，０．５０００，０．６６６７， ０．６１１０，０．６６６７，０．８８９０，０．５５４０，０．６６６７］ （２）神经网络模型计算 通过ｏｕｔｐｕｔ＝ｓｉｍ（ｎｅｔ，ｉｎｐｕｔ—ｇＹ）函数的计 算，得到２个示例的管理绩效输出。 示例１：ｏｕｔｐｕｔ一［１．００２７，０．７５５７，０．７４８４， ０．８２４３，０．９９４１，０．８４６０］ 示例２：ｏｕｔｐｕｔ一［０．７５７１，０．６８０５，０．７７０９， ０．６３１６，０．７９５７，０．８６９１３ （３）输出数据的逆变换 采用式（２）对神经网络模型给出的计算结果进行 逆变换，得到２个示例１～７值区间的质量水平、造 价、建设工期、ＨＳＥ、技术水平和效益水平６个管 理绩效指标数据，结果列于表４。由表４的期望输 出和模型输出的比较可知，人工神经网络用于石油 化工工程建设项目管理绩效的评价是可行和有效的。
ｐｅｔｒｏｃｈｅｍｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ ｃｏｎｓｔｒｕｃｔｉｏｎ ｐｒｏｊｅｃｔ ｂｙ ＲＢＦｏＮＮ

６用于石油化工工程建设项目管理绩效评价 的神经网络模型应用示例
以中国石油化工集团公司的２个石油化工工程 建设项目的管理绩效评价结果为例，说明笔者所建 人工神经网络模型的应用有效性。应用已训练和测 试好的径向基函数神经网络模型，按以下步骤进行 数据处理计算。 （１）管理绩效影响参数的处理与输入 将待评价项目的管理绩效影响参数，用式（１）所 示线性函数进行归一化处理。各由３个测量变量组 合构成影响参数，按负荷系数加权归总，得到项目 组织、项目策划、沟通协调、进度管理、费用管理、 质量管理、ＨＳＥ管理、技术管理、合同管理和风险 管理１０个的参数值，进行归一化处理，并通过 Ｉｎｐｕｔ（）函数输入模型。 示例１：ｉｎｐｕｔ＝［６．３１４８，７．００００，６．３４３４，５．６８２２，
Ｔａｂｌｅ ４ Ｔｈｅ ｍａｎａｇｅｍｅｎｔ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ
ｔｗｏ

表４应用径向基函数神经网络模型（ＲＢＦ－ＮＮ）评价２个石油化工工程建设项目管理绩效的结果

７

结

论

ｅｎｇｉｎｅｅｒｉｎｇ Ｓｉｎｏｐｅｃ

ｐｒｏｊｅｃｔ ｆｏｒ Ｓｉｎｏ—ｐｅｔｒｏｃｈｅｍｉｃａｌ ｉｎｄｕｓｔｒｙ［Ｊ，］．

Ｍｏｎｔｈｌｙ，２００７，（７）：４５—４９．）
Ｄ Ｊ．Ｍｏｄｅｌｉｎｇ

在既定学习案例的前提下，通过ＢＰ神经网络、 基于遗传算法的ＢＰ神经网络、径向基函数神经网 络和广义回归神经网络４类网络的测试误差比较， 确定选用精度最优的径向基函数神经网络模型求解 石油化工工程建设项目管理绩效评价问题。应用示 例表明，应用神经网络构建石油化工工程建设项目 管理绩效评价模型是可行和有效的。相比于专家经 验、层次分析法等权重设定方法、解释多个自变量 与多个因变量之间的关系的结构方程建模方法，基 于案例学习的人工神经网络具有显著的优势。
参考 文献

［２］ＢＲＹＤＥ

ｐｒｏｊｅｃｔ ｍａｎａｇｅｍｅｎｔ ｐｅｒｆｏｒｍａｎｃｅ
ｏｆ

［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ

Ｑｕａｌｉｔｙ＆Ｒｅｌｉａｂｉｌｉｔｙ

Ｍａｎａｇｅｍｅｎｔ，２００３，２０（２）：２２９—２５４．

［３］ＡＴＫＩＮＳＯＮ Ｒ．Ｐｒｏｊｅｃｔ
ｑｕａｌｉｔｙ，ｔＷＯ ｂｅｓｔ
ａｃｃｅｐｔ ｇｕｅｓｓｅｓ

ｍａｎａｇｅｍｅｎｔ：Ｃｏｓｔ，ｔｉｍｅ ａｎｄ
ａ

ａｎｄ
ｔｏ

ｐｈｅｎｏｍｅｎｏｎ，ｉｔｓ ｔｉｍｅ

ｏｔｈｅｒ

Ｓｕｃｃｅｓｓ

ｃｒｉｔｅｒｉａ［Ｊ，］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ

ｏｆ

Ｐｒｏｊｅｃｔ Ｍａｎａｇｅｍｅｎｔ，１９９９，１７（２）：３３７—３４２．

［４］ＳＨＥＮＨＡＲ

Ａ

Ｊ，ＤＶＩＲ Ｄ，ＬＥＶＩ Ｏ，ｅｔ ａ１．Ｐｒｏｊｅｃｔ

ｓｕｃｃｅｓｓ：Ａ ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ ｓｔｒａｔｅｇｉｃ Ｒａｎｇｅ Ｐｌａｎｎｉｎｇ，２００１，３４：６９９—７２５．

ｃｏｎｃｅｐｔ［Ｊ］．Ｌｏｎｇ－

［５］ＣＨＡＮ

Ａ Ｐ ｆｏｒ

Ｃ，ＣＨＡＮ ｍｅａｓｕｒｉｎｇ

Ａ

Ｐ

Ｌ．Ｋｅｙ

ｐｅｒｆｏｒｍａｎｃｅ

ｉｎｄｉｃａｔｏｒｓ

ｃｏｎｓｔｒｕｃｔｉｏｎ

ｓｕｃｃｅｓｓ［Ｊ］．

［１］王基铭．中国石化石油化工重大工程项目管理模式的创 新［Ｊ］．中国石化，２００７，（７）：４５—４９．（ＷＡＮＧ Ｊｉｍｉｎｇ．
Ｍａｎａｇｅｍｅｎｔ ｍｏｄｅ
ｉｎｎｏｖａｔｉｏｎ ｉｎ

Ｂｅｎｅｈｍａｒｋｉｎｇ：Ａｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ ２０３—２２１．

Ｊｏｕｒｎａｌ，２００４，１ １（２）：

ｍａｊｏｒ

ｐｅｔｒｏｃｈｅｍｉｃａｌ

［６］Ｙｕ

Ａ Ｇ，ＦＬＥＴＴ

Ｐ

Ｄ，ＢＯＷＥＲＳ Ｊ

Ａ．Ｄｅｖｅｌｏｐｉｎｇ

ａ

万方数据

第３期

基于人工神经网络的石油化工工程建设项目管理绩效评价
ｐｒｏｊｅｃｔ ｓｕｃｃｅｓｓ［Ｊ］．

３２３

ｖａｌｕｅ－ｃｅｎｔｅｒｅｄ ｐｒｏｐｏｓａｌ ｆｏｒ ａｓｓｅｓｓｉｎｇ Ｉｎｔｅｒｎａｔｉｏｎａｌ ４２８—４３６．

［１７］ＣＨＯＩ

Ｋ Ｓ，ＢＡＥ ｂｙ

Ｄ

Ｈ．Ｄｙｎａｍｉｃ

ｐｒｏｊｅｃｔ ｐｅｒｆｏｒｍａｎｃｅ
ｍｏｄｅｌｓ ｗｉｔｈ

Ｊｏｕｒｎａｌ ｏｆ Ｐｒｏｉｅｃｔ Ｍａｎａｇｅｍｅｎｔ，２００５，２３：

ｅｓｔｉｍａｔｉｏｎ ｓｙｓｔｅｍ

ｃｏｍｂｉｎｉｎｇ

ｓｔａｔｉｃ ｅｓｔｉｍａｔｉｏｎ Ｉｎｆｏｒｍａｔｉｏｎ

ｄｙｎａｍｉｃｓ［Ｊ］．

ａｎｄ

Ｓｏｆｔｗａｒｅ

［７］ＬＩＰＫＥ Ｗ，ＺＷＩＫＡＥＬ
Ｐｒｅｄｉｃｔｉｏｎ ｓｔａｔｉｓｔｉｃａｌ ｅａｒｎｅｄ ｏｆ

Ｏ，ＨＥＮＤＥＲＳＯＮ ｏｕｔｃｏｍｅ：Ｔｈｅ ｅａｒｎｅｄ ｖａｌｕｅ

Ｋ，ｅｔ ａ１． ｏｆ ａｎｄ

Ｔｅｃｈｎｏｌｏｇｙ，２００９，５１（１）：１６２—１ ７２．

ｐｒｏｊｅｃｔ
ｔｏ

ａｐｐｌｉｃａｔｉｏｎ

［１８］ＤＩＫＭＥＮ Ｉ，ＢＩＲＧＯＮＵＬ Ｍ Ｔ．Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ
ｔｏ ｓｕｐｐｏｒｔ

ｍｅｔｈｏｄｓ

ｍａｎａｇｅｍｅｎｔ

ｉｎｔｅｒｎａｔｉｏｎａｌ

ｍａｒｋｅｔ

ｅｎｔｒｙ

ｄｅｃｉｓｉｏｎｓ［Ｊ］．
Ｍａｎａｇｅｍｅｎｔ，

ｓｃｈｅｄｕｌｅ

ｐｅｒｆｏｒｍａｎｃｅ

ｉｎｄｅｘｅｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ

Ｊｏｕｒｎａｌ ｏｆ

Ｃｏｎｓｔｒｕｃｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ

Ｊｏｕｒｎａｌ ｏｆ Ｐｒｏｊｅｃｔ Ｍａｎａｇｅｍｅｎｔ，２００９，，２７（４）：４００—４０７．

ＡＳＣＥ，２００４，１３０（１）：５９－６６．

［８］ＤＷＥＩＲＩ
ｍａｋｉｎｇ ｉｎｔｅｒｎａｌ

Ｆ Ｔ，ＫＡＢＬＡＮ ｔｈｅ ｅｖａｌｕａｔｉｏｎ

Ｍ Ｍ．Ｕｓｉｎｇ ｆｕｚｚｙ ｄｅｃｉｓｉｏｎ
ｏｆ ｔｈｅ

［１９］闫文周，徐静，吁元铭．神经网络在工程项目管理绩效 评价中的应用研究ＥＪ］．西安建筑科技大学学报，２００５，
３７（４）：５５７—５６０．（ＹＡＮ

ｆｏｒ

ｐｒｏｊｅｃｔ ｍａｎａｇｅｍｅｎｔ

ｅｆｆｉｃｉｅｎｃｙ［Ｊ］．Ｄｅｃｉｓｉｏｎ

Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍｓ，２００６，

Ｗｅｎｚｈｏｕ，ＸＵ

Ｊｉｎｇ，ＹＵ
ｔｈｅ ｕｔｉｌｉｔｙ ｏｆ Ｘｉ’ａｎ

４２：７１２－７２６．

Ｙｕａｎｍｉｎｇ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎ

［９１３

ＣＨＡＮ Ａ Ｐ Ｃ．ＨＯ Ｄ Ｃ ｂｕｉｌｄ

Ｋ，ＴＡＭ Ｃ Ｍ．Ｄｅｓｉｇｎ ａｎｄ

ａｓｓｅｓｓｍｅｎｔ ｆｏｒ ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ ５５７－５６０．）

ｐｒｏｊｅｃｔ［Ｊ］．Ｊｏｕｒｎａｌ

ｐｒｏｊｅｃｔ

Ｓｕｃｃｅｓｓ

ｆａｃｔｏｒｓ：Ｍｕｌｔｉｖａｒｉａｔｅ ａｎａｌｙｓｉｓ［Ｊ］．

Ａｒｃｈｉｔｅｃｔｕｒｅ＆Ｔｅｃｈｎｏｌｏｇｙ，２００５，３７（４）：

Ｊｏｕｒｎａｌ ｏｆ Ｃｏｎｓｔｒｕｃｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，
ＡＳＣＥ，２００１，１２７（２）：９３－１００．

［２０３ ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］．

ＨＵＡ Ｂ Ｇ．Ｒｅｓｉｄｅｎｔｉａｌ ｃｏｎｓｔｒｕｃｔｉｏｎ ｕｓｉｎｇ ｅｃｏｎｏｍｉｃ ｉｎｄｉｃａｔｏｒｓ：Ａ ｎｅｔｗｏｒｋｓ

ｄｅｍａｎｄ ｆｏｒｅｃａｓｔｉｎｇ ｓｔｕｄｙ ｏｆ

［１０３

ＫＵＰＲＥＮＡＳ ａｃｔｉｏｎｓ
ｔｏ

Ｊ Ａ．Ｍｅｍｂｅｒ ＡＳＣＥ ｐｒｏｊｅｃｔ ｍａｎａｇｅｍｅｎｔ
ｐｈａｓｅ
ｃｏｓｔ

ｃｏｍｐａｒａｔｉｖｅ

ｉｍｐｒｏｖｅ ｄｅｓｉｇｎ

ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ Ｃｏｎｓｔｒｕｃｔｉｏｎ １４（１）：２５－３４．

ａｎｄ ｍｕｌｔｉｐｌｅ ａｎｄ

ｒｅｇｒｅｓｓｉｏｎ［Ｊ］．
１９９６，

Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ ｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ，２００３，１９（１）：
２５－３２．

Ｍａｎａｇｅｍｅｎｔ

Ｅｃｏｎｏｍｉｃｓ，

［１１３ ＫＩＭ

Ｄ Ｙ，ＨＡＮ

Ｓ

Ｈ，ＫＩＭ Ｈ，ｅｔ ａ１．Ｓｔｒｕｃｔｕｒｉｎｇ ｔｈｅ ｐｒｏｊｅｅｔ ｐｅｒｆｏｒｍａｎｃｅ ｆｏｒ ｉｎｔｅｒｎａｔｉｏｎａｌ

［２１］ＣＨＵＡ

Ｄ Ｋ Ｈ，ＬＯＨ

Ｐ Ｋ，ＫＯＧ

Ｙ Ｃ，ｅｔ ａ１．Ｎｅｕｒａｌ

ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｏｆ ｃｏｎｓｔｒｕｃｔｉｏｎ

ｎｅｔｗｏｒｋｓ Ｓｙｓｔｅｍｓ

ｆｏｒ ｃｏｎｓｔｒｕｃｔｉｏｎ

ｐｒｏｊｅｃｔ ｓｕｃｃｅｓｓ［Ｊ］．Ｅｘｐｅｒｔ

ｐｒｏｊｅｃｔｓ：Ａ ｃｏｍｐａｒａｔｉｖｅ ａｎａｌｙｓｉｓ［Ｊ］．Ｅｘｐｅｒｔ Ｗ Ｍ Ｄｅｖｅｌｏｐｉｎｇ
ｔｉｍｅ

Ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，１９９７，１３（４）：３１７－３２８．

Ｓｙｓｔｅｍｓ Ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００９，３６：１ ９６ １—１ ９７１．

［２２］ＢＯＵＳＳＡＢＡＩＮＥ Ａ Ｈ，ＫＡＫＡ Ａ Ｐ．Ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ
ａｐｐｒｏａｃｈ ｆｏｒ
ＣＯＳｔ

［１２］ＣＨＡＮ
ｍｏｄｅｌ

Ａ Ｐ Ｃ，ＣＨＡＮ Ｄ ｆｏｒ

ａ

ｂｅｎｃｈｍａｒｋ Ｈｏｎｇ

ｆｌｏｗ

ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．Ｃｏｎｓｔｒｕｃｔｉｏｎ

ｐｍｊｅｃｔ

ｃｏｎｓｔｒｕｃｔｉｏｎ

ｐｅｒｆｏｒｍａｎｃｅ ｉｎ

Ｍａｎａｇｅｍｅｎｔ

ａｎｄ Ｅｃｏｎｏｍｉｃｓ，１９９８，１６（４）：４７１—４７９．

ＫｏｎｇＤ］．Ｂｕｉｌｄｉｎｇ ［１３］ＬＵＵ
Ｖ

ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ，２００４，３９：３３９－３４９．

［２３］ＫＡＲＩＭ

Ａ，ＡＤＥＬＩ

Ｈ．ＣＯＮＳＣＯＭ：Ａｎ ００ ｃｏｎｓｔｒｕｃｔｉｏｎ

Ｔ，ＫＩＭ Ｓ Ｙ，ＨＵＹＮＨ Ｔ Ａ．Ｉｍｐｒｏｖｉｎｇ ｐｒｏｊｅｃｔ
ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｌａｒｇｅ
ｃｏｎｔｒａｃｔｏｒｓ

ｓｃｈｅｄｕｌｉｎｇ ａｎｄ ｃｈａｎｇｅ ｍａｎａｇｅｍｅｎｔ Ｃｏｎｓｔｒｕｃｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ ３６８－３７６．

ｓｙｓｔｅｍ［Ｊ］．Ｊｏｕｒｎａｌ

ｏｆ

ｍａｎａｇｅｍｅｎｔ ｂｅｎｃｈｍａｒｋｉｎｇ

ｕｓｉｎｇ ｏｆ

Ｍａｎａｇｅｍｅｎｔ，１９９９，１２５（５）：

ａｐｐｒｏａｃｈ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ

Ｐｒｏｊｅｃｔ Ｍａｎａｇｅｍｅｎｔ，２００７，２６（７）：７５８—７６９．

［２４３
ｂａｌａｎｃｅｄ ａｎｄ

ＣＨＥＵＮＧ Ｐｒｅｄｉｃｔｉｎｇ

Ｓ

Ｏ。ＷＯＮＧ Ｐ Ｓ Ｐ，ＦＵＮＧ Ａ Ｓ Ｙ，ｅｔ ａ１．

［１４］ＭＩＬＩＳ Ｋ，ＭＥＲＣＫＥＮ
ｓｃｏｒｅｃａｒｄ ｆｏｒ ｔｈｅ

Ｒ．Ｔｈｅ

ｕｓｅ

ｏｆ

ｔｈｅ

ｐｒｏｊｅｃｔ ｐｅｒｆｏｒｍａｎｃｅ ｔｈｒｏｕｇｈ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ
ｏｆ

ｅｖａｌｕａｔｉｏｎ

ｏｆ

ｉｎｆｏｒｍａｔｉｏｎ

［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ
２００６，２４：２０７—２１５．

Ｐｒｏｊｅｃｔ

Ｍａｎａｇｅｍｅｎｔ，

ｃｏｍｍｕｎｉｃａｔｉｏｎ

ｔｅｅｈｎｏｌｏｇｙ

ｐｒｏｊｅｃｔｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ ［２５３

Ｊｏｕｒｎａｌ ｏｆ Ｐｒｏｊｅｃｔ Ｍａｎａｇｅｍｅｎｔ，２００４，２２：８７－９７，

ＥＬＨＡＧ Ｔ ｂｒｉｄｇｅ

Ｍ Ｓ，ＷＡＮＧ Ｙ Ｍ．Ｒｉｓｋ ａｓｓｅｓｓｍｅｎｔ ｐｒｏｊｅｃｔｓ：Ｎｅｕｒａｌ
ｎｅｔｗｏｒｋｓ

ｆｏｒ

［１５３李蕾，陈瑜．基于ＤＥＡ方法的建设项目集成化管理绩 效评价［Ｊ］．武汉理工大学学报，２００５，２７（５）：８０—８２．
（ＬＩ Ｌｅｉ，ＣＨＥＮ Ｙｕ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＤＥＡ ｉｎ ｃｏｎｓｔｒｕｃｔｉｏｎ

ｍａｉｎｔｅｎａｎｃｅ

ｖｅｒｓｕｓ

ｒｅｇｒｅｓｓｉｏｎ

ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ｊｏｕｒｎａｌ

ｏｆ Ｃｏｍｐｕｔｉｎｇ ｉｎ Ｃｉｖｉｌ

Ｅｎｇｉｎｅｅｒｉｎｇ，２００７，２１（６）：４０２—４０９．

ｐｒｏｊｅｃｔ ｉｎｔｅｇｒａｔｅｄ ｍａｎａｇｅｍｅｎｔ

ｐｅｒｆｏｒｍａｎｃｅ

ｅｖａｌｕａｔｉｏｎ

［２６３

ｃＨＥＮＧ

Ｍ Ｙ，ＴＳＡＩ Ｈ Ｃ，ＨＳＩＥＨ Ｗ Ｓ．Ｗｅｂ－ｂａｓｅｄ
ｃｏｓｔ

［Ｊ］．Ｊｏｕｒｎａｌ ［１６３

ｏｆ

Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，２００５，

ｃｏｎｃｅｐｔｕａｌ

ｅｓｔｉｍａｔｅｓ ｆｏｒ ｃｏｎｓｔｒｕｃｔｉｏｎ ｎｅｕｒａｌ ｉｎｆｅｒｅｎｃｅ

ｐｒｏｊｅｃｔｓ ｕｓｉｎｇ

２７（５）：８０－８２．） ＲＯＤＲＩＧＵＥＳ Ａ ｉｎ

ｅｖｏｌｕｔｉｏｎａｒｙ

ｆｕｚｚｙ

ｍｏｄｅｌ［Ｊ］．

Ｇ，ＷＩＬＬＩＡＭＳ Ｔ Ｍ．Ｓｙｓｔｅｍ ｄｙｎａｍｉｃｓ

Ａｕｔｏｍａｔｉｏｎ ｉｎ Ｃｏｎｓｔｒｕｃｔｉｏｎ，２００９，１８（２）：１６４—１７２．

ｐｒｏｊｅｃｔ ｍａｎａｇｅｍｅｎｔ：Ａｓｓｅｓｓｉｎｇ ｔｈｅ ｉｍｐａｃｔｓ ｏｆ ｃｌｉｅｎｔ
ｏｎ

［２７３

ＬＩＮＧ Ｆ Ｙ Ｙ，ＬＩＵ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ

Ｍ．Ｕｓｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｏｊｅｃｔｓ
ｉｎ

ｔｏ

ｐｒｅｄｉｃｔ

ｂｅｈａｖｉｏｒ

ｐｒｏｊｅｃｔ ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］．Ｔｈｅ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ

ｄｅｓｉｇｎ－ｂｕｉｌｄ

Ｓｉｎｇａｐｏｒｅ［Ｊ］．

Ｏｐｅｒａｔｉｏｎａｌ Ｒｅｓｅａｒｃｈ Ｓｏｃｉｅｔｙ，１９９８，４９（１）：２—１５．

Ｂｕｉｌｄｉｎｇ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ，２００４，３９：１２６３—１２７４．

作者简介：

韩志国，男，高级工程师，博士研究生，从事石油化工工程管理；
王基铭，男，中国工程院院士，从事炼油、石油化工及工程管理；

陈智高，男，教授，从事信息系统、知识管理、知识系统工程、科技管理。

万方数据

基于人工神经网络的石油化工工程建设项目管理绩效评价
作者： 作者单位： 刊名： 英文刊名： 年，卷(期)： 被引用次数： 韩志国， 王基铭， 陈智高， HAN Zhiguo， WANG Jiming， CHEN Zhigao 韩志国,陈智高,HAN Zhiguo,CHEN Zhigao(华东理工大学,上海,200237)， 王基铭,WANG Jiming(华东理工大学,上海,200237;中国石油化工集团公司,北京,100728) 石油学报（石油加工） ACTA PETROLEI SINICA(PETROLEUM PROCESSING SECTION) 2010，26(3) 0次

参考文献(27条) 1.王基铭 中国石化石油化工重大工程项目管理模式的创新 2007(7) 2.BRYDE D J Modeling project management performance 2003(2) 3.ATKINSON R Project management:Cost,time and quality,two best guesses and a phenomenon,its time to accept other success criteria 1999(2) 4.SHENHAR A J.DVIR D.LEVI O Project success:A multidimensional strategic concept 2001 5.CHAN A P C.CHAN A P L Key performance indicators for measuring construction success 2004(2) 6.YU A G.FLETT P D.BOWERS J A Developing a value-centered proposal for assessing project success 2005 7.LIPKE W.ZWIKAEL O.HENDERSON K Prediction of project outcome;The application of statistical methods to earned value management and earned schedule performance indexes 2009(4) 8.DWEIRI F T.KABLAN M M Using fuzzy decision making for the evaluation of the project management internal efficiency 2006 9.CHAN A P C.HO D C K.TAM C M Design and build project success factors:Multivariate analysis 2001(2) 10.KUPRENAS J A Member ASCE project management actions to improve design phase cost performance 2003(1) 11.KIM D Y.HAN S H.KIM H Structuring the prediction model of project performance for international construction projects:A comparative analysis 2009 12.CHAN A P C.CHAN D W M Developing a benchmark model for project construction time performance in Hong Kong 2004 13.LUU V T.KIM S Y.HUYNH T A Improving project management performance of large contractors using benchmarking approach 2007(7) 14.MILIS K.MERCKEN R The use of the balanced scorecard for the evaluation of information and communication technology projects 2004 15.李蕾.陈瑜 基于DEA方法的建设项目集成化管理绩效评价 2005(5) 16.RODRIGUES A G.WILLIAMS T M System dynamics in project management:Assessing the impacts of client behavior on project performance 1998(1) 17.CHOI K S.BAE D H Dynamic project performance estimation by combining static estimation models with system dynamics 2009(1) 18.DIKMEN I.BIRGONUL M T Neural network model to support international market entry decisions 2004(1)

19.闫文周.徐静.吁元铭 神经网络在工程项日管理绩效评价中的应用研究 2005(4) 20.HUA B G Residential construction demand forecasting using economic indicators:A comparative study of artificial neural networks and multiple regression 1996(1) 21.CHUA D K H.LOH P K.KOG Y C Neural networks for construction project success 1997(4) 22.BOUSSABAINE A H.KAKA A P A neural networks approach for cost flow forecasting 1998(4) 23.KARIM A.ADELI H CONSCOM:An CO construction scheduling and change management system 1999(5) 24.CHEUNG S O.WONG P S P.FUNG A S Y Predicting project performance through neural networks 2006 25.ELHAG T M S.WANG Y M Risk assessment for bridge maintenance projects:Neural networks versus regression techniques 2007(6) 26.CHENG M Y.TSAI H C.HSIEH W S Web-based conceptual cost estimates for construction projects using evolutionary fuzzy neural inference model 2009(2) 27.LING F Y Y.LIU M Using neural network to predict performance of design-build projects in Singapore 2004

相似文献(3条) 1.期刊论文 肖谷芬.Xiao Gufen 浅谈如何在抢工期的同时保证施工质量 -科学之友2010,""(18)
在"时间就是生命,效率就是金钱"的观念深入人心的今天,在加快经济建设的大环境下,越来越多的石油化工工程建设项目成了"边设计、边采购、边 施工"的"三边工程","抢工期"成了不可避免的现实问题.但是,工程质量也始终是项目管理的重中之重.文章就如何正确的处理工期和质量的关系,在抢工 期的同时保证施工质量,结合笔者近几年的项目管理经验,浅谈一点粗浅的看法.

2.学位论文 那喜山 石油化工工程建设项目风险管理 2009
石油化工行业是我国的重要支柱产业，对我国社会和经济的发展具有十分重要的意义，石油化工生产装置大多具有易燃易爆、高温高压、强腐蚀剧 毒等特点。石油化工建设项目投资规模大、建设周期长、工艺复杂、涉及专业及风险因素多等特点，因此，建设阶段必须加强风险管理。 工程项目风险管理是工程项目管理与风险管理相结合的一门学科，是工程项目建设的重要组成部分，项目建设实施阶段的风险管理是保证项目顺利 建成并发挥社会效益和经济效益的重要保证。 石油化工工程建设项目风险控制，属于工程项目管理范畴。本文从工程建设项目投资者的角度，首先，在风险管理理论及工程项目建设风险管理研 究的基础上，结合石油化工建设项目特点，依据工作分解结构，对项目建设实施阶段的全过程进行分解；然后，利用专家调查法对影响项目建设的进度 、质量、投资、HSE四个方面的主要风险因素进行识别、分析，分阶段制定风险对策表；最后，结合吉林石化公司丙烯腈装置扩建项目工艺管道安装工程 质量控制，进行全过程的风险识别、分析，制定处应对措施，形成了管道安装工程质量控制风险对策表。 本文的分析过程和制定的风险对策表，对石油化工建设项目的风险识别、分析和应对工作，具有一定的参考意义。

3.学位论文 沙裕 石油化工工程总承包项目工厂设计系统(PDS)应用研究 2001
中石化上海金山工程公司是具有国家一级工程总承包资质的项目管理公司,正在积极推广应用工厂设计系统(PDS)于总承包项目.该文就中国石油化工 工程建设项目管理模式的发展历史、国外工程公司在项目管理中的PDS应用、信息技术为项目管理带来的竞争优势作了系统介绍,对上海金山工程公司的 项目管理和PDS应用存在的技术和管理问题作了归纳和分析.该文结合公司自身的特点,提出了企业在制度、技术、人力资源管理和项目管理实务等方面管 理创新的探索和思考.

本文链接： 授权使用：西安交通大学(xajtdx)，授权号：84a1b14f-d851-46e2-9395-9e4a00da7609 下载时间：2010年12月12日



  本文关键词：基于人工神经网络的石油化工工程建设项目管理绩效评价，由笔耕文化传播整理发布。