我国加入世贸以后,经济不断增长,建筑行业的竞争也愈演愈烈,与此同时每年国家也投入大量资金于基础设施建设。在我国工程建设的愈演愈烈的形势下,工程建设势必会面临高风险,这就迫切地需要利用工程保险来进行风险转移,为工程建设提供经济保障。在国外,工程建设项目都是需要强制保险的,外资企业在中国一般都会进行工程保险;而我国的建设单位参与工程保险的还比较少,这将不利于我国工程建设的健康发展。不仅如此,我国的工程保险理论和实务都相对滞后,特别是在工程保险费率厘定方面。由于对工程风险理论的研究不深,费率比较固定,不能真实反映具体工程的风险大小。工程建设项目不但规模大、周期长,还具有生产的单件性和复杂性等特点,因此,在实施过程中存在着很多不确定因素,比一般产品生产具有更大的风险。而且工程项目的风险错综复杂,即便是两个具有相同结构类型的项目也会由于自然环境和施工方案等因素的不同造成巨大的风险差异。因此,工程风险的特殊性在客观上决定了工程保险费率应根据具体项目的风险大小而定,做到真正的“看衣吃饭,量体裁衣”。目前,在我国的工程保险费率厘定中,一般采用固定费率表来确定保险费率。近年有人提出基于风险系数调整来厘定工程保险费率,主要是依赖专家经验,采用了层次分析法和模糊综合评价(FCE)。针对我国目前工程保险费率厘定一般采用固定费率表,缺乏风险分析,主观判断的现状,本文根据工程保险费率的厘定原理,提出基于神经网络——RBF网络的工程保险费率厘定方法,把人工神经网络、工程风险管理与保险理论相结合用于工程保险费率厘定,为保险公司工程保险费率厘定提供参考工具。本文首先讲述了研究的背景意义和工程保险及费率的国内外研究现状,以及文章的主要内容和路线。其次,学习了工程保险和风险的基本理论以及工程保险费率厘定的一般原理,了解了工程保险和风险的关系。在此基础上提出工程保险费率确定的方法:我们结合参照法和最大损失法,根据工程保险费率的确定原理可知,工程保险费率主要是由历史的损失率(即纯费率)决定的。倘若知道以往工程的损失率就可推算出未知工程的纯费率,因此,可以利用神经网络的预测功能来探讨如何厘定工程保险费率。然后,对工程保险的风险进行识别,建立工程保险风险的评价体系,对其指标进行分析,以获取风险值。第四,对神经网络——BP网络和RBF网络进行了简单的阐述,并分别建立了基于这两种神经网络的工程保险费率模型,采用收集到的样本数据对网络进行学习训练,从而得到稳定的训练结果。分析对比了这两种网络所构造的模型,得出RBF网络模型更适合用于厘定工程保险费率。最后,对实际案例进行了风险分析,得出了各项评价指标的风险值,输入基于RBF网络的工程保险费率模型,得到了该案例的预测保险费率,基本与实际费率吻合,验证了该方法的可行性。但由于作者水平有限和时间的限制,文章中难免出现错误和不妥之错,恳请大家予以批评指正。