论文部分内容阅读
【摘 要】 建筑施工企业工程质量控制过程中存在着诸多的法律风险隐患，将BP神经网络引入建筑施工企业工程质量控制法律风险的评价，建立了风险评价的网络模型，并通过实例仿真实验对模型的可行性进行了验证。
【关键词】 工程质量;法律风险;BP神经网络
1 引言
建设工程质量控制是指为达到工程项目质量要求所采取的作业技术和管理活动。其工程质量是指工程满足业主需要的，符合国家法律、法规、技术规范标准、设计文件及合同规定的特性综合。[1]质量控制的全过程中，都存在着诸多法律风险隐患，作为建设工程承包人的施工企业，是建筑产品的直接生产人和责任人，所以，在大多数情况下，建筑施工企业对建设工程的质量负有主要责任，因此，建筑施工企业应当在加强项目全过程风险管理的同时，注意识别、规避和应对质量控制中的法律风险。
目前，学者们对风险进行分析研究时，主要运用了层次分析法、模糊综合评价法、蒙特卡罗方法等。这些方法具备计算简便、易于理解和操作等特点，但在风险评价中应用这些方法时，还存在着一些缺陷，比如评价过程中受随机因素的影响较多，对评价主体的主观因素依赖较大，得到的问题的解具有单一性等。近年来，神经网络以其较强的自学习、自组织和容错性，克服了一些主观因素的影响，使得它具备了更强的灵活性、客观性、全局性等特点，在风险研究领域得到了快速的发展。本文引入神经网络中的BP神经网络模型，构建了建筑施工企业工程质量控制法律风险的评价模型。
2 建筑施工企业工程质量控制法律风险因素的识别
我国已经颁布了《建筑法》、《建设工程质量管理条例》、《建设工程监理规范》、《施工管理规范》、《招标投标法》等相关法律规范来有效地保障工程质量控制的实施。以这些法律法规为基础，做好施工企业工程质量控制过程中的法律风险因素的识别，是工程项目法律风险研究的基础，本文根据国内外法律风险研究的相关文献，结合施工企业的特点，通过采用大量问卷调查以及座谈等方法，对施工企业在工程质量控制中存在的法律风险进行了甄别，如表1所示。
表1
风险
名称 风险因子 风险原因
建筑
施工
企业
工程
质量
控制
法律
风险
因素 以过低价投标U1 为获取项目，在市场恶性竞争下以过低价承揽工程，导致工程质量降低。
工程过高品质承诺U2 为提高中标率，作出工程过高品质承诺，面临质量等级违约扣罚风险。
对分包商疏于管理U3 对分包商管理不严，面临承担工程质量连带责任的风险。
建筑材料、设备、
构配件选用不当U4 未按要求对建筑材料、设备等进行检验就使用，且未按规定使用代用材料设备。
工期过度压缩U5 为避免工期延误导致的损失，过分压缩工期而忽略工程质量。
未按图纸施工U6 擅自修改工程设计，偷工减料，无条件接受建设单位的变更设计。
未按施工验收
规范施工U7 管理制度不严，对规范执行情况监督不够，施工随意性大。
不按有关工程操作
规程施工U8 缺乏相关的施工专业知识，施工蛮干。
隐蔽工程处理不当U9 施工质量检验制度不健全，对隐蔽工程擅自进行隐蔽。
工程未经验收而
同意提前使用U10 工程未经验收合格，就同意工程提前使用。
竣工验收后新增
工程处理不当U11 对新增工程书面协议管理不规范，导致按原工程未完成部分工作处理。
未履行工程质量
保修责任U12 擅自约定降低保修最低期限，在保修期内不及时履行保修责任。
3 BP神经网络结构与学习原理
人工神经网络（ANN）又称神经网络，它主要是将生物体中的某些结构和功能，利用物理上可实现的器件或者采用计算机来进行模拟，使它能够解决像识别、学习、控制、专家系统等这些一般物理器件和计算机不能解决的问题，并将它应用于工程领域。神经网络的模型和算法有很多种，本文选用目前较常用的BP神经网络模型。
典型的BP网络具有三层或三层以上的层次结构网络，主要由上、下层之间各神经元及神经元之间的连接权组成，一般可分为输入层、隐含层和输出层。它的学习过程由正向传播和反向传播两个过程组成的。正向传播用于对前向网络进行计算，即对于输入信息，要先向前传播到隐含层，经作用函数后，再把信息传播到输出层;反向传播用于逐层传递误差，即输出层得不到期望的输出，则将误差信息沿原来的连接通道进行反向传播，修改神经元间的连接权值和阈值，以使得误差能够满足期望的误差要求。对足够的样本进行多次训练后，网络所得到的权值和阈值便是网络经过自适应学习得到的正确的内部关系。
具体过程如下：（见图1）
图1 BP神经网络结构图
如图，一个三层的BP神经网络：用表示输入层LA层的m个输入节点;用表示隐含层的u个隐含节点;用表示输出层LC层的n个输出节点。用分别表示输入层到隐含层、隐含层到输出层之间的连接权值;分别表示隐含层和输出层节点的阈值。
（1）给、、、随机赋一个较小的值，其值一般取在（-1，1）之间。
（2）输入样本，设样本个数为P，样本模式为（A（K），C（K））（K=1，2，P）。将A（k）的值输入LA层节点，逐层依次正向计算：
其中f（·）为常选用Sigmoid型函数f=1
（3）计算LC层节点输出与期望输出值（k）的误差，令
（4）向LB层节点反向分配误差，令
（5）调整LB层与LC层节点间连接权值及LC层节点阈值即 ，
调整LA层与LB层节点间连接权及LB层节点阈值即
，
其中为一常数项，称为势态因子，它决定上一次的权值对本次权值更新的影响程度。
（6）计算误差，当误差小于给定的拟合误差时，网络训练结束;否则转入（2）继续训练。
其中EAv为训练的目标函数，（j=l，2，…，n，k=1，2，…，p）
4 建筑施工企业工程质量控制法律风险研究BP网络模型构建
引入建筑施工企业工程质量控制法律风险评价的BP神经网络模型，是利用一系列评价指标，构建BP神经网络模型并对此网络模型进行学习与训练，在充分利用专家的知识和经验的基础上力求摆脱人为主观因素的影响，为决策者提供支持，对建筑施工企业工程质量控制法律风险进行评价研究。
4.1BP神经网络模型的设计
对建筑施工企业工程项目质量控制的法律风险评价问题，实际是输入工程项目的风险影响因素到输出该项目的最终风险评价值的非线性映射。众多案例已经证明，一个3层的BP神经网络包含一个隐含层，不仅可以以任意精度去逼近任意映射关系，而且其训练效果也比较容易观察和调整，因此，本文也采用3层BP神经网络结构，即一个输入层、一个隐含层和一个输出层。
（1）输入层节点的选择
将表一识别出的建筑施工企业在工程质量控制中存在的法律风险因素作为评价指标，确认建筑施工企业工程质量控制法律风险评价的BP神经网络模型的输入节点，包括低于成本价投标、工程过高品质承诺、对分包商疏于管理、建筑材料、设备、构配件选用不合格、工期过度压缩、未按图纸施工、未按竣工验收规范施工、未按有关操作规程施工、隐蔽工程处理不当、工程未经验收而同意提前使用、竣工验收后新增工程处理不当、未履行功程质量保修责任共12个指标作为BP神经网络模型的输入节点，即n=12。
（2）输出层节点选择
输出层节点的值对应着建筑施工企业工程质量控制法律风险的评价结果，本文建立的评价模型中，最终的结果是一个表示不同风险程度的综合评价数值，因此选择1个输出节点，即m=1。
（3）隐含层节点的选择
隐含层节点设置的作用是从样本中提取并存储其内在规律，隐含层的节点数直接影响着网络训练的准确性，隐含层节点数的确认，可以参考此公式进行：其中：为隐含层节点数，m为输出层节点数，n为输入层节点数，a为1-10之间的常数。在实际应用过程中，可以通过对不同的隐含层节点进行训练和比较分析误差来确定为。本文建立的模型通过训练检验隐含层节点选取为19。
4.2BP神经网络模型的训练和检测
本文选取了国内几家建筑施工企业近年来的10个工程项目的资料，作为我国建筑施工企业质量控制的法律风险BP神经网络模型的训练和检测样本，通过专家评分法对各相应的指标样本数据进行了确定。每一指标均分为五个等级：风险很低、风险较低、风险一般、风险较高、风险很高，为便于网络模型的应用，通过评分表的形式向9位专家调查打分，对各指标进行了量化，此五个风险等级分别对应于五个区间内的数值：（1，0.8）、（0.8，0.7）、（0.7，0.5）、（0.5，0.3）、（0.3，0.1），按照一定的权重进行统计分析，得到了10个样本的评价指标体系指标值，具体见表2.
表2 专家评估数据
序号 U1 U2 U3 U4 U5 U6 U7 U8 U9 U10 U11 U12
1 0.83 0.34 0.87 0.66 0.34 0.64 0.77 0.61 0.42 0.66 0.91 0.59
2 0.69 0.88 0.65 0.67 0.66 0.69 0.69 0.73 0.73 0.72 0.89 0.83
3 0.74 0.51 0.74 0.84 0.37 0.69 0.84 0.59 0.66 0.69 0.53 0.74
4 0.81 0.63 1 0.75 0.45 0.57 0.90 0.64 0.49 0.91 0.53 0.89
5 0.57 0.83 0.44 0.69 0.82 0.71 0.83 0.91 0.82 0.74 0.84 0.54
6 0.54 0.27 0.85 0.52 0.91 0.81 0.69 0.84 0.79 0.82 0.91 0.82
7 0.91 0.25 1 0.49 0.35 0.51 0.64 0.47 0.91 0.87 0.37 0.67
8 0.65 0.73 0.37 0.84 0.29 0.82 0.81 0.38 0.88 0.64 0.65 0.69
9 0.47 0.38 0.71 0.91 0.87 0.90 0.77 0.79 0.63 0.83 0.57 0.91
10 0.82 0.45 1 0.57 0.28 0.51 0.69 0.41 0.77 0.82 0.75 0.93
本文使用MATLAB软件实现编程。建立建筑施工企业质量控制法律风险的BP神经网络结构，用表1中前7组样本数据作为训练集训练该神经网络，将该7组样本的评价指标数值作为输入节点，将通过专家组对各风险要素的权重的判定得到的综合评价总指标的期望值作为输出节点。按照BP算法来学习，当误差EAV满足预先设定的要求时，系统停止学习。训练结果与实际评估结果对照见表3。
表3 神经网络训练结果与实际评估结果比较
项目代号 1 2 3 4 5 6 7
期望输出 0.704 0.649 0.611 0.832 0.725 0.641 0.553 训练结果 0.707 0.632 0.602 0.832 0.729 0.628 0.553
误差 0.003 0.017 0.009 0.000 0.004 0.013 0.000
风险等级 较低 一般 一般 低 较低 一般 一般
使用MATLAB软件编程，对BP神经网络进行训练时，主要选用的训练参数有：网络层数为3层;期望误差为0.00001;训练函数为trainlm函数;权值调节规则函数为learngdm函数;性能函数为mse函数;各层激励函数类型为{‘tansig’，‘logsig’}。
将其余3组样本数据作为检测集检测待评估的对象。把该3组样本的评价指标数值作为输入节点，并把网络的输出结果与通过专家组得到的综合评价总指标的期望值进行比较，比较结果见表4。
表4 测试集测试结果与实际结果比较
项目代号 8 9 10
期望输出 0.724 0.671 0.646
测试结果 0.721 0.668 0.640
误差 0.003 0.003 0.006
风险等级 风险较低 风险一般 风险一般
表3测试集测试结果与实际结果比较
5 结论
本文在对我国建筑施工企业质量控制法律风险因素识别的基础上，选用了十个项目的样本数据，运用MATLAB软件构建了我国建筑施工企业质量控制法律风险评价的BP神经网络模型，并对网络模型进行了训练和检测，网络训练后的评价结果和3个检测样本评价的结果与专家评价结果进行比较后看出，不仅全部训练样本与专家评价结果非常接近，而且3个检测样本评价的结果也与专家评价结果非常接近。由此证明将BP神经网络用于我国建筑施工企业质量控制的法律风险评价是可行的，且降低了人为因素在传统评价方法的评价过程中的影响，在一定程度上提高了评判结果的可靠性和准确性;同时，避免了大量繁琐计算，使评价工作简便易行。
参考文献：
[1]李刚，李娜.建设工程全程法律风险控制[M].法律出版社，2011.
[2]俞日根.基于BP神经网络的建筑施工企业信息化评价模型研究[D].南京林业大学硕士学位论文，2012.
[3]赵峰.基于BP神经网络的项目投资风险评价[J].建筑经济，2006（10）：62-64.
[4]杨俊辉，程银侠.基于BP神经网络的工程项目风险评价[J].西安邮电学院学报，2011（1）：115-118.
基金项目：甘肃省住房和城乡建设厅基金项目（JK2013-23）
【关键词】 工程质量;法律风险;BP神经网络
1 引言
建设工程质量控制是指为达到工程项目质量要求所采取的作业技术和管理活动。其工程质量是指工程满足业主需要的，符合国家法律、法规、技术规范标准、设计文件及合同规定的特性综合。[1]质量控制的全过程中，都存在着诸多法律风险隐患，作为建设工程承包人的施工企业，是建筑产品的直接生产人和责任人，所以，在大多数情况下，建筑施工企业对建设工程的质量负有主要责任，因此，建筑施工企业应当在加强项目全过程风险管理的同时，注意识别、规避和应对质量控制中的法律风险。
目前，学者们对风险进行分析研究时，主要运用了层次分析法、模糊综合评价法、蒙特卡罗方法等。这些方法具备计算简便、易于理解和操作等特点，但在风险评价中应用这些方法时，还存在着一些缺陷，比如评价过程中受随机因素的影响较多，对评价主体的主观因素依赖较大，得到的问题的解具有单一性等。近年来，神经网络以其较强的自学习、自组织和容错性，克服了一些主观因素的影响，使得它具备了更强的灵活性、客观性、全局性等特点，在风险研究领域得到了快速的发展。本文引入神经网络中的BP神经网络模型，构建了建筑施工企业工程质量控制法律风险的评价模型。
2 建筑施工企业工程质量控制法律风险因素的识别
我国已经颁布了《建筑法》、《建设工程质量管理条例》、《建设工程监理规范》、《施工管理规范》、《招标投标法》等相关法律规范来有效地保障工程质量控制的实施。以这些法律法规为基础，做好施工企业工程质量控制过程中的法律风险因素的识别，是工程项目法律风险研究的基础，本文根据国内外法律风险研究的相关文献，结合施工企业的特点，通过采用大量问卷调查以及座谈等方法，对施工企业在工程质量控制中存在的法律风险进行了甄别，如表1所示。
表1
风险
名称 风险因子 风险原因
建筑
施工
企业
工程
质量
控制
法律
风险
因素 以过低价投标U1 为获取项目，在市场恶性竞争下以过低价承揽工程，导致工程质量降低。
工程过高品质承诺U2 为提高中标率，作出工程过高品质承诺，面临质量等级违约扣罚风险。
对分包商疏于管理U3 对分包商管理不严，面临承担工程质量连带责任的风险。
建筑材料、设备、
构配件选用不当U4 未按要求对建筑材料、设备等进行检验就使用，且未按规定使用代用材料设备。
工期过度压缩U5 为避免工期延误导致的损失，过分压缩工期而忽略工程质量。
未按图纸施工U6 擅自修改工程设计，偷工减料，无条件接受建设单位的变更设计。
未按施工验收
规范施工U7 管理制度不严，对规范执行情况监督不够，施工随意性大。
不按有关工程操作
规程施工U8 缺乏相关的施工专业知识，施工蛮干。
隐蔽工程处理不当U9 施工质量检验制度不健全，对隐蔽工程擅自进行隐蔽。
工程未经验收而
同意提前使用U10 工程未经验收合格，就同意工程提前使用。
竣工验收后新增
工程处理不当U11 对新增工程书面协议管理不规范，导致按原工程未完成部分工作处理。
未履行工程质量
保修责任U12 擅自约定降低保修最低期限，在保修期内不及时履行保修责任。
3 BP神经网络结构与学习原理
人工神经网络（ANN）又称神经网络，它主要是将生物体中的某些结构和功能，利用物理上可实现的器件或者采用计算机来进行模拟，使它能够解决像识别、学习、控制、专家系统等这些一般物理器件和计算机不能解决的问题，并将它应用于工程领域。神经网络的模型和算法有很多种，本文选用目前较常用的BP神经网络模型。
典型的BP网络具有三层或三层以上的层次结构网络，主要由上、下层之间各神经元及神经元之间的连接权组成，一般可分为输入层、隐含层和输出层。它的学习过程由正向传播和反向传播两个过程组成的。正向传播用于对前向网络进行计算，即对于输入信息，要先向前传播到隐含层，经作用函数后，再把信息传播到输出层;反向传播用于逐层传递误差，即输出层得不到期望的输出，则将误差信息沿原来的连接通道进行反向传播，修改神经元间的连接权值和阈值，以使得误差能够满足期望的误差要求。对足够的样本进行多次训练后，网络所得到的权值和阈值便是网络经过自适应学习得到的正确的内部关系。
具体过程如下：（见图1）
图1 BP神经网络结构图
如图，一个三层的BP神经网络：用表示输入层LA层的m个输入节点;用表示隐含层的u个隐含节点;用表示输出层LC层的n个输出节点。用分别表示输入层到隐含层、隐含层到输出层之间的连接权值;分别表示隐含层和输出层节点的阈值。
（1）给、、、随机赋一个较小的值，其值一般取在（-1，1）之间。
（2）输入样本，设样本个数为P，样本模式为（A（K），C（K））（K=1，2，P）。将A（k）的值输入LA层节点，逐层依次正向计算：
其中f（·）为常选用Sigmoid型函数f=1
（3）计算LC层节点输出与期望输出值（k）的误差，令
（4）向LB层节点反向分配误差，令
（5）调整LB层与LC层节点间连接权值及LC层节点阈值即 ，
调整LA层与LB层节点间连接权及LB层节点阈值即
，
其中为一常数项，称为势态因子，它决定上一次的权值对本次权值更新的影响程度。
（6）计算误差，当误差小于给定的拟合误差时，网络训练结束;否则转入（2）继续训练。
其中EAv为训练的目标函数，（j=l，2，…，n，k=1，2，…，p）
4 建筑施工企业工程质量控制法律风险研究BP网络模型构建
引入建筑施工企业工程质量控制法律风险评价的BP神经网络模型，是利用一系列评价指标，构建BP神经网络模型并对此网络模型进行学习与训练，在充分利用专家的知识和经验的基础上力求摆脱人为主观因素的影响，为决策者提供支持，对建筑施工企业工程质量控制法律风险进行评价研究。
4.1BP神经网络模型的设计
对建筑施工企业工程项目质量控制的法律风险评价问题，实际是输入工程项目的风险影响因素到输出该项目的最终风险评价值的非线性映射。众多案例已经证明，一个3层的BP神经网络包含一个隐含层，不仅可以以任意精度去逼近任意映射关系，而且其训练效果也比较容易观察和调整，因此，本文也采用3层BP神经网络结构，即一个输入层、一个隐含层和一个输出层。
（1）输入层节点的选择
将表一识别出的建筑施工企业在工程质量控制中存在的法律风险因素作为评价指标，确认建筑施工企业工程质量控制法律风险评价的BP神经网络模型的输入节点，包括低于成本价投标、工程过高品质承诺、对分包商疏于管理、建筑材料、设备、构配件选用不合格、工期过度压缩、未按图纸施工、未按竣工验收规范施工、未按有关操作规程施工、隐蔽工程处理不当、工程未经验收而同意提前使用、竣工验收后新增工程处理不当、未履行功程质量保修责任共12个指标作为BP神经网络模型的输入节点，即n=12。
（2）输出层节点选择
输出层节点的值对应着建筑施工企业工程质量控制法律风险的评价结果，本文建立的评价模型中，最终的结果是一个表示不同风险程度的综合评价数值，因此选择1个输出节点，即m=1。
（3）隐含层节点的选择
隐含层节点设置的作用是从样本中提取并存储其内在规律，隐含层的节点数直接影响着网络训练的准确性，隐含层节点数的确认，可以参考此公式进行：其中：为隐含层节点数，m为输出层节点数，n为输入层节点数，a为1-10之间的常数。在实际应用过程中，可以通过对不同的隐含层节点进行训练和比较分析误差来确定为。本文建立的模型通过训练检验隐含层节点选取为19。
4.2BP神经网络模型的训练和检测
本文选取了国内几家建筑施工企业近年来的10个工程项目的资料，作为我国建筑施工企业质量控制的法律风险BP神经网络模型的训练和检测样本，通过专家评分法对各相应的指标样本数据进行了确定。每一指标均分为五个等级：风险很低、风险较低、风险一般、风险较高、风险很高，为便于网络模型的应用，通过评分表的形式向9位专家调查打分，对各指标进行了量化，此五个风险等级分别对应于五个区间内的数值：（1，0.8）、（0.8，0.7）、（0.7，0.5）、（0.5，0.3）、（0.3，0.1），按照一定的权重进行统计分析，得到了10个样本的评价指标体系指标值，具体见表2.
表2 专家评估数据
序号 U1 U2 U3 U4 U5 U6 U7 U8 U9 U10 U11 U12
1 0.83 0.34 0.87 0.66 0.34 0.64 0.77 0.61 0.42 0.66 0.91 0.59
2 0.69 0.88 0.65 0.67 0.66 0.69 0.69 0.73 0.73 0.72 0.89 0.83
3 0.74 0.51 0.74 0.84 0.37 0.69 0.84 0.59 0.66 0.69 0.53 0.74
4 0.81 0.63 1 0.75 0.45 0.57 0.90 0.64 0.49 0.91 0.53 0.89
5 0.57 0.83 0.44 0.69 0.82 0.71 0.83 0.91 0.82 0.74 0.84 0.54
6 0.54 0.27 0.85 0.52 0.91 0.81 0.69 0.84 0.79 0.82 0.91 0.82
7 0.91 0.25 1 0.49 0.35 0.51 0.64 0.47 0.91 0.87 0.37 0.67
8 0.65 0.73 0.37 0.84 0.29 0.82 0.81 0.38 0.88 0.64 0.65 0.69
9 0.47 0.38 0.71 0.91 0.87 0.90 0.77 0.79 0.63 0.83 0.57 0.91
10 0.82 0.45 1 0.57 0.28 0.51 0.69 0.41 0.77 0.82 0.75 0.93
本文使用MATLAB软件实现编程。建立建筑施工企业质量控制法律风险的BP神经网络结构，用表1中前7组样本数据作为训练集训练该神经网络，将该7组样本的评价指标数值作为输入节点，将通过专家组对各风险要素的权重的判定得到的综合评价总指标的期望值作为输出节点。按照BP算法来学习，当误差EAV满足预先设定的要求时，系统停止学习。训练结果与实际评估结果对照见表3。
表3 神经网络训练结果与实际评估结果比较
项目代号 1 2 3 4 5 6 7
期望输出 0.704 0.649 0.611 0.832 0.725 0.641 0.553 训练结果 0.707 0.632 0.602 0.832 0.729 0.628 0.553
误差 0.003 0.017 0.009 0.000 0.004 0.013 0.000
风险等级 较低 一般 一般 低 较低 一般 一般
使用MATLAB软件编程，对BP神经网络进行训练时，主要选用的训练参数有：网络层数为3层;期望误差为0.00001;训练函数为trainlm函数;权值调节规则函数为learngdm函数;性能函数为mse函数;各层激励函数类型为{‘tansig’，‘logsig’}。
将其余3组样本数据作为检测集检测待评估的对象。把该3组样本的评价指标数值作为输入节点，并把网络的输出结果与通过专家组得到的综合评价总指标的期望值进行比较，比较结果见表4。
表4 测试集测试结果与实际结果比较
项目代号 8 9 10
期望输出 0.724 0.671 0.646
测试结果 0.721 0.668 0.640
误差 0.003 0.003 0.006
风险等级 风险较低 风险一般 风险一般
表3测试集测试结果与实际结果比较
5 结论
本文在对我国建筑施工企业质量控制法律风险因素识别的基础上，选用了十个项目的样本数据，运用MATLAB软件构建了我国建筑施工企业质量控制法律风险评价的BP神经网络模型，并对网络模型进行了训练和检测，网络训练后的评价结果和3个检测样本评价的结果与专家评价结果进行比较后看出，不仅全部训练样本与专家评价结果非常接近，而且3个检测样本评价的结果也与专家评价结果非常接近。由此证明将BP神经网络用于我国建筑施工企业质量控制的法律风险评价是可行的，且降低了人为因素在传统评价方法的评价过程中的影响，在一定程度上提高了评判结果的可靠性和准确性;同时，避免了大量繁琐计算，使评价工作简便易行。
参考文献：
[1]李刚，李娜.建设工程全程法律风险控制[M].法律出版社，2011.
[2]俞日根.基于BP神经网络的建筑施工企业信息化评价模型研究[D].南京林业大学硕士学位论文，2012.
[3]赵峰.基于BP神经网络的项目投资风险评价[J].建筑经济，2006（10）：62-64.
[4]杨俊辉，程银侠.基于BP神经网络的工程项目风险评价[J].西安邮电学院学报，2011（1）：115-118.
基金项目：甘肃省住房和城乡建设厅基金项目（JK2013-23）