摘要：石油项目在决定投资开发前会有相关人员对其进行项目申报，提供相关项目的经济数据，再由决策者提供数据进行专业分析，判断该项目是否可行。将BP神经网络应用于石油项目前期经济评价，介绍了BP神经网络原理，用于BP神经网络的石油项目经济指标的选择，将BP神经网络用于石油项目经济评价的过程。为了提高精度，选择标训练样本对BP神经网络训练。大量模拟实验结果表明，该方法对石油项目方案的评价是有效的，并在性能方面比传统方案更方便和准确。
关键词：BP神经网络；经济评价；石油项目；经济预测
中图分类号： TP319
文献标识码： A
文章编号： 16727800（2017）004014503
0引言 在石油项目前期评估中，需判断其可行性并对项目经济效益进行评价。人工神经网络 （Artificial Neural Network，ANN）[13] 利用大量非线性并行处理关系模拟众多神经网络，通过自学习找出输入值与输出值之间的关系，能轻松处理非线性问题，是一种基于黑箱原理的处理系统。针对传统经济评价决策方法中存在的问题，将神经网络应用到石油经济评价中。将多个石油项目的经济评价指标作为ANN的输入值，通过相应训练样本的学习，使基于人工神经网络的石油经济评价系统更接近人类思维模式，对项目作出更合理的决策。1BP神经网络 反向传播（Back Propagation，BP）神经网络是一个多层前馈神经网络[45]，是当前应用较多且较为成熟的神经网络模型之一，其基本网络包含3层：输入层、隐含层和输出层，隐藏层可以是单层或多层。典型的BP网络结构如图1所示，为一个单隐层BP神经网络结构，学习过程由正向传播信号和反向传播误差组成，输入信号由输入层向前传播经过激发函数作用由隐藏节点传到输出节点，如果输出层输出数值与期望不符，则将误差作为调整信号按照原路逐层反向传播，并对连接各层神经元之间的权重和阈值进行调整，逐渐缩小误差值，直至误差小于一个可接受的范围方停止学习。同时，也是一个监督学习，因为每个训练样本都带有标签，这些训练样本预先确定了经过BP网络训练后的输出值。经过多次学习，就能将该神经网络逼近某个函数，这个训练好的网络就能用于评价预测，学习过程其实就是将n维映射成m维，为了获得正确的映射需要经过反复学习即调整相关参数（权重和阈值）。
2石油项目经济评价指标体系构建2.1石油投资经济效益指标 对于石油项目的经济效益评价，可借助经济指标反映石油项目在未来项目寿命期内的经济效益。鉴于石油项目的复杂性，单一的评价指标无法对项目作出全面的评价。根据文献[6]-[7]选择采用多个相互联系且相对独立的评价指标，如图2所示，包括：净现值、费用现值、净现值指数、投资收益率、内部收益率和动态投资回收期。
一个项目首先要判断是否可行，主要考虑净现值（NPV），NPV表示现金流入与流出的差额，当NPV≥0时表示项目可行，此时项目到达或超过基准收益率标准，能给投资者带来利润，否则项目不可行，会损坏投资者价值。而在多个项目方案比较选择中，一般净现值最大的项目是最佳项目。净现值指数指标对于项目评价的准则与净现值一样，这个指标是净现值与净投资现值的比值，比起净现值还考虑到最初投资额的大小。投资收益率是一个静态指标，是指单位投资可获得的利润，值越大越好，当它的值超过标准投资收益率时意味着该项目可行。内部收益率是指当净现值为零时的贴现率，即在整个项目寿命期内，现金流入刚好完全抵补现金流出，是项目经济评价重要指标之一。费用现值是指在项目寿命期内只考虑现金流出，也就是费用支出，包含总投资和成本费用，代表成本的值肯定越小越好。投资回收期是指项目的累计净现值抵补全部投资的返本年限，即累计利润达到零的时间期限，只是一个辅助性指标，选用动态投资回收期这一指标，是因为比起静态回收期，此标准考虑到资金的时间价值。2.2石油经济评价指标计算模型 上述指标经过下列计算模型计算后，可作为人工神经网络输入层的输入数据，计算模型参考文献[8]，具体如下：
3石油项目前期经济效益评价3.1石油项目经济评价指标归一化将上述6个石油项目的经济评价指标作为BP神经网络的输入数据，这些数据具有不可共度性，也就是说衡量这些数值的单位不相同，有些是百分数，有些以时间为单位，无法进行比较。石油项目中关于项目费用和盈利的指标的数值是非常大的，这会导致BP神经网络学习缓慢，收敛慢，有时数值太大，经神经网络作用后，偏差也会很大；而且对于神经网络中所应用的激活函数来说，有些函数是有值域的，数据太大或太小都会影响网络学习效果。为了解决这些问题，一般在训练样本数据前要对数据进行预处理，进行归一化后的数据收敛性更强，参考文献[9]～[11]采用最值法作为数据归一化方法。但是费用现值和动态投资回收期的值对于石油项目来说越小越好，而剩下4个指标体现石油项目收益，这些指标值越大越好，因此对上述分成收益型指标和成本型指标两类数据归一化，费用现值和动态投资回收期为成本型指标，其余皆为效益型指标。假设有n个训练样本，每个训练样本含6个指标数值，按以下公式将每个样本的6个指标进行数据归一化，限制在[0，1]区间内。 （1）收益型指标，包括净现值、净现值指数、投资收益率和内部收益率。
式中yij和xij分别表示第i组训练样本的第j个指标归一化后和归一化前的数值，而ximax和ximin分别表示第i组训练样本中的最大和最小值。3.2BP人工神经网络设计对于石油项目经济效益评价问题，就是利用BP人工神经网络将其转换为6个项目经济评价指标与最终评价值之间的非线性映射。实验选用三层BP神经网络，输入层节点数为6个，对应6个石油项目经济评价指标。激活函数选用单极性Sigmoid函数（双曲线正切函数），公式如下：
对于隐藏层节点数确定，最常用的方法是试凑法[1213]，以公式（3）、（4）来设置较多的隐节点，对于每个隐节点数进行一次BP网络的训练，通过比较每次训练误差的大小，选定误差最小的作为该BP网络的隐藏层节点个数。 其中，m表示隐藏层节点个数，n表示输入层节点个数，l表示输出层节点个数，α取1～10之间的常数，此处设计的BP网络层是6个输入节点，1个输出节点，根据取值范围，隐藏层节点数取值范围是4～13。根据最终项目评价结果为可行与不可行来分为两类，对于BP神经网络，可行项目期望输出值为1，不可行项目期望输出值为0.5，如表1所示的部分训练样本。将大量的石油项目相关数据通过BP网络训练，得出该BP网络隐藏层节点数为9个。
3.3石油项目前期经济效益评价过程 如图3所示，用户可以创建石油项目，录入最初的原始数据，比如相关基础数据、成本费用、营业税金及附加、融资方案等。提交该项目后，生成财务报表，初步反映该石油项目在项目寿命期内的经济情况。根据初步计算进行不确定性分析，以盈亏平衡分析和敏感性分析为主，以表格和图像的形式呈现投资项目的风险和不确定性，提高投资决策的可靠性。利用计算模型计算BP神经网络的输入数据，经过神经网络学习能力对石油项目进行终极评价，为最终审核提供可靠的建议。3.4实验结果与分析 通过石油项目经济评价系统获取不同项目的经济效益评价数据，将经过归一化后的数据作为训练好的BP神经网络输入端。如图4所示，通过样本训练后，所有输出期望值都围绕在0.5和1附近，输出值output=0.5时，代表该石油项目是不可行的，输出值output=1，代表该石油项目是可行的。
为了验证此BP神经网络对于石油项目经济效益评价预测的准确性，将表2中有代表性的测试数据通过神经网〖HJ*3〗络预测获得最终的期望值输出。第一个石油项目净现值大于0，成本低，投资回收期短，投资回报率高，是一个非常好的投资项目，与其输出值含义相符合。相反，第二个项目净现值小于0，收益率低，完全符合输出值0.5，是一个不可行项目。项目3虽然净现值大于0，不会亏本，但是投资大，资本回收期长，并且回报率低，这并不是一个好的项目，故该系统判定为不可行项目。
4结语 本文通过模拟实验验证将BP神经网络应用于石油项目经济评价的有效性，克服传统评价的缺陷和局限性。
结果表明经过大量真实数据训练的神经网络能更准确地为用户提供基于项目数据的判断，能准确描述代表石油项目经济效益的6个指标与项目可行性之间的非线性关系。当然BP神经网络也有其缺陷，对于隐藏层数及其节点数的确认并没有完整的理论指导，后期将引入深度学习对其进行经济效益预测，以使预测更加精确。
参考文献：[1]蔡自兴，徐光v.人工智能极其应用[M].第四版.北京：清华大学出版社，2011.
[2]C M BISHOP.Neural network and theirapplications[J].Revi.Scie.Instr，1994（156）：18031832.
[3]胡金滨，唐旭清.人工神经网络的BP算法及其应用[J].信息技术，2004 （4）：14.
[4]L K HANSEN，P SALAMON.Neural network ensembles[J].IEEE trans pattern analysis and machine intelligence，1990（12）：9931001.
[5]WANG P，ZHAO T，FAN Y，et al.Study of Chinese farmers income forecast model based on BP neural network[J].Computer and Applications，2014（56）：508511.
[6]董蔚P，单守会.未开发石油储量评价及经济分类方法[J].石油与天然气地质，1993，14（3）：251256.
[7]李敏杰.海外石油投资经理评价指标浅析[J].西安财经学院学报，2007，20（1）：7619.
[8]游达明，刘亚铮.技术经济与项目经济评价[M].北京：清华大学出版社，2009：6290.
[9]Q SONG，Q JIANG，Z SONG.Economic evaluation of CO2EOR industry chain in refineries[J].Shiyou Xuebao Shiyou Jiagong/acta Petrolei Sinica，2015.
[10]L XIAOKE.Analysis of the misunderstanding in investment project economic appraisal theory[C].Business Management and Electronic Information （BMEI），2011：196198.
[11]杨伟，倪黔东，吴军基.BP神经网络权值初始值与收敛性问题研究[J].电力系统及自动化学报，2002，14（1）：2022.
[12]赵峰.基于神经网络的项目投资风险评价[J].建筑经济，2006，10（288）：6264.
[13]K SHINIKE.A two phase method for determining the number of neurons in the hidden layer of a 3layer neural network[C].SICE Annual Conference，2010：238242.
（责任编辑：陈福时）
