重大工程項目治理機制研究

導語：重大工程項目治理機制研究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：結合中國重大工程項目復雜情境，深度剖析重大工程項目治理機制包括合同、關系和行政治理等因素之間的關系，構建并驗證復雜情境下重大工程治理機制的動態仿真模型。進行預測和診斷分析，得到重大工程項目治理的影響機制，并提出提升項目治理能力的策略建議。結果表明：在重大工程項目治理過程中應尤其注重權責利明確性、信息的充足性、項目各方尋求解決方法和協調征地拆遷和移民安置等方面的管控。通過實證分析，進一步證明所建立模型的可行性，可以為重大工程項目各參與方改善治理能力提供參考依據。

關鍵詞：重大工程項目；項目治理機制；動態貝葉斯網絡

當今世界已經進入重大工程項目的“萬億級時代”[1]。重大工程項目屬于復雜性工程項目，與一般的工程項目相比較，具有建設規模大、投資力度強、技術復雜、影響深遠等特征，因此給工程決策與項目管理帶來了巨大的挑戰，以至于“超投資、超工期、低收益”逐漸演變成重大工程項目的國際普遍“鐵律”[2]。為保證中國復雜情境下重大工程項目目標的實現，應加強對重大工程項目治理的研究。識別重大工程項目治理能力的主要影響因素，是提升項目治理能力的關鍵內容[3]。中國項目治理的研究起步雖晚，但已經取得了不錯的研究進展。如劉常樂[4]提出項目的外部關系治理機制包括3個維度：信任，共享意愿和共同解決問題。嚴玲等[5]進一步指出，包含正式的合同和非正式的關系的二維框架才是完整的項目治理機制，并通過平衡不同治理機制的作用以到達提高項目治理水平的目的。Danwitz等[6]認為建設項目治理包括一個利益相關者子集的組織層面的治理結構和制度層面的治理機制。對于項目治理機制的研究，Biesenthal等[7]認為項目治理是一種組織控制機制，使用正式和非正式的結構來管理不同級別的責任和問責。可以看出，這些學者的研究主要集中在合同治理（RelationshipGovernance，RG）、關系治理（ContractGovernance，CG）和行政治理（AdministrativeGovernance，AG）3個維度。然而，中國目前關于項目治理的研究主要是以靜態研究為主，研究的內容主要集中在市場治理手段，涉及到合同治理和關系治理這兩個維度。因此，本文提出了一種基于動態貝葉斯網絡（DynamicBayesianNetwork，DBN）開展重大工程項目治理的研究方法。與以往基于規則的推理方法相比，動態貝葉斯網絡將圖模型、圖論與概率論相結合，從而能夠更好地解決不確定、模糊甚至更復雜的場景問題。

1項目治理能力影響因素分析

通過整理國內外重大工程項目治理的相關文獻，結合政府在重大工程項目中的主導作用，初步篩選出項目治理能力影響因素。研究發現重大工程項目治理機制包括合同治理機制、關系治理機制和行政治理機制。鑒于探索性研究的不確定性，選擇對有豐富重大工程項目管理經驗的實踐專家進行半結構化訪談，對影響因素進行再次甄選和優化，以此提高研究的實踐基礎。訪談內容主要包括兩個方面，一是邀請專家根據理論內涵對重大工程中的項目治理機制進行舉例，分別包括合同治理、關系治理和行政治理方面；二是邀請專家回答各種項目治理機制對管理績效是否存在影響，項目治理機制實施過程中會受到哪些因素的影響等問題。最終提取出項目治理機制的8個維度下30個影響因素，如表1所示。（1）合同治理機制。合同治理機制包括風險分擔（RiskSharing，RS）和收益分配（RevenueDistribution，RD）兩個維度。風險分擔旨在提升項目治理績效進而影響項目成功，在縮減工程成本，優化工程進度方面能起到積極效應；收益分配是指在履行合同中制定的相應獎懲制度的同時，可參照在實際項目建設過程中發生的風險事件對合同價格進行調整[8，9]。（2）關系治理機制。關系治理機制包括信息共享（InformationSharing，IS）、共同解決問題（ProblemSharing，SP）和文化建設（CultureDevelopment，CD）3個維度。信息共享被公認為一種重要的關系規范，是指信息和信息產品在不同部門、層次信息系統間的共用與交流，其具備的充足性、完整性、及時性、準確性等特點已成為廣受認可的衡量溝通質量的標準；共同解決問題機制是指通過協調項目各參與方利益從而調動共同行動積極性及意愿的制度；文化建設是中國情境下重大工程項目的獨特關系治理維度[9，20]。（3）行政治理機制。行政治理機制包括政府決策（GovernmentDecision，GD）、政府監督（GovernmentSupervision，GS）和政府協調（GovernmentCoordination，GC）3個維度。政府決策是指政府運用行政指令對重大工程的方針政策、資源配置等制定決策；政府監督是指政府對建設過程各方主體的權責利進行監督及違規行為進行處理，并對工程進度和工程資金管理具有監督權限；政府協調是指政府運用其特殊身份來行使協調職能[15]。

2重大工程項目治理DBN模型構建

2.1問卷收集與數據處理結合已構建的項目治理指標來設計調查問卷，問卷采用5點量表法，每個觀察變量均采用5點計分（1=高度不同意，2=不同意，3=中立，4=同意，5=高度同意）。受訪者依照所選項目的真實情況對其特征性描述與實際的相符程度進行評分，分數高低與被采訪人員贊同題項內容、程度成正相關性[21]。通過對參與重大工程項目工作的受訪者調查，如實地反映重大工程項目治理能力的情況。此次調查共收回有效問卷為235份，表2反映了調查對象的描述性統計分析。

2.2動態貝葉斯網絡模型構建貝葉斯網絡（BayesianBeliefNetwork，BBN），是用來描述一組變量之間的概率分布關系的圖模型。在貝葉斯信念網絡中，每個結點代表一個隨機變量，其狀態可以是可觀測的也可以是不可觀測的；變量間的“因果關系”通過有向弧來連接，表示由“因”（父節點）導出“果”（子節點）；相連接點之間的相關程度則通過結點的條件概率分布表來描述。動態貝葉斯網絡（DynamicBayesianNetworks，DBN）是將靜態的網絡結構擴展到時間維度上的模型，主要由有向無環圖和轉移條件概率表兩部分組成。該模型可處理模型中變量隨時間序列的無序變換，并且具有積累、記憶和學習的功能[22]。如圖1所示，該圖表示DBN中變量Y(t)條件概率P(Y(t)|Y(t-1)，X(t))，呈現了模型中變量Y(t)的從狀態1到狀態n的演化歷程。

3動態貝葉斯網絡模型的仿真模擬分析

3.1預測分析預測分析又稱正向推理，即由因推果，是基于充分的原因信息，沿著有向弧的迭代方向對結果進行推理。利用給定的不同情景下的證據以達到預測未來結果的最終目的[24]。用P(T)表示的頂部事件的概率可以通過下式確定。

3.2診斷分析與預測分析相對，診斷分析也被稱為逆向推理，是通過DBN的反向推理功能找出對重大工程項目治理影響力最大的因子。因為在域變量上設置證據可通過反向傳播影響域因子的概率分布。因此，DBN可以通過識別目標節點后驗概率的變化來診斷可能的原因和影響[25]。

4實證分析

本文選用2016年竣工的上海中心大廈重大工程建設項目作為實證分析和程序應用的對象。上海中心大廈作為上海的地標性建筑，總建筑面積57.8萬m2，總造價約148億元。同樣，按照模型要求參照模型中的30個影響因素對問卷進行設計，并邀請參與該項目建設的專家進行打分。問卷中根據因素對項目的影響程度將分值設計為1~5分。最終取所有該題項數據的均值，然后將均值進行四舍五入到最接近的整數。以上海中心大廈的10組數據作為證據對影響項目治理能力因素指標進行概率分布預測，構建的DBN模型如圖4所示。另外，將DBN的結果與BBN進行比較，如圖5所示。當Time=1時，模型中治理能力在高中低3種狀態下的預測概率分別為0.7835、0.1525、0.0639，預測狀態為高狀態。而當Time=2時，預測概率則分別為0.7063、0.1989、0.0948，中低狀態曲線保持上升趨勢，而高狀態曲線則為下降趨勢。在Time=3之后，各狀態下的概率曲線都趨于相對穩定，預測狀態也穩定在高狀態，概率從0.6693到0.6138。最終的預測結果與專家所給出的結果一致。因此，本文所構建的DBN模型可以正確預測重大工程項目治理能力。對于預測精度而言，圖5（a）所顯示的曲線是平滑的，并且能明顯預測其趨勢，而圖5（b）的值卻是獨立的，僅取決于證據。這說明DBN模型具有信息積累能力，而BBN模型則依賴于特定時刻的觀察信息來進行推理。與DBN相比，BBN與先前時刻的證據無關，因此，DBN模型的推理結果比BBN模型的推理結果更準確。DBN模型中記憶學習的特性對于預測復雜性很重要，因為BBN模型很難實時收集準確的評估信息。DBN的推理包含了大量的信息，即使模糊信息作為證據，也可以保證預測結果。因此，可以隨時間計算特定建設項目的治理水平，并使用已開發的DBN模型以動態方式進行分析。從而精準確定影響項目治理的關鍵因素，對重大項目治理起到重要作用。

5結語

本文提出了一種基于貝葉斯推理的新型軟計算方法，在考慮時間更新信息的情況下探索了重大工程項目治理的動態發展規律。基于問卷調查的數據來識別重大工程項目治理機制，并基于識別出的治理因素，采用專家訪談的方法對項目治理因素進行進一步篩選和確定。基于DBN模型對重大工程項目治理的動態仿真分析，可以看出，權責利明確性、信息的充足性、項目各方尋求解決方法和協調征地拆遷和移民安置是影響重大工程項目治理最關鍵的幾個因素。這幾個關鍵因素屬于合同治理、關系治理和行政治理3個治理機制的維度，說明在重大工程項目建設過程中，應基于合同治理、關系治理和行政治理三維治理框架進行項目治理。然而，開發的DBN模型有一些局限性。本文中的DBN模型是在收集所有建設項目的調查數據的基礎上構建的，不區分生命周期管理中的各個階段，如規劃、設計、施工、運營和維護。并且，隨著時間的推移，項目管理不同階段的網絡結構和項目治理的CPT可能會有很大差異。因此，在未來的研究中應考慮不同階段的特點。

參考文獻：

[2]何清華，楊德磊，羅嵐，等．基于貝葉斯網絡的大型復雜工程項目群進度風險分析[J]．軟科學，2016，30（4）：120-126．

[3]盛昭瀚，薛小龍，安實．構建中國特色重大工程管理理論體系與話語體系[J]．管理世界，2019，35（4）：2-16．

[4]劉常樂．項目情境下治理機制對知識轉移的影響研究[D]．北京：北京交通大學，2016．

[5]鄧嬌嬌，嚴玲，吳紹艷．中國情境下公共項目關系治理的研究：內涵，結構與量表[J]．管理評論，2015，27（8）：213-222．

作者:羅嵐 周威 薄秋實 楊晨曦 單位:南昌大學