东道国风险视角下中国对外承包工程市场投资价值预测思考
本文是一篇项目管理论文，本研究从东道国国家风险的宏观角度出发对中国对外承包工程市场投资价值进行研究，未来的研究可以从母国的宏观角度以及企业的微观角度出发，构建母国多维度风险指标体系以及企业管理风险指标体系，同时将研究对象进一步细分到更具体的对外投资行业，更深层次地研究对外投资细分领域的风险作用机制。
1 绪论
1.1 研究背景
1979年，中国实行“对外开放”的基本国策，中国企业开始拓展对外承包工程业务，建设国际工程项目，至今已经历四十多年的探索与发展，并取得了举世瞩目的成就，成为我国优质企业积极响应“走出去”的开放战略、参与国际经济贸易合作、执行“一带一路”倡议的重要方式。
1.1.1 中国对外承包工程市场规模快速发展
21世纪初，“走出去”战略在党的十五届五中全会上被正式提出并实施，同时，世界经济快速增长，2004年世界经济平均增速达到20年以来的最高峰5.4%，发展中国家积极探索多样化的国际经济贸易合作方式，从而带动全球资本活跃于投资市场，国际承包工程市场达到了空前的热度，为中国对外承包工程企业拓展海外市场提供了强劲的推力。
中国国内的建筑工程市场规模增长速度在2010年达到最高点，此后两年连续下降，中国建筑工程企业在行业产能过剩的压力下，亟需向国际化方向转型，拓展新的多元化市场[1]，再加上“一带一路”倡议的影响力和号召力，2004至2017年，中国对外承包工程市场规模先后达到1000亿美元和2000 亿美元规模，完美实现两级跳，年平均增长速度达到20.4%。2017年，中国对外承包工程市场规模达到历史峰值2652.8亿美元，是2004年的11倍。
项目管理论文怎么写
......................
1.2 研究目的与意义
1.2.1 研究目的
通过上述对中国对外承包工程业务发展的历程与背景进行了详细的调查研究后，发现了东道国多方面的环境因素不确定性风险引起中国企业对外承包工程市场规模的波动，最终造成中国对外承包工程市场投资价值的动态变化。由此确定本研究的方向与目的：
（1）从东道国的综合投资环境角度出发，通过调查搜集东道国在经济、社会、政治等多维度的投资环境数据，构建一套东道国投资风险指标体系；
（2）以中国对外承包工程新签合同额统计数据为依据，将中国对外承包工程市场投资价值与东道国风险指标体系相结合，通过机器学习的方法进行实证研究，确定东道国投资环境中不同维度的风险对中国对外承包工程市场价值的影响权重，构建中国对外承包工程市场投资价值的动态预测模型。
..........................
2 文献综述
2.1 项目投资风险的相关研究
通过对国内外项目投资风险相关研究的文献进行查阅分析，该领域的研究内容主要可以归纳为投资风险识别与评估，学者从投资风险识别与评估模型构建入手，运用各种统计分析方法对投资风险各因素间的影响机制进行研究。
Warszawski A等人（2003）利用“多因素”分析法，考虑到项目各个风险因素的相互影响机制，从多维度输入项目实际数据信息，最后处理得到项目投资风险，以帮助项目管理人员采取最佳的项目防范与应对措施[9]。王明和（2011）对房地产项目进行研究，识别了项目开发全过程中的24个风险指标，然后利用灰色关联投影法、VIKOR、扩展TOPSIS等方法，通过将语言变量转变为梯形模糊数对房地产工程项目投资风险进行实证研究[10]。Abdul-Rahman H等人（2013）通过相关专家组成的团队，利用模糊综合分析（FSA）进行风险评估模型的开发，从而评估出在环境数据不确定时潜在的项目风险[11]。Deng X等人（2014）通过调查问卷法与因子分析法，识别到影响政治风险等级的十个指标，然后利用案例分析检验了该指标体系的有效性，推进了国家政治风险评级的理论发展[12]。邹晓华（2016）以ccs项目为研究对象，深入研究项目投资风险指标，通过评价实验法与区间二型模糊决策试验成功建立了项目投资风险的评估预测模型，为项目风险的评估、防范以及应对提供了有力的工具[13]。Kowalski J等人（2018）利用风险矩阵、采取点评估方法对波兰铁路工程投资项目进行研究，通过数学模型对铁路工程项目投资风险进行预测，并探索出各方面风险因素对铁路工程项目投资的影响[14]。Sung M K等人（2018）为了实现对国际钢铁项目投资风险的有效评估，构建了一个融合层次分析法（AHP）与模糊推理系统（FIS）的模型。这一模型结合了AHP在多层次决策分析中的优势和FIS在处理模糊信息、不确定性推理方面的特长，旨在提高风险评估的准确性和实用性[15]。周启清等人（2018）创新性地重新设计了基于模糊层次综合评价法一套评价模型，以全面评估房地产建设项目在经营、建设、投资等各个阶段的投资风险，为房地产行业在风险识别、防范及应对方面提供了有效的支撑[16]。
..........................
2.2 中国对外工程项目投资风险的相关研究
风险是可能对经济投资行为产生负面影响的各种因素或者事件，它体现了投资项目的不确定性或者项目产生效益的不稳定性。项目投资风险管理包含了风险识别、风险评估、风险防范与风险应对等过程。在此过程中，通过各种技术或者管理方法使得项目风险最小化，投资效益最大化。中国对外工程项目投资风险主要包括东道国投资环境风险因素和企业内部风险因素两个方面，从“对外开放”到“走出去”战略再到“一带一路”倡议的提出，对外投资活动是促进对外经济贸易合作高质量发展的关键点，因此，不断有研究人员将对外工程建设项目投资作为研究对象，分析对外投资活动中各种复杂因素存在的相互影响机制。其中，国内外学者从不同的视角出发，以不同国家的工程建设项目投资数据为研究对象，通过对风险因素定性与定量研究相结合的方式，对中国对外工程建设项目领域的投资风险进行了深入研究，对投资风险进行评估。
王超（2014）利用文献综述和案例研究的方法，深入探究了中国对外承包工程项目在整个生命周期中所面临的风险，识别出三个层级的65个风险因素，其中包括：项目环境风险的25个因素；其次是项目参与者风险的7个相关因素；项目管理风险的33个风险因素，最后通过问卷调研与专家访谈的方式对项目风险因素的重要性等级进行评估[1]。黄河等人（2017）将作为研究对象，分析中国对外承包工程企业在海外进行工程项目投资时潜在的重要政治风险，并为企业提供了有效的风险防范与应对策略[26]。
............................
3 东道国风险识别与指标体系构建 ............................... 22
3.1 东道国风险识别 ...................................... 22
3.1.1 东道国风险的发展与构成 ............................. 22
3.1.2 东道国经济风险识别 ............................... 24
4 数据获得与处理 .................................. 39
4.1 数据获得 ...................................... 39
4.1.1 东道国样本分布 ................................ 39
4.1.2 被解释变量 .............................. 40
5 中国对外承包工程市场投资价值预测的实证分析 ...................... 44
5.1 决策树模型构建与分析 ............................ 44
5.1.1 决策树分类模型构建 .................................. 44
5.1.2 决策树模型预测结果分析 ............................ 46
5 中国对外承包工程市场投资价值预测的实证分析
5.1 决策树模型构建与分析
5.1.1 决策树分类模型构建
决策树（Decision Tree）分类模型，其工作原理基于树形结构，通过递归地将数据集划分为更小的、更纯净的子集来进行分类。决策树分类模型构建过程如下：
（1）特征选择
首先，分别基于信息熵（information entropy）和基尼系数（Gini Index）准则评估数据集的不纯度（混乱程度），通过评估每一个特征对于划分数据集的能力，从而选择出最能有效地将数据集划分为纯净子集的特征，即最优特征，作为当前节点的分裂标准。
其中，D表示数据集，pi(i=1,2,…,k)表示数据集中第i个类别样本所占的比例。Ent(D)值越小表示数据集的纯度越高，即样本类别越集中；Ent (D)值越大表示数据集的纯度越低，即样本类别越分散。
其中，D表示数据集，pi(i=1,2,…,k)表示数据集中第i个类别样本所占的比例。基尼系数的值范围在0到1之间，Gini(D)值越小表示数据集的纯度越高，即样本类别越集中；Gini(D)值越大表示数据集的纯度越低，即样本类别越分散。
在特征选择阶段，算法会计算每个特征的信息熵或基尼系数，并选择具有最小信息熵或基尼系数的特征作为当前节点的分裂标准。这样做的目的是为了使得划分后的子集尽可能纯净，即子集中样本的类别尽可能一致。在决策树生成过程中，信息熵和基尼系数也用于评估每个节点的纯度，以确定是否需要进行进一步的分裂。基尼系数同时考虑了所有类别的样本比例，避免了信息增益中可能存在的偏向于选择取值较多的特征的问题。
项目管理论文参考
................................
6 结论与展望
6.1 研究结论与建议
6.1.1 研究结论
本文首先对中国对外承包工程业务发展的历程与背景及相关研究文献进行了详细的调研，发现在对外投资快速发展的同时，东道国存在多维度的环境因素不确定性，这些东道国风险引起中国企业对外承包工程市场规模的波动，导致中国对外承包工程市场投资价值的动态变化。
其次，本文通过对东道国国家风险进行识别，并结合中国对外承包工程的行业特征、风险指标数据的可获得性以及不同风险指标对各个东道国的适用性，从经济、社会、政治三个维度出发，构建出本研究的东道国风险指标体系。其中包括经济维度的6个子指标：GDP，人均GDP，GDP增长率，货物和服务进口总额占 GDP 的百分比，外国直接投资净流入总额占 GDP 的百分比，年通货膨胀率；社会维度的6个子指标：教育公共开支总额占GDP的百分比，失业率，国土面积，人口密度，城镇化率，城镇化增长率；政治维度的4个子指标：是否为 “一带一路”共建国家，法律权利力度指数，公共部门透明度、问责性和腐败评级，因战死亡人数。共计3个一级指标，16个二级指标。东道国风险指标体系有助于中国对外承包工程企业在进入海外市场时，从经济、社会、政治等多个维度出发评估东道国的综合投资环境。
最后，根据构建的东道国风险指标体系所确定的16个解释变量，以及一个被解释变量——中国对外承包工程市场投资价值，收集并处理得到1757条有效研究数据。通过对变量数据进行深度学习，构建了决策树、随机森林、朴素贝叶斯、ExtraTrees、梯度提升树（GBDT）、XGBoost六种中国对外承包工程市场投资价值预测模型。通过交叉验证对预测模型的性能进行评估对比，发现随机森林、ExtraTrees、GBDT和XGBoost这四种模型的预测性能良好，决策树模型性能较为良好，朴素贝叶斯模型性能不够理想。同时得到了影响中国对外承包工程市场投资价值的东道国关键性风险因素：国土面积；城镇化增长率；GDP；城镇化率；人口密度；公共部门透明度、问责性和腐败评级；人均GDP；失业率。
参考文献（略）
