1）关于风险及脆弱性、弹性等概念及相关理论

传统的风险理论中，风险多被表征为风险事件所造成的潜在后果的严重程度与发生的可能性之乘积（即：Risk＝Severity×Possibility），但忽视或低估受灾体（如工程项目系统）本身的特性及受灾体的能动性作用。Birch和McEvoy（1992）认为当外在的威胁（Threat）和内在的脆弱性（Vulnerability）重叠时就产生了风险。脆弱性反映了系统的内在特征，不依赖于外在威胁，但却为外在威胁所利用（如同计算机病毒利用系统漏洞、细菌侵袭伤口），体现了系统在外在威胁下的易损性。本研究中，国际工程项目的政治风险是政治事件对项目经营环境造成的威胁与项目系统脆弱性共同作用的产物，即：Risk＝f（Threat，Vulnerability）。

脆弱性理论已被应用于工程项目管理领域（Zhang，2007）。一些学者从不同的角度来描述和研究系统的脆弱性，如风险暴露、敏感性、能力、弹性、健壮性、适应性和恢复等（Vogel，et al.，2007；Haimes，2009），研究从不同的视角、面对不同的问题和层次，提出了降低系统脆弱性的理论和方法。Deng和Low（2013）将脆弱性理论与竞争优势理论结合起来，从风险暴露（Exposure）和能力（Capacity）两个维度（各包括三个次维度）对工程项目系统在政治威胁背景下的脆弱性状态进行了测度。

弹性概念源于物理学，是指物体受外力作用发生形态变化，除去作用力能恢复原来状态的性质。弹性体现了系统在外界环境不稳定下的维持和适应能力（Adger，2003），以及恢复平衡的速度和能力（Haimes，2009）。一些学者研究利用企业弹性克服其脆弱性进而形成竞争优势（Sheffi，2013），以及面临恐怖袭击时的企业弹性研究。赵林度（2009）则将生物细胞弹性的思想引入供应链风险管理体系，研究了供应链细胞弹性模型、弹性系数和临界态。

2）关于风险分析、预测和控制的相关理论和方法

传统的风险研究多侧重于单个风险因素，这种方式无法构造所研究问题的整体框架，同时局限于风险量化的简单叠加，难以反映各种风险变量的相互关系。基于风险网络（Risk Network）的观点进行风险分析和评价逐渐成为一种趋势，从风险网络的角度去研究不同风险因素的相互联系。相应的研究主要有：复杂网络理论（Brookfield ＆Boussabaine，2009）、风险链（西宝和李一军，2002）、风险路径（Ozcan et al.，2011）和基于约束理论的关键链技术（王元明和赵道致，2008），以及应用影响图理论进行风险分析（石晓军和任志安，2000）。贝叶斯网络因具有强大的不确定性问题处理能力而被广泛应用于大型项目的风险评估中（李良和戎凯，2010）。McKelvey和Andriani（2010）指出一些极端风险事件的形成具有典型的复杂网络结构特征。(www.daowen.com)

人工神经网络技术、系统动力学已经应用于预测系统，案例推理、模糊推理、规则推理和混沌理论等也逐渐用于预测领域（Herrero，et al.，2011；肖利民，2006；崔啸，等，2011）。信息技术和决策技术越来越多地应用于风险管理的研究中，如范例推理（Case－based Reasoning，CBR）、规则推理（Rule－based Reasoning，RBR）、贝叶斯网络推理（Bayesian Network Reasoning，BNR）、数据挖掘技术（Data Mining）、数据仓库技术（Data Warehouse）、数据库知识发现技术（Knowledge Discovery in Database，KDD）、模拟仿真技术、决策支持系统（Decision Support System，DSS）等（Lu，et al.，2013；Caron，et al.，2012；Sousa ＆Einstein，2011；Chen，et al.，2012；Cheng，et al.，2012；Hopkins，2011；Chao ＆Marle，2012）。这些理论和方法为本研究提供了很好的借鉴。

3）数据挖掘方法应用于风险管理

数据挖掘的过程就是知识发现（Knowledge Discovery in Database）的过程。数据挖掘就是从数据库中积累的大量数据中自动发现隐含的、新颖的、对管理决策具有潜在价值的知识，并找出这些数据之间潜在的依赖关系（Fayyad，et al.，1996）。数据挖掘的诞生和发展是建立在数据库技术、人工智能和机器学习等多种学科发展的基础之上的。数据挖掘方法主要包括：决策树方法、概念树方法、粗糙集方法、神经网络方法、遗传算法、统计分析方法、模糊论方法等。这些方法分别从不同的角度进行数据挖掘和知识发现，当然一个完善的数据挖掘系统通常采用多种技术，结合它们各自的优点设计出有效的、集成的技术。

Herrero等（2011）采用基于神经网络的数据挖掘方法对跨国企业的政治风险进行了分析。Ahiagadagbui和Smith（2014）使用基于神经网络的数据挖掘方法建立了建设工程项目成本超支的预测模型。Cheng等（2012）使用基于相似系数聚类分析的数据挖掘方法建立了水利工程项目的风险预警系统。Hu等（2013）基于302个案例数据利用贝叶斯网络方法建立了软件项目风险的因果关系挖掘框架。Bohacik和Davis（2013）研究了基于模糊规则的知识发现系统在心血管病人的风险评估中的应用。Leu和Chang（2015）结合故障树和贝叶斯网络，构建了钢结构工程施工现场人员坠落风险的评估模型。Chen等学者（2015）将Logistic回归模型与贝叶斯网络相结合，通过Logistic回归模型识别出的关键因素建立贝叶斯网络结构，从而建立了车辆追尾事故的预测模型。数据挖掘方法已成为风险相关研究应用的重要方法之一。