在风险预测领域，层次分析法（Li，et al.，2015）、模糊综合评价法（Sun，et al.，2014）、回归分析方法（Chang ＆Tsai，2014）、时间序列方法（罗登跃，等，2005）、马尔科夫链方法（王春丽和胡玲，2014）、灰色系统方法（金灿灿，等，2015）、神经网络方法（郭鹏和文晓阁，2015）等多种方法在金融风险（罗登跃，等，2005；王春丽和胡玲，2014；陈磊和黄薇，2011）、财务风险（Chang ＆Tsai，2014；王韧，等，2014）、灾害风险（Lai，et al.，2015；陈骥，等，2015）、安全风险（金灿灿，等，2015；司鹄和贾文梅，2014）、国家风险（施淑蓉和李建军，2015）等领域广为使用。然而这些方法也存在一定的局限。层次分析法和模糊综合评价法存在较多的主观性，难以反映事物的客观状态。回归分析法对样本数据要求较高，且缺乏对不确定性的分析能力。时间序列方法、马尔科夫链方法以及灰色系统方法主要针对数据序列本身趋势的预测，缺乏对预测对象内在影响因素的考虑，没有考虑各个因素之间的联系，不适用于国际工程政治风险的预测。而神经网络方法作为近些年发展起来的机器学习方法对解决复杂非线性问题具有重要价值，其通过对大量样本的学习自动提取合理的规则，具有较高的学习和预测能力。然而，国际工程政治风险本身所具有的不确定性，会导致神经网络模型的训练失败或过度拟合。训练失败是指国际工程政治风险的不确定性导致神经网络模型不能收敛；过度拟合是指神经网络模型将国际工程政治风险的不确定性当作确定性的规律进行分析，降低神经网络模型的预测精度。

鉴于政治风险的不确定性，在政治风险相关分析中，经常涉及模糊的、不一致的决策信息，这可能是多种原因造成的，而以确定性为基础的分析方法常常将这种不确定性简单地视为系统的噪声或误差，从而忽略其中可能蕴含的重要决策信息。贝叶斯网络作为一种智能化的数据挖掘和知识发现方法，其智能推理能力对于处理这种不确定、不一致的信息具有重要作用，已被广泛应用于疾病预知和诊断（Lappenschaar，et al.，2013）、故障诊断（何小飞，等，2011）、风险评估与预警（裘江南，等，2011；Dialsingh，2014）。因此本研究应用贝叶斯网络从国际工程政治风险案例中挖掘知识，将不确定或不精确的知识以有向图加条件概率的形式直观且量化的表现出来。

然而，传统的贝叶斯网络的建立过程主要依赖主观经验，再加上本研究涉及的影响因素较多，直接建立贝叶斯网络势必缺乏说服力且异常复杂，而过于复杂的贝叶斯网络会导致计算复杂和过度拟合的问题。此外，本研究涉及不同种类政治风险的预测，不同政治风险的影响因素也不尽相同，若不加考虑直接使用上文识别出的影响因素进行建模，则难以避免在网络中引入不相关的节点，增加模型噪声，降低其预测能力。

因此，为了使贝叶斯网络的建立过程更加严谨，并且降低网络复杂度，提高节点相关性，进而提高贝叶斯网络的预测能力和预测效率，本研究首先使用Logistic回归模型对样本和影响因素进行分析，挖掘出每种政治风险对应的最相关的影响因素，以及影响因素之间的因果关系。以Logistic回归模型输出的结果为基础，建立贝叶斯网络结构，既保持贝叶斯网络推理过程的柔性和容错性，同时增加其网络结构的精确性（方耀宁，等，2014）。在贝叶斯网络的Netica软件中，利用第4章收集的案例数据作为样本对贝叶斯网络模型进行机器学习训练，得到基于贝叶斯网络的国际工程政治风险智能预测模型。(www.daowen.com)

综上，本书建立国际工程政治风险的预测模型基本思路如图5－1所示。

图5－1　国际工程政治风险的智能预测模型基本思路图