本研究发表于《兵工自动化》期刊2025年3月第44卷第3期。主要作者包括杨文俊（海军工程大学管理工程与装备经济系与海军装备部）、谢力（海军工程大学）、卢毅（海军装备部）、毛维平（海军装备部）以及王敦宇（四川九洲电器集团有限责任公司质量体系部）。

此项研究属于装备采购管理与风险评估的交叉领域。其学术背景源于当前装备采购合同履行风险评估实践中的两个核心不足：一是评估过程过于依赖专家经验，受主观因素影响较大，导致评估结果的可靠性与置信度不足；二是传统的风险分析方法未能有效揭示众多风险因素之间、以及风险因素与最终合同履行问题（如质量、进度、费用问题）之间的内在关联机理，使得合同监管者在获得风险评估结果后，难以进行精准、深入的风险溯源和有效的针对性防控。为了解决这些问题，研究团队提出并验证了一种新型的、基于数据驱动的风险评估方法，其核心目标是利用装备采购合同履行的历史数据，通过客观的计算模型来识别、分析和评估风险，从而提升评估的客观性、可信度，并为风险防控提供可视化的因果推理支持。

研究的工作流程清晰地分为三个主要步骤，构成一个完整的风险评估模型。

第一步是数据的收集与预处理，也即风险识别阶段。研究团队首先依据法规和合同履行流程，梳理并构建了一个覆盖装备研制、订购、试验、维修、保障等全流程的风险清单，包含质量、进度和费用三大类风险因素。这个清单为后续评估提供了基础框架。随后，针对特定的评估对象（例如某一承制单位的某一类装备采购合同），研究者从通用清单中筛选出相关风险因素，并根据实际情况进行补充和调整，最终形成一个专属于该类合同的、量化的风险因素数据库。数据来源于问题归零报告、合同监管纪实和合同文本等，风险因素的发生情况、问题类型（质量、进度、费用）及其严重程度（一般、严重、重大）均被编码为结构化数据（如0/1变量和分值），为后续的算法分析奠定了基础。

第二步是基于Apriori算法与贝叶斯网络的风险可视化分析。这是本研究的创新核心环节。研究者将预处理后的合同风险数据库导入数据分析工具（文中示例使用了IBM SPSS Modeler 18），并应用经典的Apriori关联规则挖掘算法。通过设定最小支持度（Min Support）和最小置信度（Min Confidence）等参数，算法自动从历史数据中挖掘出风险因素之间的强关联规则。例如，算法可能发现“保障条件不足”与“生产能力不足”同时出现的频率很高，并计算出两者关联的支持度、置信度和提升度（Lift）。提升度大于1表明两者存在正相关关系。这一过程揭示了风险因素之间隐藏的、客观存在的内在联系。为了更进一步地表达因果关系并实现可视化，研究者利用Apriori算法挖掘出的关联规则，反向构建了贝叶斯网络（Bayesian Network）结构。在构建的网络图中，风险因素（节点）之间的有向连线代表了依据数据推导出的因果关系或影响路径。例如，“合同约定周期/价格不合理”可能被识别为“保障条件不足”的父节点，而“保障条件不足”又指向“生产能力不足”，最终共同影响“进度问题”。这一步骤将原本抽象、分散的风险关联，转化为直观的、可追溯因果的网络图，极大地方便了监管者理解风险传导链条，进行深度风险分析。

第三步是基于Apriori-RMM的合同履行风险定量评价。此步骤旨在对单个风险和整体合同风险进行量化打分与等级划分。对于单个风险因素的风险值计算，研究者创造性地将风险矩阵法（Risk Matrix Method, RMM）与Apriori算法得出的置信度相结合。具体计算公式为：单个风险因素的风险值 = （该风险因素出现时导致各类问题的严重性分值累积） × （该风险因素对发生问题的置信度）。其中，严重性分值根据历史数据中伴随该风险出现的问题严重程度进行累计（如一般问题记1分，严重记3分，重大问题记5分）；而置信度则直接取自Apriori算法挖掘出的该风险因素导致质量、进度或费用问题的规则置信度。这样计算出的风险值，既考虑了风险后果的严重性，也结合了历史数据中该风险引发问题的客观概率。对于合同整体风险，则采用算数平均法，计算所有评估合同中问题严重性分值的平均值，并根据预设阈值（如0-0.5为一般，0.5-1.5为严重，1.5-5为重大）评定整体风险等级，且质量、进度、费用风险分开评价。

该研究的核心结果通过一个具体的案例分析得到了全面展示。研究者收集了某承制单位20份同类装备订购合同的历史数据，包含28个风险因素。应用Apriori算法后，在最小支持度12%、最小置信度20%的设置下，共挖掘出138条关联规则。以“生产能力不足”风险为例，分析结果显示“保障条件不足”、“设备老化或故障”等因素与之有强关联（提升度均大于1）。基于所有关联规则构建的贝叶斯网络图，清晰地展示了各类风险因素如何最终汇聚并导致质量或进度问题。在风险值计算与排序方面，“保障条件不足”以8.00的风险值位列第一，“合同约定周期/价格不合理”以6.75位列第二，“生产能力不足”以4.57位列第三。这一排序结果与贝叶斯网络分析相互印证，网络图显示“合同约定周期/价格不合理”正是导致“保障条件不足”进而引发“生产能力不足”和进度问题的根源。通过对20份合同的整体风险值计算，得出该类合同的质量风险值为0.15（一般风险），进度风险值为0.55（严重风险），费用风险值为0（无风险）。这一客观评估结果与同时进行的、由10名专家采用头脑风暴和打分法得出的主观评估结论（质量风险一般，进度风险严重）基本一致，但本研究方法完全基于数据驱动，过程可复现，避免了主观偏差，且耗时更短、效率更高。更重要的是，本方法提供的风险关联规则和贝叶斯网络图，为“为何进度风险是严重的”这一问题提供了清晰的因果解释（如根源在于合同约定周期/价格不合理），这是传统专家评估法难以系统提供的。

本研究的结论是，所提出的基于数据驱动Apriori-RMM的装备采购合同履行风险评估模型是可行且有效的。它能够有效消除主观因素对评估过程的干扰，提升评估结果的客观性和可信度；通过关联规则挖掘和贝叶斯网络构建，能够深入揭示风险因素间的内在关联与致因机理，实现了风险关系的可视化；最终的风险值计算与排序为风险防控提供了明确的优先级指引。该研究为装备合同监管者提供了一套科学的、可操作的评估工具，有助于提高监管效率，实现从“被动响应问题”到“主动预防风险”的转变。其方法论不仅适用于军事装备采购，也可为企业、政府等其他领域的合同履行风险评估工作提供有价值的借鉴。

本研究的亮点突出体现在以下几个方面：第一，方法论创新性强。创造性地将数据挖掘领域的Apriori算法、概率图模型贝叶斯网络与传统的风险矩阵法（RMM）有机结合，形成了一套从风险关联分析到因果可视化，再到定量评估的完整技术链条。第二，实现了风险评估的客观化与深度化。完全依靠历史数据驱动算法，避免了主观判断的局限性；同时，突破了一般风险评估只给出风险等级的局限，深入挖掘了风险间的关联与传导路径，使风险评估不仅知道“风险有多大”，还能知道“风险从何来”。第三，研究成果具有很高的实用价值。所构建的贝叶斯网络结构图为合同监管者提供了直观的风险分析“地图”，基于数据计算的单因素风险排序为资源分配和监管重点指明了方向，模型的可重复性和高效性也优于传统的专家会议评估模式。第四，案例验证充分。通过真实的装备采购合同数据对模型进行了完整演练，并将评估结果与传统专家评估结果进行了对比分析，有力地证明了模型的有效性和优势。