2. 工程项目风险识别基础

风险识别是AI风险预测的起点。如果输入的风险项本身不完整、分类混乱或颗粒度不一致，后续无论用多复杂的模型，输出的预警结果都不可信。本节要解决的核心问题是：如何把工期、成本、质量、安全、环境、供应链等分散的风险源，整理成一套可分类、可编码、可复用的风险清单，为后续的数据采集与模型训练提供统一口径。

一、六类典型风险源及其工程表现

工程项目的风险源可按管理目标划分为六个维度，每个维度都有其典型的触发条件和可观测信号：

• 工期风险：关键线路工序延误、资源投入不足、设计变更频繁、恶劣天气停工。可观测信号包括进度偏差率（SV）、关键工序完成率、停工天数。
• 成本风险：材料价格波动、工程量变更、返工损失、资金到位延迟。可观测信号包括成本偏差率（CV）、材料价差、变更签证金额占比。
• 质量风险：工序验收不合格、材料性能不达标、施工工艺偏差。可观测信号包括一次验收合格率、返工率、质量缺陷频次。
• 安全风险：高处作业、深基坑、起重吊装、临时用电等危险源失控。可观测信号包括隐患整改率、违章次数、安全巡检评分。
• 环境风险：扬尘超标、噪声投诉、废水排放不合规、生态扰动。可观测信号包括PM10浓度、噪声分贝值、环保投诉次数。
• 供应链风险：供应商断供、物流延迟、质量批次问题、合同违约。可观测信号包括到货及时率、供应商履约评分、库存安全天数。

这六类风险并非孤立存在。例如，供应链延迟会直接传导为工期风险，工期压缩又可能诱发安全与质量风险。因此，风险识别不能只做单点罗列，而要同时记录风险之间的传导关系。

二、风险分类的工程化方法

风险分类不是学术分类，而是为了后续数据采集和模型训练服务。推荐采用“维度—层级—编码”三级结构：

第一级：风险维度。即上述六类，作为顶层分类。每个维度下再分二级子类，例如工期风险下分“设计变更”“资源不足”“天气影响”“外部协调”四个子类。

第二级：风险事件。每个子类对应若干具体风险事件，例如“设计变更”下可列出“图纸交付延迟”“变更未及时下发”“变更工程量争议”等。

第三级：风险编码。采用“维度缩写-子类序号-事件序号”格式，如 R-SC-01-03 表示供应链风险第1子类第3个事件。编码一旦确定，在项目全生命周期内不得随意变更，以保证数据连续性。

三、风险清单的字段设计与填写示例

一份可直接用于AI风险预测的风险清单，至少应包含以下字段：风险编码、风险名称、所属维度、触发条件（量化阈值）、影响维度、传导路径、数据来源、责任岗位、当前状态。以下为示例片段（数据为教学假设，非实测）：

填写时注意三点：触发条件必须可量化，避免“情况严重”这类模糊描述；传导路径要写清下游风险编码，便于构建风险传导网络；数据来源要对应到具体台账或监测点，确保后续AI模型能自动抓取。

四、从风险源到风险清单的操作流程

实际工作中，可按以下步骤完成一次完整的风险识别与清单建立：

1. 收集输入：调取施工组织设计、进度计划、成本预算、安全专项方案、环保批复、供应商合同等基础文件。
2. 分解工作包：按WBS将项目分解到可识别风险的工作包层级，通常到分部分项工程即可。
3. 逐项识别：对每个工作包，从六个维度逐一提问“这里可能出什么问题”，记录风险事件。
4. 编码与分类：按三级编码规则赋予唯一编码，归入对应维度和子类。
5. 设定触发条件：结合历史数据或专家经验，为每个风险事件设定可量化的预警阈值。
6. 标注传导关系：识别风险之间的因果链，填写传导路径字段。
7. 评审与发布：组织技术、安全、物资、环保等岗位会审，确认无遗漏后发布为项目级风险清单。

五、常见问题与判断依据

初学者常犯的错误包括：风险颗粒度过粗（如只写“工期风险”而不分解到具体事件）、触发条件不可量化、传导路径缺失、编码重复或冲突。判断一份风险清单是否合格，可用三个标准检验：

• 可采集：每个风险事件的数据来源是否明确到具体台账、监测点或系统字段。
• 可判断：触发条件是否能用“大于/小于/等于某数值持续某时长”的形式表达。
• 可追溯：编码是否唯一且稳定，传导路径是否能形成有向图而非孤立点。