基于需求视角的软件外包项目风险影响机制分析与预测研究_.pdf

improvethesuccessrateoftheproject.

Keywords:softwareoutsourcingprojectrisk;structureequation;mediumeffect

model;causalityforest;SMOTEoversampling;machinelearning

III

2.6.3随机森林预测模型特征重要性计算23

2.6.4BP神经网络预测模型特征重要性计算24

2.7模型评价标准24

2.7.1结构方程模型常用的适配度指标或统计量24

2.7.2混淆矩阵26

第三章基于需求视角的软件的外包项目风险影响因素分析27

3.1数据来源与指标选取27

3.1.1数据来源27

3.1.2指标体系的构建28

3.2描述统计分析30

3.2.1数据信效度分析30

3.2.2描述统计31

3.2.3多变量Kendall协同系数检验32

3.2.4Spearman秩相关检验33

3.2.5Mann-Whitney秩和检验33

第四章基于需求视角的软件的外包项目风险影响机制分析35

4.1理论分析35

4.2基于结构方程模型的影响机制研究及结果分析36

4.3模型检验38

4.4基于逻辑回归中介效应的稳健性检验39

4.5基于因果森林的异质性分析41

4.6本章小结43

第五章基于不平衡数据的外包项目风险预测模型研究44

5.1不平衡数据分析44

5.2采用SOMTE过采样前后数据预测结果对比45

5.3本章小结56

第六章结论与建议58

6.1结论58

6.2建议58

参考文献59

附录65

附录A调查问卷65

附录B各类企业的权重68

附录C因果森林异质性分析代码68

附录D机器学习预测模型代码69

附录E决策树模型结果86

对比传统的统计模型，统计机器学习算法更具计算优势。

统计机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分

析、算法复杂度理论等多个领域。依托机器学习模型，人们可以通过理论证明和

实证研究，揭示数据所蕴含的知识。然而，传统的以神经网络和深度学习为代表

的机器学习算法大多基于数据驱动，算法可解释性不强，运算结果甚至不可解释，

“”

更容易受伪相关数据误导。因此，传统的主流机器学习算法既不能从理论上证

明因果关系，也不能从实证中验证因果关系。虑及于此，Pearl(1995)等一些学者

开始探索因果关系的数学表示，并逐步与机器学习算法相结合，形成了机器学习

的重要分支之一，即因果机器学习研究。机器学习是一门人工智能的算法科学，

人类可以借助经验知识和所获得的数据，优化计算机算法，使之具备可解释性，

可解释性机器学习应运而生(Pearl,2009)。若能将因果关系的知识融入到机器学

“”“+”

习算法中，使模型由原来的数据驱动模型升级为数据知识驱动模型，其结

果将更具合理性。同时，也可以利用已有经验知识清除数据“伪相关”的负面影响。

本文从需求管理视角入手，利用构建的因果模型与因果机器学习模型，研究

软件外包风险的影响因素和影响机制。首先，本文运用非参数统计分析软件外包

项目成功率影响因素；其次，以需求风险作为中介变量，对软件外包风险影响机

制进行实证分析；第三，运用因果机器学习算法进行异质性分析；第四，采用重

采样方法平衡数据后对项目成功与否进行预测。最终，将上述方法和管理模式分

析成果运用到软件外包风险评估领域，探索影响软件外包开发成功率的风险因素

及其影响机制，以期为我国软件外包领域建立蕴含因果关系的、具备可解释性的、

科学化的管理模型。

1.1.2研究意义

(1)理论意义

①从软件理论角度完善了软件外包理论。现有研