翻译文献预测信息技术项目升级：神经网络法.docx

计算机，人工智能与计算机技术预测信息技术项目升级：神经网络法G. Peter Zhang a,*, Mark Keil b, Arun Rai c, Joan Mann da管理部，J麦克罗宾森商学院，乔治亚洲立大学，亚特兰大，GA 30303，美国b计算机信息系统部，J麦克罗宾森商学院，乔治亚洲立大学，亚特兰大， GA 30303，美国c电子商务研究所，J麦克罗宾森商学院，乔治亚洲立大学，亚特兰大，GA 30303，美国d管理信息系统/DS，商业与公共管理学院，欧道明大学，诺福克，VA 53529，美国于2001年9月20日收到；于2002年3月11日接受摘要 信息系统（IT）项目会经常螺旋失控而成为失控系统以至于远超他们的原定预算与预定日期。这些升级项目大部分最终被放弃或者明显被重新定向为不提供预期的商业价值。由于IT项目的战略重要性与大量资源参与IT项目的开发，那么预测项目升级的能力就很重要了。在这个研究中，我们在预测项目升级时建立一个有效的预警系统，从而比较了神经网络和逻辑回归模型。变量选择方法用来从那些项目管理文献和四个行为理论指导确定最重要的预测可变因素。结果表明神经网络法用来预测要大大优于传统统计方法逻辑回归。此外，在一个IT项目的成功中项目管理因素被发现比行为因素更关键。 2002 Elsevier科学有限公司保留所有权。关键字：项目管理；IT项目升级；神经网络；逻辑回归；因素选择1. 介绍“项目升级“或”项目失控“是经常用来描述疯狂超出预算的和或拖延超过他们原定日期的坏项目的术语，而且会继续吸收有价值的资源。而这些升级项目大多数会最终被放弃或者完全被重新定向，因为他们往往不能提供他们保证的预期利益或商业价值。而升级一个有问题的任意类型的项目的承诺是普遍现象，信息技术（IT）项目可能更容易遇到此问题。由于软件产品的无形性，经常难以准确测量在一个IT项目中所取得的进展，这可能会促使承诺升级有一个错误的感知认为项目接近成功。IT项目也更具活力并且趋向易变要求导致项目涉及范围变化频繁，而使他们非常难于管理和控制。IT项目的失败在两种学术研究文献（Gibbs, 1994; Keil, 1995; Flowers, 1996; Glass, 1997, 1998)和流行媒体(Betts, 1992; Ellis, 1994; Tomsho, 1994; Leib, 1995)中是有文件备份的常见现象。虽然很难获得IT项目失败频率的统计数字，但也表明出最少有一半的IT项目并没有像我们希望的那样成功(Gladden, 1982; Lyytinen and Hirschheim, 1987)。根据Standish小组的研究，被调查的软件开发项目中只有16%按时并在预算内完成(Johnson, 1995)。Keil等人（2000）报告30%到40%的IT项目表现出一定程度的升级。 IT项目的失败造成了浪费。根据Johnson（1995）所述，直到1994年美国在IT应用发展的花费已经达到了2500亿美元。鉴于IT项目的战略重要性以及发展IT系统迅速增长的花费，近年来项目失败的相关利益急剧上升。据统计不成功的项目每年浪费了美国组织数十亿美元在成本超支和项目失败上(Johnson,1995)。比如说，一个加利福尼亚州的机动车辆项目部门，它在最终被放弃前花费了整整4940万美元(Ellis, 1994)。在1992年，加州的社会服务部门开始了一个预算在7550万美元以下完工日期在1995年9月的全国范围性的自动化儿童辅助系统。这个项目最终在1997年11月被取消且最终成本估计为3.45亿美元(Newcombe,1998)。丹佛国际机场原定于1993年10月开放，然而问题是花费几百万美元的行李处理系统，使得机场延迟16个月开放并且使得预算超支了20亿美元(Montealegre and Keil, 2000)。为了防止项目升级和避免昂贵的最终失败的陷入困境的项目，开发早期预警系统或者开发能够从那些项目中区分出更容易升级的模型就很重要了。而传统的统计方法如判别分析与逻辑回归经常被用作主要的建模工具，它们会遇到限制性假设等问题如线性，常态，独立预测变量，和标准变量与预测变量之间的预先制定功能。这些模型只有当大部分统计假设是有效的情况下才能很好的运行。我们的研究使用人造神经网络作为主要工具，模拟IT项目将会升级的可能性和项目管理与升级的文献中的一些预测变量之间的关系。神经网络是早已成功地应用在不同领域的模式识别与模式分类的先进的工具，比如医疗诊断，破产预测，信用分级，和语音识别。不同于传统方法，神经网络法不需要预先指定功能或者描述数据中的潜在关系分布。相反，他们让数据自己说话并且有能力贴近任意精度的相似函数(Hornik, 1991)。此外，神经网络即非线性模型本身，这使得他们在建立许多不同类别的复杂模型时非常灵活，包括不同预测变量之间的相互影响。张先生（2000）提供了一个集中评论分类应用神经网络的主要问题并讨论了神经网络与传统模型之间的联系和差异。除了探索神经网络法在捕捉项目升级趋势和项目管理与升级文献中的各种结构派生之间的关系的潜力，本研究的主要目的是：（1）辨别在升级与非升级项目中有最高识别能力的最关键的因素，和（2）比较神经网络和逻辑回归的建模与预测能力。由于潜在的大量预测变量可能会影响项目的升级，在为项目升级建立一个简约预测模型时选择一套最合适的输入变量就显得尤为重要。一个简约模型计算量很小，并且更加贴合问题。而且，少量的预测变量可以使得IT项目经理能够使他们的集中精力在关键因素的管理与控制上而使得项目取得成功。本文的其余部分安排如下。下一节简要回顾项目升级的文献与讨论来源于一些项目管理文献中升级理论的构造派生问题。研究方法在第三节中描述，第四节中讨论结果。最后一部分为本文结论。2. 结构影响着项目升级升级时项目出现问题是继续下去而不是放弃或者重新定向。结构派生来自于项目管理与升级文献，可能在项目升级软件中有效(Keil et al., 2001)。2.1 项目管理文献中的结构派生有一个关于为何IT项目会螺旋失控的解释是，缺乏项目管理经验。事实上，项目管理结构一贯与项目软件的最终成败相一致(Alter and Ginzberg, 1978; Jones and McLean, 1970; Slevin and Pinto, 1986; Abdel-Hamid and Madnick, 1991; Jiang et al., 2001)。因此，项目管理文献中的结构派生给出了一种合理的方法去区别项目需要升级与否。项目管理文献中的结构派生包括：项目计划，项目规划，项目评估，资源可用性，项目追踪与项目控制。表1总结了这些结构以及他们如何与涉及项目升级。2.2 在升级文献中的结构派生升级也会受到心理，社会，组织问题等相关行为因素的影响。在升级文献中提供了一些承认行动失败的理论解释。一些理论提供了对于升级现象的报告(see Brockner, 1992, for a review)，包括自我辩论理论(Staw,1976)，预期理论(Whyte, 1986)代理理论(Harrison and Harrell, 1993)和方法回避论(Rubin and Brockner, 1975; Brockner et al., 1979)。表2总结了这些理论与来自他们的结构派生 除了上述六个项目管理因素和六个行为因素，项目大小也在项目升级中发挥表1项目管理文献中的结构派生结构 结构与升级之间的关系项目计划 如果一个项目没有妥善的进行计划，就可能在项目的纲领或范围上没有共同的认知，并且会在整个项目过程中缺乏对于意外状况的计划。因此，错误的任务可能会被进行或者正确的任务会被进行但没有确切的期限，记录点，和重要事件。项目缺乏计划会导致发生不容易被注意到的波折从而妥善处理他们。因此，缺乏计划会促进升级行为。项目规范 缺乏规范会导致大量的变更需求以及范围蠕变。这些变化可能会需要重新设计或重新编写已经完成的系统。当不好的规范在早期（如：分析）被发现并不像在晚期（如：开发）被发现，后者会影响项目的开发成本，开发进度以及项目的可行性。差的规范会导致需求不断变化，而每次变化都会使决策者产生错误的安全感：“这次是正确的。”因此，缺乏规范可能会促进一种缓慢的承诺升级现象。项目评估 在信息系统项目中去完成项目时经常低估必须资源（如：时间，资金，人员）是常有的问题。当评估经常出错，这是很容易忽视的偏离计划的标志（即，有倾向不去处理这些负反馈）。长期低估信息系统项目的范围和复杂性会促使升级从而防止决策者区分“正常”偏离计划和严重偏离计划。资源可用性 资源不足会妨碍项目完成，导致项目被放弃和/或失败。另一方面，有趣的是一个陷入困境的项目拥有太多资源会促使过程失败的升级。项目监控 当项目进展没有被好好监控，预算超支和进度拖延就可能不被注意，问题就会随着软件的开发而出现。缺乏监管会促进升级陷入困境的项目而它应该被终止或者完全重新定向。项目控制 控制行为进行在监控后发现问题的项目。控制行为的目的是让项目回到正轨。当差的控制机制发生时，管理者可能无法对被检测到的问题采取任何行动（无控制）或者管理者采取的行动效率低下（控制不当）。没有有效的控制机制，一个出问题的项目很可能会在错误的道路上继续。因此，不良的控制会导致项目升级。作用。为此，我们也考虑项目规模作为一个潜在的结构以研究大项目是否更容易升级。综上所述，我们选择了13种结构作为潜在的预测变量解释项目升级的可能性。表3给出了这些因素的定义总结。多种方法用于所有结构上，但只能采取单项措施的沉没成本效应除外。所有的测量尺度都是二分法（即，受试者被要求说明一个因素存在与否）。测量的信息的可靠性与有效性和测量的确切用语已经被Keil等人发现。3. 研究方法本研究的主要目的是建立一个神经网络模型来预测IT项目的升级。在所有的建模实践中，简约是一个重要的考虑因素。因此，我们的目标是实现具有最高识别能力的最小模型。神经网络和逻辑回归都被用来研究升级可能性与相关行为与项目管理因素之间的关系。变量选择程序用来帮助识别最重要的预测变量。选择逻辑回归作为基准是基于一个这样的事实：它是双群分类问题最流行的统计工具，而且在实践中它经常优于判别分析，因为它在同类别的正太分布中限制性假设更少(Press and Wilson, 1978)。此外，神经网络与逻辑回归之间还存在着密切的联系(Schumacher et al., 1996)。事实上当物流传递模型被用于输出节点时，没有隐藏节点的简单的神经网络是与逻辑回归模型相同的。3.1 逻辑回归逻辑回归是应用于双群分类问题的最流行的分类模型之一。设Y为一个二元反应变量；如果项目升级Y=1，如果项目不升级Y=0。假设X是一个解释或预测变量，逻辑回归模型联系的解释变量的发生概率如下式：其中是一个常量，是预测变量系数的向量。模型（1）显示了兴趣组的实验对象是预测变量的线性组合逻辑函数的概率。逻辑回归模型可以在表示左手边p（1）下表示为如下对数式：由于（1）和（2），逻辑回归模型可以理解为后验概率或比值比，这在逻辑回归模型结果的解释中起到至关重要的作用。逻辑模型的局限性在于它是一个变量统计模型，该模型使用一个预先规定的表二升级文献中的结构派生理论 理论阐释升级 构成自我申辩理论 管理者们持续投入资源这一失败做法是为了自我辩护早期 心理自我辩护（STJ） 决定采取特殊行动的正确性。自我辩护的需要是出于心理 社会自我辩护 性与社会性的。无形中增长的社会压力需要自我辩护，而 这往往是挽回面子的行为。前景理论（PT） 管理者们持续投入资源的行为是失败的，是因为决策是在 沉没成本效应寻求冒险的失败行为之间做出选择。沉没成本被认为是在失败的框架中求得一个选择而诱导了升级行为。代理理论（AT） 管理者们投入资源的做法是失败的，是因为他们只按照自 目标不一致己的最佳利益去做，但管理者和他的上司目标不一致，而 信息不对称且他们的信息条件不对称方法回避理论 管理者们对一个正在失败的项目投入资源，是因为驱使他们 完成效应（AAT） 这样做的力量（驱动力）要强于那些建议他们终止的力力量（抑制力）。一个关键的驱动力是，鼓励升级可以接近目标，或者起到标志完成的效果。构成选择自每个理论，因为他们代表着理论的关键特征，且由于文献描述了他们突出在升级的背景下的特殊结构。我们没有要求每个理论都具有充分的可操作性。固定形式而不首先检查数据特征。此外，它本质上是一个线性模型，不可能包含非线性关系或预测变量之间的依存关系。3.2 神经网络分类神经网络已经被应用于各种业务分类问题。大多数应用在经常被看做分类问题上如：金融信用评级，破产预测，债券评级，贷款评估，抵押贷款选择和业务失败等。在信息系统文献中，神经网络已被成功的应用在计算机项目分线分析(Khoshgoftaar and Lanning, 1995)，计算机访问安全(Obaidat and Macchairolo, 1994)，病毒识别与分类(Doumas et al., 1995)，数据挖掘与决策支持(Spangler et al., 1999)，互联网用户建模(Moghrabi and Eid, 1995)，IT采纳(Setiono et al., 1998)，软件故障预测(Sherer, 1995)，和软件质量预测(Lanubile and Visaggio, 1997)，等等。表3项目升级中的预测因素预测因素 定义 标志项目计划 在某种程度上，项目组充分解决调度，风险识别和人力资源的 计划分配问题。项目规范 在某种程度上，项目组需充分理解用户需求。 指定项目评估 在某种程度上，项目组需要充分估计项目所需时间与完成计划 评估 的所需资源。资源可用性 在某种程度上，需要有足够的资源分配以完成项目。 资源项目监控 在某种程度上，项目组要能够发现项目中的问题。 监控项目控制 在某种程度上，项目组可以让项目在出现问题时回到正轨。 控制心理自我辩护 在某种程度上，主要决策者（们）有可能对项目的结果感到个 心理自我辩护人的责任更为重大，因为他们发起，或广泛的参与了它。社会自我辩护 在某种程度上，主要决策者（们）和项目有密切的联系时可能 社会自我辩护会感到社会压力，如果项目被放弃的话。沉没成本效应 在某种程度上，主要决策者（们）提及过去的项目投资作为一 沉没个理由而继续。目标不一致 在某种程度上，主要决策者（们）应该与上司有同样的目标。 不一致信息不对称 在某种程度上，高层管理者作为主要决策人应该有相同的项目 信息不对称信息。完成效应 在某种程度上，主要决策者（们）表现出我们是如此接近项目 完成结束的态度时，我们应该坚持，或者我们已经继续的太远以至于不能离开作为继续项目的理由。项目规模 相对于项目规模与其他IS项目相比被团队进行 规模神经网络是一个相互连接节点的分层计算系统，执行从输入层到输出层的功能映射。它的特点是网络配置，如层数，节点之间的连接，以及层与层之间的连接功能。在这项研究中，我们采用了一个隐藏层的前馈网络。设X=（x1，x2，.，xm）是输入变量m的矢量，Y是网络输出，w1和w2分别是从输入到隐藏层和从隐藏到输出层的连接权重矩阵。而三层神经网络是非线性模型的形式其中f1和f2分别是隐藏节点与输出节点的传递函数。F1和f2最普遍的选择是如下式的S型（逻辑）函数它已经表明，这种类型的简单的结构化网络可以近似任何类型的非线性函数(Hornik,1991)。另外，神经网络的输出会是一个无偏差的后验概率P（Y=1|x），且在贝叶斯分类理论中起着重要作用(Richard and Lippmann,1991)。在一个分类问题中，确定神经网络结构相当于指定隐藏节点的数量，因为数量的输入和输出节点通常是由问题的特点决定的。输入节点的数量等于数据集中的预测变量的数量。对于一个双群分类问题，只有一个输出节点时必要的。在理论上隐藏节点的数量是难以确定的，尽管启发式规则是可用的。在这项研究中，我们通过交叉验证确定了此参数。即，模型的建立进行了试验样本，然后模型性能被测试样品所监测。随着隐藏节点数量的增加，据观察，试验样本的绩效在均方误差和（SSE）和整体分类水平中不断提高，而试验样品的结果通常变得更糟。根据均方误差和与分类水平所能得到的最好结果是一个隐藏节点。因此，一个隐藏节点的网络在本文中将被进一步分析。神经网络试验是确定包括连接权值与阈值等网络参数的过程。试验的目标是在试验样本中完成最小均方误差和。由于非线性优化过程中涉及到的训练过程中固有的局限性，不能保证全局最优解。一个增加找到好的解决方案的办法使用多个起始权重。本研究在试验中采用了动态规划算法(Subramanian and Hung, 1993)。使用基于反向传播的一般非线性编程方法行进试验的好处已经被Subramanian and Hung讨论过了。3.3 变量选择变量选择在构建神经系统以及经典分类中是一个重要的事情。变量选择的目的是寻找一个只包含重要信息的简约模型并可以得到令人满意的预测性能。因为维数灾难，为了有更好的预测和更少的计算密度模型，在分类器中去限制输入特性的数量经常是可取并必要的。通常一个具有许多预测变量的复杂模型比简单模型更符合数据，但其对不可见数据的预测能力明显下降-即著名的过度拟合现象。预测的可靠性与准确性可以用所有可用变量中的一个小子集来提高。大量统计变量选择的标准与搜索算法已经在模式识别文献中开发出来了。其中的一些统计特征选择方法不能直接应用到神经分类器由于神经网络的非参数性质。因此，用神经网络分类器开发适当的变量选择方法已经受到了神经网络应用领域的许多关注。文献中所提供的大部分方法是启发于本质上的，与灵感源于统计变量选择过程。在本研究中，我们使用后向消去法(Hu et al., 1996)去确定最好的变量子集去解释软件项目过程。该方法开始于包含所有变量的完整模型，然后跟少于完整模型的只有一个变量的精简模型做比较。在形成的精简模型中，一次只消除一个变量。根据F比值得到的最低有效变量将被从模型中移除。重复一次去掉一个变量的过程，直到模型中没有其他变量达到f比值预先设定的水平，成为F-out。F比值的定义为其中SSER与SSEF分别代表精简与完整模型；dfR与dfF各自的模型的自由度。自由度被计算为输入模式的数目和估计参数的数量之间的差。F比值总结了一个输入变量在模型拟合中的贡献。在传统回归分析中，F在正常假设中为F分布，因此分界点F-out可以确定任何可取的显著水平。然而神经网络的输出几乎是正态分布，因此无法确定F-out的精确值。在本研究中，我们设F-out为1.50，一个接近F分布分位点的值与本研究中采用的自由度的类似范围和0.10的显著水平相关联。需要注意的是，设置F-out的水平类似于在统计变量选择过程中设置水平，因此更严格的选择显著水平将导致更高层次的F比值的阈值。截止数量被预选，且这里使用的显著水平与逻辑回归中的选择变量相同。13.4 数据在一个代表性的调查中，信息系统审计与控制的专业人员用来在升级与非升级项目中收集数据。IS审计师被选择研究是因为他们在扮演着监控软件项目的角色。审计人员是陷入困难的软件项目信息的首选来源是因为他们比管理者或项目团队更加客观。本研究的对象池包括在美国所有信息系统审计与控制协会的成员，自称为IS审计经理，IS审计师，内部审计师，或外部审计师。为了提供一个控制组达到比较的目的，开发出了两个不同版本的调查工具：一个用来收集软件项目升级的信息另一个用来收集项目没有升级的信息、后者的-1如果显著水平设定在0.05变量选择的结果将不会改变。调查目的是提供另一个参考点，或基线，使我们能够测试各种模型用来区分使用不同升级理论的构造派生以及项目管理文献中的构造派生的升级与非升级项目。参与者收到了“非升级“版本的调查被要求选择一个进展顺利，以至于回答者从未想过停止或重定向的项目。需要着重注意的是，这两个不同版本的调查都是相同的，除了说明关于什么类型的项目选择，从而使非升级调查组能够作为比较的基准。调查包含多个项目来测量每个结构(Keil et al., 2000)。对于每个项目，受访者被要求表明项目中是否存在变量。关于更详细的调查设计，取样程序，预先测试，和调查引导，见于Mann（1996）。对于调查的全面管理，决定将样品分为70:30，而70%的参与者将收到升级的版本的调查，30%的参与者将收到非升级版本的调查。这样做是为了最大化主要集中区域的升级子样品的规模，同时为了确保在非升级子样品中有足够数目的项目，以容许两组有比较的意义。（Mann，1996）。在所有条件下，随即决定参与者收到升级或者非升级的调查。从调查信息中得到了总共有237个包含具有13个预测变量与二元反应变量的完整信息的观测结果。使用交叉验证法，总体可用数据可分为试验样本（n=188）和测试样本（n=49）。在试验样本中，有128个观测样本在升级组，60个在非升级组。在测试样本中，有33个在升级组16个在非升级组。而分类变量升级组被编为1非升级组为0。4 结果逻辑回归模型的建立是一个简单的参数估计过程如假定基本模型。通过SAS逻辑程序得到了最大似然估计的参数。另一方面，建立一个神经网络模型需要更多努力的估计模型结构与模型参数。如前述，神经网络分析是基于动态规划的试验系统(Subramanian and Hung, 1993)。表4神经网络的后向消除法的结果步骤 移除变量 模型中变量数量 F比值版面A： 变量移除总结果1 规模 12 1.032 资源 11 1.173 评估 10 0.024 心理自我辩护 9 0.505 完成 8 0.266 社会自我辩护 7 0.167 信息不对称 6 0.048 不一致 5 0.64版面B： 停止项目条件9 指定 4 2.10 计划 4 3.91 监控 4 3.85 控制 4 4.28 沉没 4 5.80神经网络变量选择程序的结果在表4中进行了总结。在表4的版面A，我们一步一步的列举出了后向消除法的结果。在第一步中，13个中的每个输入变量从完整模型的13个变量中一次一个的移除然后将简约模型和完整模型作对比。对于每一个简约模型，我们得到其SSE与自由度，然后根据公式（5）计算F比值。第一步的结果表明，规模是降低的主要候选变量因为其有1.03的最低F比值。将变量规模从模型中移除，完整模型中还剩余12个变量。然后重新开始逐步消除方法每次从中删除一个变量然后与完整模型比较结果以计算F比值。下一个消除的候选对象被发现为资源变量其有最低的F比值1.17。这个过程继续下去，直到最后剩下的变量的F比值都超过了1.50的阈值。八个因素被考虑淘汰后在步骤9达到了停止条件如表4版面B所示。步骤8之后，剩下的每个变量如前述一样每次移除一个，结果模型中还有4个变量。从F比值来判断，这些变量全部都是重要的因此应该保留在模型中。因此，我们的神经网络法选定的结果是这5个变量：指定，计划，监控，控制以及沉没。为了达到比较的目的，我们应用了基于逻辑回归的后向消除法选择变量。在变量选择结果中看两个分类器之间是否有共性很有趣。逻辑回归模型减少变量后的整体结果见表5。在神经网络过程中，我们逐步每次移除变量（多个）。然而，不同于神经网络过程，正式统计（卡方检验）测试用逻辑回归在移除特定变量时测定每个模型中是有效的。在每一步中，具有最大P值的变量被移除。重复此过程直到没有P值大于0.10，用于对照检验最显著水平。如表5所示，第一个移除的变量为计划，其在最初完整模型中的所有特定变量中是最不重要的。计划的P值为0.8285，相比阈值0.10是一个非常微不足道的数字。下一个被移除的变量是P值为0.6387的心理自我辩护。最后，在第6步，P值为0.2096的社会自我辩表5使用逻辑回归的后向消除法的结果步骤 被移除变量 模型中变量数量 卡方统计 P值1 计划 12 0.0470 0.82852 信息不对称 11 0.2204 0.63873 心理自我辩护 10 0.2074 0.64884 资源 9 0.8192 0.36545 规模 8 1.6280 0.20206 社会自我辩护 7 1.5740 0.2096神经网络 逻辑回归评估不一致完成指定监控控制沉没计划图1：神经网络与逻辑回归的变量选择护从模型中被移除。剩下的七个变量，指定，评估，监控，控制，不一致，完成与沉没，在0.10的水平下值得注意。比较神经网络与逻辑回归的变量选择，我们得到了一些有趣的观察结果。首先，如图1中所画，指定，监控，控制与沉没作为常见的预测变量被两种分类器所选择，说明这些变量在项目升级中的重要性，无论是用线性还是非线性方法。但是，神经网络与逻辑回归在模型中做出的最终选择在其他变量上并不相同。而神经网络选择计划作为一个额外的重要说明变量，逻辑回归把另外三个变量评估，不一致，完成作为重要的变量。第二，两种方法都是从项目管理角度选取了比行为角度更多的变量，这表明良好的项目管理能力与实践对于项目成功来说可能更为重要。需要注意到沉没成本效应(沉没)被两种方法认为是项目升级中最重要的因素这点也很重要。最后，对于神经网络，我们有一个更小的最终变量组，从而导致到一个比逻辑回归更小的模型。逻辑回归方法保留了7个变量，而神经网络法保留了5个变量。减少预测变量有助于管理者更容易关注监控，控制一个更小的变量组。此外，一个小模型只需少量精力去建立并且在实际应用中比一个大型模型有更高的预测精度。为了获得项目管理因素与行为因素在说明项目升级上不同本质的观点，我们进行了两个独立的建模与预测分析用于全部的项目管理因素和全部的行为因素作为预测变量。表6总结了同时使用神经网络与逻辑回归的实践与测试分类样本的结果。在几乎所有情况下，项目管理因素表现了比行为因素更好的预测能力。基于项目管理因素的模型不仅具有更好的整体分类水平，而且在每一组中有更好的分类。此外，相比于逻辑回归模型，神经网络在项目管理因素中有更显著的收益。例如，在行为变量中，神经网络分别在试验样本和测试样本中达到了79%和73%的识别率。但是使用项目管理因素，神经网络分别在试验样本和分类样本中达到了89%和82%的识别率。完整模型和简约模型也通过神经网络与逻辑回归进行了比较研究。识别结果在表7中。表7的A版面显示了拥有全部13个变量的完整模型。而逻辑回归比神经网络在试验样本中有更高的识别率（88.83%vs85.11%），神经网络在测试表6分别分析行为与项目管理因素模型 试验样本 测试样本 升级（%） 非升级（%） 整体（%） 升级（%） 非升级（%） 整体（%）项目管理神经网络 94.53 78.33 89.36 93.94 56.26 81.63逻辑 89.06 80.00 86.17 84.85 56.25 75.51行为神经网络 87.50 61.67 79.26 90.91 37.50 73.47逻辑 86.72 70.00 81.38 87.88 43.75 73.47表7识别结果 实践样本 测试样本 升级（%） 非升级（%） 整体（%） 升级（%） 非升级（%） 整体（%）版面A：完整模型神经网络 92.97 68.33 85.11 93.43 62.50 83.67逻辑 90.63 85.00 88.83 81.82 56.25 73.47版面B：简约模型中神经网路选择的变量神经网络 96.09 70.00 87.77 87.88 56.25 77.55逻辑 88.28 81.67 86.17 78.79 56.25 71.43版面C：简约模型中逻辑回归选择的变量神经网络 91.41 80.00 87.77 90.91 62.50 81.63逻辑 90.63 83.33 88.30 84.85 62.50 77.55样本中不仅在总体分类而且在每组识别率中有更好的预测结果（83.67%vs73.47%）表7中的版面B和版面C报告了分别使用神经网络和逻辑回归的得到的变量选择结果。表7中版面B显示使用被神经网络选择的变量，神经网络在试验与测试样本中达到的整体识别率要高于逻辑回归。更重要的是，神经网络在测试样本中具有比逻辑回归更高的识别率，这是用于预测模型的重要优势。我们也注意到，神经网络在升级组中表现的明显比逻辑回归更好。但是，在非升级组，神经网络并没有表现出这种优势。一个可能的解释是，非升级组中的样本规模比升级组的小得多，并且神经网络比逻辑回归需要更多的数据去学会更好的模仿。另一方面，用逻辑模型选择的变量，表7中的版面C显示神经网络大大优于逻辑模型，在测试样本的项目升级与非升级中预测中有同样的结果。但是，在试验样本中，逻辑模型在整体与非升级组中的预测比神经网络更好，这可能会使得我们使用逻辑模型进行变量选择与定制。表7中的版面B与版面C表明，在测试样本中使用逻辑回归建立变量选择模型比使用神经网络建立变量选择模型更好。那么逻辑回归选取7个变量可能并不让人感到意外，而神经网络只选择了5 个变量。多余的两个说明变量可能会有更好的解释能力。因为用于选择子变量的方法完全不同，神经网络与逻辑回归的结果比较就必须谨慎。这些表所示的结果表明，神经网络模型在预测项目升级中总是要优于逻辑回归模型。据观察神经网络拥有更好的预测当他用于使用逻辑回归方法选择的子变量时。此外，比较从被神经网络法选择的5变量组的使用神经网络构建的模型与被逻辑回归法选择的7变量组的使用逻辑回归构建的模型中观察得到的预测结果。因此，得到神经网络法有两个明显的优点：（1）它保证了非线性模型与复杂交互行为的灵活性。（2）它能够建立简约模型。（神经网络法比逻辑回归法选择了更少的预测变量）根据他们的表现得到识别器预测能力是由于一次偶然的机会，我们采用了机遇效标（PCC）(Huberty, 1984)。该PCC统计定义为：其中O是识别器的总体正确预测，E是偶然的总体正确预测，N是总案例数。如在本研究中组是不平衡的情况下，PCC被认为具有更现实的方法意义(Huberty, 1984)。表8给出了标准测试的测试结果基于PCC统计的三种不同的被用于神经网络与逻辑模型中的预测变量。神经网络与逻辑回归都有比纯粹机会更明显较高的预测能力。特别是，在三种情况下无论什么样的变量用于预测，神经网络得到的结果与偶然得到的整体结果之间的不同是非常显著的。神经网络在每个组的分类器中也明显优于偶然预测。另一方面，逻辑模型的预测效度也被确认，在显著水平上其明显没有达到神经网络辨识器的判断力。表8识别器的预测能力（PCC与P值）包含变量 升级 非升级 整体 神经网络 逻辑 神经网络 逻辑 神经网络 逻辑 整体 3.186 1.692 2.622 2.086 3.866 2.426 （p0.001） （p=0.045） （p=0.004） （p=0.018） （p0.001） （p=0.008）神经网络 2.439 1.318 2.010 2.010 3.002 2.138子集 （p=0.007） （p=0.094） （p=0.022） （p=0.022） （p=0.001） （p=0.016）逻辑子集 2.812 2.065 2.622 2.622 3.578 3.002 （p=0.002） （p=0.019） （p=0.004） （p=0.004） （p0.001） （p=0.001）5. 结论预测失控的IT项目的能力对企业而言是非常重要的因为IT项目的战略重要性以及开发IT项目时投入的巨大资源。IT项目经理正面临的最具有挑战性的决策是当项目出现问题时是否继续为项目提供资金。本研究的主要目的是找出最重要的预测变量，使其可以有效地开发早起预警系统或模型，能够预测项目升级，从而防止继续承诺陷入困境的的项目。本文的研究重点是如何更好的建立诸如项目升级与项目管理文献以及行为理论的各种说明变量之间的关系模型。为了得到精妙的模式与可能存在于数量众多的变量中的复杂关系，我们使用了先进的建模工具神经网络。神经网络在这次尝试中已经被证明是一种有价值的工具。我们认为，神经网络在建立复杂关系的模型的成功是由于其在建立非线性与不同变量之间联系的模型的能力。我们的神经网络分析表明，沉没成本效应该是项目升级中的重要元素。虽然这些结果似乎与Keil等人（2000）报告的并不相同，需要着重注意的是在那里应用了不同的变量选择程序。具体来说，Keil等人（2000）分别研究了沉没成本与完整结构，然而在这项研究中他们都参考了同一模型与沉没成本作为更好的预测。这些结果表明，需要更多的研究来得到两个架构之间的复杂关系，而理论不同，有明显的重叠关系。虽然现代金融理论建议沉没成本水平不应该在决定继续或放弃一个项目时考虑(Howe and McCabe, 1983)，决策者在实践中做决定时应该会很难忽略沉没成本水平。例如，Arkes and Blumer (1985)发现沉没成本水平会在各种各样的决策环境中影响人们。在一个对信息系统审计师的调查中，Mann（1996）发现沉没成本水平在大约45%到50%的软件项目中被用作继续升级的理由。因此，本研究提供了一些沉没成本效应在项目升级中的一些经验证据。我们的研究结果还表明，在预测项目升级时项目管理因素比行为因素更重要。特别是，神经网络模型确定项目计划，规范，监控与控制作为最重要的解释变量。如计划，监控，与控制是项目管理中的三个关键要素，这是合理的去期望项目成功与项目管理职能之间的正相关关系。虽然很难量化各个变量对项目成功的影响，IT经理应该强调整个规划监控控制循环，这对于成功的项目管理是必要的。管理者可以通过用户与开发者的态度去衡量项目中变现出的升级风险因素。例如，由沉没成本效应暗示的一个占主导地位的态度是“太多的花费以至于退出”。这样，这些构造可以被实施者用于定期评估项目升级的风险然后按需采取正确的行动。根据我们的结果，组织可以开发升级或非升级文件然后使用统计技术去给一个IT项目的整体投资评估文件路线。这样，管理者们可以确定投资中的哪些项目在整个风险投资中是起作用的。最后，我们的研究结果表明愿意在项目管理工具，技术与试验特别是计划，规范，监控和控制领域偷袭的管理者，可以在降低软件项目升级的发生率上产生实质效益。参考文献Abdel-Hamid, T., Madnick, S.E., 1991. Software Project Dynamics: An Integrated Approach. Prentice Hall, Englewood Cliffs, NJ.Alter, S., Ginzberg, M., 1978. Managing uncertainty in MIS implementation. Sloan Management Review 20 (1), 2331.Arkes, H.R., Blumer, C., 1985. The psychology of sunk cost. Organizational Behavior and Human Decision Processes 35 (1), 124140.Betts, M., 1992. Feds debate handling of failing IS projects. Computerworld, November 2, p. 103.Brockner, J., 1992. The escalation of commitment to a failing course of action: Toward theoretical progress. Academy of Management Review 17 (1), 3961.Brockner, J., Shaw, M.C., Rubin, J.Z., 1979. Factors affecting withdrawal from an escalating conflict: Quitting before its too late. Journal of Experimental Social Psychology 15, 492503.Doumas, A., Mavroudakis, K., Gritzalis, D., Katsikas, S., 1995. Design of a neural network for recognition and classification of computer virus. Computers and Security 14, 435448.Ellis, V., 1994. Audit says DMV ignored warning. Los Angeles Times, August 18, pp. A3A24.Flowers,