综述：从不同范式到整合风险智能：复杂项目中数据驱动与知识驱动方法的综合

《ADVANCED ENGINEERING INFORMATICS》：From divergent paradigms to integrated risk intelligence: synthesizing data- and knowledge-driven approaches in complex projects

　　

复杂工程项目日益暴露于动态、级联和相互依存的风险之中。这些项目中的风险分析已经演变，分化为两种主导范式：数据驱动方法，将风险概念化为从经验数据中提取的潜在统计模式；以及知识驱动方法，编码启发式规则、专家判断和制度知识。为批判性地审视这些范式，本研究进行了系统性综述，将建模方法分类为六类，并系统分析其基础假设、技术建模特征和应用情境。通过这一综合，研究发现数据驱动方法提供了可扩展性和预测能力，但关键挑战包括可解释性以及缺乏标准化基准数据集。相比之下，知识驱动方法提供了透明性和领域一致性，但在适应性、可迁移性以及对专家的高度依赖方面仍存在挑战。尽管存在差异，两种范式通常都依赖于静态的风险表述，这无法捕捉动态反馈、升级和演化的相互依存关系。为此，本综述概述了一个未来研究议程，强调证据支持结构（如知识图谱）、动态项目表征（如具有检索增强推理的数字孪生）以及时间-系统化表述（如动力系统）。推进这些方向能够促成下一代风险框架的开发，使其在复杂项目环境中更具适应性、可解释性和可迁移性。

本文通过系统性文献综述，对复杂项目中风险分析方法进行了分类与综合，基于其本体论假设、建模范式、建模方法和表征逻辑。数据驱动模型通常将风险概念化为从经验观察中提取的统计模式，而知识驱动模型则将风险定义为由专家推理、制度规范和领域语义塑造的结构化、情境敏感构念。在这些范式中，已开发出多种建模方法，涵盖基于特征的机器学习算法、概率网络、语义本体和基于案例的推理系统，反映了表征、解释和管理项目风险的不同路径。研究表明，数据驱动方法在数据丰富、可重复的项目环境中尤为有效，能够实现大规模筛选、早期预警和风险优先级排序，但其将风险主要表现为静态的输入-输出关系，限制了捕捉动态反馈、升级机制和随时间系统性传播的能力。知识驱动方法则擅长支持解释、论证和审慎决策，通过显式编码专家判断、因果推理和语义结构，提供透明性和领域一致性，但面临知识获取依赖人工、可扩展性受限、难以建模时空传播以及跨项目可迁移性差等挑战。尽管两范式存在差异，它们共同依赖静态风险表述，未能捕捉风险在相互依存的复杂项目系统中的演化性质。为此，本综述提出一个两阶段、时间感知的研究议程：第一阶段强调证据支持结构（如知识图谱）和动态项目状态表征（如数字孪生），结合检索增强推理机制（如大语言模型增强的生成），以整合分散知识和实时数据；第二阶段聚焦时间-系统化风险表征和反馈传播的模拟机制，采用动力系统启发的表述（如哈密顿方法）来捕捉新兴和复合风险的演化。该议程旨在推动风险分析从静态估计转向演化系统智能，开发更具适应性、可解释性和可迁移性的下一代风险框架。此外，本文还讨论了数据驱动和知识驱动方法在不同项目情境中的适用性，指出方法选择应基于数据可用性、风险新颖性、组织复杂性和利益相关者多样性等关键特征。混合方法在需要同时实现经验泛化和专家情境化时尤为有价值，但现有混合框架多处于概念或原型阶段，面临系统集成、数据需求和模型验证等实际挑战。最后，本综述承认其局限性，包括仅关注同行评议英文文献可能遗漏行业报告和非英语研究，以及所提出的分类框架涉及解释性判断，未来研究需进一步验证和完善。