徐姝婧，陸一嘯，徐嘉瑞

（上海立信會(huì)計(jì)金融學(xué)院，上海201209）

一、引言

2018年2月12日，習(xí)近平總書(shū)記在打好精準(zhǔn)脫貧攻堅(jiān)戰(zhàn)座談會(huì)上指出，打好精準(zhǔn)脫貧攻堅(jiān)戰(zhàn)是黨的十九大報(bào)告提出的三大攻堅(jiān)戰(zhàn)之一，對(duì)如期全面建成小康社會(huì)，實(shí)現(xiàn)第一個(gè)百年奮斗目標(biāo)具有十分重要的意義。

近年來(lái)，國(guó)家高度重視精準(zhǔn)扶貧工作，出臺(tái)了一系列相關(guān)政策以探求新形勢(shì)下貧困村脫貧致富的方法，但我國(guó)現(xiàn)階段仍缺乏科學(xué)、健全的貧困戶(hù)人口識(shí)別模型。 精準(zhǔn)扶貧在貧困對(duì)象精準(zhǔn)識(shí)別等方面仍存在問(wèn)題。 因此，貧困戶(hù)精準(zhǔn)識(shí)別模型的確立迫在眉睫。 在經(jīng)濟(jì)效應(yīng)上，精準(zhǔn)識(shí)別模型的確立可確保真貧困戶(hù)的精準(zhǔn)識(shí)別，有效避免人工識(shí)別不精準(zhǔn)及人為造假的情況，避免扶貧資源的浪費(fèi)。 在社會(huì)效應(yīng)上，精準(zhǔn)識(shí)別模型可以節(jié)省人力資源，提高政府扶貧工作的效率。 為此，如何建立合理的貧困識(shí)別技術(shù)，構(gòu)建創(chuàng)新的貧困戶(hù)精準(zhǔn)識(shí)別辦法，值得進(jìn)一步思考和探索。

本文基于機(jī)器學(xué)習(xí)技術(shù)建立的貧困戶(hù)識(shí)別新指標(biāo)，能更精確地量化家庭貧困情況，準(zhǔn)確定位真實(shí)貧困戶(hù)，從而促進(jìn)我國(guó)精準(zhǔn)扶貧政策的進(jìn)一步落實(shí)，推動(dòng)全面小康社會(huì)的建成。

二、國(guó)內(nèi)外研究現(xiàn)狀

（一）精準(zhǔn)扶貧政策與貧困戶(hù)精準(zhǔn)識(shí)別指標(biāo)

黨的十九大報(bào)告提出精準(zhǔn)扶貧攻堅(jiān)戰(zhàn)前后，國(guó)內(nèi)有諸多學(xué)者團(tuán)隊(duì)對(duì)精準(zhǔn)扶貧領(lǐng)域進(jìn)行研究。 周曉露和胡萌萌（2018）研究發(fā)現(xiàn)農(nóng)村貧困人口的精準(zhǔn)扶貧“瞄準(zhǔn)偏差”現(xiàn)象一直未能解決，政策落實(shí)中應(yīng)考慮復(fù)雜多樣的鄉(xiāng)土人情。 劉斐麗（2018）以“地方性知識(shí)”影響瞄準(zhǔn)偏差的角度，肯定了國(guó)家精準(zhǔn)識(shí)別政策需要與地方性知識(shí)相溝通的事實(shí)，同時(shí)進(jìn)一步從精準(zhǔn)識(shí)別執(zhí)行偏差上，分析其對(duì)精準(zhǔn)扶貧政策實(shí)施成效的影響，指出執(zhí)行偏差主要由三種原因造成——政策精細(xì)化實(shí)施中過(guò)于教條、基層執(zhí)行者忽視了如動(dòng)態(tài)化管理和群眾公認(rèn)原則的彈性指標(biāo)、“一刀切”的僵化執(zhí)行政策。 歐陽(yáng)勝（2018）以武陵山區(qū)為例，從扶貧瞄準(zhǔn)對(duì)象識(shí)別機(jī)制的五個(gè)方面進(jìn)一步完善瞄準(zhǔn)機(jī)制的理論研究，點(diǎn)明扶貧瞄準(zhǔn)機(jī)制建設(shè)中的關(guān)鍵環(huán)節(jié)。 王斌（2018）利用多維測(cè)度方法，評(píng)估延安市甘泉縣抽樣調(diào)研的貧困戶(hù)家庭的脫貧指數(shù)，研究貧困戶(hù)各脫貧指標(biāo)對(duì)脫貧指數(shù)的貢獻(xiàn)額和貢獻(xiàn)率。 馬志雄等（2018）在貧困人口識(shí)別指標(biāo)選取上，強(qiáng)調(diào)要重視家庭發(fā)展能力考核指標(biāo)的構(gòu)建，以貧困戶(hù)自身的脫貧認(rèn)同作為真脫貧標(biāo)準(zhǔn)。 陸模興等（2018）從理論研究轉(zhuǎn)向模型實(shí)踐，在前期基礎(chǔ)上否定了用單一收入維度作為貧困衡量指標(biāo)，基于Alkire-Foster 多維貧困測(cè)度模型選取六個(gè)維度、十二項(xiàng)貧困指標(biāo)，考察各維度貧困對(duì)總體多維貧困的貢獻(xiàn)度。 韓瑩（2018）繼續(xù)以多維貧困為基礎(chǔ)，利用主成分分析法對(duì)綿陽(yáng)市數(shù)據(jù)進(jìn)行分析，建立多維貧困識(shí)別體系。

（二）精準(zhǔn)扶貧領(lǐng)域的人工智能應(yīng)用研究

傳統(tǒng)扶貧依托于執(zhí)行部門(mén)的執(zhí)行效率與政府撥款，扶貧聚集在教育、基礎(chǔ)設(shè)施等公共部分，但在貧困信息的更新迭代與貧困人口的精準(zhǔn)識(shí)別上，受到地理環(huán)境、人力物力資源的較大限制。 而人工智能技術(shù)正處于跨越式發(fā)展的嶄新階段，其便利的信息整合效率、資源的可視性、低成本均為精準(zhǔn)扶貧進(jìn)程帶來(lái)不可估量的現(xiàn)實(shí)意義。

Jean et al.（2015）研究認(rèn)為夜間燈光亮度與經(jīng)濟(jì)發(fā)展存在緊密的內(nèi)部關(guān)聯(lián)，綜合卷積神級(jí)網(wǎng)絡(luò)與遙感數(shù)據(jù)實(shí)現(xiàn)超過(guò)90%的貧困戶(hù)瞄準(zhǔn)準(zhǔn)確度。 彭飛霞（2016）從教育脫貧角度出發(fā)，認(rèn)為人工智能獨(dú)具的智能型、反饋性、精準(zhǔn)性、有效性四大特征，對(duì)貧困生的精準(zhǔn)定位與幫扶意義巨大。 尚紋玉（2018）分析了扶貧道路上存在的遺漏率、錯(cuò)配率高的兩個(gè)問(wèn)題，認(rèn)為人工智能的應(yīng)用可提高扶貧的精準(zhǔn)性。 陸倩倩（2018）分析當(dāng)前人工智能與精準(zhǔn)扶貧的結(jié)合現(xiàn)狀，發(fā)現(xiàn)人工智能基本作用于扶貧的支援方，人工智能對(duì)于扶貧工作的有效應(yīng)用仍待進(jìn)一步深入。

（三）評(píng)述

通過(guò)對(duì)扶貧理論與扶貧政策的梳理可以發(fā)現(xiàn)，國(guó)內(nèi)外均高度重視國(guó)家扶貧的進(jìn)展，積極推進(jìn)精準(zhǔn)扶貧政策的實(shí)施。 國(guó)內(nèi)一些學(xué)者分析了目前貧困人口識(shí)別方法存在的問(wèn)題，從精準(zhǔn)識(shí)別執(zhí)行偏差上探究貧困人口瞄準(zhǔn)偏離實(shí)際的原因；另一些學(xué)者認(rèn)為精準(zhǔn)扶貧的核心機(jī)制是瞄準(zhǔn)識(shí)別機(jī)制，從扶貧瞄準(zhǔn)對(duì)象識(shí)別機(jī)制的五個(gè)方面，進(jìn)一步完善瞄準(zhǔn)機(jī)制的理論研究，揭示了扶貧瞄準(zhǔn)機(jī)制建設(shè)中的關(guān)鍵環(huán)節(jié)。 國(guó)外學(xué)者對(duì)于精準(zhǔn)扶貧研究較少，但已將人工智能應(yīng)用于扶貧環(huán)節(jié)，研究偏向扶貧模式與扶貧理論。 但從總的來(lái)看，盡管?chē)?guó)外對(duì)于扶貧的內(nèi)涵及理論研究較為全面，但未將社會(huì)計(jì)算、人工智能深入應(yīng)用于精準(zhǔn)扶貧。 因此，如果要將精準(zhǔn)扶貧落到實(shí)處，整合我國(guó)實(shí)際情況來(lái)制定相應(yīng)的精準(zhǔn)識(shí)別模型，應(yīng)用機(jī)器學(xué)習(xí)的方法，是精準(zhǔn)扶貧研究勢(shì)在必行的新嘗試。

三、多層前饋神經(jīng)網(wǎng)絡(luò)

圖1 多層前饋神經(jīng)網(wǎng)絡(luò)模型

多層前饋神經(jīng)網(wǎng)絡(luò)是由輸入層、隱藏層和輸出層組成的全連接神經(jīng)網(wǎng)絡(luò)，每一層都由多個(gè)神經(jīng)元組成，神經(jīng)元和上一層的神經(jīng)元全連接，但是同層的神經(jīng)元和神經(jīng)元之間沒(méi)有連接。 每一層的輸出會(huì)作為下一層的輸入，為考慮模型的非線性擬合能力通常還會(huì)在隱藏層之間加入激活函數(shù)。 在機(jī)器學(xué)習(xí)中需要綜合多種指標(biāo)進(jìn)行判斷，最終的結(jié)果為是或否。 在統(tǒng)計(jì)學(xué)中，邏輯回歸被用于根據(jù)一些歷史數(shù)據(jù)預(yù)測(cè)變量的各種結(jié)果對(duì)應(yīng)的概率，Logistic Regression（邏輯回歸）是最常用的分類(lèi)算法。但是由于一般的邏輯回歸有一定的局限性，通常需要通過(guò)增加組合項(xiàng)或高斯項(xiàng)來(lái)提高其分類(lèi)性能，而增加組合項(xiàng)、高斯項(xiàng)就會(huì)增加工作量，為解決該問(wèn)題，我們采用了神經(jīng)網(wǎng)絡(luò)。

多層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是將輸入的向量沿著神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方向逐層的正向傳播至輸出層，然后將實(shí)際輸出與期望輸出對(duì)比，測(cè)算誤差值，然后進(jìn)行反向傳播。在反向傳播過(guò)程中對(duì)各神經(jīng)元的權(quán)重和偏置項(xiàng)進(jìn)行更新（見(jiàn)圖1）。多次循環(huán)整個(gè)過(guò)程，直到滿(mǎn)足人為設(shè)置的最大迭代次數(shù)或者在驗(yàn)證集的準(zhǔn)確度達(dá)到最高。

四、基于調(diào)研數(shù)據(jù)的精準(zhǔn)識(shí)別指標(biāo)體系構(gòu)建

（一）實(shí)地調(diào)研獲取數(shù)據(jù)

本次調(diào)研通過(guò)實(shí)地走訪與深度訪談探究廣西玉林的扶貧現(xiàn)狀，進(jìn)一步了解貧困戶(hù)信息。 本次問(wèn)卷調(diào)研以發(fā)放紙質(zhì)問(wèn)卷為主要手段，在廣西玉林各村委會(huì)的大力支持下，共回收1603 份有效紙質(zhì)問(wèn)卷，涵蓋被調(diào)研對(duì)象個(gè)人基本信息、家庭情況、享受的幫扶政策、對(duì)精準(zhǔn)扶貧的理解與建議四個(gè)方面。

問(wèn)卷設(shè)計(jì)階段，綜合國(guó)家當(dāng)前貧困人口識(shí)別標(biāo)準(zhǔn)與現(xiàn)有精準(zhǔn)扶貧政策，針對(duì)廣西固有扶貧傳統(tǒng)與特定貧困現(xiàn)狀設(shè)計(jì)問(wèn)卷。 問(wèn)卷發(fā)放階段，各村支書(shū)協(xié)助走訪每戶(hù)村民發(fā)放問(wèn)卷。 問(wèn)卷填寫(xiě)回收階段，每份問(wèn)卷加蓋村委會(huì)公章，確保填寫(xiě)對(duì)象落實(shí)到戶(hù)、個(gè)人信息真實(shí)有效。 問(wèn)卷處理階段及分析階段，區(qū)別于傳統(tǒng)的定性分析，運(yùn)用SPSS 軟件定量分析問(wèn)卷數(shù)據(jù)內(nèi)在聯(lián)系。

（二）數(shù)據(jù)清洗

由于被調(diào)查者問(wèn)卷填寫(xiě)不規(guī)范、對(duì)自身信息不確定、不愿公開(kāi)個(gè)人信息等原因，導(dǎo)致調(diào)研數(shù)據(jù)庫(kù)中存在一定數(shù)量的缺失值。 為提高數(shù)據(jù)的可用性，方便進(jìn)一步分析問(wèn)卷數(shù)據(jù)，本節(jié)進(jìn)行了缺失值的研究與處理。 被調(diào)研者的個(gè)人信息、家庭信息與其貧困補(bǔ)助額度，數(shù)據(jù)集的字段名與數(shù)據(jù)類(lèi)型如表1所示。

表1 數(shù)據(jù)集內(nèi)容與預(yù)處理方式

images/BZ_113_339_480_399_540.png@3 名義 新標(biāo)簽 性別@4a 標(biāo)度 0年教育支出@4b 標(biāo)度 0年飲食支出@4c 標(biāo)度 0年醫(yī)療支出@4d 標(biāo)度 0年娛樂(lè)支出@4e 標(biāo)度 0年還貸支出@6 標(biāo)度 平均 家庭人口@7 標(biāo)度 平均年齡@8 有序 眾數(shù) 受教育程度@9 名義 新標(biāo)簽 工作狀況@10a 標(biāo)度 0 耕地面積@10b 標(biāo)度 0 魚(yú)塘面積@10c 標(biāo)度 0 山林面積@10d 標(biāo)度 0 果園面積@10e 標(biāo)度 0 其他土地面積@11 有序 眾數(shù) 生活水源@12 標(biāo)度 平均 家庭年收入@13 有序 眾數(shù) 住房材質(zhì)@14 標(biāo)度 平均 住宅面積@15 有序 眾數(shù) 社區(qū)交通條件@16 有序 眾數(shù) 健康狀況@17 有序 眾數(shù) 家庭能源@18a 名義 新標(biāo)簽 電器-無(wú)冰箱@18b 名義 新標(biāo)簽 電器-無(wú)彩電@18c 名義 新標(biāo)簽 電器-無(wú)洗衣機(jī)@18d 名義 新標(biāo)簽 電器-無(wú)熱水器@18e 名義 新標(biāo)簽 電器-無(wú)空調(diào)@18f 名義 新標(biāo)簽 電器-無(wú)智能手機(jī)@18g 名義 新標(biāo)簽 電器-無(wú)計(jì)算機(jī)@18h 名義 新標(biāo)簽 車(chē)輛-無(wú)電動(dòng)＆ 摩托車(chē)@18i 名義 新標(biāo)簽 車(chē)輛-無(wú)小轎車(chē)@18j 名義 新標(biāo)簽 車(chē)輛-無(wú)貨車(chē)@18k 名義 新標(biāo)簽 電器＆ 車(chē)輛-全部擁有@19a 名義 新標(biāo)簽 收入來(lái)源-農(nóng)業(yè)生產(chǎn)@19b 名義 新標(biāo)簽 收入來(lái)源-經(jīng)商@19c 名義 新標(biāo)簽 收入來(lái)源-工資提成@19d 名義 新標(biāo)簽 收入來(lái)源-臨時(shí)勞動(dòng)@19e 名義 新標(biāo)簽 收入來(lái)源-社會(huì)福利@19f 名義 新標(biāo)簽 收入來(lái)源-親友援助@19g 名義 新標(biāo)簽 收入來(lái)源-其他

images/BZ_114_351_531_367_561.png@21a 名義 新標(biāo)簽 社保-無(wú)保障@21b 名義 新標(biāo)簽 社保-五險(xiǎn)一金@21c 名義 新標(biāo)簽 社保-低保@21d 名義 新標(biāo)簽 社保-新農(nóng)養(yǎng)老@21e 名義 新標(biāo)簽 社保-新農(nóng)合作醫(yī)療@21f 名義 新標(biāo)簽 社保-農(nóng)村五保@21g 名義 新標(biāo)簽 社保-農(nóng)村醫(yī)療救助@21h 名義 新標(biāo)簽 社保-其他@26 標(biāo)度 0 扶貧補(bǔ)貼金額

根據(jù)表1中所列的缺失值填充規(guī)則，將數(shù)據(jù)集中的缺失值補(bǔ)充完整。 將名義字段通過(guò)數(shù)值化字典換成整數(shù)值標(biāo)簽，以便神經(jīng)網(wǎng)絡(luò)模型能更好地完成分類(lèi)任務(wù)。 玉林市數(shù)據(jù)集的文本轉(zhuǎn)換字典如表2所示。

表2 玉林市數(shù)據(jù)集文本轉(zhuǎn)換字典

對(duì)調(diào)研過(guò)程中產(chǎn)生的偶然誤差采用人工修正，對(duì)明顯錯(cuò)誤值糾正，例如誤把收入“元”當(dāng)作“萬(wàn)元”等。如果錯(cuò)誤較難改正，按缺失值處理。然后對(duì)被填寫(xiě)了多個(gè)值的單選題，根據(jù)實(shí)際情況刪去。對(duì)標(biāo)度字段范圍超過(guò)μ±3σ 的值，人工核驗(yàn)該問(wèn)卷答案，其中μ 為均值，σ 為標(biāo)準(zhǔn)差。

（二）數(shù)據(jù)分析

1.基于因子分析的指標(biāo)提取

通過(guò)因子分析的方法，確定貧困認(rèn)定指標(biāo)，將問(wèn)卷信息以一組指標(biāo)來(lái)概括，形成具有當(dāng)?shù)靥厣呢毨?hù)精準(zhǔn)識(shí)別認(rèn)定指標(biāo)。

為兼顧指標(biāo)的簡(jiǎn)潔性與全面性，對(duì)因子分析中得到的每個(gè)因子，取原始特征值作出碎石圖。 圖中橫軸是顯著性從強(qiáng)到弱的因子，縱軸是因子的原始特征值，值越大的因子在描繪數(shù)據(jù)特征中貢獻(xiàn)度越大。 曲線下降速度顯著減緩的地方，就是貢獻(xiàn)度較大的因子與其他因子的分界，取該截?cái)帱c(diǎn)之前的因子為主成分。 玉林市數(shù)據(jù)的因子分析碎石圖如圖2所示。

圖2 玉林市數(shù)據(jù)碎石圖

綜合數(shù)據(jù)分析，將貧困戶(hù)精準(zhǔn)識(shí)別的指標(biāo)數(shù)定為6 個(gè)。 經(jīng)檢驗(yàn)，前6 個(gè)因子的公因子特征值均大于1，而第7 個(gè)之后的因子特征值小于1，說(shuō)明前6 個(gè)因子的影響是顯著的。 接著對(duì)數(shù)據(jù)作因子分析，取前6 個(gè)主要的因子，定義貧困戶(hù)精準(zhǔn)識(shí)別指標(biāo)。

因子分析將原來(lái)51 項(xiàng)屬性變換為6 項(xiàng)主要指標(biāo)，由于貧困補(bǔ)助額度是外生的因變量，而數(shù)據(jù)已依據(jù)玉林市屬性處理，因此這2 項(xiàng)屬性未參與指標(biāo)提取。 通過(guò)因子最大方差得分可知，提取的6 項(xiàng)指標(biāo)通過(guò)原來(lái)數(shù)據(jù)12%的信息量概括了30%的數(shù)據(jù)特征。 雖然各種變量包含的信息密度不同，但這6 項(xiàng)指標(biāo)實(shí)際上已包括了識(shí)別貧困戶(hù)所需的大部分信息。 作出成分矩陣，計(jì)算每項(xiàng)指標(biāo)中具體包含原來(lái)各項(xiàng)屬性的比例。 玉林市數(shù)據(jù)的成分矩陣如表3所示。

表3 玉林市數(shù)據(jù)成分矩陣

基于以上成分矩陣，根據(jù)信息密度的不同，分名義、有序、標(biāo)度三種字段，分別選擇在每個(gè)指標(biāo)中絕對(duì)值占有成分較大的屬性，綜合定義每個(gè)貧困戶(hù)精準(zhǔn)識(shí)別指標(biāo)。指標(biāo)的定義過(guò)程分別如表4所示。

2.改進(jìn)Lasso 回歸的指標(biāo)權(quán)重計(jì)算

通過(guò)之前的因子分析，得出各項(xiàng)貧困認(rèn)定指標(biāo)的公因子得分，而指標(biāo)的重要性與公因子得分成正比，各指標(biāo)的相對(duì)重要性如表5所示。

表5 貧困戶(hù)精準(zhǔn)識(shí)別指標(biāo)相對(duì)重要性

各地對(duì)貧困程度的量化評(píng)定通常使用線性回歸模型，得到形如（1）式的表達(dá)式：

從調(diào)研所得的信息中提取綜合指標(biāo)，而非簡(jiǎn)單篩選指標(biāo)時(shí)，必須對(duì)其取值作標(biāo)準(zhǔn)化。此時(shí)X～N（0，1），而b 為人均貧困補(bǔ)助額度。為防止某些指標(biāo)在貧困補(bǔ)助認(rèn)定中是無(wú)效的，使用Lasso 回歸搜尋目標(biāo)函數(shù)JL（w）的最小值。

使用創(chuàng)新方法完成α 的自適應(yīng)。建立Lasso 回歸模型，在給定α 時(shí)將使目標(biāo)函數(shù)取得最小值的記作最優(yōu)解y*，即：

接著定義回歸損失：

整理公式（2）、公式（3）和公式（4），建立優(yōu)化函數(shù)：

使用Nelder-Mead 算法搜索函數(shù)f 的最小值，初始解α=0，經(jīng)過(guò)迭代使L 收斂時(shí)α 即為最優(yōu)的參數(shù)。 本算法的實(shí)際意義是，在不增加人為干預(yù)的情況下，通過(guò)調(diào)整對(duì)貧困認(rèn)定指標(biāo)的依賴(lài)程度，找到模型在符合當(dāng)?shù)貙?shí)際的程度與普適性之間的平衡，使得模型面對(duì)新數(shù)據(jù)時(shí)的相對(duì)剩余最小，實(shí)現(xiàn)模型遷移。

在玉林市數(shù)據(jù)中，經(jīng)過(guò)迭代α*=0，L*=84%，貧困補(bǔ)助額度y 與各指標(biāo)V1～V6的關(guān)系是：

由以上分析可知，各指標(biāo)沒(méi)有出現(xiàn)稀疏性，證明指標(biāo)的選擇科學(xué)。 而解的相對(duì)剩余非常大，說(shuō)明貧困補(bǔ)助額度不能被各指標(biāo)線性表示。這是由于貧困戶(hù)的經(jīng)濟(jì)條件和社會(huì)環(huán)境，會(huì)通過(guò)一些復(fù)雜和隱藏的過(guò)程，體現(xiàn)在貧困程度上。 由于上述Lasso 模型只能發(fā)現(xiàn)線性關(guān)系，故通過(guò)討論神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)在貧困戶(hù)精準(zhǔn)識(shí)別指標(biāo)體系，探究被調(diào)研者的數(shù)據(jù)與貧困補(bǔ)助額度之間的隱含關(guān)系。

五、模型實(shí)現(xiàn)效果

將被調(diào)研的人分為兩類(lèi)：第一類(lèi)是獲得精準(zhǔn)扶貧補(bǔ)助的貧困戶(hù)；第二類(lèi)是未獲得精準(zhǔn)扶貧補(bǔ)助的非貧困戶(hù)，通過(guò)神經(jīng)網(wǎng)絡(luò)作二分類(lèi)預(yù)測(cè)。 以玉林市調(diào)研所得數(shù)據(jù)為例，通過(guò)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)被調(diào)研者是否貧困。 數(shù)據(jù)的自變量是被調(diào)研者關(guān)于6項(xiàng)貧困戶(hù)精準(zhǔn)識(shí)別指標(biāo)的表現(xiàn)，因變量則為一個(gè)是否貧困的標(biāo)簽，神經(jīng)網(wǎng)絡(luò)參數(shù)如表6所示。

表6 貧困與否預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)參數(shù)

對(duì)玉林市被調(diào)研者的603 條數(shù)據(jù)進(jìn)行處理，把數(shù)據(jù)隨機(jī)分為數(shù)量相當(dāng)?shù)?0 組，取其中9 組建立和優(yōu)化模型，剩余1 組為驗(yàn)證集，以驗(yàn)證模型在新數(shù)據(jù)上的表現(xiàn)。 選擇不同的驗(yàn)證集重復(fù)以上實(shí)驗(yàn)5 次，預(yù)訓(xùn)練后在驗(yàn)證集上得到的相對(duì)剩余如表7所示。

表7 貧困與否預(yù)測(cè)分組輪替實(shí)驗(yàn)相對(duì)剩余

若模型在驗(yàn)證集上的相對(duì)剩余較高，則可能由兩種情況導(dǎo)致：一是模型缺陷，二是數(shù)據(jù)質(zhì)量較差。 當(dāng)模型有缺陷時(shí)，該模型在不同驗(yàn)證集上的相對(duì)剩余差距較大，而當(dāng)數(shù)據(jù)質(zhì)量較差時(shí)，該模型在不同驗(yàn)證集上的相對(duì)剩余是穩(wěn)定的。 由表7可知，模型在不同的數(shù)據(jù)集上表現(xiàn)是穩(wěn)定的，最優(yōu)達(dá)到了20%的剩余，并且每次實(shí)驗(yàn)的剩余均小于30%，因此導(dǎo)致本模型相對(duì)剩余較高的原因更可能是數(shù)據(jù)質(zhì)量較差而非模型缺陷。

驗(yàn)證結(jié)果表明，貧困戶(hù)的認(rèn)定與從其數(shù)據(jù)中挖掘出的規(guī)律，存在一定的不統(tǒng)一性。 這可能由于政策實(shí)施時(shí)信息采集誤差、操作錯(cuò)誤，及政策制定未根據(jù)當(dāng)?shù)貙?shí)際情況變化及時(shí)調(diào)整所致。 通過(guò)本模型，扶貧機(jī)構(gòu)只需采集一些被調(diào)研者的經(jīng)濟(jì)數(shù)據(jù)優(yōu)化模型，模型便可更貼近當(dāng)?shù)貙?shí)際情況，即通過(guò)當(dāng)?shù)卣w居民信息預(yù)測(cè)其貧困情況。

六、結(jié)論

本文基于神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)居民貧困情況的預(yù)測(cè)。 該模型可大幅降低扶貧機(jī)構(gòu)識(shí)別貧困戶(hù)的工作量，提供相較于人工審核，更為科學(xué)、透明、高效的方法。

按本次調(diào)研提出的方法，扶貧機(jī)構(gòu)需要收集當(dāng)?shù)夭糠志用竦膫€(gè)人經(jīng)濟(jì)信息，運(yùn)用此模型建立針對(duì)當(dāng)?shù)厍闆r的貧困戶(hù)精準(zhǔn)識(shí)別新指標(biāo)體系，并僅需當(dāng)?shù)匾徊糠謹(jǐn)?shù)據(jù)，便可得出此地主要的貧困情況。 完成以上分析后，貧困戶(hù)精準(zhǔn)識(shí)別模型能繼續(xù)自動(dòng)地預(yù)測(cè)其余居民的貧困情況，從而實(shí)現(xiàn)機(jī)器與人工協(xié)同識(shí)別貧困戶(hù)，大幅減少扶貧機(jī)構(gòu)在貧困戶(hù)精準(zhǔn)識(shí)別工作中的人力物力投入，降低貧困戶(hù)認(rèn)定成本。