蓋州市水庫移民監測評估指標體系研究與應用

李維雨

(遼寧江河水利水電新技術設計研究院有限公司，遼寧 沈陽 110003)

水庫移民后期扶持監測評估是通過對移民后期扶持政策實施過程的跟蹤調查，并與移民后期扶持前的基本情況和后期扶持規劃、目標對比分析，從而對移民后期扶持政策的落實、效果及移民后期扶持規劃目標是否實現作出相應的評估；對移民后期扶持政策實施中發現的問題，分析原因、提出建議，并提請各級政府、移民管理機構、實施機構及有關各方改進，為水庫移民后期扶持工作科學決策提供更接近甚至符合實際的技術參考，以確保政策順利實施并達到預期目標。

按照以往國家及遼寧省級的監測評估大綱，監測評估工作主要內容是對后期扶持人口核定和扶持方式確定、后期扶持相關規劃(方案)情況、后期扶持規劃(600元內)實施情況、項目規劃(600元外)實施情況、小庫規劃實施情況、移民避險解困規劃(方案)實施情況、脫貧攻堅工作方案實施情況、美麗家園建設規劃實施情況、項目及資金管理情況、移民生產生活水平等十多個方面進行跟蹤評估，該項工作每個需要評估的縣級單元應填寫37張表格，需要核對填寫的數據指標有252個，優點是專業、詳細；缺點是工作量非常大，把問題繁瑣化、不具體，問題分散，不利于后期整改。

由此，建立一個適合水庫移民監測評估的指標體系尤其重要，一個健全的指標體系，能夠體現“一致性、整體性、獨立性、客觀性、可測性和簡易性”[1]等特點，BP神經網絡方法具有對以往分析過程的主觀性和復雜性進行克服的手段，并且可以從非常復雜的數據中探索其規律[2]。本文通過對蓋州市近幾年搬遷后的水庫移民生產生活各方面的對比分析，以及水庫移民后期扶持政策實施情況全過程監測與評估，采用BP神經網絡模型對蓋州市后期扶持政策實施情況進行評估，科學反映水庫移民后期扶持績效目標完成的進度及程度，為水庫移民后期扶持工作提供及時、有效的支持信息[3]，順利完成水庫移民后期扶持工作。

1 建立監測評估指標體系

根據遼寧省近2a發布的水庫移民監測評估大綱、表格以及對營口市蓋州市2019年監測評估實地考察、調研、訪談等監測評估方法，按照系統性、完整性等健全的指標體系的特點，建立三級水庫移民后期扶持效果風險指標體系，該指標體系共有20個三級指標、5個二級指標、1個一級指標構成，如圖1所示。

2 BP神經網絡模型

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是當前應用最廣泛的神經網絡模型之一。BP神經網絡結構可以實現任意的從n維到m維的映射[4]，BP神經網絡結構如圖2所示。該結構圖由輸入層、隱含層、輸出層3個部分構成，采取層與層全互聯的連接方式，通常來說，BP神經網絡學習過程是由輸入層、隱含層到輸出層正向傳播方式，如果輸出層的計算結果與之前設定的期望目標差距很大或者不符合，就會進入反向傳播的方式，這個過程要不斷地修復誤差，并且反復進行網絡訓練，而任何一種指標體系都是從指標層映射推理到目標層，指標體系之間相互聯系與神經網絡各個層次間相互聯系有一定程度相似之處，由此，我們可以采用BP神經網絡模型對數據進行處理。

圖1 蓋州市水庫移民后期扶持效果風險指標體系

圖2 BP神經網絡結構

3 實例應用

3.1 監測區區域情況

蓋州市隸屬于營口市，位于北緯N40°13～41.57″、東經E122°27～55.78″，渤海遼東灣東岸，依山傍海，物產豐富。蓋州市總面積2928km2，總人口73萬。根據資料調查，蓋州市轄區內有2座大中型水庫，分別為石門水庫及玉石水庫，總庫容量約為1.91億m3。水庫修建時涉及5個庫區淹沒村，庫區村移民總人口為14991人；移民安置大都實行就地后安置方式，分別安置在市轄區域內的530個村，移民安置村總人數約為130400人。

3.2 選取樣本數據

根據《遼寧省2019年度水庫移民后期扶持政策實施情況監測評估工作大綱》要求，移民人口5000～10000人(含10000人)的縣(市、區)，樣本村(組)不少于10個，按照3個檔次5∶3∶2的原則選取。蓋州市核定移民人口為9265人，按照以上原則，選取果園村、新民村、黃駝子村、八嶺村、張郎寨村、古臺子村、蔣屯村、礦洞溝村、蘇堡村、大王寨村10個典型移民村進行實地調研、統計基礎數據，詳細數據見表1。確定其中6個典型村為訓練樣本數據，剩下4個移民村(蔣屯村、礦洞溝村、蘇堡村、大王寨村)為檢驗樣本數據。

3.3 樣本數據歸一化處理

歸一化處理數據可以使樣本計算結果收斂，運算效率同時提高，以上數據采取以下公式進行處理，公式如下[4]：

(1)

(2)

式中，xmin、xmax—該樣本數據的最小、最大值；ymin、ymax—需要制定下、上邊界。

3.4 風險評定標準確定

水庫移民搬遷安置后，由于地理位置、基礎設施、土地資源、科技水平等原因，其生產生活等各個方面均發生了巨大的變化，并且很難恢復到未搬遷之前的生產生活狀態。將風險等級劃分為5個級別的等級，風險等級分別為極有利影響、輸出向量形式為(1 0 0 0 0)、移民受到的影響為生產生活水平明顯提高，描述為零風險；有利影響、輸出向量形式為(0 1 0 0 0)、移民受到的影響為生產生活水平提高不明顯，描述為可忽略風險；一般、輸出向量形式為(0 0 1 0 0)、移民受到的影響為生產生活水平基本恢復，描述為可接受風險；不利影響、輸出向量形式為(0 0 0 1 0)、移民受到的影響為生產生活部分未完全恢復到搬遷之前的水平，描述為中等風險；極不利影響、輸出向量形式為(0 0 0 0 1)、移民受到的影響為生產生活水平完全未恢復，描述為不可接受風險。

表1 蓋州市典型移民村三級指標數據

3.5 后期扶持效果風險評價分析

該例網絡輸入節點為20個三級指標，根據圖2模型可知，輸出層節點數為5個，通過經驗公式及其試算法等可確定隱含層節點數為10個，使用trainlm函數對樣本數據進行訓練，并使用L-M對數據進行優化處理，主要參數見表2。

通過以上既定模型，將蔣屯村、礦洞溝村、蘇堡村、大王寨村等4個檢驗樣本村數據輸入以上模型中，通過蓋州市監測評估報告及該模型輸出結果進行對比分析。得出以下結果：

表2 L-M傳播法相關參數數據

(1)蔣屯村網絡輸出向量為(0，0.0012，0.0001，0.0002，1)，BP網絡模型顯示該村風險等級為極有利，對照監測評估報告被評價為極有利，說明該村在后期扶持政策實施中受到的影響非常小，生產生活水平有明顯提高。

(2)礦洞溝村網絡輸出向量為(0.0001，0.0006，0.0002，1，0)，BP網絡模型顯示該村風險等級為有利，對照監測評估報告被評價為有利，說明該村在后期扶持政策實施中受到的影響較小，生產生活水平提高不明顯。

(3)蘇堡村網絡輸出向量為(0，0.0014， 1， 0.0025，0)，BP網絡模型顯示該村風險等級為一般，對照監測評估報告被評價為一般，說明該村在后期扶持政策實施中受到的影響較大，生產生活水平基本恢復。

(4)大王寨村網絡輸出向量為(0，0.0008，0.0005，0.0001，1)，BP網絡模型顯示該村風險等級為極有利，對照監測評估報告被評價為極有利，說明該村在后期扶持政策實施中受到的影響非常小，生產生活水平有明顯提高。

4 結語

(1)自后期扶持政策實施以來，蓋州市移民生產生活條件有很大程度改善，尤其是蔣屯村及大王寨村受到影響非常小，生產生活水平有明顯提高；礦洞村受到影響較小，生產生活水平提高不明顯；蘇堡村受到影響較大，生產生活水平基本恢復。通過分析監測評估報告，顯示兩者結論基本一致，說明上述指標體系及BP神經網絡模型能夠反映水庫移民后期扶持政策實施效果。

(2)BP神經網絡模型運算過程中需要大量指標數據，模型驗證的成功與否與典型村樣本數據、其他網絡參數等有著密切的關系，在下一步工作中，需要進一步研究變量之間的關系及如何提升精度。