基于大數據的公墓服務容量預測模型設計

石偉 趙春霖

摘 ?要： 城市公益性公墓作為惠民殯葬的重要組成部分，是重要的公共服務設施。采用大數據、人工智能等技術手段，通過對多年真實的人口數據、死亡火化數據、空間遙感地理數據等數據資源進行多粒度、多形態及多維度的匯聚、挖掘，對城市公益性公墓在服務容量預測方面的模型設計進行探索，為城市公益性公墓在服務容量、選址便民性等規劃方面提供科學的數據和模型支撐。

關鍵詞： 大數據;城市公益性公墓;服務容量

中圖分類號： TP399 ???文獻標識碼： A ???DOI：10.3969/j.issn.1003-6970.2020.09.045

【Abstract】： As an important part of Huimin funeral， public welfare cemetery is an important public service facility. Using big data， artificial intelligence and other technical means， through the multi granularity， multi form and multi-dimensional aggregation and mining of the real population data， death cremation data， spatial remote sensing geographic data and other data resources for many years， the paper explores the model design of the service capacity prediction of the public welfare cemetery in the City， so as to facilitate the service capacity and location of the public welfare cemetery in the city Provide scientific data and model support for planning.

【Key words】： Big data; Public cemetery; Service capacity

0 ?引言

生老病死是人生的客觀規律[1]，逝有所安是人類發展進程的必然需求，殯葬事業作為特殊的社會管理和公共服務事業，是重要的民生工程。為開展殯葬活動而建立的不以營利為目的殯儀設施、火化設施、墓地設施和骨灰安放設施等統稱為殯葬公共服務設施[2]。殯葬公共服務設施包括“殯”和“葬”兩部分，“殯”是殯儀設施，“葬”則是安葬設施[3]。城市公益性公墓是“葬”的重要組成部分，是不以營利為目的，為城鎮居民提供安葬（安放）骨灰的社會公共服務設施[4]。城市公益性公墓建設是一項投資大、經濟效益低的公共服務，要更好的實現“公益優先，節約用地，合理布局”的建設總目標需要用數據來提供規劃支撐，用數據決策。通過采用hadoop、spark、flink等分布式大數據技術框架[5]，匯集、挖掘各類政務及社會數據資源，提高城市公益性公墓建設規劃決策的科學化水平，提升公益性公墓公共服務能力是提升政務部門社會治理能力，實現政府治理能力現代化的實際需要[6]。

1 ?相關領域研究

1.1 ?城市公益性公墓

2012年10月29日民政部《城市公益性公墓建設標準》（征求意見稿）中對城市公益性公墓進行了界定，第一次明確提出了城市公益性公墓相關概念。各省（自治區、直轄市）以省（區、市）政府名義發布的殯葬事業指導性政策文件中都要求各地大力興建城市型公益性公墓提供便民利民服務，明確提出每個縣（市、區）至少要建設一處城市性公益性公墓。國內殯葬業在城市公益性公墓研究的主要方向是公墓建設與土地規劃之間的矛盾、公墓與社會效益的關系、公墓內部的規劃設計、殯葬文化與公墓景觀結合等方面。城市公益性公墓在城市規劃中的整體布局[7]、輻射服務區域范圍及服務容量等方面針對性成果及理論都較少。

城市公益性公墓屬于城市公共服務設施，其在城市規劃整體布局方面可以參考公共服務設施在城市中的整體布局模型。國內外得到廣泛認可的公共服務設施整體布局模型主要可分為（1）P 中位（P Median）模型，P 中心（P Center）模型，LSCP模型（location set covering problem），和MCLP模型（maximum covering location problem）[8]。上述模型針對城市公益性公墓在輻射服務區域范圍及服務容量方面有一定的借鑒意義，但還需要依靠大數據技術研究人口數量[9]、密度、城鎮化水平、交通條件、周邊人文環境等其他限制性因素的影響。

1.2 ?大數據與殯葬事業

對于“大數據”（Big data），《國務院關于印發促進大數據發展行動綱要的通知》（國發〔2015〕50號）明確給予定義：大數據是以容量大、類型多、存取速度快、應用價值高為主要特征的數據集合，正快速發展為對數量巨大、來源分散、格式多樣的數據進行采集、存儲和關聯分析，從中發現新知識、創造新價值、提升新能力的新一代信息技術和服務業態。目前，政府各部門、企事業單位都積極探索實際業務應用與大數據技術相結合，通過整合、匯聚各類政府與社會數據資源，從海量數據資源中挖掘所需要的數據信息[10]，為各部門科學決策提供數據資源支撐，提升政府現代化治理能力[11]。

《民政部關于印發推進“互聯網+殯葬服務”行動方案的通知》（民發〔2018〕73號）[12]文件發布后，全國殯葬行業的大數據應用能力得到明顯提高。因殯葬行業信息化基礎薄弱，現階段殯葬行業與大數據技術相結合研究的重點集中在殯葬行業內部業務數據資源整合，對外數據共享，建立一體化殯葬服務平臺提高殯葬服務能力等方面。對應用大數據、人工智能等技術為城市公益性公墓設施的在城市總體規劃中的布局及服務容量測算等方面研究基本空白。

2 ?大數據對城市公益性公墓的意義

目前，城市公益性公墓在建設規劃及服務容量測算等方面都存在著一些問題。突出表現在各城市公益性公墓布局決策中土地規劃占比較重，人口因素、城鎮化因素、比鄰效應等因素關注較少，造成公益性公墓整體布局不合理，服務輻射范圍交叉，有效供給不足，難以滿足群眾基本殯葬需求。因缺乏有效的數據采集、挖掘與預測手段，城市公益性公墓在規劃設計階段對服務輻射范圍內服務容量需求沒有詳細數據測算支撐，造成部分已建成的城市公益性公墓未達規劃使用年限就出現土地存量吃緊，后續潛力低等問題，降低了整個殯葬行業的公共服務能力。

大數據的優勢在于以業務需求為導向，以Hadoop、Spark和Storm技術框架[5]為基礎，通過數據清洗、標準化等數據采集、數據治理手段和Modeler[13]、Knime數據挖掘工具從多維度、多粒度、多模型、多形態的數據資源中，應用Tensorflow深度神經網絡計算[14]等大數據挖掘、分析類數據資源計算引擎，依托智能化的數據模型，對如人口因素、城鎮化因素、比鄰效應等重要因素進行數據層面分析，實現對城市公益性公墓的關鍵性建設指標如位置、服務容量等數據化展現，為城市公益性公墓規劃設計提供科學決策依據，有效提升殯葬公共服務能力。整個大數據分析支撐框架如圖1。

3 ?城市公益性公墓服務容量預測模型分析

城市公益性公墓建設規劃階段影響因素較復雜，需要采用的大數據計算模型較多，本文重點對城市公益性公墓服務容量預測模型進行分析。

城市公益性公墓服務容量主要體現在規劃使用年限范圍內（一般公墓規劃年限為20年）可為服務輻射范圍內提供的骨灰安葬能力及骨灰安放能力，由規劃年限內公墓輻射服務范圍內年基本需求量、規劃遷移安置數量、已有公墓安置存量等幾部分組成。整體邏輯如下：

城市性公益性公墓服務容量總量=（基本需求量①* 50%–現有公墓存量②+遷移安置用量③）

其中：按照《城市公益性公墓建設標準》（建標182-2017）[15]規定，公益性公墓的實際骨灰安葬（安放）量占當地骨灰安置需求量的估算比例為50%。

3.1 ?公墓輻射范圍內基本需求量

城市公益性公墓輻射范圍內基本需求量約等于城市區域內每年死亡人口數量（城市公益性公墓不提供遺體安葬服務）。

假定到i年公墓輻射范圍內基本需求量為Ai，g為公益性公墓規劃年限，S為規劃建設當年死亡人口數，其中SL為60歲以上老年人死亡人口數。Z為60歲以下人口死亡率偏函數，Zl為60歲以上老年人死亡率偏函數。則公墓服務容量基本需求量如下：

目前，統計部門在應用人口死亡率時基本采用固定值7‰-7.5‰。依托大數據及人工智能技術應用能力，通過匯集衛生健康、民政及公安等部門醫學死亡證明數據、火化數據及銷戶數據，可以計算出不同地區每年的人口死亡率。假設S省2014年到2019年火化數據（S省為火葬區，火化數據約等于死亡人口數據）如表1：

人口死亡數據測算牽扯到的客觀因素非常復雜，本文將其做邏輯簡化處理，重點測算60歲以上人口死亡數據。參考民政部門公布的火化數據，可以測算出60歲以上死亡人口占轄區內全部死亡人口的80%以上，基本涵蓋整個公墓服務容量的基本需求。我國步入老齡化社會后，60歲老年人口占總人口比例是不斷增高的。同時，因60歲以上老人占人口比例的增長速度要明顯高于平均人口增長速度，其死亡率增長速度也要明顯高于平均人口死亡率，故引入人口死亡率偏函數概念，分為60歲以上人口死亡率偏函數及60歲以下人口死亡率偏函數，用于計算每年人口死亡率的實際變化比率。模擬指數函數圖像2如下：其中X軸為城區死亡總人數，Y軸為城區60歲以上死亡總人數，Z為死亡率。

3.2 ?公墓規劃范圍內遷移安置數估算

假定公墓規劃范圍內遷移安置量估算為M，按照規劃部門的規劃要求及劃定的范圍，采用逐行掃描法[16]計算空天遙感大數據[17]，對存在亂墳頭的地區進行總體面積估算。通過空天遙感大數據估算存在亂墳頭的面積為dy（單位：畝），經實地采樣估算每畝需要遷移亂墳頭平均數為dx（單位：個）。計算公式如下：

3.3 ?規劃公墓服務輻射區域內現有公墓服務容量

規劃公益性公墓輻射區域內現有公墓服務容量為C。C通過民政部門公墓管理系統中已建設（包括規劃建設）公墓骨灰安置數Ca與骨灰已安置數Cb相減得到。計算公式如下：

4 ?模型實踐應用

2019年筆者調查S省WF市散埋亂葬過程中，應用大數據技術對QZ市城市公益性公墓建設進行詳細的規劃測算，并依據城市公益性公墓服務容量預測模型等數據模型提交了QZ市城市公益性公墓建設方案。

通過S省殯葬管理信息平臺統計出QZ市2013年到2019年之間人口火化數據統計如下表。

根據QZ市2013年到2019年之間人口火化數據（包含60歲以上老人火化數據）及城區人口火化數據（包含60歲以上老人火化數據），計算出人口死亡率偏函數Z為-0.020662及Zi為0.058448，繼而計算出未來20年城區火化人口數據A20為49876具，規劃建設的城市公益性公墓安置其中的50%;依托S省大數據創新服務平臺（空天大數據服務平臺）中的遙感地圖數據，采用逐行掃描算法估算出QZ市散埋亂葬占地大約為135畝（89999M2）;經實地測量計算平均每個散埋亂葬墳頭占地大約為4M2，計劃遷移安置量M大約為23000具。根據《城市公益性公墓建設標準》（建標182-2017）的規定及“城市公益性公墓的墓穴安葬數量不宜高于骨灰安置安葬總量的40%”要求，估算出QZ市城市公益性公墓的服務容量及占地面積。

采用此模型計算出的城市公益性公墓服務容量符合QZ市民政部門對城市公益性公墓的長期規劃并正式應用。

5 ?結束語

大數據作為一種資源[18]，是一種新的技術手段，也是一種應用能力，更是一種生產要素。城市公益性公墓建設作為惠民殯葬的重要組成部分，也是政府公共服務的重要組成部分。采用大數據技術及數據應用、挖掘能力，應用城市公益性公墓服務容量測算模型，促使城市公益性公墓在規劃設計階段更加科學、嚴謹和有效，有助于增強殯葬行業公共服務能力，提升政府治理能力及水平，提高人民群眾的滿意度。

參考文獻

[1]劉志敏. 我國老年人的尊嚴需求及其實現途徑[J]. 老齡科學研究， 2016， 02： 41-47.

[2]王金華. 用新的理念引領殯葬改革[J]. 中國民政， 2016， 07： 18-19.

[3]單亞林. 城市殯葬設施規劃設計策略研究[D]. 黑龍江： ?哈爾濱工業大學， 2012.

[4]袁治杰. 墓地上權利之重構[J]. 財經法學， 2018， 05： ?93-117.

[5]焦會英， 辛存生， 劉俊艷. 大數據技術及其在智能電網中的未來應用[J]. 軟件， 2018， 09： 200-202.

[6]曹瀟， 雷董燕. 基于因子分析的現代農業發展水平研究——以河南省為例[J]. 軟件， 2018， 12： 146-150.

[7]黎艷偉. 關于城市規劃與建設節約型城市的思考[J]. 黑龍江科技信息， 2014， 35： 219.

[8]馬瀟雅， 劉遠剛， 趙翔. 城市公共服務設施優化配置模型研究的近期進展與展望[J]. 測繪通報， 2020， 02： 9-16.

[9]劉沁， 付騰， 彭羽茜. 基于物聯網大數據節能調度框架研究[J]. 軟件， 2020， 03： 141-143.

[10]孫軒， 孫濤. 大數據計算環境下的城市動態治理：概念內涵與應用框架[J]. 電子政務， 2020， 01： 20-28.

[11]傅軍， 李營. 提升地方政府簡政放權針對性和協同性的思考[J]. 領導科學， 2018， 29， 19-21.

[12]民政部關于印發推進“互聯網+殯葬服務”行動方案的通知， 2018， 民政部.

[13]孫龍杰， 俞凱君. 基于M/M/1/m/m模式的智慧圖書館微信座位預約服務平臺的研究[J]. 軟件， 2019， 06： 105-108.

[14]李榮龍， 胡偉. 字符候選集篩選算法評測方法研究[J]. 信息技術， 2018， 01： 100-104.

[15]劉林， 劉科偉， 董欣等. 城市墓地需求的特征及作用機理——基于西安市的實證分析[J]. 城市規劃， 2018， 10： 51-62.

[16]李繼龍， 周尚明， 戴昌達. 遙感分類圖像斑塊土地面積的自動計算方法[J]. 遙感技術與應用， 2002， 03： 158-161.

[17]吉林省裝備制造業轉型升級實施方案， 2017年， 吉林省政府.

[18]梅錦濤. 大數據時代數據挖掘在公安信息資源管理中的應用研究[J]. 軟件， 2019， 10： 187-194.