基于混合啟發(fā)式算法的中小學(xué)布局優(yōu)化研究

王旭杰，楊 莉

（1.湖北師范大學(xué) 計算機與信息工程學(xué)院，湖北 黃石 435002；2.湖北第二師范學(xué)院 計算機學(xué)院，武漢 430205）

1 引言

新中國成立初期，為普及義務(wù)教育，保障適齡兒童的受教育權(quán)，國家基本采取適齡兒童就近入學(xué)的原則。就近入學(xué)政策不斷發(fā)展與完善，如今已實現(xiàn)中小學(xué)生就近入學(xué)，滿足了群眾“有學(xué)上”的愿望和需求。隨著社會經(jīng)濟的快速發(fā)展與人民生活水平的不斷提高，人們對于教育的追求已經(jīng)從“有學(xué)上”向“上什么樣的學(xué)?！鞭D(zhuǎn)變。放棄就近入學(xué)而尋求更優(yōu)質(zhì)教育資源的行為越來越多，為爭取優(yōu)質(zhì)教育資源而展開的擇校競爭愈演愈烈。中小學(xué)校分布不均衡、學(xué)區(qū)劃分不合理的現(xiàn)象以及家長們對于“重點學(xué)校”的趨之若鶩，引發(fā)了一系列關(guān)于學(xué)生上學(xué)距離增加、學(xué)校容納規(guī)模不足、優(yōu)質(zhì)教育資源不足以及校際教育資源分配不均衡的問題。如何優(yōu)化學(xué)校布局，滿足地區(qū)適齡兒童上學(xué)需求、改善優(yōu)質(zhì)教育資源分配不均等問題被越來越多的學(xué)者所關(guān)注。

近年來，專家和學(xué)者對學(xué)校布局優(yōu)化模型提出了改進思考。2011年，孔云峰和呂建平從空間角度出發(fā)，考察了擇校問題。他們基于學(xué)校與居民點之間的空間關(guān)系，引入了最近距離模型、引入模型和Huff模型，并在ArcGIS軟件中進行了模型的分析。研究結(jié)果顯示，Huff模型的性能較為優(yōu)越。[1]隨后，孔云峰以就近入學(xué)為目標(biāo)，依據(jù)學(xué)校、居民點和道路網(wǎng)絡(luò)構(gòu)建了最優(yōu)學(xué)區(qū)劃分的整型規(guī)劃模型。在GIS軟件的支持下，開發(fā)了最優(yōu)學(xué)區(qū)劃分工具。[2]杜梓寧運用ArcGIS網(wǎng)絡(luò)分析研究中小學(xué)的服務(wù)區(qū)，針對中小學(xué)存在的分布不均、數(shù)量不足、服務(wù)區(qū)重疊等問題提出解決方案。[3]徐鐸軒以東北地區(qū)城鄉(xiāng)發(fā)展不均、鄉(xiāng)鎮(zhèn)中小學(xué)基礎(chǔ)教育資源不足為切入點，通過綜合調(diào)研和量化研究，為校園選址優(yōu)化和空間布局設(shè)計兩方面提出策略。[4]何雪針對單校劃片和多校劃片的復(fù)雜性，通過混合啟發(fā)式算法，包括M-ILS-SA、M-ITS-SA和M-VND-SPP，結(jié)合空間同位模式挖掘和道路網(wǎng)絡(luò)圖計算學(xué)生入學(xué)距離，提出了有效解決學(xué)區(qū)劃分問題的方法，確?？臻g連續(xù)性、具備良好尋優(yōu)能力和收斂性，并在多次啟動下實現(xiàn)全局優(yōu)化和快速收斂。[5]陳玉龍通過改進的模擬退火算法改善交通網(wǎng)絡(luò)條件有效提高了學(xué)生的上學(xué)效率。[6]陳春萍采用GIS技術(shù)和網(wǎng)絡(luò)分析法，通過加權(quán)疊加分析與量化因子選取，優(yōu)化了現(xiàn)有學(xué)校資源的空間布局。[7]周萌基于密度估計分析供需關(guān)系，優(yōu)化小學(xué)布局，生成基于供需平衡的學(xué)區(qū)劃分圖，最終提出義務(wù)教育學(xué)區(qū)劃分優(yōu)化建議。[8]

本文運用TS-SA混合啟發(fā)式算法構(gòu)建教育資源空間優(yōu)化框架，如圖1所示。第一，根據(jù)《湖北省義務(wù)教育學(xué)校辦學(xué)基本標(biāo)準(zhǔn)》規(guī)定小學(xué)與初中在校生人數(shù)均不得超過2000人?？紤]學(xué)生就近入學(xué)可達(dá)性與學(xué)校最大容量設(shè)計優(yōu)化算法，重新分配學(xué)生對口學(xué)校。第二，針對處于教育服務(wù)盲區(qū)的學(xué)生分布特征，采用ArcGIS核密度分析法確定最優(yōu)新建學(xué)校個數(shù)，并將聚集點的中心作為初始建校地址，以實現(xiàn)就近入學(xué)和服務(wù)覆蓋最大化為目標(biāo)。通過TS-SA算法對新建中小學(xué)選址位置進行調(diào)優(yōu)。

2 算法理論介紹

2.1 Haversine距離計算

Haversine距離計算方法是一種廣泛應(yīng)用于地理信息系統(tǒng)和位置服務(wù)的球面距離估算技術(shù)。相較于歐式距離在平面上的計算，Haversine距離考慮到了地球表面的曲率，更加準(zhǔn)確地測量了兩個地理坐標(biāo)點之間的實際表面距離。假設(shè)兩點的經(jīng)緯度分別為（lon1，lat1）和（lon2，lat2），其對應(yīng)的弧度表示為和。

弧度計算表達(dá)式如公式（1）與公式（2）所示：

運用球面三角法將經(jīng)緯度轉(zhuǎn)換為弧度，式中l(wèi)on與lat分別代表經(jīng)度與緯度，π 為圓周率，180是度到弧度的轉(zhuǎn)換系數(shù)。

Haversine所得實際距離的計算公式如下：

公式（3）與（4）中Δlat、Δlon分別表示兩坐標(biāo)之間的緯度差值與經(jīng)度差值；式（5）中a代表計算的中間變量，利用三角函數(shù)運算考慮地球曲率對距離的影響。公式（6）中的c代表兩點之間的弧度距離。公式（7）中的d為最終的Haversine距離，R是地球的平均半徑，通常取6371公里。

2.2 ArcGIS核密度分析

核密度分析是一種用于估計空間上事件分布密度的地理信息系統(tǒng)分析方法。該方法通常用于確定地理空間中事件、點或特定現(xiàn)象的密集程度，以便揭示潛在的空間模式和趨勢。

該分析方法是通過在每個時間點周圍創(chuàng)建一個核（通常為高斯核）來估計每個位置的事件密度。核函數(shù)在每個事件的位置上形成一個權(quán)重，表示該位置的貢獻(xiàn)。通過在所有事件位置上應(yīng)用核函數(shù)，形成一組權(quán)重，這些權(quán)重用于平滑地估計整個研究區(qū)域內(nèi)的事件密度。最終產(chǎn)生一個密度表面，顯示了空間上每個位置的事件密度估計。

2.3 TS-SA算法

TS-SA是一種綜合了禁忌搜索算法和模擬退火算法的混合啟發(fā)式算法，旨在有效解決學(xué)生分配問題。該算法的基本思路如下：在初始解構(gòu)建階段，采用隨機分配的方式將學(xué)生隨機分配到學(xué)校。在TS算法的優(yōu)化階段，進一步優(yōu)化已生成的初始解。這一過程涉及對已構(gòu)建的初始解進行多輪優(yōu)化，通過鄰域搜索算子獲取多個不同的優(yōu)化解。然而，這些解并不一定是最優(yōu)的，因此需要通過SA模型進一步優(yōu)化。在SA模型的再優(yōu)化過程中，以TS算法形成的解作為初始解，執(zhí)行更優(yōu)的解搜尋。這種綜合算法的設(shè)計旨在充分利用兩種啟發(fā)式算法的優(yōu)勢，以提高問題解決的效率和質(zhì)量。整體算法流程圖如圖2所示。

圖2 TS-SA算法流程圖

2.3.1 TS算法優(yōu)化

TS算法以隨機創(chuàng)建的初始解為基礎(chǔ)，通過建立禁忌表，對優(yōu)化的過程進行存儲和記錄，防止算法重復(fù)搜索。在每一次迭代的禁忌搜索中，都通過對當(dāng)前解的隨機微調(diào)產(chǎn)生新的鄰域解。TS算的優(yōu)化過程具體步驟如下所示：

第1步：初始化禁忌表TabuTable，將當(dāng)前所得簇的中心作為初始解加入TabuTable中。

第2步：基于當(dāng)前學(xué)校分配方案，以最小化區(qū)域內(nèi)學(xué)生上學(xué)距離總和作為目標(biāo)函數(shù)，當(dāng)達(dá)到最大迭代次數(shù)或終止條件時停止搜索，終止條件如公式（8）和（9）所示。

小學(xué)終止條件：

初中終止條件：

式中Nstudent為區(qū)域內(nèi)學(xué)生人數(shù)，S為區(qū)域內(nèi)學(xué)生上學(xué)距離總和，根據(jù)《中小學(xué)校設(shè)計規(guī)范》中規(guī)定小學(xué)上學(xué)距離不超過500米，初中上學(xué)距離不超過1000米，當(dāng)區(qū)域內(nèi)學(xué)生上學(xué)距離總和小于或等于兩者的積時停止局部搜索。

第3步：將隨機產(chǎn)生的解為禁忌搜索算法的初始解，并通過對當(dāng)前解的隨機微調(diào)產(chǎn)生新的鄰域解。

第4步：判斷微調(diào)后的鄰域解是否存在TabuTable 中，若存在，轉(zhuǎn)至第3 步產(chǎn)生新的鄰域解，若不存在則繼續(xù)。

第5步：引入目標(biāo)值評估函數(shù)，判斷是否接受該禁忌搜索解，若接受，更新當(dāng)前解，轉(zhuǎn)至第1步；否則將不接受的解添加至TabuTable中，轉(zhuǎn)至第2步。

第6步：循環(huán)直至到達(dá)終止條件或最大迭代次數(shù)。

2.3.2 SA算法再優(yōu)化

SA算法采用具有概率跳突特征的Metropolis 抽樣準(zhǔn)則，以概率的方式接受鄰域中較差的解，以增強算法的多樣性，能夠有效地避免陷入局部最優(yōu)并實現(xiàn)全局最優(yōu)。本文以當(dāng)前區(qū)域內(nèi)學(xué)生上學(xué)總距離作為初始溫度，以區(qū)域內(nèi)學(xué)生人數(shù)作為終止溫度，構(gòu)建SA模型對學(xué)校分配方案進行再優(yōu)化。SA算法再優(yōu)化的具體步驟如下所示。

第1步：設(shè)置外部循環(huán)迭代指標(biāo)，最大迭代次數(shù)。

第2步：根據(jù)當(dāng)前學(xué)校分配方案計算區(qū)域內(nèi)學(xué)生上學(xué)總距離，若小于則結(jié)束運算，則通過隨機微調(diào)當(dāng)前學(xué)校經(jīng)緯度地址產(chǎn)生新的領(lǐng)域解，以表示鄰域解狀態(tài)。

第3步：計算目標(biāo)增量;設(shè)，若＞0或當(dāng)＜0且時，接受該鄰域解，更新當(dāng)前學(xué)校分配方案，否則不接收鄰域解，轉(zhuǎn)至第2步。

第4步：循環(huán)直至到達(dá)終止條件或最大迭代次數(shù)，求解出最終方案。

3 數(shù)據(jù)來源及預(yù)處理

3.1 數(shù)據(jù)來源

本文研究數(shù)據(jù)主要包括學(xué)生的“家-?！蔽恢眯畔?、2021武漢市行政區(qū)劃、基于《2021武漢統(tǒng)計年鑒》獲得中小學(xué)教師信息、武漢市常住人口數(shù)據(jù)以及基于百度地圖開放平臺獲得的學(xué)生上學(xué)實際距離等基本信息。具體數(shù)據(jù)說明如表1所示。

表1 研究數(shù)據(jù)說明

3.2 數(shù)據(jù)處理

3.2.1 家-校原始信息處理

本研究所使用數(shù)據(jù)集原始數(shù)據(jù)組成如表2所示中包含學(xué)生戶籍地址、學(xué)生現(xiàn)住址以及學(xué)生所在學(xué)校三個緯度。

表2 原始數(shù)據(jù)集示例

對于原始數(shù)據(jù)中所存在的將現(xiàn)住址填寫為戶籍地址的情況，如表3 所示。為了不在“家-校”距離計算時產(chǎn)生離群數(shù)據(jù)，從而影響后續(xù)的就近入學(xué)現(xiàn)狀評估與空間優(yōu)化，本研究選擇刪除現(xiàn)住址不在研究區(qū)域內(nèi)的數(shù)據(jù)。

表3 離群數(shù)據(jù)示例

3.2.2 家-校經(jīng)緯度地址轉(zhuǎn)換

為了得到學(xué)生上學(xué)的真實距離與時間和后續(xù)模型構(gòu)建時轉(zhuǎn)換為可輸入的數(shù)據(jù)，需要將具體的家庭住址與學(xué)校住址轉(zhuǎn)換為經(jīng)緯度地址。本研究運用百度地圖開放平臺中的批量地理編碼功能進行轉(zhuǎn)換，轉(zhuǎn)換結(jié)果如表4所示。

表4 百度地圖獲取的經(jīng)緯度信息

百度地圖開放平臺所使用的坐標(biāo)系為百度坐標(biāo)系（bd09II），本研究所使用的區(qū)域行政邊界矢量圖為WGS84 地理坐標(biāo)系，兩者之間存在一定的經(jīng)緯度偏差，所以需要統(tǒng)一坐標(biāo)系，將百度坐標(biāo)系地址轉(zhuǎn)換為WGS84坐標(biāo)系。轉(zhuǎn)換結(jié)果如表5所示。

表5 WGS84坐標(biāo)系轉(zhuǎn)換結(jié)果

3.2.3 家-校距離計算

在先前的公共服務(wù)設(shè)施可達(dá)性測度中，通常采用歐式距離和網(wǎng)絡(luò)分析中的路網(wǎng)距離等計算方法。然而，這些方法未考慮交通干道、河流等實際交通環(huán)境因素，導(dǎo)致距離度量結(jié)果與實際環(huán)境存在較大誤差。隨著基于位置服務(wù)技術(shù)的不斷發(fā)展，互聯(lián)網(wǎng)地圖交通數(shù)據(jù)在可達(dá)性分析的距離測度中得到廣泛應(yīng)用。

為了真實評估中小學(xué)生的上學(xué)距離和上學(xué)時間，本部分利用百度地圖開發(fā)平臺獲取實際交通狀況下的旅行時間和距離。百度地圖（http：//map.baidu.com）具備實時更新和精準(zhǔn)的空間數(shù)據(jù)，提供多種出行方式的最優(yōu)路徑規(guī)劃，并能根據(jù)實時路況（例如道路阻斷、交通管制等）計算準(zhǔn)確的耗時。用戶可以通過調(diào)用API 實現(xiàn)正/逆地理編碼、路線規(guī)劃、地點檢索等功能。在本節(jié)中，使用Python 構(gòu)建爬蟲程序，調(diào)用百度地圖Web 服務(wù)API，經(jīng)過坐標(biāo)轉(zhuǎn)換和批量算路服務(wù)。部分輸出結(jié)果如表6所示。

表6 百度地圖獲取的實際時間與距離示例

4 實驗結(jié)果分析

4.1 評價指標(biāo)

4.1.1 中小學(xué)可達(dá)性

本文采用基于百度地圖獲取的學(xué)生到學(xué)校實際步行時間評價中小學(xué)可達(dá)性。研究綜合考慮了學(xué)生步行行為與實際交通環(huán)境的影響，旨在直觀反映學(xué)生就學(xué)便捷程度。根據(jù)《城市居住區(qū)規(guī)劃設(shè)計標(biāo)準(zhǔn)》GB50180-2018的規(guī)定，針對小學(xué)和初中教育設(shè)施，應(yīng)在10分鐘和15分鐘的生活圈內(nèi)進行配備。具體而言，小學(xué)的最佳步行可達(dá)時間不應(yīng)超過10分鐘，而初中的最佳可達(dá)時間應(yīng)在15分鐘以內(nèi)。

4.1.2 中小學(xué)服務(wù)范圍

在確定中小學(xué)服務(wù)半徑閾值時，本研究依循《城市居住區(qū)規(guī)劃設(shè)計標(biāo)準(zhǔn)》GB50180-2018的規(guī)定。根據(jù)該標(biāo)準(zhǔn)，小學(xué)的服務(wù)半徑不應(yīng)超過500米，初中的服務(wù)半徑則不宜超過1000米。本研究將這一標(biāo)準(zhǔn)作為小學(xué)和初中規(guī)范服務(wù)區(qū)范圍的依據(jù)。在度量學(xué)校服務(wù)范圍距離時，采用了上一部分基于交通大數(shù)據(jù)的可達(dá)性分析，具體確定了實際步行距離500米和1000米范圍，分別作為小學(xué)和初中的服務(wù)覆蓋區(qū)。

采用服務(wù)覆蓋率評價中小學(xué)教育服務(wù)能力。本文將中小學(xué)服務(wù)半徑內(nèi)所覆蓋的人口占研究單元總?cè)丝诘谋壤鳛榉?wù)覆蓋率指標(biāo)，以此了解中小學(xué)教育服務(wù)覆蓋的效率及評價單元之間的服務(wù)水平的差異。服務(wù)覆蓋率越大，表明教育設(shè)施空間布局越均衡，服務(wù)面積越廣，受益人口越多。計算公式如下：

式中，C表示服務(wù)覆蓋率，∑PA表示區(qū)域內(nèi)所有學(xué)校規(guī)范服務(wù)半徑內(nèi)所覆蓋的總?cè)丝?；A表示研究區(qū)域總?cè)丝凇?/p>

本研究將學(xué)齡人口服務(wù)率作為中小學(xué)服務(wù)覆蓋率指標(biāo)，即中小學(xué)規(guī)范服務(wù)半徑內(nèi)（小學(xué)500米，初中1000米）覆蓋的兒童或青少年人口占研究單元兒童或青少年總?cè)丝诘谋壤?/p>

4.2 研究結(jié)果

4.2.1 小學(xué)對口學(xué)校優(yōu)化與建校選址

表7 展示了各行政區(qū)的平均在校生人數(shù)。通過觀察發(fā)現(xiàn)漢陽區(qū)平均在校生人數(shù)最多，本節(jié)以漢陽區(qū)為例，展現(xiàn)小學(xué)對口學(xué)校優(yōu)化與建校選址過程。

表7 各行政區(qū)在校平均人數(shù)

經(jīng)過對口學(xué)校優(yōu)化調(diào)整后，小學(xué)服務(wù)能力與可達(dá)性變動情況如表8所示，優(yōu)化后小學(xué)500米學(xué)校服務(wù)率由18.20%提升至38.51%，被覆蓋學(xué)生占比提高。最遠(yuǎn)上學(xué)距離保持不變，平均上學(xué)距離由3.01 千米縮短至2.85千米。另外，優(yōu)化后仍有24.33%的學(xué)生上學(xué)距離超過2.5千米，說明相當(dāng)一部分學(xué)生存在通勤困難。

表8 優(yōu)化前后服務(wù)率與可達(dá)性比較

圖3為經(jīng)過優(yōu)化后上學(xué)距離仍然超過了2.5千米學(xué)生的核密度分析圖，通過觀察學(xué)生聚集特征可知，在漢陽區(qū)的中部以及東南部存在大量上學(xué)通勤困難學(xué)生，需通過新建小學(xué)來解決這一問題。

圖3 優(yōu)化后服務(wù)盲區(qū)分布圖

圖4為新建學(xué)校的選址示意圖，通過ArcGIS分析，擬新建了7所小學(xué)，再經(jīng)過TS-SA混合啟發(fā)式算法優(yōu)化了學(xué)校選址。新建學(xué)校位于教育服務(wù)盲區(qū)的中心，較好地考慮了附近的學(xué)齡人口。

圖4 新建學(xué)校選址

表9為新建學(xué)校前后的服務(wù)率與可達(dá)性變化情況。通過觀察表格發(fā)現(xiàn)，新建學(xué)校后區(qū)域500米范圍內(nèi)的學(xué)校服務(wù)率由38.51%提升到了43.40%。上學(xué)超過2.5千米的人數(shù)減少了3.37%。平均上學(xué)距離由2.85千米下降到了1.779千米，上學(xué)距離標(biāo)準(zhǔn)差也有所下降，說明區(qū)域內(nèi)學(xué)生上學(xué)距離之間差異性變小。最遠(yuǎn)上學(xué)距離縮短了3.234千米。整體服務(wù)率與可達(dá)性都相較于之前有了較大的提升。

表9 新建學(xué)校前后服務(wù)率與可達(dá)性比較

4.2.2 初中對口學(xué)校優(yōu)化與建校選址

表10展示了各行政區(qū)的平均在校生人數(shù)。通過觀察發(fā)現(xiàn)漢陽區(qū)平均在校生人數(shù)最多，但為與上一屆中漢陽區(qū)小學(xué)的優(yōu)化與新建保持差異性，本節(jié)選取在校平均人數(shù)僅次于漢陽區(qū)的江岸區(qū)為例，介紹初中對口學(xué)校優(yōu)化與建校過程。經(jīng)過對口學(xué)校優(yōu)化調(diào)整后，初中服務(wù)能力與可達(dá)性變動情況如表11所示。優(yōu)化后初中1000米學(xué)校服務(wù)率由21.16%提升至31.13%，被覆蓋學(xué)生占比提高。最遠(yuǎn)上學(xué)距離保持不變，平均上學(xué)距離由12.58千米縮短至8.42千米，上學(xué)距離標(biāo)準(zhǔn)差由13.48千米下降至7.65，說明學(xué)生上學(xué)距離差異性減小。另外，優(yōu)化后仍有39.36%的學(xué)生上學(xué)距離超過3.5千米，說明相當(dāng)一部分學(xué)生仍存在通勤困難。

表10 各行政區(qū)在校平均人數(shù)

表11 優(yōu)化前后服務(wù)率與可達(dá)性比較

圖5為經(jīng)過優(yōu)化后上學(xué)距離仍然超過了3.5千米學(xué)生的核密度分析圖，通過觀察學(xué)生聚集特征可知，在江岸區(qū)的中部以及西南部存在大量上學(xué)通勤困難學(xué)生，需通過新建初中來解決這一問題。

圖5 優(yōu)化后服務(wù)盲區(qū)分布圖

圖6為新建學(xué)校的選址示意圖，通過ArcGIS分析，擬新建了10所初中，再經(jīng)過TS-SA混合啟發(fā)式算法優(yōu)化了學(xué)校選址。新建學(xué)校位于教育服務(wù)盲區(qū)的中心，較好地考慮了附近的學(xué)齡人口。

圖6 新建學(xué)校選址

表12為新建學(xué)校前后的服務(wù)率與可達(dá)性變化情況。通過觀察表格發(fā)現(xiàn)，新建學(xué)校后區(qū)域1000米范圍內(nèi)的學(xué)校服務(wù)率由31.13%提升到了52.68%。上學(xué)超過3.5千米的人數(shù)減少了10.63%。平均上學(xué)距離由8.42千米下降到了5.48千米，上學(xué)距離標(biāo)準(zhǔn)差也有所下降，說明區(qū)域內(nèi)學(xué)生上學(xué)距離之間差異性變小。最遠(yuǎn)上學(xué)距離縮短了12.249千米。整體服務(wù)率與可達(dá)性都相較于之前有了較大的提升。

表12 新建學(xué)校前后服務(wù)率與可達(dá)性比較

5 結(jié)語

教育資源的空間分布和空間分配直接關(guān)系著居民享受教育服務(wù)機會的均等性與公平性。本文綜合考慮就學(xué)人口分布、就學(xué)可達(dá)性、學(xué)校規(guī)模，以實現(xiàn)就近入學(xué)和均衡教育資源為目標(biāo)，構(gòu)建混合啟發(fā)式算法TS-SA模型對現(xiàn)狀中小學(xué)生對口學(xué)校進行調(diào)整。在此基礎(chǔ)上，進一步篩選出教育服務(wù)盲區(qū)，通過ArcGIS分析教育盲區(qū)人口聚集特征，擬定新建學(xué)校數(shù)量，將聚集的中心點作為初始選址位置，再經(jīng)過TS-SA算法對學(xué)校選址進行優(yōu)化。通過模型對口學(xué)校優(yōu)化，擴大了學(xué)校覆蓋范圍，縮減了學(xué)生上學(xué)距離。區(qū)域內(nèi)學(xué)校服務(wù)率與學(xué)生就學(xué)可達(dá)性都有了明顯的提升，較好地實現(xiàn)了教育均衡發(fā)展的優(yōu)化目標(biāo)。表明特征人口需求、學(xué)校就學(xué)可達(dá)性和學(xué)校承載力，在完善學(xué)生就近入學(xué)和提升教育服務(wù)均衡性方面具有積極作用。