脫貧幫扶各指標評價預測及建議

張向遠 蘇盈文 鄭狄威 王智樂 王吉源

摘 要：消除貧困、改善民生、實現共同富裕，是我們黨的重要使命。黨的十八大以來，國家把扶貧開發工作納入“四個全面”戰略布局，擺在更加突出的位置。為了更好的激勵各幫扶單位提高扶貧效率，國家啟動了脫貧幫扶績效評價機制。本文根據2015年及2020年被幫扶的這些村莊居民收入、產業發展、居住環境、文化教育、基礎設施等五個方面的評分數據以及總分數據對幫扶績效進行了評價。確定2015年和2020年的各指標之間的聯系，利用SPSS軟件對2015年的居民收入、產業發展、居住環境、文化教育、基礎設施和2020年的居民收入、產業發展、居住環境、文化教育、基礎設施兩兩進行相關性分析，通過判斷皮爾遜指數確定各指標之間的相關性，并且對相關系數進行模擬檢驗，通過正態分布發現，發現所求的各相關系數基本穩定且準確，驗證了模型的可靠性。對不同類型的幫扶單位績效排序，并給出脫貧幫扶績效前十名的幫扶單位編號，對評價最好的幫扶單位及幫扶單位類型進行定性定量的分析。

關鍵詞：扶貧績效評價; 相關性分析; 層次分析;TOPSIS

一、引言

消除貧困、改善民生、逐步實現共同富裕，是社會主義的本質要求，是我們黨的重要使命。黨的十九大報告指出，要確保到2020年我國現行標準下農村貧困人口實現脫貧，解決區域性貧困。所以扶貧開發工作擺在更加突出的位置。

為了更好的激勵各幫扶單位提高扶貧效率，扶真貧，真扶貧。五年前，國家啟動了脫貧幫扶績效評價機制。某科研團隊接受任務后，對全國 32165 個需要幫扶的貧困村進行了初步的貧困調查。從居民收入、產業發展、居住環境、文化教育、基礎設施等五個評價指標給出了評分。

二、合適評價指標的選取

相關分析就是對總體中確實具有聯系的標志進行分析，其主體是對總體中具有因果關系標志的分析。若隨著年份增加各個評價指標也隨之增加，這說明兩指標間是正相關關系;反之，則為負相關系數。而如果對于所有的自變量取值的概率分布都相同，則說明因變量和自變量是沒有相關關系的。反之，如果，自變量的取值不同，因變量的分布也不同，則說明兩者是存在相關關系的。

兩個變量之間的相關程度通過相關系數r來表示。相關系數r的值在-1和1之間，但可以是此范圍內的任何值。正相關時，r值在0和1之間，散點圖是斜向上的，這時一個變量增加，另一個變量也增加;負相關時，r值在-1和0之間，散點圖是斜向下的，此時一個變量增加，另一個變量將減少。r的絕對值越接近1，兩變量的關聯程度越強;r的絕對值越接近于0，兩變量的關聯程度越弱。

三、皮爾遜相關系數選取及分析

通過統計和分析我們發現給出的數據符合正態分布，所以選取皮爾遜相關系數進行分析，借助SPSS對2015年和2020年的各項指標兩兩進行數據分析。

通過對數據的分析可以看出來2015年和2020年各項評價指標之間的相關性關系如表1所示：

總體看來2015年的各項指標和2020年的各項指標具有相關性。為準確了解什么類型的幫扶單位，哪些幫扶單位在脫貧幫扶上面有較高的績效，本文從居民收入、產業發展、 居住環境、文化教育、基礎設施等五個方面進行評價。選用層次分析法對以上五個評價指標進行權重計算，并且對6個幫扶單位類型，160個幫扶單位的數據進行處理，計算其2020年與2015年各項評價指標差值的平均值并提取整合，用差值代表績效的好壞，差值越高就代表著村莊提高越多，越久表示績效越好。其次對處理后的數據進行歸一化處理，選用Topsis法（優劣解距離法）對歸一化處理后的數據按照績效進行排序，得到6個幫扶單位類型的排序順序以及幫扶單位中前十名的單位編號。

四、Topsis法（優劣解距離法）計算排序

1. 計算6個幫扶單位類型

建立的評價指標體系，建立歸一化矩陣，將數據進行標準化，即：

其中i表示幫扶單位的類型，j表示不同指標的差，且m=5，n=6 。

表示第 i 個幫扶單位類型第 j 個評價指標體系的得分情況。通過計算2020年與2015年各項評價指標差值的平均值并提取整合。

可以得到與最優值的相對接近程度

對與最優值的相對接近程度Wi 進行歸一化處理，并對歸一化的數據進行排序即可獲得最優的排列順序，如表2所示。對數據進行合理同趨化后，可以發現與最優值的相對接近程度Wi 表示小區開放對周邊道路通行的影響，而且當? 的得分指標越大，表示小區開放對周邊道路通行影響越大，即周邊道路通行越流暢。

五、結論

對于每個問題的求解，我們都進行了多次模擬，選擇了最優的模型，雖然有些方面會有些誤差，但是通過查閱相關的文獻確定了總體的方向的預測數值都在可以接受的誤差內，對各村莊進行科學的評價，有效的利用各個指標和相關數據。層次分析法具有系統性、簡潔實用、所需定量數據信息較少，這種方法尤其可用于對無結構特性的系統評價以及多目標、多準則、多時期等的系統評價，而且結果簡單明確、可信度較高。Topsis模型避免了數據的主觀性，不需要目標函數，不用通過檢驗， 而且能夠很好的刻畫多個影響指標的綜合影響力度。聚類算法簡單、快速。對處理大數據集，該算法是相對高效率的。

參考文獻：

[1]劉利.新形勢下民族地區精準脫貧機制的思考[J].臨沂大學學報，2019，41（04）：128-137.

[2]江西省農村貧困問題研究課題組.農村區域性貧困標準及脫貧進程指標體系研究[J].調研世界，1999（12）：3-5.

[3]顧小涵. 基于TOPSIS對精準扶貧實施績效評價研究[D].江西財經大學，2019.

（蘭州理工大學 甘肅 蘭州? 730050）