許桂生 苑鵬飛 馮湘萍 鄭凱鑫 董鶴亭

摘要：移民生產(chǎn)生活水平的綜合評價(jià)是水庫移民安置及后期扶持效果評價(jià)的核心內(nèi)容。基于廣東省大中型水庫移民后期扶持政策實(shí)施情況的監(jiān)測評估調(diào)查數(shù)據(jù)，從指標(biāo)遴選、分級標(biāo)準(zhǔn)、評價(jià)方法3個(gè)方面（全過程）對此進(jìn)行了研究。首先，利用復(fù)相關(guān)-信息靈敏度方法從海選指標(biāo)中遴選出信息重疊度低的關(guān)鍵指標(biāo)，構(gòu)建移民生產(chǎn)生活水平的評價(jià)指標(biāo)體系;其次，由指標(biāo)的數(shù)據(jù)場勢值計(jì)算初始聚類中心，再根據(jù)K均值聚類法確定各指標(biāo)的分級標(biāo)準(zhǔn);最后，采用基于熵權(quán)法的綜合評分法對移民的生產(chǎn)生活水平進(jìn)行評價(jià)。根據(jù)評價(jià)結(jié)果分析比較了不同地區(qū)的后期扶持工作，結(jié)果表明，該方法與現(xiàn)有的移民生產(chǎn)生活水平評價(jià)方法相比，更加客觀、合理，可為后續(xù)工作的開展提供參考意見。

關(guān) 鍵 詞：

水庫移民; 生產(chǎn)生活水平; 綜合評價(jià); 復(fù)相關(guān)-靈敏度法; K均值聚類法; 綜合評分法

中圖法分類號： D632.4

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.06.035

0 引 言

自20世紀(jì)50年代以來，中國興建了大量的水利水電工程，發(fā)揮了顯著的社會經(jīng)濟(jì)效益，但同時(shí)也造成了大量的水庫移民。據(jù)統(tǒng)計(jì)，截止2014年底，中國已建、在建水庫移民總數(shù)已達(dá)2 200萬人[1]，隨著172項(xiàng)重大水利工程的陸續(xù)開建，目前移民總數(shù)已增至2 500萬人左右。有研究表明，中國早期的水庫移民的確在很大程度上轉(zhuǎn)移或制造了貧困[2-3]，加大了移民與非移民的收入差距，也引發(fā)了許多社會問題[3-4]。為此，國務(wù)院明確要求移民安置應(yīng)使移民生活達(dá)到或超過原有水平，對移民生產(chǎn)生活水平恢

復(fù)情況應(yīng)進(jìn)行監(jiān)督評估，對水庫移民后期扶持政策實(shí)施情況應(yīng)進(jìn)行監(jiān)測評估[5]。移民生產(chǎn)生活水平評價(jià)是水庫移民安置及后期扶持工作評估的核心內(nèi)容，其本質(zhì)是一個(gè)綜合評價(jià)問題。該問題的關(guān)鍵在于構(gòu)建科學(xué)的移民生產(chǎn)生活水平評價(jià)指標(biāo)體系、確定合理的指標(biāo)分級標(biāo)準(zhǔn)和指標(biāo)權(quán)重、選擇合適的綜合評價(jià)方法。

科學(xué)的評價(jià)指標(biāo)體系是合理評價(jià)的基礎(chǔ)，應(yīng)當(dāng)全面、科學(xué)地考慮各個(gè)影響因素，指標(biāo)過少則可能會遺漏重要信息，指標(biāo)太多則會增加問題的復(fù)雜性，不可避免地造成信息重疊，這種信息的重疊有時(shí)甚至?xí)⑹挛锏恼嬲卣骱蛢?nèi)在規(guī)律[6]。但現(xiàn)有研究主要依賴主觀分析確定評價(jià)指標(biāo)[7-10]，鮮見對評價(jià)指標(biāo)的客觀遴選。李娜等[11]采用主成分分析法評價(jià)移民生產(chǎn)生活水平，但主成分分析法對重疊信息的剔除無能為力，因而并未真正實(shí)現(xiàn)指標(biāo)遴選。本文首先從移民的收入水平、消費(fèi)水平、生產(chǎn)條件、生活條件、基礎(chǔ)設(shè)施、發(fā)展保障等6個(gè)方面海選出51個(gè)指標(biāo)作為備選指標(biāo)集，再通過復(fù)相關(guān)-信息靈敏度法[12]剔除其中信息含量低和信息重疊度高的指標(biāo)，實(shí)現(xiàn)了對指標(biāo)的客觀遴選。

在對水庫移民工作進(jìn)行評估時(shí)，我們常常將移民的生產(chǎn)生活水平分為“很差、較差、一般、較好、很好”5個(gè)等級，但在確定分級標(biāo)準(zhǔn)時(shí)，主要依賴主觀分析[13]。聚類分析可以通過對樣本數(shù)據(jù)的聚類從而實(shí)現(xiàn)等級劃分和確定分級標(biāo)準(zhǔn)[14]，而K均值聚類法就是其中常用的一種方法，具有計(jì)算方便、準(zhǔn)確度高等優(yōu)點(diǎn)。但該方法需要人為指定初始聚類中心，且聚類結(jié)果依賴指定的初始聚類中心，有時(shí)只能獲得局部最優(yōu)解[15]。本文采用基于數(shù)據(jù)場的K均值聚類法[16]，通過計(jì)算指標(biāo)數(shù)據(jù)的勢值，確定初始聚類中心，克服了傳統(tǒng)K均值聚類法存在的主觀性，使得指標(biāo)分級標(biāo)準(zhǔn)的確定更為客觀。

確定指標(biāo)權(quán)重的方法主要有層次分析法，熵權(quán)法，灰色關(guān)聯(lián)度法等。本文采用熵權(quán)法確定移民生產(chǎn)生活水平評價(jià)指標(biāo)的權(quán)重。

在確定了評價(jià)指標(biāo)、分級標(biāo)準(zhǔn)和指標(biāo)權(quán)重后，即可直接對樣本的單指標(biāo)得分加權(quán)求和計(jì)算綜合評分，根據(jù)樣本的綜合評分即可直接定級或排序，無需且不適合再使用相對復(fù)雜的模糊綜合評判技術(shù)。這是因?yàn)樵诜旨墭?biāo)準(zhǔn)明確后，各等級也就不再屬于“模糊集”，對確定的指標(biāo)數(shù)據(jù)而言，其所屬等級也是確定的;其次，模糊綜合評判常采用的最大隸屬度原則并不合理，陳守煜提出應(yīng)采用級別特征值原則進(jìn)行判別[17]。為驗(yàn)證綜合評分法的有效性，本次研究前用該方法對文獻(xiàn)[18]的圍巖穩(wěn)定性進(jìn)行了判別，得出了與陳守煜[19]相似的結(jié)論。

本文在廣東省大中型水庫移民2019年度后期扶持監(jiān)測評估工作的基礎(chǔ)上，利用10個(gè)縣100個(gè)移民村2 000戶移民家庭的抽樣調(diào)查數(shù)據(jù)，從評價(jià)指標(biāo)遴選、分級標(biāo)準(zhǔn)、評價(jià)方法3個(gè)方面對移民生產(chǎn)生活水平的綜合評價(jià)問題進(jìn)行了研究。

1 數(shù)據(jù)來源與指標(biāo)遴選

1.1 數(shù)據(jù)來源

廣東省有搬遷農(nóng)業(yè)人口后期扶持任務(wù)的水庫共329座，全省共有大中型水庫移民154.19萬人。為了對2019年度大中型水庫移民后期扶持政策實(shí)施情況進(jìn)行監(jiān)測評估，本文基于廣東省10個(gè)樣本縣的抽樣調(diào)查工作，選取了46個(gè)鄉(xiāng)鎮(zhèn)100個(gè)移民村2 000戶移民家庭較為全面的調(diào)查數(shù)據(jù)。

1.2 確定備選指標(biāo)集

結(jié)合已有研究成果、理論分析及實(shí)踐經(jīng)驗(yàn)，根據(jù)評價(jià)對象及評價(jià)目標(biāo)設(shè)置準(zhǔn)則層，再根據(jù)“全面性、可觀測性”原則進(jìn)行指標(biāo)海選，從收入水平等6個(gè)方面確定了51個(gè)指標(biāo)，去除“建房支出比例、住房質(zhì)量、耕作半徑、有線電視覆蓋率、適齡兒童入學(xué)率、醫(yī)療報(bào)銷比例、發(fā)病死亡率、勞動技術(shù)培訓(xùn)比例、平均壽命、正規(guī)教育規(guī)模、成人教育規(guī)模、綠化率、垃圾集中處理比例”等13個(gè)缺乏監(jiān)測數(shù)據(jù)的指標(biāo)后，得到了含38個(gè)指標(biāo)的備選指標(biāo)集（見表1）。

1.3 指標(biāo)遴選

1.3.1 指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化

在對指標(biāo)進(jìn)行遴選前，首先按min-max原則對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以消除各指標(biāo)量級和量綱不同的影響，公式為

xij=Xij-min1≤j≤nXijmax1≤j≤nXij-min1≤j≤nXij

（1）

式中：i=1，…，m，j=1，…，n，m為指標(biāo)總數(shù)，n為樣本總數(shù);Xij，xij分別為第i個(gè)指標(biāo)第j個(gè)樣本的原始數(shù)據(jù)、標(biāo)準(zhǔn)化數(shù)據(jù)值，minXij，maxXij分別為第i個(gè)指標(biāo)樣本數(shù)據(jù)的最大、最小值。

1.3.2 指標(biāo)相關(guān)性分析

對同一類別的指標(biāo)計(jì)算復(fù)相關(guān)系數(shù)，對復(fù)相關(guān)系數(shù)最大的指標(biāo)，若該指標(biāo)的復(fù)相關(guān)系數(shù)大于設(shè)定的臨界值VR，則剔除該指標(biāo)。循環(huán)處理，直至各類別所有保留指標(biāo)的復(fù)相關(guān)系數(shù)均小于VR。一般VR可取0.80～0.95，本文取0.90。

1.3.3 指標(biāo)靈敏度分析

對所有保留指標(biāo)按公式（2）計(jì)算其信息含量，按照信息含量的大小對指標(biāo)進(jìn)行降序排列，按設(shè)定的累計(jì)信息靈敏度值VI截取保留指標(biāo)。一般VI可取0.70～0.95，本文取0.85。

Ii=1n-1nj=1（xij-1nnj=1xij）21nnj=1xij（2）

式中：Ii為第i個(gè)指標(biāo)信息含量。

取VR=0.90，VI=0.85時(shí)，指標(biāo)遴選的結(jié)果如表2所列。通過計(jì)算復(fù)相關(guān)系數(shù)和指標(biāo)累計(jì)信息靈敏度，剔除了9個(gè)對評價(jià)結(jié)果影響較小的指標(biāo)，最終確定了人均可支配收入、人均消費(fèi)支出、水澆地比例、人均住房面積、亮化照明比例、貧困人口比例等29個(gè)指標(biāo)的評價(jià)指標(biāo)體系。

2 指標(biāo)分級與賦權(quán)

2.1 指標(biāo)分級

為客觀地確定各指標(biāo)的分級標(biāo)準(zhǔn)，采用了K均值聚類法。同時(shí)為克服傳統(tǒng)的K均值聚類法人為指定初始聚類中心的不足，本文基于數(shù)據(jù)場勢函數(shù)理論確定了初始聚類中心，然后再使用K均值聚類法得到指標(biāo)分級結(jié)果。

2.1.1 數(shù)據(jù)場理論

數(shù)據(jù)場勢函數(shù)反映了一個(gè)數(shù)據(jù)對象受到其他所有數(shù)據(jù)對象的影響程度，克服了傳統(tǒng)聚類算法僅考慮2個(gè)對象之間影響關(guān)系的局限性，認(rèn)為空間中任一點(diǎn)的狀態(tài)是其他所有的對象共同作用的結(jié)果，能夠獲得更加科學(xué)合理的聚類分級結(jié)果[20]。指標(biāo)數(shù)據(jù)的勢函數(shù)φ（x）定義如下[21]：

φ（x）=1nnj=1e-（‖x-xj‖σ）2（3）

式中：‖x-xj‖表示對象x到xj的距離;σ一般可取為1。

2.1.2 基于數(shù)據(jù)場的K均值聚類指標(biāo)分級

K均值聚類算法是一種迭代求解的聚類分析算法。首先指定要形成的聚類數(shù)k，再隨機(jī)選取k個(gè)對象作為初始的聚類中心[6]。在引入數(shù)據(jù)場概念后，將不需要人為指定聚類中心，而是從各個(gè)指標(biāo)樣本數(shù)據(jù)間的相互作用力出發(fā)，由勢函數(shù)計(jì)算公式（3）得到每個(gè)樣本的勢值，所得勢值越大說明該樣本點(diǎn)與其他樣本數(shù)據(jù)的相互作用越大，該點(diǎn)就可以作為聚類中心的備選值。根據(jù)大量實(shí)例計(jì)算經(jīng)驗(yàn)可知，基于數(shù)據(jù)場的K均值聚類法比傳統(tǒng)算法聚類正確率更高[16]。水庫移民生產(chǎn)生活水平評價(jià)指標(biāo)分級具體算法步驟如下：

（1） 對表2篩選保留的29個(gè)評價(jià)指標(biāo)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，根據(jù)公式（3）按等級計(jì)算各個(gè)評價(jià)指標(biāo)下樣本數(shù)據(jù)xi的勢值;

（2） 分析每個(gè)評價(jià)指標(biāo)樣本數(shù)據(jù)勢值的極大值點(diǎn)，確定各個(gè)評價(jià)指標(biāo)的初始聚類中心;

（3） 利用K均值聚類算法對各個(gè)指標(biāo)數(shù)據(jù)進(jìn)行分級聚類，得到最終聚類結(jié)果。

下面以“人均可支配收入”為例，對基于數(shù)據(jù)場的K均值聚類算法計(jì)算過程進(jìn)行說明。根據(jù)公式（3）計(jì)算數(shù)據(jù)場勢值，可得到2 000戶樣本家庭的人均可支配收入勢值分布情況（見圖1）。本文將人均可支配收入分為5個(gè)等級，按等級找到5個(gè)勢值極大值點(diǎn)，其對應(yīng)的人均可支配收入分別為9 260，13 000，16 137，19 872，29 377，以此作為初始聚類中心。將人均可支配收入樣本數(shù)據(jù)以及5個(gè)初始聚類中心數(shù)值代入SPSS軟件中的K-均值聚類算法進(jìn)行聚類分析，求得最終聚類結(jié)果作為人均可支配收入的分級標(biāo)準(zhǔn)（見表3）。

對各個(gè)指標(biāo)數(shù)據(jù)重復(fù)以上步驟共得到29個(gè)評價(jià)指標(biāo)的分級區(qū)間（見表4）。

2.2 指標(biāo)賦權(quán)

熵權(quán)法是一種以評價(jià)對象中各項(xiàng)評價(jià)指標(biāo)所提供的信息含量為依據(jù)，確定權(quán)重值的客觀賦權(quán)法。熵權(quán)法確定權(quán)重的計(jì)算步驟[20]如下：

（1） 為了消除指標(biāo)計(jì)量單位的影響，要對評價(jià)指標(biāo)進(jìn)行歸一化處理。設(shè)Xijn×m為同趨勢化后的指標(biāo)矩陣，Zijn×m為歸一化后的指標(biāo)矩陣，則：

Zij=Xijni=1X2ij（4）

（2） 計(jì)算第i個(gè)樣本第j項(xiàng)指標(biāo)值的比重：

Pij=Zijni=1Zij（5）

（3） 計(jì)算指標(biāo)信息熵：

Ej=-Kni=1（pijlnpij）（6）

式中：常數(shù)K=1/lnn。

（4） 計(jì)算權(quán)重：

Wj=1-Ejnj=1（1-Ej）（7）

將廣東省10個(gè)樣本縣的監(jiān)測評估數(shù)據(jù)，代入公式（4）～（7）得到各指標(biāo)權(quán)重（見表5）。

3 綜合評價(jià)與分析

3.1 綜合評分法

在傳統(tǒng)的綜合評價(jià)分析中，不少學(xué)者采用了基于最大隸屬度原則的模糊綜合評判法。但該方法容易導(dǎo)致信息丟失而引起判別結(jié)果出現(xiàn)偏差。比如10個(gè)評委對某評價(jià)對象的較差、中等、優(yōu)秀進(jìn)行打分，其結(jié)果為4個(gè)評委打分較差、3個(gè)評委打分中等、3個(gè)評委打分優(yōu)秀，按照最大隸屬度原則，其綜合評價(jià)為較差，但實(shí)際情況應(yīng)該屬于中等。

本文基于“加權(quán)平均”的思想，提出了綜合評分法，可得到更為合理的評價(jià)結(jié)果。假定指標(biāo)A劃分5個(gè)區(qū)間等級分別為[A0，A1），[A1，A2），[A2，A3），[A3，A4），[A4，A5），并規(guī)定A0為0分，A1為20分，A2為40分，A3為60分，A4為80分，A5為100分。中間3個(gè)等級為有限區(qū)間，兩端的可能為無限區(qū)間，也可能為有限。當(dāng)各等級區(qū)間為有限區(qū)間時(shí)，直接線性插值計(jì)算得分。若落在無限區(qū)間，即：若最高等級區(qū)間為[A4，+∞），則f（x）=100-20ex-A4（x>A4）;若最低等級區(qū)間為[-∞，A1），則f（x）=20eA1-x（x

結(jié)合熵權(quán)法計(jì)算所得的權(quán)重，可得廣東省水庫移民生產(chǎn)生活水平綜合評價(jià)分級標(biāo)準(zhǔn)如表6所列。

3.2 評價(jià)結(jié)果及分析

對廣東省10個(gè)樣本縣數(shù)據(jù)進(jìn)行計(jì)算，由綜合評分結(jié)果可得，10個(gè)樣本縣綜合評級均為中等，其中花都區(qū)綜合評分最高，為52.66;郁南縣綜合評分最低，為41.62?？梢娡ㄟ^后期扶持，廣東省水庫移民生產(chǎn)生活水平恢復(fù)效果較為顯著，雖然不同地區(qū)水庫移民生產(chǎn)生活水平有差異，但其差距也在逐漸縮?。ㄒ姳?）。具體分析如下：

（1） 通過對比各樣本縣反映移民收入水平的多個(gè)指標(biāo)發(fā)現(xiàn)，家庭經(jīng)營性收入和二、三產(chǎn)業(yè)收入為移民家庭總收入的重要組成部分，各樣本縣的家庭經(jīng)營性收入比例評分均在中等偏上水平，二、三產(chǎn)業(yè)收入比例評分接近中等水平，后續(xù)仍需加強(qiáng)對二、三產(chǎn)業(yè)的扶持。建議各縣在后續(xù)扶持中結(jié)合當(dāng)?shù)貙?shí)際適當(dāng)增加生產(chǎn)開發(fā)項(xiàng)目的比重，收入結(jié)構(gòu)多元化發(fā)展，引進(jìn)龍頭企業(yè)，充分利用當(dāng)?shù)刭Y源，一、二、三產(chǎn)業(yè)融合發(fā)展，促進(jìn)移民增收致富。

（2） 通過對比各樣本縣反映移民消費(fèi)水平、生活水平和發(fā)展保障的多個(gè)指標(biāo)發(fā)現(xiàn)，部分樣本縣教育支出比例較低，高中階段入學(xué)率不高，后期仍需要加大對移民后代教育問題的關(guān)注力度，子女的教育問題所受影響因素較多，如家庭經(jīng)濟(jì)水平、當(dāng)?shù)鼐用袼枷胗^念、當(dāng)?shù)卣咧С至Χ?。建議移民部門在提高當(dāng)?shù)匾泼袷杖氲耐瑫r(shí)，一方面可適當(dāng)撥付部分資金對貧困移民子女教育進(jìn)行資助;另一方面也要加大宣傳子女受教育的重要性，提高當(dāng)?shù)匾泼駥逃闹匾暢潭取?/p>

（3） 通過對比各樣本縣反映基礎(chǔ)設(shè)施的多個(gè)指標(biāo)發(fā)現(xiàn)，部分樣本縣村均衛(wèi)生室個(gè)數(shù)和亮化照明比例評分均不高，需要繼續(xù)完善基礎(chǔ)設(shè)施建設(shè)。當(dāng)?shù)匾泼竦膮⑴c度和意愿對移民村基礎(chǔ)設(shè)施的建設(shè)起著決定性的作用，建議移民部門一方面要結(jié)合當(dāng)?shù)匾泼翊宓膶?shí)際出發(fā)，統(tǒng)籌規(guī)劃，合理配置資源;另一方面也要充分調(diào)動當(dāng)?shù)匾泼駥覉@建設(shè)的積極性，要培養(yǎng)其“大局意識”，通過加大移民群眾的參與度，推動當(dāng)?shù)鼗A(chǔ)設(shè)施的建設(shè)進(jìn)程。

4 結(jié) 論

（1） 本文利用復(fù)相關(guān)-信息靈敏度方法從海選指標(biāo)中遴選出信息重疊度低的關(guān)鍵指標(biāo)，構(gòu)建移民生產(chǎn)生活水平的評價(jià)指標(biāo)體系。相比于傳統(tǒng)上僅僅依靠主觀經(jīng)驗(yàn)對水庫移民后期扶持效果評價(jià)指標(biāo)進(jìn)行篩選，復(fù)相關(guān)-信息靈敏度方法從備選指標(biāo)中剔除了信息含量低和信息重疊度高的指標(biāo)，實(shí)現(xiàn)了對指標(biāo)的客觀遴選，并克服了主成分分析法無法實(shí)現(xiàn)對重復(fù)信息篩選的缺點(diǎn)。

（2） 本文采用基于數(shù)據(jù)場的K均值聚類法，通過計(jì)算指標(biāo)數(shù)據(jù)的勢值，確定初始聚類中心，克服了傳統(tǒng)K均值聚類法存在的主觀性問題;建立了針對水庫移民后期扶持評價(jià)指標(biāo)的分級標(biāo)準(zhǔn)，克服了傳統(tǒng)上依靠專家經(jīng)驗(yàn)或參考統(tǒng)計(jì)公報(bào)數(shù)據(jù)確定評價(jià)指標(biāo)分級標(biāo)準(zhǔn)的缺點(diǎn)，使得指標(biāo)分級標(biāo)準(zhǔn)的確定更為客觀。

（3） 本文提出綜合評分法，直接對樣本的單指標(biāo)得分加權(quán)求和計(jì)算綜合評分，根據(jù)樣本的綜合評分即可直接定級或排序，無需再使用相對復(fù)雜的模糊綜合評判技術(shù)，簡化了綜合評價(jià)過程。

參考文獻(xiàn)：

[1] 邱元鋒，孟戈，WEI Y，等.水庫移民滿意度影響因素實(shí)證分析[J].水利學(xué)報(bào)，2016，47（5）：663-673.

[2] 張紹山.水庫移民“次生貧困”及其對策初探[J].水利經(jīng)濟(jì)，1992（4）：25-28.

[3] 檀學(xué)文.中國移民扶貧70年變遷研究[J].中國農(nóng)村經(jīng)濟(jì)，2019（8）：2-19.

[4] 姚凱文.水庫移民安置研究[M].北京：中國水利水電出版社，2008.

[5] 國務(wù)院.大中型水利水電工程建設(shè)征地補(bǔ)償和移民安置條例[M].北京：中國法制出版社，2017.

[6] 何曉群.多元統(tǒng)計(jì)分析[M].3版.北京：中國人民大學(xué)出版社，2012.

[7] 施國慶，陳紹軍，袁汝華，等.水庫移民生產(chǎn)生活水平分析與評價(jià)方法[J].水利學(xué)報(bào)，1996（2）：51-55，62.

[8] 胡寶柱，趙靜，何小龍，等.水庫移民經(jīng)濟(jì)評價(jià)方法研究[J].華北水利水電學(xué)院學(xué)報(bào)，2005，36（2）：5-8.

[9] 單穎，左緒海.水庫移民安置后評價(jià)指標(biāo)體系探討[J].人民長江，2010，41（23）：26-30.

[10] 牟立.水庫移民后期扶持效果評價(jià)[D].北京：清華大學(xué)，2014.

[11] 李娜，王火根.基于主成分分析的水庫移民生活水平綜合評價(jià)[J].人民長江，2016，47（23）：120-125.

[12] 張壯，李琳琳，路云飛.基于復(fù)相關(guān)-信息靈敏度的C4ISR評估指標(biāo)體系構(gòu)建[J].火力與指揮控制，2018，43（10）：68-73.

[13] 鄭從奇，許彥剛，趙勝，等.水庫移民生產(chǎn)生活水平可變模糊評價(jià)方法與應(yīng)用[J].山東大學(xué)學(xué)報(bào)（工學(xué)版），2013，43（3）：75-81.

[14] 劉玉邦，梁川.基于天氣成因和主成分分析的暴雨洪水分級研究[J].水利學(xué)報(bào)，2011，42（1）：98-104.

[15] 蔡蓉蓉，張紅武，卜海磊，等.基于水沙組合分類的黃河中下游水沙變化特點(diǎn)研究[J].水利學(xué)報(bào)，2019，50（6）：732-742.

[16] 龔艷冰，楊舒馨，戴靚靚，等.基于數(shù)據(jù)場K-means聚類的洪澇災(zāi)害突發(fā)事件分級方法[J].統(tǒng)計(jì)與決策，2018，34（20）：47-49.

[17] 陳守煜.可變模糊集理論與模型及其應(yīng)用[M].大連：大連理工大學(xué)出版社，2009.

[18] 王廣月，劉健.圍巖穩(wěn)定性的模糊物元評價(jià)方法[J].水利學(xué)報(bào)，2004（5）：20-24.

[19] 陳守煜，胡吉敏，李敏.水電站導(dǎo)流洞圍巖穩(wěn)定性的可變模糊評價(jià)方法[J].北京工業(yè)大學(xué)學(xué)報(bào)，2009，35（4）：464-469.

[20] 林建潮.熵權(quán)法確定評價(jià)指標(biāo)權(quán)重在Excel中的實(shí)現(xiàn)[J].中國醫(yī)院統(tǒng)計(jì)，2020，27（4）：362-364.

[21] 淦文燕，李德毅，王建民.一種基于數(shù)據(jù)場的層次聚類方法[J].電子學(xué)報(bào)，2006（2）：258-262.

（編輯：謝玲嫻）

Study on comprehensive evaluation method of production and living

standard of reservoir immigrants

XU Guisheng1，YUAN Pengfei1，F(xiàn)ENG Xiangping2，ZHENG Kaixin1，DONG Heting1

（1.School of Water Resources and Hydropower Engineering，North China Electric Power University，Beijing 102206，China; 2.Guangxi Water Resources and Electric Power Survey and Design Institute，Nanning 530023，China）

Abstract：

The comprehensive evaluation of production and living standards of immigrants is the core content in reservoir resettlement and subsequent support effect evaluation.Based on the monitoring and implementation evaluation data of the later support policies for large and medium-sized reservoirs in Guangdong Province，we study from three aspects（the whole process） of indicator selection，classification standards and evaluation methods.Firstly，the multiple correlation-information sensitivity method is used to select key indicators with low information overlap from all indicators to construct an evaluation indicator system for the production and living standards of immigrants.Secondly，the initial clustering centre is calculated from the data field potential values of the indicators and then the classification standard of each indicator is determined according to the K-means clustering method.Finally，the comprehensive scoring method based on entropy weight method is used to evaluate the production and living standards of immigrants.According to the evaluation results，this paper compares and analyzes the subsequent support work in different regions.The results show that this method is more objective and reasonable than the existing evaluation methods，and can provide reference for the follow-up work.

Key words：

reservoir immigrant;production and living standard;comprehensive evaluation;multiple correlation-sensitivity method;K-means clustering method;comprehensive scoring method