來(lái)阿龍

（陜西國(guó)際商貿(mào)學(xué)院，西安 712046）

精準(zhǔn)扶貧是一項(xiàng)系統(tǒng)性、綜合化的工程，為完善精準(zhǔn)扶貧成效的評(píng)價(jià)機(jī)制，提高精準(zhǔn)扶貧效率，進(jìn)行農(nóng)村精準(zhǔn)扶貧成效評(píng)價(jià)具有重要的實(shí)踐意義。精準(zhǔn)扶貧成效評(píng)價(jià)的研究方法主要有模糊綜合評(píng)價(jià)法、多元線(xiàn)性回歸法和路徑分析法等［1，2］，評(píng)價(jià)指標(biāo)主要涉及義務(wù)教育質(zhì)量、農(nóng)戶(hù)對(duì)扶貧項(xiàng)目的透明度及參與度、醫(yī)療衛(wèi)生及貧困與收入不平等的相關(guān)影響、扶貧開(kāi)發(fā)政策對(duì)農(nóng)戶(hù)家庭稟賦特征等多方面。扶貧成效評(píng)價(jià)的研究?jī)?nèi)容主要集中于扶貧政策的綜合評(píng)價(jià)，而從農(nóng)戶(hù)滿(mǎn)意度視角的研究較少。

本研究針對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network，BPNN）收斂速度慢和局部最優(yōu)的問(wèn)題，運(yùn)用樽海鞘算法［3］（Salp swarm algorithm，SSA）對(duì)BPNN 的權(quán)值和閾值進(jìn)行自適應(yīng)優(yōu)化選擇，建立基于農(nóng)戶(hù)滿(mǎn)意度的SSA-BPNN 的農(nóng)村精準(zhǔn)扶貧成效評(píng)價(jià)模型。

1 精準(zhǔn)扶貧成效評(píng)價(jià)指標(biāo)

精準(zhǔn)扶貧成效評(píng)價(jià)是一項(xiàng)系統(tǒng)而復(fù)雜的工作，扶貧成效評(píng)價(jià)的前提是建立精準(zhǔn)扶貧成效評(píng)價(jià)指標(biāo)體系。本研究在相關(guān)文獻(xiàn)［4，5］的基礎(chǔ)上，從生存環(huán)境維度、生活狀況維度、精準(zhǔn)扶貧政策效果和人文發(fā)展與社會(huì)保障4 個(gè)角度建立基于農(nóng)戶(hù)滿(mǎn)意度的精準(zhǔn)扶貧成效評(píng)價(jià)指標(biāo)體系，具體如圖1 所示。

圖1 基于農(nóng)戶(hù)滿(mǎn)意度的精準(zhǔn)扶貧成效評(píng)價(jià)指標(biāo)體系

2 研究方法

2.1 樽海鞘算法

2.1.1 初始化種群 在標(biāo)準(zhǔn)SSA 算法中，樽海鞘算法的種群規(guī)模為N，搜索空間維數(shù)為D，樽海鞘的位置為X=［Xn1，Xn2，…，XnD］T，n=1，2，…，N，食物位置為F=［F1，F(xiàn)2，…，F(xiàn)D］T，搜索空間上限為ub=［ub1，ub2，…，ubD］T，搜索空間下限為lb=［lb1，lb2，…，lbD］T，樽海鞘算法的種群隨機(jī)初始化公式為［6］：

式中，XN×D為樽海鞘位置向量，向量維數(shù)為N×D；rand（N，D）為N×D維的隨機(jī)向量。

在樽海鞘算法的種群中，領(lǐng)導(dǎo)者的狀態(tài)為X1d；d=1，2，3，…，D為領(lǐng)導(dǎo)者的維數(shù)；追隨者的狀態(tài)Xm d；m=2，3，…，N為追隨者的編號(hào)。

2.1.2 更新領(lǐng)導(dǎo)者位置 在標(biāo)準(zhǔn)SSA 算法中，領(lǐng)導(dǎo)者引領(lǐng)整個(gè)樽海鞘群體的移動(dòng)，用來(lái)搜索食物，這一操作的主要目的是使領(lǐng)導(dǎo)者位置更新方式具有很強(qiáng)的隨機(jī)性，領(lǐng)導(dǎo)者更新策略按公式（2）計(jì)算：

式中，X1d為引領(lǐng)者位置；ubd,lbd分別為引領(lǐng)者個(gè)體在d維上的搜索上限和搜索下限；c1、c2為隨機(jī)數(shù)，處于［0，1］；c3為搜索平衡因子，主要用于平衡全局搜索和局部搜索能力，增強(qiáng)引領(lǐng)者的隨機(jī)性和多樣性。收斂因子按公式（3）計(jì)算：式中，c1為收斂因子；t為樽海鞘算法的當(dāng)前迭代次數(shù)；T為樽海鞘算法的最大迭代次數(shù)。

2.1.3 更新追隨者位置 參考文獻(xiàn)［7］，初始位置、速度和加速度直接關(guān)系到追隨者的位置，跟隨者根據(jù)牛頓運(yùn)動(dòng)方程更新位置：

式中，a為加速度；v0為初始速度；ta為迭代步長(zhǎng)；R為運(yùn)動(dòng)距離；Xm′d、Xm d分別為更新后和更新前第m個(gè)追隨者第d維位置。

2.2 反向傳播神經(jīng)網(wǎng)絡(luò)

BPNN 一般由輸入層、隱含層和輸出層組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示［8］。

圖2 BPNN 網(wǎng)絡(luò)結(jié)構(gòu)

圖2 中，BPNN 的輸入變量和輸出變量分別為X=（X1，X2，…，Xn）和Y=（Y1，Y2，…，Ym），BPNN 網(wǎng)絡(luò)訓(xùn)練過(guò)程可詳細(xì)描述如下。

1）初始化BPNN 網(wǎng)絡(luò)。由BPNN 的輸入變量X=（X1，X2，…，Xn）和輸出變量Y=（Y1，Y2，…，Ym）確定BPNN 的輸入層節(jié)點(diǎn)數(shù)為n，隱含層節(jié)點(diǎn)數(shù)為l，輸出層節(jié)點(diǎn)數(shù)為m；初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值wij和wjk；設(shè)定隱含層閾值為a和輸出層閾值為b，學(xué)習(xí)速率η和隱含層激勵(lì)函數(shù)f。

2）計(jì)算隱含層輸出。根據(jù)BPNN 輸入變量X，輸入層與隱含層的連接權(quán)值wij和隱含層閾值a，計(jì)算隱含層輸出H。

式中，f（x）的數(shù)學(xué)表達(dá)式為f(x) = 1/(1+e-x)。

3）計(jì)算輸出層輸出。根據(jù)BPNN 隱含層輸出H，隱含層和輸出層神經(jīng)元之間的連接權(quán)值wjk和輸出層閾值b，計(jì)算BPNN 的預(yù)測(cè)值O。

4）計(jì)算網(wǎng)絡(luò)誤差e。

5）更新權(quán)值。

6）更新閾值。

7）算法終止條件。若滿(mǎn)足終止條件，則算法停止；否則，返回第二步。

2.3 數(shù)據(jù)來(lái)源

結(jié)合陜西省精準(zhǔn)扶貧工作實(shí)際情況，運(yùn)用層次分析法從生存環(huán)境維度、生活狀況維度、精準(zhǔn)扶貧政策效果和人文發(fā)展與社會(huì)保障4 個(gè)角度建立基于農(nóng)戶(hù)滿(mǎn)意度的精準(zhǔn)扶貧成效評(píng)價(jià)指標(biāo)體系，包括房屋用料基礎(chǔ)滿(mǎn)意度、居住條件滿(mǎn)意度、道路硬度滿(mǎn)意度等16 個(gè)二級(jí)指標(biāo)［9，10］。研究數(shù)據(jù)主要來(lái)源于經(jīng)濟(jì)報(bào)告中的宏觀(guān)數(shù)據(jù)和調(diào)查問(wèn)卷獲得的微觀(guān)數(shù)據(jù)以及政策文件，問(wèn)卷調(diào)查的對(duì)象主要為扶貧對(duì)象，問(wèn)卷調(diào)查內(nèi)容主要集中于農(nóng)戶(hù)對(duì)扶貧政策的了解程度和滿(mǎn)意程度，共發(fā)放了200 份問(wèn)卷，最終回收有效問(wèn)卷194份，有效問(wèn)卷回收率為97%。農(nóng)戶(hù)對(duì)精準(zhǔn)扶貧成效的滿(mǎn)意程度分為不滿(mǎn)意、一般、良好、比較滿(mǎn)意和非常滿(mǎn)意5 個(gè)等級(jí)。

2.4 評(píng)價(jià)指標(biāo)

為了評(píng)估SSA-BPNN 進(jìn)行精準(zhǔn)扶貧的成效評(píng)價(jià)效果，選擇準(zhǔn)確率（Accuracy，ACC）作為評(píng)價(jià)指標(biāo)。

式中，TP和TN分別為精準(zhǔn)扶貧成效等級(jí)被正確分類(lèi)的樣本數(shù)和被分成其他等級(jí)的樣本數(shù)；FP和FN分別為精準(zhǔn)扶貧成效評(píng)價(jià)其他等級(jí)被錯(cuò)分的樣本數(shù)和誤報(bào)數(shù)量。

3 基于SSA-BPNN 的精準(zhǔn)扶貧成效評(píng)價(jià)模型

3.1 目標(biāo)函數(shù)

SSA 算法優(yōu)化BPNN 的主要思路為利用SSA 算法優(yōu)化BPNN 模型的初始網(wǎng)絡(luò)權(quán)值和閾值，選擇BPNN 訓(xùn)練誤差作為SSA 算法的適應(yīng)度函數(shù)，獲取BPNN 最優(yōu)初始網(wǎng)絡(luò)權(quán)值和閾值的過(guò)程。針對(duì)BPNN 模型精度受其初始網(wǎng)絡(luò)權(quán)值和閾值設(shè)定的影響，本研究運(yùn)用SSA 算法自適應(yīng)優(yōu)化選擇BPNN 模型的初始網(wǎng)絡(luò)權(quán)值和閾值，SSA-BPNN 模型的適應(yīng)度函數(shù)為［11，12］：

式中，n為訓(xùn)練樣本集的數(shù)量；xobs（i）和xpre（i）分別為第i個(gè)樣本的實(shí)際值和預(yù)測(cè)值；［wmin，wmax］和［bmin，bmax］分別為BPNN 模型的初始權(quán)值w、閾值b取值下限和上限。

3.2 算法步驟

基于SSA-BPNN 的精準(zhǔn)扶貧成效評(píng)價(jià)流程如圖3 所示。首先，10 折劃分收集的精準(zhǔn)扶貧成效評(píng)價(jià)數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)；之后，針對(duì)訓(xùn)練數(shù)據(jù)集運(yùn)用SSA 優(yōu)化BPNN 模型的權(quán)值和閾值建立基于SSA-BPNN 的精準(zhǔn)扶貧成效評(píng)價(jià)模型；最后，將SSA尋優(yōu)獲取的最佳權(quán)值和閾值代入BPNN 模型進(jìn)行測(cè)試，算法主要步驟如下。

圖3 基于SSA-BPNN 的精準(zhǔn)扶貧成效評(píng)價(jià)流程

1）讀取精準(zhǔn)扶貧成效評(píng)價(jià)數(shù)據(jù)，劃分?jǐn)?shù)據(jù)集為訓(xùn)練集和測(cè)試集并歸一化處理。

2）確定BPNN 的網(wǎng)絡(luò)結(jié)構(gòu)。輸入層神經(jīng)元數(shù)量InNum、隱含層神經(jīng)元數(shù)量HidNum和輸出層神經(jīng)元數(shù)量OutNum，并進(jìn)行網(wǎng)絡(luò)初始化。

3）對(duì)網(wǎng)絡(luò)連接權(quán)重和閾值進(jìn)行編碼，編碼長(zhǎng)度S如下。

4）種群初始化。設(shè)定BPNN 模型的初始權(quán)值和閾值的取值上、下限、樽海鞘種群規(guī)模N、最大迭代次數(shù)T，按照公式（1）隨機(jī)初始化樽海鞘種群。

5）針對(duì)訓(xùn)練數(shù)據(jù)，將訓(xùn)練數(shù)據(jù)代入BPNN 模型，按照公式（14）計(jì)算每個(gè)樽海鞘的適應(yīng)度f(wàn)obj。

6）選定食物、領(lǐng)導(dǎo)者和追隨者。對(duì)每個(gè)樽海鞘的適應(yīng)度進(jìn)行排序，最優(yōu)適應(yīng)度所對(duì)應(yīng)的樽海鞘位置就是樽海鞘當(dāng)前食物位置，當(dāng)前食物的適應(yīng)度為ffood；剩下的N-1 個(gè)樽海鞘被分成追隨者和領(lǐng)導(dǎo)者，N-1 個(gè)樽海鞘個(gè)體中，將適應(yīng)度較差的（N-1）/2 個(gè)樽海鞘當(dāng)作追隨者，剩下（N-1）/2 個(gè)樽海鞘當(dāng)作領(lǐng)導(dǎo)者。

7）按照公式（2）和公式（5）更新領(lǐng)導(dǎo)者和追隨者的位置。

8）計(jì)算位置更新之后樽海鞘個(gè)體的適應(yīng)度f(wàn)s，如果fs＞ffood，則適應(yīng)度更優(yōu)的樽海鞘位置替換當(dāng)前食物的位置，被記錄為新的樽海鞘食物位置。

9）重復(fù)第（5）至（8）步，當(dāng)t＞T時(shí)，輸出最優(yōu)食物位置，即最優(yōu)食物位置對(duì)應(yīng)的就是BPNN 模型的最優(yōu)初始權(quán)值和閾值，將最優(yōu)初始權(quán)值和閾值代入BPNN 模型進(jìn)行精準(zhǔn)扶貧成效評(píng)價(jià)。

4 試驗(yàn)與結(jié)果分析

為了驗(yàn)證SSA-BPNN 進(jìn)行精準(zhǔn)扶貧成效評(píng)價(jià)的有效性，將SSA-BPNN 與FA-BPNN、PSO-BPNN、GA-BPNN 和BPNN 進(jìn)行對(duì)比。不同算法參數(shù)設(shè)置如下：①SSA 算法，種群規(guī)模N=20、最大迭代次數(shù)Tmax=50；②粒子群算法（Particle swarm optimization，PSO），種群規(guī)模N=20、最大迭代次數(shù)Tmax=50、慣性權(quán)重w=0.2、學(xué)習(xí)因子c1=c2=2；③遺傳算法（Genetic algorithm，GA），種群規(guī)模N=20、最大迭代次數(shù)Tmax=50、交叉概率pc=0.7、變異概率pm=0.1；④螢火蟲(chóng)算法（Firefly algorithm，F(xiàn)A），種群規(guī)模N=20、最大迭代次數(shù)Tmax=50、初 始 吸 引 度β0=1、步 長(zhǎng) 因 子α=0.5；⑤BPNN 模型，輸入層神經(jīng)元數(shù)量InNum=16、隱含層神經(jīng)元數(shù)量HidNum=32 和輸出層神經(jīng)元數(shù)量OutNum=1。圖4 為不同評(píng)價(jià)算法的收斂曲線(xiàn)對(duì)比。10 折交叉劃分194 個(gè)樣本數(shù)據(jù)，首先將16 個(gè)精準(zhǔn)扶貧成效評(píng)價(jià)二級(jí)指標(biāo)的得分?jǐn)?shù)據(jù)作為BPNN 的輸入向量，精準(zhǔn)扶貧成效評(píng)價(jià)等級(jí)（不滿(mǎn)意、一般、良好、比較滿(mǎn)意和非常滿(mǎn)意）作為BPNN 的輸出向量，建立精準(zhǔn)扶貧成效評(píng)價(jià)BPNN 模型，精準(zhǔn)扶貧成效評(píng)價(jià)等級(jí)標(biāo)準(zhǔn)如表1 所示；其次，運(yùn)用SSA 優(yōu)化BPNN 模型的初始權(quán)值和閾值，建立SSA-BPNN 的精準(zhǔn)扶貧成效評(píng)價(jià)模型。圖5 為不同運(yùn)行次數(shù)與ACC關(guān)系，表2 為不同算法ACC對(duì)比結(jié)果。

表1 精準(zhǔn)扶貧成效評(píng)價(jià)等級(jí)標(biāo)準(zhǔn)

由 圖4 可 知，與FA-BPNN、PSO-BPNN、GABPNN 相比，SSA-BPNN 具有更低的適應(yīng)度以及更快的收斂速度。由圖5 可知，獨(dú)立運(yùn)行10 次，SSABPNN 進(jìn)行精準(zhǔn)扶貧成效評(píng)價(jià)的準(zhǔn)確率整體明顯優(yōu)于FA-BPNN、PSO-BPNN、GA-BPNN 和BPNN，其中BPNN 的準(zhǔn)確率最低。

圖4 收斂曲線(xiàn)對(duì)比

圖5 不同運(yùn)行次數(shù)與ACC 關(guān)系

由 表2 可 知，SSA-BPNN 的 準(zhǔn) 確 率ACC為95.96%，較FA-BPNN、PSO-BPNN、GA-BPNN 和BPNN 分 別 提 高 了4.35、5.92、5.23 和16.23 個(gè) 百 分點(diǎn)。通過(guò)對(duì)比可知，SSA-BPNN 進(jìn)行精準(zhǔn)扶貧成效評(píng)價(jià)具有更高的準(zhǔn)確率。

表2 不同算法ACC 對(duì)比結(jié)果

5 小結(jié)

本研究建立了基于農(nóng)戶(hù)滿(mǎn)意度的樽海鞘算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的農(nóng)村精準(zhǔn)扶貧成效評(píng)價(jià)模型。針對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和訓(xùn)練速度過(guò)慢的問(wèn)題，運(yùn)用樽海鞘算法優(yōu)化選擇反向傳播神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，建立基于SSABPNN 的農(nóng)村精準(zhǔn)扶貧成效評(píng)價(jià)模型。結(jié)果表明，與FA-BPNN、PSO-BPNN、GA-BPNN 和BPNN 相比，SSA-BPNN 具有更高的準(zhǔn)確率，為精準(zhǔn)扶貧成效評(píng)價(jià)提供了方法。精準(zhǔn)扶貧成效評(píng)價(jià)是一項(xiàng)復(fù)雜和系統(tǒng)的工作，本研究?jī)H從農(nóng)戶(hù)滿(mǎn)意度的角度對(duì)精準(zhǔn)扶貧成效進(jìn)行了評(píng)價(jià)，不能全面評(píng)價(jià)精準(zhǔn)扶貧成效，后續(xù)將構(gòu)建多維度的精準(zhǔn)扶貧成效評(píng)價(jià)指標(biāo)體系并進(jìn)行相應(yīng)評(píng)價(jià)，提高模型的適用性和可靠性。