□ 劉 瑾 李 振 鞏蓉蓉 劉 英

(1.中央民族大學 經(jīng)濟學院， 北京 100081； 2.復旦大學 大數(shù)據(jù)學院， 上海 200433；3.珠海復旦創(chuàng)新研究院， 廣東 珠海 519000； 4.中國人民大學 重陽金融研究院， 北京 100872)

一、引 言

中共十九大提出鄉(xiāng)村振興戰(zhàn)略，明確“產(chǎn)業(yè)興旺、生態(tài)宜居、鄉(xiāng)風文明、治理有效、生活富?！倍址结?。在此背景下，如何對各地鄉(xiāng)村振興發(fā)展水平進行測度和評價，發(fā)掘優(yōu)勢，補全短板，進而因勢利導推動鄉(xiāng)村發(fā)展，是實現(xiàn)中國鄉(xiāng)村振興的關鍵。當前，已有研究通過構建相關指標體系來測度中國鄉(xiāng)村振興發(fā)展水平，并使用統(tǒng)計年鑒[1]、農(nóng)業(yè)普查數(shù)據(jù)[2]、調查數(shù)據(jù)庫[1]以及調研數(shù)據(jù)[3]進行實證分析。然而，統(tǒng)計數(shù)據(jù)雖然具有可靠性較高的優(yōu)點，但滯后期一般為2-3年，調研數(shù)據(jù)則較少進行追蹤調查。由于難以獲取更多有效數(shù)據(jù)，導致政府、學術機構等難以全面、科學評價中國鄉(xiāng)村振興發(fā)展水平。

隨著國家大數(shù)據(jù)戰(zhàn)略推進，大數(shù)據(jù)技術更加成熟，正加速成為創(chuàng)造價值、發(fā)掘潛力的驅動力，其應用逐漸滲透到經(jīng)濟社會的各個微觀單元。在農(nóng)業(yè)農(nóng)村領域，大數(shù)據(jù)技術在農(nóng)產(chǎn)品價格監(jiān)測[4]、農(nóng)產(chǎn)品流通[5]、農(nóng)業(yè)災害預警[6]等領域得到廣泛應用，但無論在理論上還是實踐上，尚未有文獻對大數(shù)據(jù)在鄉(xiāng)村發(fā)展評價方面的應用進行系統(tǒng)研究。事實上，大數(shù)據(jù)在鄉(xiāng)村振興發(fā)展水平評價中大有可為，這主要得益于鄉(xiāng)村大數(shù)據(jù)的沉淀。大數(shù)據(jù)技術不僅可以用于數(shù)據(jù)采集，同時還可以在分析、處理和展示數(shù)據(jù)方面發(fā)揮獨特優(yōu)勢，為全方位、多維度、立體化刻畫鄉(xiāng)村發(fā)展面貌，評價中國鄉(xiāng)村振興發(fā)展水平提供技術支撐，也為解決中國農(nóng)業(yè)農(nóng)村問題提供新的方案。本文以從互聯(lián)網(wǎng)爬取的鄉(xiāng)村稱號數(shù)據(jù)為例，對大數(shù)據(jù)在中國鄉(xiāng)村振興評價中的應用進行探索，為鄉(xiāng)村振興評價領域中使用新數(shù)據(jù)、新模型、新技術提供參考，同時也給出大數(shù)據(jù)在解決經(jīng)濟社會問題時的具體使用方法。

相比已有研究，本文主要在四個方面進行創(chuàng)新。第一，本文創(chuàng)新性地使用非傳統(tǒng)數(shù)據(jù)源，為評價鄉(xiāng)村振興發(fā)展水平提供更多維度。第二，本文提出非傳統(tǒng)數(shù)據(jù)的采集和處理方法，為規(guī)范使用大數(shù)據(jù)源提供模板。第三，本文應用非結構化和半結構化數(shù)據(jù)的量化方法，解決了大數(shù)據(jù)中數(shù)據(jù)量化難的問題。第四，本文結合使用傳統(tǒng)分析方法和新型分析方法，挖掘出更多有效信息。總體來看，本文在數(shù)據(jù)源選擇、數(shù)據(jù)處理、數(shù)據(jù)計算和數(shù)據(jù)展示的全流程都體現(xiàn)了大數(shù)據(jù)思維，在實際操作中，使用爬蟲技術、分詞技術、大數(shù)據(jù)匹配技術和可視化技術等信息技術手段，具有一定創(chuàng)新性。

二、大數(shù)據(jù)優(yōu)化鄉(xiāng)村振興發(fā)展水平評價的理論邏輯

(一)大數(shù)據(jù)技術全生命周期視角下的鄉(xiāng)村振興發(fā)展水平評價優(yōu)化

在農(nóng)業(yè)農(nóng)村數(shù)據(jù)量不斷增加、大數(shù)據(jù)技術迅速發(fā)展的背景下，本文重新審視如何評價鄉(xiāng)村振興發(fā)展水平這一問題。大數(shù)據(jù)具有“5V”特征，即海量(Volume)、高速(Velocity)、多樣(Variety)、真實(Veracity)和低價值密度(Value)。大數(shù)據(jù)技術是指大數(shù)據(jù)的應用技術。從大數(shù)據(jù)的生命周期來看，具體分為大數(shù)據(jù)采集、大數(shù)據(jù)預處理、大數(shù)據(jù)存儲和大數(shù)據(jù)分析等四個階段。在各個階段，大數(shù)據(jù)技術均有助于鄉(xiāng)村振興發(fā)展水平評價優(yōu)化，圖1給出了大數(shù)據(jù)優(yōu)化鄉(xiāng)村振興發(fā)展水平評價的理論邏輯。

圖1 大數(shù)據(jù)優(yōu)化鄉(xiāng)村振興發(fā)展水平評價的理論邏輯

第一，在大數(shù)據(jù)采集階段，大數(shù)據(jù)技術可以對不同來源的鄉(xiāng)村數(shù)據(jù)進行采集，包括行政記錄、商業(yè)記錄、互聯(lián)網(wǎng)數(shù)據(jù)、電子設備傳感數(shù)據(jù)等，這些數(shù)據(jù)可以統(tǒng)稱為非傳統(tǒng)數(shù)據(jù)，不同于統(tǒng)計部門采集的傳統(tǒng)數(shù)據(jù)[7]。使用非傳統(tǒng)數(shù)據(jù)進行分析能夠增加數(shù)據(jù)量級和層次，拓展數(shù)據(jù)維度，豐富數(shù)據(jù)類型，減少數(shù)據(jù)滯后并提高數(shù)據(jù)頻率。第二，在大數(shù)據(jù)預處理階段，首先需要對缺失數(shù)據(jù)、異常數(shù)據(jù)做處理，將其按照一定方法補全或者剔除。然后，要將多源異構鄉(xiāng)村大數(shù)據(jù)整理成為統(tǒng)一格式數(shù)據(jù)，并對一些文本型數(shù)據(jù)做量化處理，將其轉換成數(shù)值型數(shù)據(jù)。第三，在大數(shù)據(jù)存儲階段，要將海量的鄉(xiāng)村數(shù)據(jù)存儲在數(shù)據(jù)庫中，且必須保障安全、快速和高效存儲。第四，在大數(shù)據(jù)分析階段，借助機器學習、深度學習等大數(shù)據(jù)分析方法對數(shù)據(jù)進行處理，并使用可視化技術對數(shù)據(jù)進行展示。

(二)大數(shù)據(jù)技術助力鄉(xiāng)村振興發(fā)展水平評價質量和效率提升

大數(shù)據(jù)技術通過以上四個階段，能夠優(yōu)化鄉(xiāng)村振興發(fā)展水平評價，主要體現(xiàn)在兩個方面。一是質量提升。從本質上看，鄉(xiāng)村振興發(fā)展水平評價是一個特征發(fā)掘過程，大數(shù)據(jù)技術優(yōu)勢恰在于此。從廣度上看，大數(shù)據(jù)技術通過對來源廣泛的數(shù)據(jù)進行采集，能夠為刻畫鄉(xiāng)村發(fā)展面貌提供更多“原材料”。從深度上看，算法和技術可以為提取數(shù)據(jù)特征提供更多手段。二是效率優(yōu)化。大數(shù)據(jù)技術可以直接采集原始數(shù)據(jù)，進行快速運算和分析，然后輸出結果，能夠縮短各個環(huán)節(jié)所用時間，同時減少人工失誤導致的數(shù)據(jù)偏差，從而提高鄉(xiāng)村振興發(fā)展水平評價效率。

三、鄉(xiāng)村稱號數(shù)據(jù)概念說明和處理

(一)鄉(xiāng)村稱號數(shù)據(jù)概念介紹和數(shù)據(jù)質量初步評估

在鄉(xiāng)村數(shù)據(jù)采集階段，要特別關注數(shù)據(jù)質量問題。在大數(shù)據(jù)環(huán)境下，數(shù)據(jù)質量問題更加突出，原因來自諸多因素，比如大數(shù)據(jù)來源多元化、數(shù)據(jù)總體多變且覆蓋不全、數(shù)據(jù)表現(xiàn)非標準、數(shù)據(jù)內涵非確定和數(shù)據(jù)真假難辨等[8]。因此，大數(shù)據(jù)質量評估要考慮“十性”要求：可得性、相關性、可靠性、有效性、及時性、適用性、準確性、連貫性、可比性和可解釋性[7]。

通過梳理文獻中涉及的鄉(xiāng)村大數(shù)據(jù)源，本文選定鄉(xiāng)村稱號數(shù)據(jù)作為切入點進行研究。鄉(xiāng)村稱號數(shù)據(jù)是指由政府部門經(jīng)過評審并發(fā)布的鄉(xiāng)村稱號名單，如“農(nóng)業(yè)產(chǎn)業(yè)強鎮(zhèn)”、“中國美麗休閑鄉(xiāng)村”等。雖然稱號是由政府部門發(fā)布，但其具有來源分散、更新速度較快、半結構化或非結構化、文本型數(shù)據(jù)等特征，因此相關數(shù)據(jù)屬于非傳統(tǒng)數(shù)據(jù)。結合上述數(shù)據(jù)質量評估標準，本文對稱號數(shù)據(jù)質量進行初步評估，發(fā)現(xiàn)其滿足有關數(shù)據(jù)質量的“十性”要求。

(二)鄉(xiāng)村稱號數(shù)據(jù)采集和篩選

發(fā)布鄉(xiāng)村稱號的政府部門包括農(nóng)業(yè)部、商務部、生態(tài)環(huán)境部等。本文分三步對稱號數(shù)據(jù)進行采集和篩選。

第一步，初步搜索稱號。首先，在各政府部門網(wǎng)站搜索框中輸入“稱號”、“試點”、“示范”等關鍵詞，然后對2005—2020年相關目錄進行查看，即本文不查詢2005年之后沒有更新過任何批次的稱號(1)這主要是考慮到稱號具有時效性，往往隨著農(nóng)業(yè)農(nóng)村政策變化進行更新和調整。在2005年之前發(fā)布或更新的稱號距離現(xiàn)在太過久遠，即使某些村落獲得過鄉(xiāng)村稱號，也很難反映這些村落目前鄉(xiāng)村振興發(fā)展情況，因此使用價值較小。。經(jīng)過人工查找，定位包含稱號名單的條目，這些條目的形式一般為“標題+正文+稱號名單”。經(jīng)統(tǒng)計，共獲得54個稱號。

第二步，篩選有效稱號。54個稱號并非都適合評價鄉(xiāng)村振興發(fā)展水平，需要根據(jù)稱號政策含義進一步篩選。一是剔除具有扶貧性質的稱號。以“農(nóng)民合作社質量提升整縣推進試點”為例，考慮到該稱號名單中包含很多仍處于貧困狀態(tài)的縣級行政單位，不能很好地代表鄉(xiāng)村振興發(fā)展水平，因此，對這類稱號進行剔除處理。二是剔除具有明顯地域偏差的稱號。地域偏差是指由于不同地域適合發(fā)展的農(nóng)業(yè)產(chǎn)業(yè)不同，因此不宜將與某類產(chǎn)業(yè)相關的稱號納入鄉(xiāng)村振興評價體系。三是剔除對象數(shù)量過少的稱號。如“農(nóng)業(yè)重大技術協(xié)同推廣計劃試點”僅在2018年公布過8個試點，數(shù)量太少，不宜納入評價體系。在對所有稱號進行篩選后，本文得到29個有效稱號。此外，在搜索引擎中直接搜索“農(nóng)村稱號”，還得到中國文明網(wǎng)、人民網(wǎng)、中國生態(tài)文化協(xié)會等官方媒體和協(xié)會評選出的3個稱號。由于“淘寶村”稱號能夠體現(xiàn)農(nóng)村電子商務產(chǎn)業(yè)的發(fā)展情況，因此本文也將其納入到有效稱號列表中。最終，本文得到33個有效稱號共128個批次的名單。

第三步，采集稱號數(shù)據(jù)。在獲取33個稱號各批次名單的原始鏈接后，從網(wǎng)站爬取數(shù)據(jù)，大部分為網(wǎng)頁數(shù)據(jù)，少部分頁面提供文件下載鏈接，文件格式包括WORD、EXCEL、PDF、CEB等多種類型，數(shù)據(jù)基本上是半結構化數(shù)據(jù)。本文使用爬蟲技術手段獲取全部名單數(shù)據(jù)。

(三)鄉(xiāng)村稱號數(shù)據(jù)預處理

在大數(shù)據(jù)預處理階段，本文關注多源異構數(shù)據(jù)的整合問題。33個稱號數(shù)據(jù)的格式和結構不統(tǒng)一，甚至同一稱號不同批次的數(shù)據(jù)格式和結構也不同。由于農(nóng)村稱號對象大部分是行政單位，因此，本文分三步對農(nóng)村稱號數(shù)據(jù)進行預處理。

第一步，提取稱號對象中的行政單位名稱。大部分稱號格式為“X省X市X縣X鄉(xiāng)鎮(zhèn)X村”，縣級稱號格式為“X省X市X縣”，鄉(xiāng)鎮(zhèn)級稱號格式類似。本文對128個批次名單數(shù)據(jù)中所有行政單位名稱進行提取。

第二步，按照行政級別對原始數(shù)據(jù)進行處理。對于原始數(shù)據(jù)中各級行政單位信息都完整的稱號，可以直接使用分詞技術將“X省X市X縣X鄉(xiāng)鎮(zhèn)X村”中各個行政單位分開，如表1所示，以“全國民主法治示范村”和“淘寶村”兩個稱號為例，將稱號對象按照省、市、縣、鄉(xiāng)、村五級行政區(qū)劃進行處理和存儲。對于原始數(shù)據(jù)中各級行政單位信息不完全的稱號，首先需要從國家統(tǒng)計局網(wǎng)站的統(tǒng)計用區(qū)劃和城鄉(xiāng)劃分代碼頁面爬取全國所有地區(qū)的行政區(qū)劃層級和代碼，然后將稱號中所含的行政區(qū)劃信息與統(tǒng)計局行政區(qū)劃信息進行大數(shù)據(jù)匹配，補全缺失信息，補全結果也同表1樣例按照五級行政區(qū)劃存儲。對于稱號對象為非行政區(qū)劃的稱號，如“全國主食加工示范企業(yè)”，本文將企業(yè)名單與國家企業(yè)信用信息公示系統(tǒng)進行匹配，獲得企業(yè)注冊地址，并按以上步驟重復處理過程。最終獲取128個批次名單的47 381個對象。

表1 鄉(xiāng)村稱號數(shù)據(jù)處理結果樣例

第三步，根據(jù)本文需要對數(shù)據(jù)進行量化處理。經(jīng)過前兩步，本文已經(jīng)將多種格式、多種類型的數(shù)據(jù)整理成為統(tǒng)一格式數(shù)據(jù)，但這類文本型數(shù)據(jù)無法與指標體系結合，同時，不同稱號的對象有差異，稱號對象既包含行政區(qū)劃，又包含企業(yè)、園區(qū)等，相互之間不可比，因此需要進行量化處理。本文以省級鄉(xiāng)村振興發(fā)展水平評價為例，首先分別對各個稱號在省級層面進行數(shù)量統(tǒng)計?？紤]到不同省份的村、鄉(xiāng)鎮(zhèn)、區(qū)縣數(shù)量差異較大，因此不能直接使用絕對數(shù)量，需要將其轉換成比例數(shù)據(jù)，轉換過程需要考慮稱號對象的行政區(qū)劃層級。當稱號對象行政區(qū)劃層級十分清晰，為縣級或村級時，使用各省份縣級或村級行政單位的數(shù)量作為除數(shù)，對絕對數(shù)量結果進行處理；當稱號對象包含不同的行政區(qū)劃時，如“全國一村一品示范村鎮(zhèn)”稱號對象同時包含村和鎮(zhèn)，此時需要選用較高層級的行政區(qū)劃數(shù)量，即各省份鎮(zhèn)的數(shù)量作為除數(shù)；對于基地、企業(yè)等只能細分到縣級的稱號，使用縣級行政單位數(shù)量作為除數(shù)；除以上三種情況外，如果對象為園區(qū)、優(yōu)勢區(qū)、企業(yè)等稱號，使用村級行政單位數(shù)量作為除數(shù)。

四、基于稱號數(shù)據(jù)的鄉(xiāng)村振興發(fā)展水平評價

(一)模型構建

目前對鄉(xiāng)村振興進行評價的主要方法是構建指標體系。指標體系是最為經(jīng)典的一種評價方法，本文也使用指標體系對鄉(xiāng)村振興發(fā)展水平進行評價。由于標簽模型具有框架設定更為自由、標簽數(shù)據(jù)類型更加多樣等優(yōu)勢，本文考慮使用信息領域“數(shù)據(jù)畫像”中的標簽技術，將指標體系拓展為標簽體系，對鄉(xiāng)村振興發(fā)展情況進行可視化展示。

1.指標體系構建

本文選取2020年為評價年度，利用33個稱號來構建指標體系。根據(jù)鄉(xiāng)村振興戰(zhàn)略“二十字”方針要求，將一級指標確定為產(chǎn)業(yè)興旺、生態(tài)宜居、鄉(xiāng)風文明、治理有效和生活富裕，然后將33個稱號作為底層指標，將稱號按其含義分配到所屬的一級指標中，如表2所示。

表2 基于稱號的鄉(xiāng)村振興指標體系

2.標簽模型構建

標簽體系是一種靈活、多維和適合大數(shù)據(jù)系統(tǒng)的模型體系。在信息技術領域，標簽技術通常被用在“用戶畫像”領域，即通過為事物打上不同的標簽來描述和刻畫用戶特征。本文創(chuàng)新性地將畫像技術的核心——標簽技術應用到鄉(xiāng)村振興的評價領域，為評價鄉(xiāng)村振興發(fā)展水平提供了更多技術工具和展示方法。

本文將與鄉(xiāng)村稱號相關的標簽分為三類。第一類，事實標簽。標簽名稱與稱號名稱相同，標簽值是經(jīng)過標準化處理的原始數(shù)據(jù)。事實標簽可以對底層指標數(shù)據(jù)進行展示。第二類，模型標簽。模型標簽是指經(jīng)過模型計算得到具體標簽值的標簽。本文模型是指標體系，經(jīng)過指標體系處理，可以計算各省份的總指數(shù)值、5個一級指標值和33個二級指標值，然后分別對各省份總指數(shù)值、一級指標值和二級指標值進行排名，最后給各省份打上標簽。例如，假設山西省“國家農(nóng)業(yè)科技園”二級指標值在各省份中排名第8，可以打上“國家農(nóng)業(yè)科技園排名第八”的標簽。第三類，預測標簽。預測標簽是指基于多年數(shù)據(jù)進行預測的標簽。可以將獲取的鄉(xiāng)村稱號微觀數(shù)據(jù)按照年度進行累計計算，得到連續(xù)多年數(shù)據(jù)，在此基礎上進行預測標簽值的計算。例如，假設2019年山東省“鄉(xiāng)風文明”一級指標值排名第6，2020年排名第4，可以打上“山東省鄉(xiāng)風文明2020年上升2位，有上升趨勢”的標簽。

(二)實證分析

1.指標體系結果分析

熵權法是一種客觀賦權方法，能夠避免人為因素的干擾。因此，本文選用熵權法計算指標權重。同時，本文使用機器學習中的聚類分析方法，將31個省份(不包括港澳臺)聚為3類，如圖2所示，縱坐標為鄉(xiāng)村振興總指數(shù)值。

圖2 中國省級鄉(xiāng)村振興指數(shù)聚類圖

天津、上海和北京三地名列前茅，屬于第一梯隊，吉林、寧夏等11個省份屬于第二梯隊，四川、河北等17個省份屬于第三梯隊?？梢钥闯?，鄉(xiāng)村振興指數(shù)與東中西部地理位置的關聯(lián)性較弱。雖然東部沿海省份總體發(fā)展水平明顯高于大部分中部省份和西部省份，但寧夏、貴州、重慶等西部省份的總指數(shù)值較高，出現(xiàn)在前十名，這與以往的研究結果差異較大。因此，使用新型數(shù)據(jù)可以從更多維度對鄉(xiāng)村振興發(fā)展水平進行刻畫，有助于更加全面地了解鄉(xiāng)村發(fā)展情況。

2.標簽模型展示

各省份都可以使用標簽技術對事實標簽、模型標簽和預測標簽進行展示。本文以北京市和四川省為例，使用詞云圖展示事實標簽，如圖3所示。

圖3 北京市和四川省鄉(xiāng)村振興事實標簽詞云圖

從北京市詞云圖可以看出，“全國主食加工示范企業(yè)”標簽最為顯著，這與北京市市場經(jīng)濟發(fā)達，適合企業(yè)發(fā)展的大環(huán)境相關，此外，“全國文明村鎮(zhèn)”、“全國環(huán)境優(yōu)美鄉(xiāng)鎮(zhèn)”、“數(shù)字農(nóng)業(yè)建設項目試點”等多個標簽也較為突出，說明北京市在鄉(xiāng)村振興發(fā)展的多個方面具有獨特優(yōu)勢。四川省的“全國農(nóng)村創(chuàng)業(yè)創(chuàng)新園區(qū)(基地)”和“淘寶村”標簽比較突出，說明四川省作為西部省份，其農(nóng)業(yè)農(nóng)村發(fā)展出現(xiàn)了新的動向，如推動農(nóng)業(yè)技術創(chuàng)新、發(fā)展農(nóng)村電子商務等，這些變化有助于縮小東西部鄉(xiāng)村發(fā)展差距。關于模型標簽和預測標簽，理想狀態(tài)是使用算法并編寫程序，將計算過程和結果輸出等步驟標準化、流程化，本文在此不做展示。

五、進一步探討

統(tǒng)計數(shù)據(jù)和大數(shù)據(jù)的結合使用是政府統(tǒng)計工作的未來趨勢，本文使用稱號數(shù)據(jù)作為切入點進行研究。隨著各級政府數(shù)據(jù)資源共享和開放工作進程的推進，大量鄉(xiāng)村數(shù)據(jù)資源被集合起來，在此基礎上，政府部門可以對統(tǒng)計數(shù)據(jù)和大數(shù)據(jù)進行拼接，基于多維數(shù)據(jù)進行數(shù)據(jù)分析。使用大數(shù)據(jù)要注意四點事項：一是警惕“數(shù)據(jù)陷阱”，防止出現(xiàn)由于過度挖掘導致的過度擬合現(xiàn)象。二是警惕有偏的大數(shù)據(jù)，即數(shù)據(jù)量夠大，但代表性不足的大數(shù)據(jù)，使用這類數(shù)據(jù)進行分析的結果往往遠離事實。在實際工作中，需要先對相關大數(shù)據(jù)源進行人工篩查，確保其代表性、相關性和可靠性。三是要重視對“小數(shù)據(jù)”研究。根據(jù)數(shù)據(jù)含義、數(shù)據(jù)類型等將“大數(shù)據(jù)”拆解為“小數(shù)據(jù)”，對各個“小數(shù)據(jù)”內部情況進行詳細研究，解決好每個“小數(shù)據(jù)”內部數(shù)據(jù)質量問題。四是利用統(tǒng)計思維處理大數(shù)據(jù)。大數(shù)據(jù)應用不是將大數(shù)據(jù)扔進一個“黑盒子”中等待結果輸出，而是需要結合統(tǒng)計方法的人工全程參與。大數(shù)據(jù)方法與傳統(tǒng)統(tǒng)計方法并不沖突。未來，隨著大數(shù)據(jù)技術的進一步發(fā)展，大數(shù)據(jù)分析和預測結果將成為政府部門作出決策的重要參考和依據(jù)，積極運用大數(shù)據(jù)技術和提高工作人員大數(shù)據(jù)素養(yǎng)將成為影響政府治理水平和服務能力的重要因素?！?/p>