基于社区网络结构镜像信息的耦合决策

杨利峰，陈 红，王宇恒，龙如银

（1.阜阳师范学院 经济学院，安徽 阜阳 236037；2.中国矿业大学 管理学院，江苏 徐州 221116）

0 引言

以分布式新能源区域布置为例等一系列问题决策中，常遇到支撑决策的调查样本巨大，调查意愿信息多变，而决策又必须基于时效性信息的困难。以此问题为例，国内外的一些学者分别从生物多样性保护[1]，环境可接受性和经济可行性[2]，开发利用效率[3，4]等方面讨论了如何对分布式新能源区域开发进行布置。注意到分布式新能源的开发布置不仅受技术、环境和经济的影响，更会被复杂的社会环境所决定[5]，Stigka等[6]研究了不同社区的偏好和态度对能源投资项目影响，Ekins[7]指出决定可再生能源技术能够成功实施最主要因素是公众接受性。还有一些研究表明基于个体意愿的集体态度表达会直接影响集体行动效能[8，9]。

行为主体接受意愿具有明显的时间特性[10]，受众多因素影响。例如，在分布式能源区域布置中，研究发现居民收入水平显著影响居民的可再生能源支付意愿[11，12]。Zografakis等[13]通过研究指出能源规划的制定，政策宣传等活动会影响行为主体的接受意愿。Sardianou等[14]通过实证分析指出年龄和学历对新能源的接受愿意有显著影响，而婚姻状况和性别在新能源接受意愿上的影响不显著。Nikolaos等[15]讨论了气候变化和能源短缺对新能源实施和支付意愿的影响。Anne等[16]指出缺乏意识，有限的社会认知、理解及反应会影响地热能的开发[16]。Wolsink[10]发现在新能源区域开发进程中，区域内行为主体接受意愿呈现U型变动。这些研究表明，不同环境、时间节点下调查获得的行为主体接受意愿信息会存在较大差异，因此在分布式新能源区域布置优化中，人因数据要极具时效性。因此，对行为主体进行分布式新能源开发的接受意愿普查工作量大，持续时间长，不具有可操作性。

现有统计调查多基于规模大小成比例的概率（PPS)抽样的思想[17]，它是一种使用辅助信息，使各单位均有按其规模大小成比例的被抽中概率的一种抽样方式。但是，进行如此抽样会导致关联减弱，忽略小型聚类，使抽样统计数据难以与整体情况相匹配[18]。基于复杂数据分析的思想不仅关注宏观统计数据，更关注其从微观到中观再到宏观的组织结构决定，可以有效地解决抽样失真问题。

本文基于以社区结构内以影响行为主体因素间作用关系为出发点，构造了基于社区网络结构镜像信息（因有些调查信息会随时间推延而多变，故将这类随时间多变的调查信息的现在获取值成为镜像信息）的耦合决策方法，通过算例统筹解决了各行为主体接受意愿影响因素各异时，对分布式新能源进行区域布置优选的过程。

1 社区结构镜像信息描述与获得

1.1 社区结构及镜像信息的抽象描述

根据决策所需的意愿调查结果，将对决策意愿信息产生影响的因素进行分类，确定变量形式。社区内人群结构按照多种维度进行划分（比如：性别、年龄、学历等），不同的维度划分会形成群体交叉，进而形成一定的社区结构状态。这种结构状态可抽象为具有某种结构特征的二元组＜V，E＞，其中V表示节点集，E表示边集。

节点集结构特征描述为V=V1∪V2…∪Vn。节点V表示总体，＜p0，q0＞ 表示总体对应的信息，＜pi，qi＞ 表示不同结构模块下的信息，其中i≠0，j≠0。这里pi表示节点意义下的行为主体个数，qi表示节点意义下（模块内）行为主体群体决策意愿的平均值。节点v11，v12，…，v1i分别表示第1个影响因素划分的k1个决策信息层级，分别对应的是因素意愿值的1级至因素k1级，其中i=1，2，…，k1。节点v21，v22，…，v2i分别表示第2个影响因素划分的k1个决策信息层级，分别对应的是因素意愿值的1级至因素k2级，其中i=1，2，…，k2 ，依次类推可以用vk1，vk2，…，vki来表示第k个影响因素划分的i个决策信息层级。

类似的，边集结构特征为E=E1∪E2…∪Em，Ek表示第k个影响因素划分的若干个决策信息层级其他影响因素模块层级间链接关系，这一关系链接地位是对等的，为无向边，Ek={(vki，vkj)，vki∈Vk，vj∈{V-Vk}}。两个节点形成的无序对 (vi，vj)所对应的边用ei，j表示，节点ei，j对应的信息类似的用有序对 ＜ci，j，di，j＞ 表示，ci，j表示连结的两个节点vi和vj所交叉包含的行为主体个数，例如：c1，6表示的是年龄1且学历1的行为主体的个数。di.j表示的是ci.j个行为主体对应的分布式新能源接受意愿的平均值。

根据上述抽象，在抽样确定了划分维度情况下，社区群体可表达成具有某种固定层次特征的拓扑结构，本文将其称为社区结构，其对应的节点及边的信息能够通过有序对表示。分布式新能源接受意愿的问卷调查能够折射人对分布式新能源布置接受意愿的“镜像”。这里用“镜像”来描述分布式新能源推广系统中由各类活动事件及事件中的活动参与者的特定交互给观察者带来的直接的观感和印象，“镜像”的形成是在分布式新能源的推广进程中自然发生、时时累积的，个体、群体、社区代理人等具有自主意识的所有成员均是“镜像”的自然载体。“镜像”的形成具有客观性、时效性，与一些研究中指出的接受意愿具有显著的时间特性相呼应，因此在分布式新能源的区域布置优化调查中获得的意愿信息可称之为“镜像意愿信息”。

通过对图的基本概念进行改造，给出固定的带有群体异质性的特征信息（可以通过统计调查、推断和分析获得，这在后面的示例中会展示），可用＜V，E＞来抽象社区的拓扑关系，V=V1∪V2…∪Vn和E=E1∪E2…∪Em来抽象群体的维度划分结构及连接特点，有序对＜pi，qi＞抽象各节点的信息，其中pi描述的是各节点意义下的行为主体个数信息，而qi描述的是节点模块框架内，在某一时点下调查意愿的镜像信息，故q0表示的是社区总体镜像意愿信息的平均值。下面的工作就是解决如何通过调查样本结构的信息来推断某一区域内群体的调查镜像意愿值q0。

1.2 社区结构简化与群体镜像意愿信息获得

调查样本群体与待推断区域群体具有相同的拓扑关系：＜V，E＞，相同的群体维度划分及连接特点：V=V0∪V1∪V2∪V3和E=E0∪E1∪E2。但是它们之间存在不同的结构镜像信息，为了便于下面的运算定义的表述，同时理解运算结果，这里先将信息结构做简化描述，并指明一些信息间存在的数量关系。

结构简化过程中，存在三类拓扑结构信息关系：

计算T值对应的的比值K，再计算K·＜VSP，ESP＞（表示将 ＜VSP，ESP＞ 结构中对应的节点与边的行为主体个数信息和K做数乘运算）。

定义2（结构差运算）：社区拓扑结构信息关系＜VA，EA＞中对应的主体个数信息与匹配样本有效拓扑结构信息关系的乘数K·＜VSP，ESP＞中对应的主体个数信息分别做差，用符号 ＜VA，EA＞—K·＜VSP，ESP＞表示。

定义3（结构简化运算）：在＜VS，ES＞结构关系中删除T值对应标号为i的节点vi及其关联的边ei，j等相关信息的操作叫做结构简化操作，用符号 ＜VS，ES＞s ＜VA，EA＞表示。

通过结构匹配，结构差和结构简化运算能够不断的简化样本及社区结构，并根据匹配的状况给相应的社区结构赋值。

2 基于社区结构镜像信息的耦合决策算法

基于社区结构镜像意愿信息耦合算法的步骤如下：

步骤1：根据抽样问卷获得的镜像信息给样本拓扑结构信息关系＜VS，ES＞赋值；

步骤2：进行结构匹配运算 ＜VA，EA＞m ＜VS，ES＞ ，得到＜VSP，ESP＞，并计算

步骤3：进行结构差运算 ＜VA，EA＞—K·＜VSP，

ESP＞ ，得到新的社区结构 ＜VA，EA＞'，提取出去的社区结构信息与＜VSP，ESP＞完全相同，这一群体的整体接受意愿可以用表示，其对应的行为主体个数为

步骤4：进行结构简化运算 ＜VS，ES＞ s ＜VA，EA＞ ，得到新的样本拓扑结构信息关系＜VS，ES＞'；

步骤5：重复步骤1到步骤4的操作，直至满足简化终止条件，然后根据每一步对应的的值线性加权求出

图1社区结构简化流程图

社区结构简化示意图如图1所示。需要注意的是，为了使节点信息量足以支撑运算，若存在T对应编号i以外的为某一设定阈值，则同时将这些节点与关连边一起删除。此外，当样本数据不足以支撑简化运算（本文里设定的划分后的组群中行为主体数不小于25），则停止简化操作，用原样本整体意愿信息来给剩余的社区群体意愿赋值。

基于社区结构意愿镜像信息的社区整体接受意愿的推断函数如下：

3 分布式能源分布布置为背景的算例

3.1 样本描述与数据分析

鉴于本文研究目的，以文献综述中各影响因素为出发点，充分考虑基于各可能影响因素的维度分类中类间样本的均衡。这样既能保证样本组合的全面性和模型的效度，又能使访谈的样本信息能够运用到基于社区结构镜像意愿信息耦合算法之中。进行调查时，根据访谈对象的基本信息要求，寻找满足条件的被调查对象进行数据采集。访谈对象最基本的特征是年满18周岁的苏北某城市居民。

通过SPSS20.0验证问卷信度与效度，通过内部一致性系数（Cronbach′α）来检验数据的可靠性。在信度检验中，Cronbach′α系数大于0.75，总体修正系数也大于0.55，因此问卷具有较高信度。采用验证性因子分析（CFA）来检验问卷效度，拟合参数CFI大于0.8则通过检验。

表1 单因素方差分析结果

由表1可以看出，性别、年龄、学历对分布式新能源布置的公众接受意愿有显著影响，年收入对其意愿没有显著性影响，这与Wolsink等[10]的研究存在差异，究其原因可能是在本次调查中并没有涉及具体的新能源类型及布置成本，被调查者无法对成本的影响作出合适的判断。其中，在分布式新能源布置的接受意愿上，女性高于男性。近年来雾霾天气频发使得对女性对新能源开发更加期待，以后的工作中会对这种差异进行持续关注。年龄层面上对其接受意愿呈U型，25～34岁年轻群体其意愿最高；学历上，第一组（初中及以下）与剩下四组相比，其意愿有显著差异；第二组与第三、第四组相比，其意愿有显著差异；整体趋势是受教育程度越高其接受意愿越强。第五组与第三、第四组相比，其意愿没有显著差异；说明学历最高的公众对新能源布置的接受度不一定最强，还与其他因素有关。

表2 甲社区各简化阶段的匹配结构数据

表3 甲社区各简化阶段的提取结构数据

表4 乙社区各简化阶段的匹配结构数据

表5 乙社区各简化阶段的提取结构数据

3.2 算例分析

为能够更为直观的展示这种方法，现举一简单示例。假设欲在苏北某一城市选择社区进行分布式太阳能发电小屋的改造，根据社区建筑等自然条件发现存在若干备选社区（为便于展示，这里仅举甲、乙两个社区）。由于满足外部条件的备选社区较多，进行大规模分社区意愿调查会占时较长，可能使得调查本身缺乏时效性，不利于科学选址。

上文中介绍的基于社区结构镜像信息耦合算法能够使复杂的数据得到更为合理的处理，能够快速有效的评价区域内群体意愿，便于用来进行可再生能源区域开发选择决策。

以文中问卷为前提，可知年龄、学历、性别对个体可再生能源接受意愿存在显著影响，将甲、乙两个社区相关社区结构给出。

依据样本结构和甲社区结构，首先将与样本初始结构匹配的甲社区部分社区结构提取，这时样本初始结构为样本有效结构。三维结构数据如表2第二行所示分别为：(153，146)，(74，67，55，50，53)，(56，50，61，65，67)。此结构对应的可再生能源群体接受意愿均值向量为：(3.712， 3.906) ， (3.715，3.998，3.794，3.671，3.834) ，(3.094，3.719，4.096，4.076，3.943)。再对样本结构进行简化。在第一次提取中，甲社区中学历向量中的第5个分量中个体被全部提出，如表3中第三行所示，所以对应的样本有效结构就进行了简化，如表2中第三行所示。

根据简化终止条件的设定，甲社区结构经过了三次简化过程，乙社区经过了两次简化过程类似于甲社区过程，中间结果如表4、表5所示。两社区结构的最终简化结果如图2所示。

图2甲乙两社区最终简化结构图

若不进行基于社区结构镜像意愿信息的耦合运算，通常会用抽样后样本总体接受意愿信息值3.8067同时作为甲乙两个社区整体接受意愿的代表值，这不利于从中挑选某一社区来进行分布式新能源区域布置。但是，通过上述计算可以看出，甲社区的整体接受意愿推断值为3.8165，而乙社区的整体接受意愿为推断值为3.7825。基于这种推断知，甲社区的整体接受意愿高于乙社区，如果在技术、自然环境等其他条件趋同的情况下，应首先选择甲社区来进行分布式新能源区域开发布置。

4 结束语

针对一些群体决策中样本巨大，且调查信息具有多变及镜像特征等困难，本文提出了基于社区结构镜像意愿信息的耦合决策方法。该方法利用不同结构划分及局部统计数据进行整体连接评价，不仅能回避PPS抽样带来的结构性误差，还能空间化的利用统计数据进行从微观到中观再到宏观的连接。简言之，该方法能够利用较少信息对群体镜像意愿进行合理的、可重复性评价，便于依据时效信息对分布式新能源进行区域布置。