建昌县水库移民后期扶持效果评估

党淑慧

(建昌县水利事务服务中心，辽宁 葫芦岛 125300)

0 引 言

由于未能充分认识水库移民安置的社会后果、重要程度及其进度控制因素，许多大中型水库移民安置过程中存在一些遗留问题，因安置项目未能妥善移民，使得生活困难和不安全社会因素等问题经常出现。水库移民后期扶持效果风险评价是加强扶持政策实施监督管理的有效方法，对维护移民群众合法权益和库区社会稳定极其重要，可为后期扶持政策资金的高效、安全使用以及移民安置区的经济社会持续发展提供保障。当前，计算过程较复杂和权重计算人为主观性强为后期扶持效果风险评价存在的主要问题，而对于信息量庞大且数据复杂的问题研究受到一定的限制。BP网络具有联想记忆、自适应性、自组织学习、高度非线性映射、高度容错等特性，可从复杂庞大的信息中揭示其内在变化规律，有效解决传统分析方法存在的复杂性和主观性问题，已被广泛应用于工程投资估算、洪涝灾害预测、水资源评价等多个领域[1]。

鉴于此，文章以建昌县水库移民安置项目为例，依据监测评估调查数据和BP神经网络模型评价分析了后期扶持效果风险水平，更好的掌握移民区生活改善程度，为合理的制定相关政策和移民安置进度风险分析提供可靠的依据。

1 后期扶持效果评估模型

1.1 风险评价指标体系

在实地调查、勘察以及整理相关资料的基础上，结合建昌县移民安置后期扶持监测评估工作和移民项目面临的风险来源，考虑移民的切身利益将恢复与提高移民生产生活水平可能遇到的风险要素进行系统全面地分析，从土地资源、居住环境、收入结构、生活与住房条件5个子系统选择20项评价因子，遵循系统性、层次性、代表性和科学性等原则构建评价体系如表1所示。

1.2 BP神经网络模型

一般情况下，对于任意的n维到m维的映射均可利用一个3层的BP神经网络实现。所有的输入、输出和隐含层神经元节点为组成网络结构的关键，其同一层次、不同层次间的神经元处理单元为全互联连接和无连接形式，网络结构如图1所示。

表1 安置区扶持效果评估体系

图1 BP神经网络结构

设输入模型的样本值为(Xp,Tp)，其中p∈{1,2,…,N|，N为BP网络的样本总数；评价样本的权值向量为W，神经网络的期望与实际输出向量Yp之间的误差函数表示为E(W)=g(f(W,Xp,Tp))，则利用二乘函数法获取相应的误差，其数学式为：

(1)

式中：m为网络输出向量维数，其它参数含义同上。在数学方程映射关系未知的情况下，系统软件存储大量的映射关系预测模式，因此在非线性复杂问题处理时具有明显的优势。根据设定的精度和权值w，针对特定的数据(Xp,Tp)能够完成输入xp∈R″至输入yp∈Rn的映射。为了获取最高的精度和最小的误差通常要对模型进行训练，依据一定的规则选择网络学习过程中新的w′，从而使得E(w′)≤E(w)，其流程包括：①设定正向传播方式，完成样本的输入和模拟输出；②若模拟期望值与实际输出存在较大偏差，则按照一定的规则反向传播；③从输出向隐含层的反向传播，可计算实际与期望之间的误差信号，并作为连接权误差的修正依据；④网络学习训练的实质是反复交替的完成误差逆向传播与正向传播；⑤输出全局误差最小时的模拟值即为网络趋于收敛的最终评价结果[2]。梯度下降算法为BP神经网络模拟的常用方法，利用下式修正相应的权值，即：

(2)

式中：wij为连接节点i与j的权值；η为控制修正速度的学习步长，也成为学习速率，取值区间为0-1。一般情况下，若η值过大，则对Wi(t)的稳定性产生显著影响；若η值过小，则Wi(t)的收敛时间太长，速度较慢。

因此，BP网络模型调整阈值向量和权值矩阵的过程就是不断地自动学习，网络系统在误差达到预先设定的精度要求时终止学习。该条件下，将权值矩阵以数据文件的形式纳入网络系统内部，并存储于数据库中。采用已经训练好的网络即可实现水库移民后期扶持效果的评估，通过输入移民点的指标数据可获取相应的输出向量，依据设定好的评价标准确定输出向量所属的评价等级[3]。

2 实例分析

2.1 区域概况

建昌县位于辽宁西部山区，东与连山、兴城区接壤，南接河北省青龙绥中，西与凌源毗邻，北靠喀左、朝阳县，地处E119°2′47″-120°17′45″，N40°24′30″-41°5′57″之间。该区域总面积3181km2，其中城区261km2，共有28个乡(镇)、276个行政村，村民组2854个，总人口628529人。研究区实有耕地面积5.96万hm2，人均耕地面积0.095hm2，农业和工业总产值21.67、55.83亿元，农村居民人均纯收入9429元。境内地势西高东低，呈阶梯状，最高峰大青山海拔1223.8m，最低点六股河出境处海拔76.3m，研究区平均海拔426m。根据地貌单元和组合情况，全县可划分西部岭上低山丘陵区、中部河谷盆地区、东部岭下区和南部岭下区4个地貌类型。该地区为青龙河、大凌河和六股河发源地，皆汇入渤海，其中大凌河、六股河纵贯全县，河长为63km和92.6km，流域面积1199km2、1772 km2。研究区属大陆性季风气候，其特点为光热充足，四季分明，雨量不均，易成干旱，年均气温8.2℃，日照时数2915h，无霜期162d[8-9]。

建昌县境内有大中型水库2座，其中宫山咀水库是大凌河上游的一座大(Ⅱ)型水库，总库容10886万m3，该水库是防洪、发电、灌溉、城市供水等综合利用水利工程，防护建昌县城和喀左县城的城镇及沿岸的人民生命财产，多年平均供水量为3776.2万m3，发电量为3105kW；马道子水库是一座以防洪、灌溉、工业和城市供水为主，同时具有养鱼、发电等功能的水利枢纽，，总库容1330万m3。另外，境内有小型水库20座，总库容2662万m3，其中小(1)型水库8座，小(2)型水库12座。

2.2 数据的获取

以建昌县2018年宫山咀水库、马道子水库移民后期扶持监测评估报告为依据获取各样本数据，参评样本随机选取昌县10个安置村，数据统计见表2。其中，训练样本为随机选取的7个样本点评估数据，后期扶持效果评估样本为其余3个样本点指标值。

表2 水库移民后期扶持效果评估样本数据

2.3 样本数据归一化

若样本数据未经归一化预处理，则极易造成计算结果无法收敛或计算时间的增加。因此，对于数据的归一化处理，考虑采用最小最大值法，其数学表达式为：

(3)

式中：ymin、ymax为后期扶持效果评估的下界与上界；xmin、xmax为参评样本的最小、最大值。

2.4 风险评定标准

后靠或外迁移民在安置工程实施后，其生产结构、生活方式和生活环境均发生不同程度的改变，对提升和恢复移民生产生活水平产生较大影响。综合考虑移民生产生活影响程度、风险因素以及移民风险评价习惯等因素，将风险评价等级划分为v1、v2、v3、v4、v5，所对应的评语为零风险、可忽略、可接受、中等和不可接受风险，从而构建后期扶持效果评价向量为V={极有利，有利，一般，不利，极不利影响}，BP模型输出如表3所示。

表3 BP网络输出等级

2.5 后期扶持效果风险评价

1)确定神经元数目。移民后期扶持效果评估体系中共有20项参评因子，而效果评价标准为5级，因此BP网络的输入层和输出层神经元节点数为20、5个，相应的输入和输出向量维度为20、5。一般条件下，利用试算法及经验公式确定隐含层神经元最佳节点数，即：

(4)

式中：m、n、S为输出、输入和隐含层神经元节点数，其中N值为0-10范围。

设定隐含层节点数为6-15个，然后利用公式(4)和m=20、n=5试算试算最佳节点，BP网络的参数设置为：最大失败和训练次数为5、500次，训练精度为0.00001，保持其它参数不变。通过训练同一样本集，选择隐含层神经元符合精度要求时的节点数。根据相关文献和试算结果，从6-15范围内选取最佳的隐含层节点数。结果显示，在保持模拟精度不变的条件下，网络系统的稳定性在12个节点时最好，所以选择12个隐含层节点数进行BP网络模拟分析，因此BP网络的节点数为20×12×5。

2)仿真与训练。采用trainlm函数作为网络训练方法，相对于传统的梯度动量下降法L-M优化方法能够大大缩短运算时间，显著提升预测模拟误差的收敛速度。设定网络模型的学习速率和最小梯度为0.01、0.1，训练精度为0.00001，最大训练步数10000，具体见表4。网络训练的输入样本数据矩阵为建昌县10个移民村的20×8数据，选用向量的形式作为监测评估的目标输出。

表4 BP网络训练参数

3)移民安置风险评价。BP网络训练完成后，选择监测样本为牤牛营子、建昌镇、石佛3个安置村的指标数据，为验证风险评价效果的准确性将监测样本数据输入模型，比较分析监测评估报告与BP神经网络评价结果见表5。

表5 后期扶持效果评价结果对比

从表5可知，评价结果达到极有利影响的为牤牛营子安置村，可见后期扶持政策的实施不仅恢复了移民生产生活，而且较移民前有了较大的提升；评价结果达到有利影响的为建昌镇风险评估，虽然已恢复至搬迁安置前的移民生产生活水平，但其提升幅度不显著；评价结果属于一般影响的为石佛村，后期扶持政策的实施使得石佛村的移民生活基本恢复至搬迁前的水平。检测评估综合评价结果与BP网络模型风险评估保持较高的一致性，可见BP模型的仿真能力较好，对于后扶持效果的评价具有较强可靠性和可行性。

3 结 论

1)对建昌县水库移民后期扶持效果利用BP神经网络模型科学评价，结果发现后期扶持政策的实施在一定程度上提高和改善了建昌县大部分地区的移民生产生活水平。监测评估结果和BP网络评价保持良好一致性，因此神经网络的仿真能力较好，对于后扶持效果的评价具有较强可靠性和可行性。

2)对移民效果风险状况运用BP模型评价，其中相关数据的收集较为中线，误差精度要求、网络参数设置、数据预处理和样本的选择等均可影响评价结果可靠性，为进一步提升计算精度未来仍需要不断的深入研究。