在當前精準扶貧實施背景下,如何科學有效地對扶貧績效評價是一個值得探究的問題,一方面能夠綜合評價工作成效,另一方面為摘帽貧困縣的可持續(xù)發(fā)展起著推動作用。本文通過整理文獻和現(xiàn)階段研究成果,發(fā)現(xiàn)目前學者們對于扶貧績效的研究,已經(jīng)有了較為豐富的成果,有許多精髓之處值得我們借鑒,但也存在一些不足,如在評價方法選擇上,常用的層次分析法等,往往需依據(jù)專家的經(jīng)驗賦值,主觀性較強。因子分析法較客觀,但若數(shù)據(jù)對KMO檢驗不通過,則因子分析表現(xiàn)出不適用性,且綜合因子的實際含義難以精確定義。本文提出一種扶貧績效評價方法,將粗糙集作為支持向量機建模的前置系統(tǒng),兩者結(jié)合應用于精準扶貧績效評價中。在理論研究的基礎上,分析了二者的優(yōu)勢互補性,并詳細說明模型的構(gòu)建步驟。結(jié)合山西省23個貧困縣做實證分析,首先從經(jīng)濟效益、社會效益、生態(tài)效益和反貧困四個層次,確定了十四個指標構(gòu)建指標體系;再運用粗糙集理論對初始決策表的指標屬性進行約簡,基于屬性重要度計算出各個屬性的重要度,約簡不重要的指標并得到相應的權(quán)重,綜合評價得分,構(gòu)建新的決策表;然后對新的決策表建立支持向量機模型,在參數(shù)尋優(yōu)過程中,采用了網(wǎng)格搜索法、遺傳算法和粒子群算... 

【文章來源】：山西大學山西省

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【部分圖文】：

粗糙集概念示意圖

Ｐ��；瘓浠八凳侵附??澳?力與得到模型的復雜度建立在泛化能力強的基礎上。相比于只有在樣本量接近無窮大時才能得到較好的預測能力的傳統(tǒng)學習方法，支持向量機適用于對有限的樣本的統(tǒng)計研究。支持向量機比傳統(tǒng)的統(tǒng)計學習方法更有優(yōu)勢，即使是非線性問題仍有強大的學習能力，能在有限樣本范圍內(nèi)避免維數(shù)災難，又能避免局部極小的情況。最初的支持向量機是一種分類學習機，支持向量分類機（SVC）[36]用來解決兩分類問題。為了使分類器對于新的樣本點的泛化能力盡可能的好，支持向量機提出使兩種分類之間的間隔距離最遠。如下圖2.2所示，包含了兩個不同類的樣本點，將三角和圓圈分別記為1和-1，記三角所在直線為L1：bxw1T；圓圈所在直線記作L2：bxw1T；L1與L2之間的線記L0：bxw0T，這就是分類超平面。L1與L2是超平面的兩條上下邊緣線。圖2.2支持向量機分類L1與L2之間的距離，稱為間隔距離，要求出最大間隔距離，常將其替換為求min。顯然，當w=0時為最小，這意味著兩條直線L1與L2距離無窮大，那么樣本點1和-1不但沒有被間隔開，反而聚集到了L1與L2之間，所以要同時滿足前提條件：bxw1iT和bxw1iT；于是有：2,21minwbw，ts..bxwy1)(iTi，i=1,2,…,p(2.3)引入拉格朗日乘子ai構(gòu)造拉格朗日函數(shù)，得到無約束優(yōu)化問題并對其求解。最優(yōu)解滿足bxwya0)1))(((iTiipi，支持向量就是那些ai不為零對應的樣本點xi，并且落在L1或L2邊界線上。由此可以得出最大化目標函數(shù)繼而得到?jīng)Q策函數(shù)為：))(sgn())sgn(()(*1**bxxyabxwxfiipiiT(2.4)以上對支持向量機的討論是基于線性可分類情況的。當樣本數(shù)據(jù)的線性卻存在不可分的異常點時，要使分類間隔和錯分的誤差都小，引入松弛變量0i，樣本數(shù)

基于RS-SVM模型的精準扶貧績效研究12據(jù)的經(jīng)驗風險用i反映，在結(jié)構(gòu)風險最小化的基礎上，又引入懲罰參數(shù)C用來平衡最大間隔和最小錯分類誤差，得到分類器新優(yōu)化軟間隔問題式(2.5)，由此可知線性分類問題中，線性可分與線性不可分問題約束條件有差別。piiCw12)2/min(s.t.iiTibxwy1])[(,0i,i=1,…,p(2.5)對于非線性分類問題，通常采用合適的非線性變換解決問題。支持向量機選擇核函數(shù)作為映射函數(shù)，將原始輸入空間中的向量x，映射到高維特征空間中訓練，這樣就變成了簡單的線性問題，如圖2.3所示。核函數(shù)的選擇與要研究的問題和樣本數(shù)據(jù)相關，選擇不同，實驗效果不同。選定核函數(shù)后，把內(nèi)積xi*xj的值用核函數(shù)k(xi,xj)的值來代替，于是最終對應的分類函數(shù)為：)),(sgn()(*1*bxxkyaxfiipii（2.6）圖2.3核函數(shù)映射支持向量回歸[36]（SVR）解決回歸預測問題就是由支持向量分類演化而來，由分類最大間隔我們可以想到，當所有樣本點都落在邊界線L1與L2之間時，就近似為線性回歸問題，如圖2.4：圖2.4支持向量回歸機在訓練樣本中，不是所有的樣本點都能落到邊界線上，存在損失，設定0，為f(x)與y之間允許的最大損失，也就是與超平面間隔的最大距離，當)(yxf時，才會計算學習器整體的誤差損失，因此定義一個損失函數(shù)。為減小異常點帶

【參考文獻】：
期刊論文
[1]精準扶貧績效提升的現(xiàn)實困境[J]. 呂華.  內(nèi)蒙古科技與經(jīng)濟. 2019(23)
[2]精準扶貧的績效評估研究[J]. 張敏.  時代金融. 2019(33)
[3]后精準扶貧階段農(nóng)村精準扶貧綜合績效提升研究——基于4省38市數(shù)據(jù)的實證分析[J]. 陳弘,周賢君,胡揚名.  中國行政管理. 2019(11)
[4]基于GIS的武陵山區(qū)旅游扶貧績效空間差異分析——以湖南省37個縣市為例[J]. 唐業(yè)喜,周盛芳,李智輝,李逸舒,陳其紅,鄧明蓉.  湖北農(nóng)業(yè)科學. 2019(20)
[5]精準扶貧績效評價指標體系構(gòu)建及實證——以全國重點扶貧地區(qū)為例[J]. 陳升,張雯雯,何增華.  武漢交通職業(yè)學院學報. 2019(03)
[6]基于大數(shù)據(jù)挖掘的精準扶貧工作第三方評估——以武漢市為例[J]. 李紅艷,汪濤.  武漢工程職業(yè)技術(shù)學院學報. 2019(03)
[7]全過程視域下精準扶貧績效評價體系構(gòu)建[J]. 李社寧,張哲,李喜寧.  地方財政研究. 2019(08)
[8]精準扶貧績效評價模型及應用[J]. 劉丹,鄭喜喜,楊悅.  統(tǒng)計與決策. 2019(09)
[9]精準扶貧的過程與績效探討[J]. 余兵皓,吳明凱.  廣西質(zhì)量監(jiān)督導報. 2019(02)
[10]精準扶貧績效評價研究綜述[J]. 程詩祺,裴瀟.  農(nóng)村經(jīng)濟與科技. 2018(22)

碩士論文
[1]基于因子分析和數(shù)據(jù)包絡法的河北省精準扶貧績效評估研究[D]. 王玉娜.河北大學 2019
[2]精準扶貧的績效評價及影響因素研究[D]. 王璇.電子科技大學 2019
[3]我國農(nóng)村扶貧績效評價與實證分析[D]. 劉倩倩.青島大學 2017



本文編號：3286178