多维贫困视角下中国农村贫困家庭的识别研究

发布时间：2020-08-04 08:30

【摘要】：贫困是一个十分复杂并且在长期内受到广泛关注的问题,截止到2017年中国依旧存在严重的贫困问题。十九大报告指出在民生领域还有不少短板,脱贫攻坚任务艰巨。目标是从现在到2020年,全国在现行标准下农村贫困人口全部脱贫,建立合理的识别贫困户的模型体系是现阶段研究的关键所在。本文是在多维贫困视角下,对中国农村贫困家庭进行识别的研究,借鉴模糊数学中模糊集的概念,尝试性的把“贫困”看成一个模糊的概念,采用模糊集方法中的完全模糊与相对方法(TFR)方法构建多维贫困模糊指数对中国农村家庭的多维贫困状况进行测度并分类。然后,使用随机森林对已有的贫困识别模型进行验证并预测。最后对多维模糊-随机森林模型的预测精度进行验证,与其它模型进行比较。运用多维模糊-随机森林组合模型来对贫困对象进行有效的识别,不仅可以精确地识别出农村贫困家庭,而且可以分析中国农村贫困家庭各维度的贫困发生率、致贫因素以及根据多个维度的判别准则对贫困家庭进行有效识别,并提出相应的精准扶贫的政策建议。研究结果表明:单维度的贫困发生率(多维致贫因素)主要集中在生活负担、居住环境、经济地位和人均年收入,多维模糊-随机森林模型在识别贫困方面具有很高的精度,本文的研究结果对精准扶贫有着重大意义,从理论上讲,本文构建了一套较为完善的农村多维贫困识别体系,为识别贫困户奠定了基础;从实践上讲,本文提出了一个能够准确识别贫困家庭的组合模型,可以为精准扶贫工作提供重要参考。
【学位授予单位】：首都经济贸易大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F323.8
【图文】：

建模,指标,模型,森林

图 4.1 特征指标的重要性（2）选取对模型有重要影响的指标进行建模根据上述理由阐述并不是所有变量都会进入最终的随机森林模型，筛选之后，进随机森林模型的有人均年收入、医疗保险、居住环境、受教育程度、生活负担、养老险、掌握技能和电器资产等 8 个变量。根据已有文献刘波[23]（2017）主观贫困并不等于客观贫困，有些时候往往还有更丰富的内涵，比客观贫困更能够代表贫困家庭的情所以选择主客观法相结合主要是因为，单独的客观贫困只能看到贫困家庭的物质方面需求和匮乏，而精神方面的贫困缺失，会损失很多有用的信息，继而不能过全面很好对贫困户进行识别。所以对主观指标包括居住环境、生活负担和掌握技能的入选，是方便了笔者在做实证分析的经验。4.3.2 农村多维贫困的随机森林识别模型本小节主要是对建立农村多维贫困的随机森林识别模型，之前收集到的数据集5563 条观测，训练集为 4564 条，测试集为 999 条，预测集数据是在建立模型之前预

森林,模型,定值,模型误差

图 4.2 Mtry=2 误差图由图 4.2Mtry=2 时的误差图可知，当 ntree 的值大概大于 400 之后，模型误差趋稳定，没有特别大的波动，基本稳定在一个定值附近，所以我们可以将模型中的 n的值大致确定为 400 左右，最佳随机森林模型就选择当 Mtry=2。由图 4.3 当 Mtry=2 时的误差图时可知，当 ntree 的值大概在大于 400 之后，模型差趋于稳定，没有特别大的波动，基本稳定在一个定值附近，当 Mtry=3 时的误差图可知，当 ntree 的值大概在大于 400 之后，模型误差趋于稳定，没有特别大的波动，本稳定在一个定值附近，所以我们可以将模型中的 ntree 的值大致确定为 400 左右，此来达到最佳随机森林模型。通过以上分析之后，加上之前所述使用全变量做随机森林模型，通过上文可知，n的值为 400 的模型具有很好的稳定性，但是决策数个数是多少，还没有最终的确定以本文决定最优模型为决策树节点处变量个数为 2 和 3，模型中 ntree 的值为 400 的型，通过建立模型，然后再比较哪一个模型是比较好的。建立随机森林模型过程及显结果如表 4.4，部分重要变量建立随机森林模型结果如表 4.4 和表 4.5。

混淆矩阵,森林,真实值,系统误差

图 4.3 Mtry=3 误差图表 4.4 Mtry=2 全部变量的随机森林模型的混淆矩阵混淆矩阵预测值系统误差模型内误差0 1真实值0 1660 328 0.165012.4%1 238 2338 0.0924表 4.5 Mtry=3 全部变量的随机森林模型的混淆矩阵混淆矩阵预测值系统误差模型内误差0 1真实值0 1653 335 0.168512.62%1 241 2335 0.0936表 4.6 Mtry=2 重要变量的随机森林模型的混淆矩阵

【参考文献】