征地冲突后果评价与预警

2012-09-25谭术魁张红霞

中国土地科学 2012年2期

谭术魁，齐睿，2，张红霞

（1.华中科技大学土地管理系，湖北武汉430074；2.中国地质大学政法学院，湖北武汉430074）

1 引言

征地冲突已成为困扰中国经济发展和社会稳定的重要问题。江苏、安徽等地相继出台一系列冲突治理措施，其中江苏省国土资源厅于2010年5月下发了《关于进一步依法规范征地补偿工作切实控减征地矛盾纠纷的通知》[1]，要求建立征地实施前风险评估机制，对因征地可能引发的矛盾纠纷、不稳定事端进行调查、预测和评估，切实控减征地矛盾纠纷。

征地项目风险评估机制的建立有助于征地冲突的预防和控制，降低冲突造成的危害，但是当前各级政府采用的重大事项社会稳定风险评估办法还存在缺陷，需要进一步优化。当前重大事项社会稳定风险评估办法的缺陷包括：（1）缺少科学的征地冲突评价和分级机制；（2）缺乏具有针对性的评估指标；（3）以定性评估为主，缺乏定量分析，评估强烈依赖评估主体的经验和能力，结果缺乏稳定性。征地冲突风险评估技术的改进应包括：构建能综合考虑征地冲突不同层面后果的评价和分级机制，通过对征地冲突的综合分析，选取更为恰当的冲突风险指标，建立定性与定量相结合的预警模型。

可用于冲突后果评价和预警的模型主要有AHP、熵值法、关联度法、模糊综合评价和BP神经网络法等，其中BP神经网络法属于积极的客观赋权评价，既能较好地避免评价者主观偏好误差，又具备自组织、自适应和非线性影射等特点。本文在关于转型期中国征地冲突的已有研究成果和案例库基础上，构建征地冲突后果评价和预警指标体系，并探索BP神经网络在建立定性与定量相结合的征地冲突后果评价和预警模型方面的可行性。

2 征地冲突后果评价模型

2.1 征地冲突后果评价指标的选择

征地冲突对社会稳定和经济发展的危害是多方面的，本文将这些危害分为人员伤亡、经济损失、社会危害和政治危害（图1）。征地冲突造成的人员伤亡后果通过冲突致死亡人数、受伤人数和刑事拘留人数3个指标来衡量。黄贤金等将征地冲突的经济损失概括为工期延迟成本和潜在损失等，前者主要有人工费、机械设备停置费、管理费和其他费用，后者则包括堵路等冲突行为造成的时间、经济和环境等成本[2]。本文选取直接经济损失、间接经济损失和沉没损失3个指标来衡量征地冲突的经济损失。直接经济损失指冲突直接导致的财产损坏、生产停滞等经济损失，如冲突可能会导致农业基础设施和施工设备遭破坏、维持治安的车辆遭损毁等。间接经济损失是指冲突间接导致的生产停滞等经济损失，如堵路行为会导致交通阻塞、生产延期，基础设施遭破坏会导致农业减产等。沉没损失则指各冲突主体用于征地冲突这种非生产性活动中的生产资料投入的沉没成本，即等量生产资料在正常情况下用于生产性活动可以获得的预期收益。征地冲突所造成的社会危害选取社会治安危害性和社会关注度两个指标来衡量。社会治安危害性是指征地冲突的发生对区域社会治安的损害，包括大规模群体性事件对正常社会秩序的扰乱、黑恶势力介入征地冲突对群众社会安全感的损害等。社会关注度是指社会各界尤其是新闻媒体对征地冲突的关注程度。征地冲突的政治危害选取政府公信力受损和官员被问责两个指标来衡量。政府公信力受损可以表现为冲突发生地的群众对政府廉洁性的质疑和满意度的下降等。

图1 征地冲突后果评估指标体系图Fig.1 The index system of LECs’results evaluation

图2 征地冲突后果评价BP神经网络训练图Fig.2 The train figure of BP neural network of LECs’ex-ante evaluation

2.2 评价指标的度量与赋值

度量征地冲突后果一级指标的理想方法是通过对二级指标进行度量，再加权汇总，即Yi=∑nwij×yij，权重值可以通过层次分析法或专家意见法等获得，但这种方法对冲突样本数据的详尽程度提出了较高的要求。目前国内尚无任何政府或非政府组织对征地冲突进行统计，本文从网络上收集了400余例征地冲突，初步构建起中国征地冲突数据库，但是媒体报道或网络信访存在资料不够翔实等缺陷，基于这一数据库难以获得二级指标评价的全部数据。因此，本文采用专家评分法对征地冲突后果的一级指标进行赋值。本文以所有冲突案例中一级后果指标损失最严重的取值1，以无损失为0，采取分段专家评分法赋值，相关指标标准值见表1。

表1 征地冲突后果评价指标标准数值或描述值Tab.1 The standardized values or descriptive values of the indexes for LECs’ex-ante evaluation

2.3 征地冲突后果评价模型

受数据约束，本文构建的征地冲突后果评价BP神经网络模型的输入层神经元个数是冲突后果评价的一级指标个数，因而输入神经元个数为4。输出神经元个数由输出目标决定，常见的确定方式是将冲突后果定性划分为5级，即特大征地冲突、重大征地冲突、征地冲突、轻度征地冲突和无冲突，因此可以将输出神经元个数定为5，分别以［10000］、［01000］、［00100］、［00010］和［00001］来表示。评价模型的隐含层神经元个数采用经验公式来确定[3]，其中m表示输入层神经元个数，n表示输出层神经元个数，本文取值5，经调试表明较为合适。

本文从征地冲突案例库中选取90个描述较为详细的样本，根据表1对冲突后果一级指标进行赋值，并采用专家评价法对其进行初步分级。再从其中抽取80个作为训练样本，剩余10个作为测试样本。输入层与隐含层之间的传递函数为tansig，输出函数为logsig，为提高训练收敛速度，网络训练采用Levenberg-Marquart规则，训练误差目标为0.01，经862次训练神经网络即已达到初始设定目标（图2）。将测试样本指标输入模型，其结果与专家评价法结果进行一致性对比，一致性程度接近90%（表2）。

3 征地冲突预警模型

3.1 征地冲突预警指标的选择

虽然以征地冲突为代表的资源型冲突具有非常复杂的社会、政治、经济根源，冲突的发生也充满偶然性，但国外实践表明在涉及土地利益的发展项目实施前进行较为科学的冲突风险评估，并采取相应的矛盾化解措施，能有效降低冲突发生的可能性和破坏性。征地冲突预警是一种有效的风险评估方法，其目的在于通过对征地冲突诱因进行检测、分析及诊断，预防和控制征地冲突的发生和激化，将冲突发生的概率和损失都降低到最小。

征地冲突预警的关键在于预警指标的选取，这些指标必须能较为全面地概括诱发征地冲突的因素。谭术魁基于征地冲突案例认为，征收土地不遵循法定的程序，非法强行征地，征地补偿偏低、不到位和管理混乱，少数干部的行为失范，农民权利意识的增强和联合抗争，以及地方政府对征地纠纷和冲突的治理缺乏成效都是诱发征地冲突的重要因素[4]。本文结合对征地冲突案例库中400余宗案例的分析，将诱发征地冲突的诸多因素分为4类。

表2 征地冲突后果评价一致性检验结果对比Tab.2 The result of consistency test of LECs’ex-ante evaluation

（1）征地项目的具体特征，包括征地项目的合法性、补偿标准和补偿资金到位情况等。中国土地管理法规对地方政府的征地权限有严格规定，但有些地方政府铤而走险，采取各种违法违规手段征地，如篡改土地类型、化整为零、少批多征，甚至不批就征。地方政府征地行为的不合法性很容易成为农民抗拒征地的理由，引发农民强烈抗征，导致冲突。征地补偿的不合理性是农民抗征的另一个主要因素，虽然土地管理法规对征地补偿标准有明确规定，但不少地区征地补偿标准的确定并不合理，如一些地区对所有土地按统一标准补偿，导致能种植特种蔬菜的土地补偿明显偏低，还有很多地区征地补偿标准多年不变，增长幅度严重滞后于社会物价和农民生活成本的增长。另外很多地区为快出政绩，项目资金不到位就开始征地，导致拖欠农民征地补偿款，最终引发群体性事件。

（2）区域征地管理情况。有些地区政府及土地管理部门忽视征地管理工作，征地程序不规范、补偿测算过程不公平，如缺少征地公示公告程序、忽视村民在征地决策过程中的民主权利、土地勘界存在争议、拆迁房屋级别评定缺乏客观公正的标准等。新征地项目实施过程中，这些问题可能会再次出现，导致农民不满和抗征。区域内其他征地项目中普遍存在的问题，也可能会在新项目中出现并引发冲突，如一些地区外嫁女征地补偿分配纠纷比较突出，可能会在一段时期内该地区大部分征地项目实施过程中不断出现。

（3）地方政府及相关部门征地冲突治理能力。从征地利益矛盾出现到征地冲突暴发，是一个各利益相关主体互动、不满情绪不断累积的过程，这一过程也是疏导、控制和治理征地冲突问题的最佳时机，及时有效的调解能促成矛盾以和平方式解决。但是很多地方政府冲突治理能力欠缺，导致征地纠纷信访问题无法得到及时有效的解决，矛盾不断累积；冲突发生以后又缺乏系统而公正的冲突控制和处理机制，采取武断的处理措施导致冲突升级；冲突演化为群体性事件后，又缺乏必要的应急能力，难以迅速平息事件，反而可能造成大规模警民冲突。

（4）待征区域社会基础。待征区域社会群体的特征也会影响征地冲突发生的可能性。征地涉及的利益相关者关系越复杂，身份差异越大，可能带来的矛盾就越多，很多地区政府为简化操作、缩短工期，忽视矛盾的差异性，坚持统一标准，引发诸多不满和冲突。对冲突案例的分析表明，村民抗征通常不是一种独立的、突然的行为，其发生是基于“传统”的，即抗征的村民大多有过信访或群体性事件经历，这一特征可以用来评价征地冲突的区域社会风险性。另外，待征区域内村民的自治情况也是影响冲突的重要因素，村民自治的民主程度较高，对征地补偿中集体所有部分的管理就会较为透明，引发的矛盾和冲突会较少，反之，民主程度低的村庄征地冲突的可能性较大。

本文以4类因素所包含的冲突风险作为征地冲突预警评价的一级指标，并选取征地项目审批合法性等13个指标作为二级指标，构建征地冲突预警评价指标体系（图3）。

图3 征地冲突预警评价指标体系图Fig.3 The index system of LECs’pre-warning evaluation

图4 征地冲突预警BP神经网络训练图Fig.4 The train figure of BP neural network of LECs’prewarning evaluation

3.2 评价指标的度量与赋值

征地冲突预警指标体系中4个一级指标分别由若干二级指标构成，对选定的指标，按其状态分为5个风险评价等级，即好、较好、一般、较差、差。所有指标的标准数值或描述值如表3，指标状态对应分值以区间形式给出，其中，［0.0，0.2］表示该指标状态好，对征地冲突基本无影响；（0.2，0.4］表示该指标状态较好，对征地冲突有轻微影响；（0.4，0.6］表示该指标状态一般，对征地冲突有一定影响；（0.6，0.8］表示该指标状态较差，对征地冲突有明显影响；（0.8，1.0］表示该指标状态差，对征地冲突有重要影响。仍选用征地冲突后果评价中所使用的90个样本，追踪其相关网络报道，采用专家评分法对二级变量进行赋值。

3.3 征地冲突预警模型

本文所构建征地冲突预警BP神经网络模型的输入层神经元个数为11，输出神经元个数为5，即分别以［10000］、［01000］、［00100］、［00010］和［00001］来分别表示“重大”、“较大”、“一般”、“轻微”、“无”5 类冲突风险级别。评价模型的隐含层神经元个数取值9，经调适表明较为合适。

本文从90个征地冲突案例中抽取80个作为训练样本，剩余作为测试样本。输入层与隐含层之间的传递函数为tansig，输出函数为logsig，网络训练采用Levenberg-Marquart规则，训练误差目标为0.01，经41次训练神经网络即已达到初始设定目标（图4）。将测试样本指标输入模型，其结果与实际冲突级别一致性程度达70%（表4）。

4 结论与展望

本文提出了征地冲突后果评价和预警评价指标体系，并利用BP神经网络模型对征地冲突案例库中部分案例进行评价，结果显示征地冲突后果评价模型精度很高，征地冲突预警评价模型的精度也比较乐观。表明：（1）本文提出的两套指标体系基本上合理可行，对当前很多地区正在推行的征地风险评估工作具有重要意义；（2）BP神经网络适用于征地风险评估工作，可以有效降低评价过程中权重赋值的主观性，提升评价的规范性和客观性。

本文初步探索征地冲突评价和预警问题，以下方面有待进一步研究：（1）指标体系的优化。本文提出的指标体系并不完善，一些指标可能有更好的替代项，一些指标可能存在其他的测度方法以提高其测量精度或增加其客观性。（2）征地冲突案例库的进一步完善。本文案例库虽初具规模，但案例基本来自网络，其特征数据不完整，精度不高，因此在进行后果评价时只能采用一级指标，而且所有指标取值均采用专家评分法，降低了客观性。随着案例库的进一步完善，可构建更为精确和客观的、覆盖全国大多数省份的征地冲突后果评价和预警评价模型。