扶贫绩效与帮扶群众满意度的关系研究

李玥霖 雷 颖 史玮东

（重庆邮电大学 计算机科学与技术学院，重庆 400065）

一、相关研究述评

提高帮扶成效，可使群众生活切实得到改善，其中对扶贫效果的评价较为关键。目前较为流行的评价角度有对扶贫绩效进行量化和对被帮扶群众满意度进行量化两种方式。

对扶贫绩效进行量化，即对被评价单位的经济、文化、教育、环境等各个方面的各项具体指标进行收集处理，再根据建立的某个评价体系进行评价，这个评价体系往往是使用主成分分析法或层次分析法所建立的。如使用层次分析法对以金融机构主导的金融扶贫模式进行评价［1］，这种评价区分度较高，模型容易理解，但是所用模型主观性较强，不具有普适性；或使用时序主成分分析法对云南省扶贫绩效进行评价［2］，这种评价较为充分地利用了已知数据，所得结果较为准确，但是其使用的模型基于数据特征进行评价，无法给出具体意义。对扶贫绩效进行量化的主要步骤是搜集并分析数据、构建评价指标体系、利用评价指标体系进行评价，其中，评价指标体系的构建较为关键，不同的构建方法会对评价效果产生较大影响。

对帮扶群众满意度进行量化，一般是通过发放调查问卷的方式对群众意见进行收集，再对收集而来的意见进行分析评价。如对湖北省神农架区域内贫困人口满意度进行调查，进而分析当地贫困人口的收益感知、满意度与参与意愿［3］。这些结论对扶贫决策具有重要意义。与仅对扶贫绩效进行量化评价相比，量化评价帮扶群众满意度获得的信息含义更为丰富、更能代表群众的切实需求；但其主观性较强，调查难度较大、成本较高。

上述研究从两个评价角度对扶贫工作进行量化，只能简单对扶贫单位进行排序，对政策方向提供的帮助较少。本文借助机器学习方法对西南某地区群众满意度与扶贫绩效各维度数据进行建模，进而对所得模型进行处理和分析。旨在对扶贫绩效与帮扶群众满意度的关系进行探究，从而得出群众感知明显的帮扶方向，为政策制定提供依据。本文还对扶贫单位按照扶贫类型进行分类，使用雷达图较为直观地横向比较不同类型扶贫单位的满意度构成差异，从而为根据帮扶类型精准决策提供政策依据。

二、数据获取与处理

（一）帮扶群众满意度数据的获取

为了获取被帮扶群众满意度情况，了解贫困村村民对扶贫政策的评价程度，调查小组列出了7个不同的指标，根据随机分发的调查问卷得到村民对各个指标的满意程度(见表1)，对其结果按百分制进行评价，最终评分以各指标权重加权平均计算，再对最终评分进行归一化处理。

表1 群众满意度调查问卷得分情况

对满意度调查获取的有效记录中，总体满意度的数据峰度与偏度绝对值接近0，标准差为4.81，数据较为集中，众数与中位数相等，近似呈现略扁平的正态分布形态，因此，有95%的把握保证调查得到的数据真实可靠。

（二）扶贫单位各项指标的收集

本小组在两个时间点对西南某地区贫困村进行调研，把帮扶单位分为5个类型，从村民经济收入、产业发展情况、住房环境、教育及文化、基础设施5个维度对被帮扶对象进行单独评分。

（三）数据处理

观察所得初始数据，发现有部分记录存在数据部分缺失、取值错误等问题，将这些记录舍去。

（四）数据归一化

由于不同的评价指标具有不同的量纲和量纲单位，这种情况有较大可能对数据分析的结果产生不必要的影响。为了消除这种影响，考虑对原始数据进行归一化处理：

进行min-max标准化，将结果值映射到（0,1），转换函数如下：

式（1）中max是样本数据的最大值，min是样本数据的最小值。

三、相关评价模型的建立与求解

（一）本文所用模型

假设群众满意度数据与扶贫单位各项指标存在线性关系，即

式（2）中，y是上文得到的群众满意度，x1,x2,x3,x4,x5是上文得到的5个维度的扶贫单位指标，分别对应各村庄的村民经济收入、产业发展情况、住房环境、教育及文化、基础设施5个维度评分。ω1,ω2,ω3,ω4,ω5为拟合出的相关系数，实际意义为各扶贫单位的具体指标对群众满意度的贡献情况。ω0在本模型中无实际意义。

本文采用sklearn中的线性回归方法，对上述模型进行拟合，从而得到不同帮扶单位在5个评价维度上的贡献程度，并借助雷达图来反映5种不同类型的帮扶单位在各维度贡献情况的异同。

（二）线性回归方法简介

sklearn，全称是Scikit-learn，是机器学习领域中最著名的python模块之一［4］，它对常见的机器学习方法进行了封装，具有简单高效、适用于多种复杂环境的特点。

sklearn中的线性回归被定义为拟合函数是：

拟合系数为：

的线性模型，拟合的线性模型为：

目的在于最小化样本集中观测点和线性近似的预测点之间的残差平方和，可以利用平方和最小来控制其损失。

因此，只需解决下面的问题：

式（6）中ω是线性模型的截距。

（三）所得结果

第1类帮扶单位类型：

(ω0,ω1,ω2,ω3,ω4,ω5)= ［-0.188 4,-0.0649825,0.1182644, 1.4743704, -0.01950562, 0.1603619］

第2类帮扶单位类型：

(ω0,ω1,ω2,ω3,ω4,ω5) = ［0.1439,-0.049974,-0.5081879, 0.7499256,0.175443, 0.3503649］

第3类帮扶单位类型：

(ω0,ω1,ω2,ω3,ω4,ω5)=［1.0836, 0.5333999,0.2556599, -0.0395506, 0.1092588, 0.059687］

第4类帮扶单位类型：

(ω0,ω1,ω2,ω3,ω4,ω5) =［0.6151, -0.7978457,-0.2297925, 0.5616852,-0.0791224, -0.0999094］

第5类帮扶单位类型：

(ω0,ω1,ω2,ω3,ω4,ω5)= ［0.2150, -0.2275529,0.0320203, -0.15191834,-0.02787831, -0.03356937］

上述5组数据的雷达图如图1所示：

图1 各帮扶单位具体得分雷达图

四、结果分析

观察各帮扶单位得分，发现各个系数大小分布较均匀，说明模型假设的线性关系符合数据实际情况，模型拟合较好。

分析上述所得结果，结合图1，不难发现雷达图中各帮扶单位整体来说在住房环境、教育及文化两个维度的表现较突出，即大部分扶贫单位在住房环境、教育及文化这两项上的得分较高，说明在住房环境、教育及文化上的改善群众较为满意；而在产业发展情况、基础设施这两项上的得分则普遍较低，说明扶贫单位在提高产业发展水平、改善基础设施这几个具体类别上仍然有较大的提升空间。

不仅如此，不同扶贫单位的扶贫特点也存在较大差异，这一点可以从不同类型的雷达图形状得知。如类型1、2、4扶贫单位所对应的雷达图形状在住房环境维度较为突出，这一方面说明该类扶贫单位在产业发展、住房环境方面的帮扶切实有效、成果突出，群众较为满意；另一方面也表现出其在其他方面的帮扶成果不显著，甚至低于平均水平。类型3的扶贫单位所对应的雷达图形状在教育及文化维度较为突出，说明该类扶贫单位教育及文化方面帮扶成果村民较为满意。而类型5的扶贫单位雷达图形状较均匀，说明村民在5个方面都较为满意。

由上述结果分析得知，贫困群众对住房环境、教育及文化、村民经济收入的提升较为满意，而产业发展、基础设施的提升不能有效提高群众的满意度。贫困群众长期处于生活艰难的状况，渴望与自身生活息息相关的方面发生改变，希望得到实际能感受到的好处，这也就是住房环境、教育及文化、经济收入这些实实在在的方面能够有效提升群众满意度的原因之一。但是，要想真正实现长期脱贫不返贫，产业发展与基础设施的提升也是必不可少的。因此，在脱贫攻坚工作中，扶贫单位不仅要在住房环境、教育及文化、村民经济收入等群众喜闻乐见、看得到的方面下苦功，提升群众获得感［5］，而且要在产业发展、基础设施建设上发力改善，为脱贫人口长远发展打下坚实基础。

结语

本文对扶贫绩效与受帮扶群众满意度关系分别进行量化分析，并使用机器学习方法对扶贫绩效与受帮扶群众满意度的关系进行了探究，定量分析了与受帮扶群众满意度联系最为紧密的扶贫工作维度，能够为提升困难群众获得感和打赢脱贫攻坚战提供参考。