vlambda博客
学习文章列表

摘要：征地项目作为一项重要的工作，对其展开社会风险评价成为刚性需求。本文根据相关理论对征地社会稳定风险的形成机制进行了分析。构建了基于形成机制的征地项目社会稳定风险评价指标体系。由于社会稳定风险难以量化，本文对以往征地项目指标的BP神经网络模型进行了验证，证明了该模型的有效性。本文利用有效模型对灌云县静乐河征地项目进行了评价，并提出了关键风险因素和相关建议。该模型具有一定的参考意义。

关键词：征地；社会稳定风险；BP神经网络

随着我国城市化进程的加快，征地拆迁过程中产生的社会矛盾和纠纷日益增多，引发的社会问题也日益突出。国外学者Valerie Jaffee Washburn发现，政府需要改善征地冲突与社会稳定风险的关系，更好地发挥政府在征地过程中的作用，以降低征地的社会稳定风险。Pu. Q. & S. J. Scanlan以征地冲突为例，研究了网络与社会斗争之间的相关性及其对社会稳定风险的影响。许多学者逐渐认识到社会稳定风险评估对征地工作的重要性，并将风险评估应用于我国征地问题研究的实践中。例如：彭章基于新广州站二期周边征地项目展开了社会风险评估分析；谭树奎通过选取指标构建了征地冲突评估预警指标体系；丁宁在分析现有社会稳定评价方法的基础上，尝试构建更加规范的征地风险评估体系。

牛文渊教授首先提出的社会燃烧理论，从根本上是指人与自然关系的不协调，人与人之间关系的不和谐导致了社会的不稳定，犹如火上浇油的现象。此外，网络信息传播失范、非理性判断、社会心理的肆意放大等都是网络媒体时代社会不稳定的重要因素。期间，一些突发事件加剧社会的不稳定，通过事件“煽动者”和催化剂的作用，这些突发事件最终成为社会不稳定的导火索。Coser的社会冲突理论将冲突归因于权利、地位、资源配置的不平等，以及价值观和信仰的不一致。因此，不同社会主体的物质和非物质冲突所产生的情感如果不能通过适当的渠道释放出来，就会成为破坏社会稳定的重要因子。

根据“社会燃烧理论”和“社会冲突理论”，社会稳定风险的主体是农民。征地项目本身就给农民的生产和生活带来了重要变化。农民的物质矛盾主要表现在农民补偿分配不公、补偿成本过低、征地后土地收益和生活保障下降等方面。农民面临的非物质冲突包括生存环境和生态环境的退化。在征地的不同阶段，民意也会有所不同。农民的个人不满，甚至是开发商恶意收买的个人不满，以及媒体和舆论共同构成了社会稳定风险的催化剂。社会主体之间的冲突在催化剂的作用下逐渐形成相应的社会主体需求。而这些诉求需要通过适当的渠道释放。这些渠道主要包括两类，一类是正常信访、民意调查、政府间沟通平台(听证会、网络宣传)等；另一类是突发事件的出现，比如群体性事件等。

总而言之，征地中的社会稳定风险形成机制是指社会主体在社会媒体、舆论等催化剂的作用下，当主体的物质矛盾所形成的诉求没有通过多种渠道得到满足。

图1  征地工程社会稳定风险的形成机制

根据社会稳定风险的形成机理，通过专家咨询，构建了社会稳定风险评估指标体系。非常安全，安全，正常风险，较高风险，高风险所对应的风险综合值范围为[0，0.2)，[0.2，0.4），[0.4，0.6)，[0.6，0.8），[0.8，1.0]。

表1  征地项目社会稳定风险评价指标体系

A.数据源

评价指标的量化值由以下公式确定：综合风险值满分为5分，满分范围为100%。在使用数据X1-X9和X12-X13时，根据公式：

rj表示第j个得分点的选项个数，Ajq、Bjq分别表示第j个得分点的第q个选项选择的得分和问卷得分，Mj是第j个得分点的问卷总数。

通过专家评分得到X10、X11、X14和综合风险值。根据专家意见，征地社会稳定风险等级分为五个等级：非常安全、安全、正常风险，较高风险，高风险。相应的综合风险值区间为[0，0.2)，[0.2，0.4），[0.4，0.6)，[0.6，0.8)，[0.8，1.0]。

1）样本数据生成

表2  神经网络的样本数据

2）利用主成分分析对样本数据进行处理和降维

由于BP神经网络需要大量的数据进行学习和调整，从征地项目较多的风险评价指标中共计提取出14个指标。如果将这14个指标输入到网络中，会使神经网络结构变得更加复杂，处理数据的压力更大，学习效率降低，网络性能下降。本文利用SPSS软件进行分析，得出前三个主成分的累计贡献率为99.276%，从而确定了三个主成分。根据主成分系数矩阵，对应的三个主成分是：

F1=0.106X1+0.103X2+0.062X3+0.087X4+0.107X5+0.034X6+0.087X7+0.012X8+0.074X9+0.098X10+0.104X11+0.105X12+0.102X13+0.088X14

F2=-0.05X1+0.094X2+0.235X3+0.083X4+0.019X5-0.162X6+0.091X7+0.315X8-0.23X9+0.126X10-0.087X11-0.079X12+0.028X13-0.175X14

F3=0.091X1-0.062X2+0.209X3-0.332X4+0.115X5+0.497X6+0.335X7+0.079X8-0.027X9-0.104X10-0.041X11+0.04X12-0.214X13-0.141X14

用F1、F2、F3代替14个原始值，可以起到降维的作用。它亦使得分析问题的过程更加简化。

表3  相关矩阵特征值与累积方差贡献率

表4   主分量系数矩阵

3）对样本数据进行标准化，并将其放入替代F1  F3的公式中，得到每个样本的前三个主成分的标准化分数，如表5所示。

表5  主成分评分表

通过主成分分析对样本数据进行离散化处理，去除冗余属性，简化神经网络的操作。然后，得到的数据结果如表6所示。

表6   数据离散化处理

A.模型的参数设置

1）确定输入层的单元数

主成分个数为3个，输入层神经元个数为3个，分别对应模型的危险因素指数。

2）隐藏层的设计

这种选择是基于Kolmogorov定理来确定隐含层神经元的数目，即输入层神经元数目的两倍加1，因此隐含层神经元的数目为7。

3）确定输出层的单元数

由于本文要求输出的是表示综合风险程度的风险评估结果，取值范围为0-1，因此采用数值方法确定输出中的神经元个数为1。

4）设置训练参数

BP神经网络结构中常用的传递函数有“Tansig”函数、“logsig”函数和“purelin”函数。在隐含层选择“purelin”(线性函数)作为传递函数，在输出层选择“logsig”作为传递函数，由于输出层神经元的取值范围在0~1之间，正好满足对数据的要求，因此选择经过缩放共轭梯度学习的“Trainscg”函数作为训练函数。

B.BP神经网络在MATLAB实践中的应用

用前三组样本数据建立模型，模型的训练精度达到0.000787771，经过10次迭代训练后，训练精度低于0.001。通过输入剩余的两个样本组对所建立的模型进行检验，得到预测结果。F=0.5698 0.8512

表7  样本预测结果对比输出

图2  训练误差曲线

基于BP模型与实际样本风险的输出预测结果的广泛一致性，误差分别为1.75%、0.14%。说明该预测模型的预测效果较为理想。研究证实了应用BP神经网络方法进行征地社会稳定风险管理是具备可行性的。本研究建立了征地项目社会稳定风险评价指标体系，并收集了相关数据。研究认为未来可以利用BP神经网络模型对实际征地项目的社会稳定风险进行评估，并采取相应的措施降低风险。

在我国《新土地法》实施后，征地拆迁工作展开前进行社会稳定风险评估成为了一项刚性需求。风险评估机构通过采取什么样的评价指标体系来对征地拆迁可能包含的风险进行科学化、精准化评估成为顺利开展工作的难点。该研究首先基于相关理论对征地社会稳定风险的形成机制展开分析，进而建构了基于形成机制的征地项目社会稳定风险评价指标体系。此外，研究通过对以往征地项目指标的BP神经网络模型进行验证，并证明了模型的有效性。这种尝试为后续开展征地项目社会稳定风险评估工作提供了一种崭新的思路，后续研究可以通过关注该评估模式的实用性及具体效果如何来为评价指标体系的后期修缮提供支持。

翻译：杨   曦

审核：王亭美

责编：杨   曦