基于SPA-ITFN模型的水库移民长期补偿安置方式风险评价

李宇星; 姚凯文; 张丹; Yu-xing LI; Kai-wen YAO; Dan ZHANG

中国农村水利水电 ›› 2022 ›› (5) : 221-226.

水电建设

基于SPA-ITFN模型的水库移民长期补偿安置方式风险评价

作者信息 +

Risk Assessment of Reservoir Resettlement Long-term Compensation and Resettlement Based on SPA-ITFN Model

Author information +

稿件信息 +

摘要

随着我国农村社会经济的发展，移民的长期补偿安置方式得到重视并逐步在实践中获得了应用，但由于实施历时较短，其风险机制尚不明确。针对水库移民长期补偿安置方式，选取基于组合赋权的SPA-ITFN模型进行分析评价，该模型将集对分析法与区间三角模糊数加以耦合，并运用熵值法与超标倍数法进行组合赋权，可有效避免目前水库移民风险评价中权重的主观性、指标相邻等级的模糊性和评价结果划分的局限性等问题。以广东省高陂水库实行长期补偿安置的6个样本村为例进行风险评价，结果表明：6个样本村的长期补偿安置风险从小到大依次为社区、九龙村、党溪村、北埔村、恭下村、渡头村，与实际调查数据基本吻合。可用于类似工程的移民风险评价。

Abstract

With the development of our country’s rural society and economy， long-term compensation and resettlement methods for immigrants have received attention and have gradually been applied in practice. However， due to the short implementation period， the risk mechanism is still unclear. This paper selects the SPA-ITFN model based on comprehensive weight combination method for analysis and evaluation in view of the long-term compensation and resettlement methods of reservoir immigrants. The model couples the set pair analysis method with the interval triangular fuzzy number， and uses the entropy method and the over-standard multiple method for combined weighting， which can effectively avoid the subjectivity of weights and the ambiguity of the adjacent levels of indicators in the current reservoir resettlement risk assessment and the limitations of the evaluation results. This paper takes six sample villages that implement long-term compensation and resettlement in the Hanjiang Gaobei Reservoir in Guangdong Province as an example to conduct a risk assessment. The results show that the long-term compensation and resettlement risks of the six sample villages， from small to large， are communities such as Jiulong Village， Dangxi Village， Beipu Village， Gongxia Village， and Dutou Village. It is basically consistent with the actual survey data and can be used for resettlement risk assessment of similar projects.

导出引用

李宇星 , 姚凯文 , 张丹. 基于SPA-ITFN模型的水库移民长期补偿安置方式风险评价[J].中国农村水利水电, 2022(5): 221-226

Yu-xing LI , Kai-wen YAO , Dan ZHANG. Risk Assessment of Reservoir Resettlement Long-term Compensation and Resettlement Based on SPA-ITFN Model[J].China Rural Water and Hydropower, 2022(5): 221-226

0 引言

长期补偿安置，是一种将静态的一次性补偿转变为动态的长期逐年补偿的安置方式^［1］。相较于大农业安置方式，该模式适应于农村目前存在的土地流转、农村劳动力务工为主的生产模式，逐步在我国的水库移民中得到了实践，但由于实施的时间较短，其风险机制尚不明确。为保障移民搬迁后“不低于或超过原有生活水平”目标的实现，降低移民安置的规划与实施风险，有必要对其可能存在的风险进行识别分析、总结经验，并在实践基础上推进其进一步完善^［2］。

水库移民风险评价常用的评价方法，例如基于AHP的模糊综合评价法、突变级数法等^［3，4］，在不同评价问题中具备各自的优势，但均是默认指标等级具有确定性，忽略了指标相邻等级的模糊性。集对分析（SPA）的理论中采用了建立联系度的概念，从而可以更精确地分析系统的同异反特征；多元联系度的拓展可以解决标准集对分析理论中同异反评语的细化问题^［5］；区间三角模糊数（ITFN）的引入可以有效解决差异度系数的量化问题^［6］。SPA-ITFN模型将区间三角模糊数引入集对分析法，较好地解决了指标等级的同异反联系问题。

因此，本文引入距离函数进行组合赋权，利用综合熵值法与超标倍数的优点，进而构建基于组合赋权的SPA-ITFN模型来进行水库移民长期补偿安置方式的风险评价，使评价结果更能反映实际情况，并以广东省高陂水库为例进行了实证研究。

1 长期补偿安置方式风险评价指标体系

遵循全面性、层次性、客观性的原则，在对长期补偿安置方式进行风险识别的基础上^［7］，从社会、经济、政策和环境等四个风险维度构建长期补偿安置方式风险评价指标体系^［8］，其中指标

D_{6}

、

D_{7}

、

D_{8}

、

D_{12}

为越小越优型，其余指标均为越大越优型，指标体系见表1。

表1 长期补偿安置方式风险评价指标体系

Tab.1 Long-term compensation and resettlement method risk evaluation index system

目标层	准则层	要素层	指标层
长期补偿安置方式风险 $A$	社会风险 $B_{1}$	教育水平 $C_{1}$	家庭平均教育年限 $D_{1}$
		居住条件 $C_{2}$	人均住房面积 $D_{2}$
		基础设施条件 $C_{3}$	道路硬化率 $D_{3}$
		社会关系 $C_{4}$	社会关系网稳定程度 $D_{4}$
	经济风险 $B_{2}$	就业条件 $C_{5}$	劳动力就业率 $D_{5}$
		医疗负担 $C_{6}$	全年医疗支出占收入比重 $D_{6}$
		生活开支 $C_{7}$	全年生活支出占收入比重 $D_{7}$
	政策风险 $B_{3}$	政策情况 $C_{8}$	政策变动率 $D_{8}$
	政策风险 $B_{3}$	政府管理 $C_{9}$	政府管理效率 $D_{9}$
	环境风险 $B_{4}$	饮水安全 $C_{10}$	饮水安全保障率 $D_{10}$
		环境容量 $C_{11}$	环境容量评级 $D_{11}$
		自然灾害 $C_{12}$	全年发生自然灾害次数 $D_{12}$

2 基于组合赋权的SPA-ITFN模型

2.1 标准集对分析（SPA）与多元联系度

集对分析的基本原理是将评价指标实测值

\{X_{i j} | i = 1,2, \dots, m; j = 1,2, \dots, n\}

与评价标准

\{Y_{i j} | i = 1,2, \dots, p; j = 1,2, \dots, n\}

两个集合视为一组集对，对其进行同异反的系统剖析^［9］，并计算联系度：

μ = a + b i + c j

（1）

式中：

a

为同一度；

b

为差异度；

c

为对立度，且

a + b + c = 1

。

i, j

分别为差异度系数和对立度系数，取值范围为

i \in [- 1,1], j = 1

。

根据风险评价问题实际要求将三元联系度拓展至五元，以改进同异反评语的细化问题^［10］，建立的五元联系度表达式为：

μ = a + b_{1} i_{1} + b_{2} i_{2} + b_{3} i_{3} + c j

（2）

式中：

a + b_{1} + b_{2} + b_{3} + c = 1

，

b_{1}, b_{2}, b_{3}

为差异度；

i_{1}, i_{2},

i_{3} \in [- 1,1]

均为差异度系数。

2.2 区间三角模糊数（ITFN）

由于相邻评价等级之间的差异度系数

i

具备较强的模糊性，同一等级的

i

也不尽相同，因此

i

的量化是需要解决的首要问题。三角模糊数在处理不确定性问题上具有一定的优越性，根据风险评价问题的实际需要，本文引入区间三角模糊数来实现差异度系数

i

的量化。

设

R

为实数域，

A

为

R

的模糊数，

μ_{A} (x) : R \to [0,1] (x \in R)

，若隶属度函数可以用式（3）表示，那么

A

即为区间三角模糊数，

A = (a_{1}, b_{1} c_{1}, a_{2}, b_{2} c_{2})

^［6］，

A

的分布如图1所示。

μ_{A} (x) = \{\begin{array}{l} 0 & , x \leq a_{1} \\ (x - a_{1}) / (b_{1} - a_{1}) & , a_{1} < x < b_{1} \\ \begin{array}{l} (c_{1} - x) / (c_{1} - b_{1}) \\ 0 \\ (x - a_{2}) / (b_{2} - a_{2}) \\ (c_{2} - x) / (c_{2} - b_{2}) \\ 0 \end{array} & \begin{array}{l} , b_{1} \leq x < c \\ , x \geq c_{1} \\ , a_{2} \leq x < b_{2} \\ , b_{2} \leq x < c_{2} \\ , x \geq c_{2} \end{array} \end{array}

（3）

图1 区间三角模糊数

Fig.1 Interval triangular fuzzy number

Full size|PPT slide

2.3 组合赋权

2.3.1 熵值法

将第i个样本的第j个实测指标值

\{X_{i j} | i = 1,2, \dots, m; j = 1,2, \dots, n\}

按式（4）处理：

\{\begin{matrix} X_{i j}^{'} = \frac{X_{i j}}{m a x X_{i j}}, 越 大 越 优 型 \\ X_{i j}^{'} = \frac{m i n X_{i j}}{X_{i j}}, 越 小 越 优 型 \end{matrix}

（4）

求解其归一化矩阵：

X_{i j}^{'} = [\begin{matrix} \begin{matrix} X_{11}^{'} & X_{12}^{'} \\ X_{12}^{'} & X_{22}^{'} \end{matrix} & \dots & \begin{array}{l} X_{m 1}^{'} \\ X_{m 2}^{'} \end{array} \\ ⋮ ⋮ & ⋱ & ⋮ \\ \begin{matrix} X_{1 n}^{'} & X_{2 n}^{'} \end{matrix} & \dots & X_{m m}^{'} \end{matrix}]

（5）

计算第

j

个评价指标下第

i

评价样本指标特征值比重：

p_{i j} = \frac{X_{i j}^{'}}{\sum_{i = 1}^{m} X_{i j}^{'}}

（6）

计算第

j

个评价指标的熵：

e_{j} = - \frac{1}{m n} \sum_{i = 1}^{m} p_{i j} l n p_{i j}

（7）

由于当

p_{i j} = 0

时，

l n p_{i j}

无意义，因此对式（6）修正^［10］，将其定义为：

p_{i j} = \frac{1 + X_{i j}^{'}}{\sum_{i = 1}^{m} (1 + X_{i j}^{'})}

（8）

计算第

j

个评价指标的权重：

ω_{j}^{'} = \frac{1 - e_{i}}{\sum_{i = 1}^{m} (1 - e_{i})}

（9）

2.3.2 超标倍数法

由超标倍数法计算第

j

个评价指标的权重^［11］：

ω_{i j}^{''} = \frac{\sum_{i = 1}^{m} \frac{X_{i j}}{Y_{j}}}{\sum_{j = 1}^{n} (\sum_{i = 1}^{m} \frac{X_{i j}}{\bar{Y_{j}}})}

（10）

式中：

\bar{Y_{j}}

为第

j

个评价指标5个评价级别界限值的加权平均。

2.3.3 综合权重

利用线性加权求得综合权重：

ω_{j} = α {ω_{j}}^{'} + β {ω_{j}}^{''}

（11）

式中，

α, β

为两种方法权重的分配系数，且

α + β = 1

。

为了求解

α, β

，引入函数

d (ω^{'}, ω^{''})

来建立二者之间的关系式：

d (ω^{'}, ω^{''}) = {[\frac{1}{2} \sum_{i = 1}^{m} ({ω_{j}}^{'} - {ω_{j}}^{''})^{2}]}^{1 / 2}

（12）

{[d (ω^{'}, ω^{''})]}^{2} = {(α - β)}^{2}

（13）

式中：函数

d (ω^{'}, ω^{''})

为两种方法计算所得权重的差异程度。

2.4 基于组合赋权的SPA-ITFN模型风险评价

根据标准SPA理论，将长期补偿安置方式风险评价指标体系中各指标的实测值与评价标准两个集合视为一组集对，将联系度表达式拓展至五元，结合ITFN理论对差异度系数进行量化，以实现联系度定量表示的目标；再利用熵值法与超标倍数法相结合的组合赋权法对各项指标进行综合赋权，进而实现长期补偿安置方式的风险评价。下面以越大越优型指标联系度表达式为例，越小越优型指标同理可得，具体步骤如下：

步骤1：将长期补偿安置方式风险评价中各项指标实测值与评价标准的五元联系度表达式写成如下形式：

μ_{i j} = \{\begin{array}{l} 1 + 0 i_{1} + 0 i_{2} + 0 i_{3} + 0 j & , x \geq y_{4} \\ \frac{y_{1} + y_{2} - 2 x}{y_{2} - y_{1}} + \frac{2 x - 2 y_{1}}{y_{2} - y_{1}} i_{1} + 0 i_{2} + 0 i_{3} + 0 j & , \frac{y_{1} + y_{2}}{2} < x < y_{1} \\ 0 + \frac{y_{2} + y_{1} - 2 x}{y_{3} - y_{1}} i_{1} + \frac{2 x - y_{1} - y_{2}}{y_{3} - y_{1}} i_{2} + 0 i_{3} + 0 j & , \frac{y_{2} + y_{3}}{2} \leq x < \frac{y_{1} + y_{2}}{2} \\ 0 + 0 i_{1} + \frac{y_{3} + y_{4} - 2 x}{y_{4} - y_{2}} i_{2} + \frac{2 x - y_{2} - y_{3}}{y_{4} - y_{2}} i_{3} + 0 j & , \frac{y_{3} + y_{4}}{2} \leq x < \frac{y_{2} + y_{3}}{2} \\ \begin{array}{l} 0 + 0 i_{1} + 0 i_{2} + \frac{2 y_{4} - 2 x}{y_{4} - y_{3}} i_{3} + \frac{2 x - y_{3} - y_{4}}{y_{4} - y_{3}} j \\ 0 + 0 i_{1} + 0 i_{2} + 0 i_{3} + 1 j \end{array} & \begin{array}{l} , y_{4} \leq x < \frac{y_{3} + y_{4}}{2} \\ , x < y_{4} \end{array} \end{array}

（14）

式中：

μ_{i j}

指第i个评价样本中第j项评价指标的联系度；x指某项指标的实测值；

y_{1} ~ y_{4}

分别表示Ⅰ到Ⅴ级评价等级的界限值。式（14）对应越大越优型指标。

步骤2：引入ITFN理论来量化i，将评价等级Ⅱ到Ⅳ级中心点处的i分别取

i_{1} = - 0.5, i_{2} = 0, i_{3} = 0.5

^［12］，两等级界限之间的i如图2所示。

图2 差异度系数的量化

Fig.2 Quantification of the coefficient of difference

Full size|PPT slide

越大越优型指标的差异度系数按下式计算：

i_{1} = \{\begin{array}{l} 0 & , x \geq y_{1} \\ \frac{y_{1} - x}{y_{1} - y_{2}} & , \frac{y_{1} + y_{2}}{2} \leq x < y_{1} \\ \frac{2 x - y_{2} - y_{3}}{2 (y_{1} - y_{3})} & , \frac{y_{2} + y_{3}}{2} \leq x < \frac{y_{1} + y_{2}}{2} \\ 0 & , x \leq \frac{y_{2} + y_{3}}{2} \end{array}

（15）

i_{2} = \{\begin{array}{l} 0 & , x \geq \frac{y_{1} + y_{2}}{2} \\ \frac{2 x - y_{2} - y_{3}}{2 (y_{1} - y_{3})} & , \frac{y_{2} + y_{3}}{2} \leq x < \frac{y_{1} + y_{2}}{2} \\ \frac{2 x - y_{2} - y_{3}}{2 (y_{2} - y_{4})} & , \frac{y_{3} + y_{4}}{2} \leq x < \frac{y_{2} + y_{3}}{2} \\ 0 & , x \leq \frac{y_{3} + y_{4}}{2} \end{array}

（16）

i_{3} = \{\begin{array}{l} 0 & , x \geq \frac{y_{2} + y_{3}}{2} \\ \frac{2 x - y_{2} - y_{3}}{2 (s_{2} - s_{4})} & , \frac{y_{3} + y_{4}}{2} \leq x < \frac{y_{2} + y_{3}}{2} \\ \frac{y_{4} - x}{y_{3} - y_{4}} & , y_{4} \leq x < \frac{y_{3} + y_{4}}{2} \\ 0 & , x \leq y_{4} \end{array}

（17）

将式（15）~（17）与式（14）联立，得出越大越优型指标的联系度表达式为：

μ_{i j} = \{\begin{array}{l} 1 & , x \geq y_{1} \\ \frac{y_{1} + y_{2} - 2 x}{y_{2} - y_{1}} + \frac{2 (x - y_{1})^{2}}{(y_{2} - y_{1})^{2}} & , \frac{y_{1} + y_{2}}{2} \leq x < y_{1} \\ \frac{(y_{2} + y_{3} {- 2 x)}^{2}}{2 (y_{3} - y_{1})^{2}} + \frac{(2 x - y_{1} - y_{2}) (y_{2} + y_{3} - 2 x)}{2 (y_{3} - y_{1})^{2}} & , \frac{y_{2} + y_{3}}{2} \leq x < \frac{y_{1} + y_{2}}{2} \\ \frac{(y_{3} + y_{4} - 2 x) (y_{2} + y_{3} - 2 x)}{2 (y_{4} - y_{2})^{2}} - \frac{(2 x - y_{2} - y_{3})^{2}}{2 (y_{4} - y_{2})^{2}} & , \frac{y_{3} + y_{4}}{2} \leq x < \frac{y_{2} + y_{3}}{2} \\ \begin{array}{l} - \frac{2 {(y_{4} - x)}^{2}}{{(y_{4} - y_{3})}^{2}} - \frac{2 x - y_{3} - y_{4}}{y_{4} - y_{3}} \\ - 1 \end{array} & \begin{array}{l} , y_{4} \leq x < \frac{y_{3} + y_{4}}{2} \\ , x < y_{4} \end{array} \end{array}

（18）

同理，可得越小越优型指标的联系度表达式为：

μ_{i j} = \{\begin{array}{l} 1 & , x \leq y_{1} \\ \frac{y_{1} + y_{2} - 2 x}{y_{2} - y_{1}} + \frac{2 (x - y_{1})^{2}}{(y_{2} - y_{1})^{2}} & , y_{1} < x \leq \frac{y_{1} + y_{2}}{2} \\ \frac{(y_{2} + y_{3} {- 2 x)}^{2}}{2 (y_{3} - y_{1})^{2}} + \frac{(2 x - y_{1} - y_{2}) (y_{2} + y_{3} - 2 x)}{2 (y_{3} - y_{1})^{2}} & , \frac{y_{1} + y_{2}}{2} < x \leq \frac{y_{2} + y_{3}}{2} \\ \frac{(y_{3} + y_{4} - 2 x) (y_{2} + y_{3} - 2 x)}{2 (y_{4} - y_{2})^{2}} - \frac{(2 x - y_{2} - y_{3})^{2}}{2 (y_{4} - y_{2})^{2}} & , \frac{y_{2} + y_{3}}{2} < x \leq \frac{y_{3} + y_{4}}{2} \\ \begin{array}{l} - \frac{2 {(y_{4} - x)}^{2}}{{(y_{4} - y_{3})}^{2}} - \frac{2 x - y_{3} - y_{4}}{y_{4} - y_{3}} \\ - 1 \end{array} & \begin{array}{l} , \frac{y_{3} + y_{4}}{2} < x \leq y_{4} \\ , x > y_{4} \end{array} \end{array}

（19）

步骤3：利用式（11）计算各指标综合权重，再结合各个单项指标联系度

μ_{i j}

，可得总体联系度

μ_{j}

：

μ_{j} = \sum_{i = 1}^{m} ω_{i} μ_{i j} (j = 1,2, \dots, n)

（20）

式中：

ω_{i}

为各指标综合权重。

长期补偿安置方式风险等级按如下划分：

μ_{j} \in [0.6,1]

时为Ⅰ级；

μ_{j} \in [0.2,0.6]

时为Ⅱ级；

μ_{j} \in [- 0.2,0.2]

时为Ⅲ级；

μ_{j} \in [- 0.6, - 0.2]

时为Ⅳ级；

μ_{j} \in [- 1, - 0.6]

时为Ⅴ级。

3 实例应用

3.1 数据收集与处理

以广东省高陂水库为例，其主要采取长期补偿安置方式^［13］。选取大麻镇恭下村、北埔村、社区以及高陂镇党溪村、九龙村、渡头村等六个村为移民样本村进行基于组合赋权的SPA-ITFN模型风险评价。以上样本村风险评价指标体系中各项指标的实测值如表2所示，原始数据由2020年现场抽样调查所得。

表2 样本村风险评价指标实测值统计表

Tab.2 Statistical table of measured values of risk evaluation indexes in sample villages

指标	恭下村	北埔村	社区	党溪村	九龙村	渡头村
家庭平均教育年限 $D_{1} /$ a	5.3	6.2	6.4	6.0	5.5	5.2
人均住房面积 $D_{2} /$ m²	19.8	34.7	37.9	37.5	42.3	36.3
道路硬化率 $D_{3} /$ %	100	95	100	100	90	0
社会关系网稳定程度 $D_{4}$	8.75	8.70	8.60	8.70	8.61	8.71
劳动力就业率 $D_{5} /$ %	79.2	78.3	80.0	60.5	93.5	68.5
全年医疗支出占收入比重 $D_{6} /$ %	8.16	5.94	4.36	4.31	7.38	8.12
全年生活支出占收入比重 $D_{7} /$ %	12.9	13.1	12.0	9.8	11.4	14.1
政策变动率 $D_{8} /$ %	10	10	10	10	10	10
政府管理效率 $D_{9} /$ %	85	85	85	90	90	90
自来水普及率 $D_{10} /$ %	0	80	100	100	100	77
环境容量评级 $D_{11}$	8	7	10	8	9	7
全年发生自然灾害次数 $D_{12} /$ 次	1	0	0	0	0	4

通过查阅相关文献、资料，最终确定六个样本村风险评价指标分级标准如表3所示，在该标准中各项指标等级越低代表风险越小。

表3 评价指标分级标准

Tab.3 Evaluation index grading standard

指标	Ⅰ级	Ⅱ级	Ⅲ级	Ⅳ级	Ⅴ级
家庭平均教育年限 $D_{1}$	≥12	［9，12）	［6，9）	［3，6）	［0，3）
人均住房面积 $D_{2}$	≥60	［45，60）	［30，45）	［15，30）	［0，15）
道路硬化率 $D_{3}$	≥80	［60，80）	［40，60）	［20，40）	［0，20）
社会关系网稳定程度 $D_{4}$	≥8	［6，8）	［4，6）	［2，4）	［0，2）
劳动力就业率 $D_{5}$	≥80	［60，80）	［40，60）	［20，40）	［0，20）
全年医疗支出占收入比重 $D_{6}$	［0，2）	［2，4）	［4，6）	［6，8）	≥8
全年生活支出占收入比重 $D_{7}$	［6，8）	［8，10）	［10，12）	［12，14）	≥14
政策变动率 $D_{8}$	［0，10）	［10，20）	［20，30）	［30，40）	≥40
政府管理效率 $D_{9}$	≥90	［80，90）	［70，80）	［60，70）	［0，60）
自来水普及率 $D_{10}$	≥80	［60，80）	［40，60）	［20，40）	［0，20）
环境容量评级 $D_{11}$	≥8	［6，8）	［4，6）	［2，4）	［0，2）
全年发生自然灾害次数 $D_{12}$	［0，1）	［1，2）	［2，3）	［3，4）	≥4

3.2 SPA-ITFN模型计算

步骤1：用公式（14）计算6个样本村的

D_{1} ~ D_{5}

、

D_{9} ~ D_{11}

八项越大越优型指标的联系度；同理用计算6个样本村的

D_{6}

、D ₇、D ₈、

D_{12}

四项越小越优型指标的联系度。

步骤2：利用公式（4）~（9）、公式（10）~（13）分别计算各指标单一方法下的权重，再根据分配系数计算各指标综合权重。

步骤3：结合各指标综合权重计算样本村的社会风险、经济风险、政策风险、环境风险指标联系度，最终求和得出总体联系度。

步骤4：根据总体联系度等级划分，得出各样本村风险评价等级结果。

计算结果见表4。

表4 样本村长期补偿安置方式风险评价结果

Tab.4 Risk assessment results of long-term compensation and resettlement methods in sample villages

指标	恭下村	北埔村	社区	党溪村	九龙村	渡头村	综合权重
$D_{1}$	-0.367	-0.217	-0.183	-0.250	-0.333	-0.383	0.071
$D_{2}$	-0.565	-0.093	0.013	0	0.160	-0.040	0.077
$D_{3}$	1.000	1.000	1.000	1.000	1.000	-1.000	0.099
$D_{4}$	1.000	1.000	1.000	1.000	1.000	1.000	0.103
$D_{5}$	0.923	0.844	1.000	0.263	1.000	0.463	0.096
$D_{6}$	-1.000	-0.235	0.160	0.173	-0.572	-1.000	0.088
$D_{7}$	-0.475	-0.505	-0.250	0.300	-0.100	-1.000	0.078
$D_{8}$	1.000	1.000	1.000	1.000	1.000	1.000	0.058
$D_{9}$	0.500	0.500	0.500	1.000	1.000	1.000	0.078
$D_{10}$	-1.000	1.000	1.000	1.000	1.000	0.745	0.096
$D_{11}$	1.000	0.500	1.000	1.000	1.000	0.500	0.100
$D_{12}$	1.000	1.000	1.000	1.000	1.000	-1.000	0.056
社会风险联系度	0.133	0.180	0.190	0.184	0.191	-0.026	0.350
经济风险联系度	-0.036	0.021	0.091	0.064	0.038	-0.121	0.262
政策风险联系度	0.098	0.098	0.098	0.137	0.137	0.137	0.137
环境风险联系度	0.060	0.202	0.252	0.252	0.252	0.065	0.252
总体联系度	0.254	0.501	0.630	0.637	0.618	0.055
风险评价等级	Ⅱ级	Ⅱ级	Ⅰ级	Ⅰ级	Ⅰ级	Ⅲ级

3.3 结果分析

表4计算结果表明，6个样本村的长期补偿安置方式风险由小到大依次为：党溪村、社区、九龙村、北埔村、恭下村、渡头村。其中，渡头村风险相对较高，风险评价等级为Ⅲ级，主要因为其交通道路条件较差、劳动力就业水平较低、移民家庭医疗与生活支出负担较重、自然灾害发生次数较高等原因导致大部分指标联系度处于较低水平。北埔村、恭下村风险评价等级为Ⅱ级，各方面虽无较大风险，但居住条件、饮水条件等方面仍需加强改善。社区、九龙村、党溪村风险评价等级为Ⅰ级，社会、经济、政策、环境等方面风险较低，移民生活条件良好，社会经济发展压力较小。

3.4 对比分析

高陂水利枢纽工程农村移民主要采取长期补偿安置方式，辅助一次性补偿等安置方式进行。长期补偿安置方式主要存在以下优点：①长期补偿安置方式较传统的有土安置而言无需调剂耕地，减轻了移民生产安置的压力。②对于传统的一次性补偿的无土安置，因农村移民普遍理财观念不强，容易造成贫困风险。长期补偿安置保证了移民每年均能获得稳定的收入，为移民长久生计提供了基本的保障。③长期补偿安置方式解除了年轻劳动力的土地束缚，使其流向第二三产业，有利于当地产业结构的优化调整。

长期补偿安置方式目前处于实践探索阶段，仍存在一些弊端。由于长期补偿安置方式的实行，改变了以土地为生的移民的生产生活习惯，不需要再从事农业劳动便可获得等量收入，容易使移民滋生懒惰心理。对于文化水平较低，年龄偏大的移民来说，学习职业技术再就业的意愿较低，会产生缺乏后续发展动力的风险^［14］。因此在实行长期补偿安置的同时，政府要做好移民生产技能培训工作，提升移民劳动力就业率，使安置区经济发展步入良性循环，保障社会稳定。同时，加强移民医疗、教育、基础社会建设等社会保障体系，改善人居环境，提高移民工作效率，以实现移民的安居乐业、长治久安。

4 结论

引入SPA-ITFN模型对广东省韩江高陂水库的6个样本村长期补偿方式进行风险评价。根据水库移民风险评价问题的需要对标准集对分析法进行改进，将三元联系度拓展至五元，进而降低了风险评价问题中指标相邻等级的模糊性；引入区间三角模糊数实现了差异度系数的量化，降低了风险评价问题中的随机性；组合赋权兼顾了标准赋权法和主因素突出赋权法的优点，使评价结果更加符合水库移民实际状况。长期补偿安置方式相对于传统安置方式具有缓解人地矛盾、保障移民生活长期稳定的优点，目前正处于积极探索阶段，该模型可对其相关风险做出合理评价，为项目业主与移民管理机构决策提供科学参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	胡宝柱，周金存.水库移民长期补偿安置实施方式与效果分析［J］.人民长江，2011，42（7）：95-98. 本文引用 [1]

2	钟水映，刘驰.移民长期补偿模式及其风险分析［J］.人民长江，2011，42（17）：99-102. 本文引用 [1]

3	鲁文兵，陈志鼎，柯超.基于熵权-AHP的水库移民风险模糊综合评价模型及应用［J］.水电能源科学，2018，36（1）：149-151. 本文引用 [1]

4	杨琛，姚凯文.基于突变理论的水库移民后期扶持实施效果评价［J］.水力发电，2016，42（6）：10-13. 本文引用 [1]

5	王颖，邵磊，杨方廷，等.改进的集对分析水质综合评价方法［J］.水力发电学报，2012，31（3）：99-106. 本文引用 [1]

6	赵永芳，张凌云，于丽雅.SPA-ITFN模型在冲击地压评价中的应用［J］.矿业研究与开发，2019，39（11）：37-42. 本文引用 [2]

7	李慧.基于模糊综合评价法的铁岭市水库移民风险综合评价［J］.地下水，2019，41（1）：229-230，252. 本文引用 [1]

8	谢国庆.基于AHP的南水北调中线工程征迁安置风险评价模型研究［D］.郑州：郑州大学，2016. 本文引用 [1]

9	赵克勤.SPA的同异反系统理论在人工智能研究中的应用［J］.智能系统学报，2007（5）：20-35. 本文引用 [1]

10	桂冬梅，姚凯文.基于熵权的集对分析在水库移民后扶实施效果评价中的应用［J］.水力发电，2012，38（4）：1-3. 本文引用 [2]

11	阚宝珠，付强，宋族鑫.基于超标倍数赋权法的模糊物元在湿地水质评价中的应用［J］.安全与环境学报，2009，9（1）：97-99. 本文引用 [1]

12	张铖铖，杨侃，刘建林，等.基于组合赋权法的多元SPA-ITFN模型在再生水评估中的应用研究［J］.中国农村水利水电，2017（10）：45-51. 本文引用 [1]

13	陈垚森，吴家敏.高陂水利枢纽建设征收耕地长期补偿实践探讨［J］.广东水利电力职业技术学院学报，2018，16（2）：12-15，20 本文引用 [1]

14	侯荣贵，严登才.水库移民长效补偿机制的SWOT分析及对策研究［J］.湖南农业科学，2012（23）：113-116，120. 本文引用 [1]

PDF(761 KB)

395

访问

引用

详细情况

段落导航

收稿日期	出版日期
2021-08-07	2022-05-15
发布日期
2022-06-28

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

0 引言

1 长期补偿安置方式风险评价指标体系

表1 长期补偿安置方式风险评价指标体系

2 基于组合赋权的SPA-ITFN模型

2.1 标准集对分析（SPA）与多元联系度

2.2 区间三角模糊数（ITFN）

图1 区间三角模糊数

2.3 组合赋权

2.3.1 熵值法

2.3.2 超标倍数法

2.3.3 综合权重

2.4 基于组合赋权的SPA-ITFN模型风险评价

图2 差异度系数的量化

3 实例应用

3.1 数据收集与处理

表2 样本村风险评价指标实测值统计表

表3 评价指标分级标准

3.2 SPA-ITFN模型计算

表4 样本村长期补偿安置方式风险评价结果

3.3 结果分析

3.4 对比分析

4 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

0 引 言

1 长期补偿安置方式风险评价指标体系

表1 长期补偿安置方式风险评价指标体系

2 基于组合赋权的SPA-ITFN模型

2.1 标准集对分析（SPA）与多元联系度

2.2 区间三角模糊数（ITFN）

图1 区间三角模糊数

2.3 组合赋权

2.3.1 熵值法

2.3.2 超标倍数法

2.3.3 综合权重

2.4 基于组合赋权的SPA-ITFN模型风险评价

图2 差异度系数的量化

3 实例应用

3.1 数据收集与处理

表2 样本村风险评价指标实测值统计表

表3 评价指标分级标准

3.2 SPA-ITFN模型计算

表4 样本村长期补偿安置方式风险评价结果

3.3 结果分析

3.4 对比分析

4 结 论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

0 引言

4 结论