基于随机森林算法的水利工程征迁移民经济补偿模型

温 旋

(江苏省工程勘测研究院有限责任公司，江苏 扬州 225002)

水利工程作为重要的民生类工程，是影响社会发展和人们生活质量的重要项目之一，其中，由于水利工程施工带来的移民安置更是与广大群众的生活利益密切相关的问题之一[1]，其不仅有着巨大的社会影响力，同时也是关系到工程项目推进的重要因素。在此基础上，对当前的水利工程建设征地移民安置工作开展情况进行深入研究和分析可以发现[2]，在高标准高要求下，征迁移民安置规划已经在一定程度上达到了严格高效的水平，并且为整个水利工程建设项目的顺利实施提供了可靠的基础和保障[3]。在对水利水电工程的移民进行经济补偿时，保障社会的长期稳定发展，以及征地区域社会经济健康发展是核心目标[4]。以此为基础，在对具体的水利工程征迁移民经济补偿进行分析计算过程中，结合前期的实物的调查结果，以及移民者的身份信息、家庭人口信息等[5]，作出合理的规划是十分必要的。除此之外需要注意的是，安置区的资源现况以及环境情况也在一定程度上影响着经济补偿量[6]。结合上述的分析可以看出，水利工程征迁移民经济补偿的分析和计算是一个涉及因素较多的系统化工作内容[7]。

为此，本文提出基于随机森林算法的水利工程征迁移民经济补偿模型设计研究，利用随机森林算法在数据分析阶段的优势，实现对水利工程征迁移民经济补偿因素的综合计算，以此保障最终构建经济补偿模型能够最大限度实现对水利工程征迁移民补偿量的合理计算。

1 水利工程征迁移民经济补偿模型设计

1.1 水利工程征迁移民损失构成分析

要实现对水利工程征迁移民经济补偿模型的合理构建，首先需要对水利工程征迁移民损失进行全面分析[8]，为此，本文分别从有形损失和无形损失的角度，对其展开研究，为后续的模型构建提供可靠的基础。

首先，对于水利工程征迁移民的有形损失而言，本文将其划分为以下几类，分别为房屋损失、附尾建筑物损失、土地损失、青苗和林木损失、农业副业设施以及特色实物损失6类。其中，按照房屋的结构对其进行划分，其可以分为钢筋混凝土结构房屋、砖混结构房屋、木结构房屋、砖木结构房屋、土木结构房屋、窑洞类型房屋，以及其他结构房屋。其次就是对附尾建筑物损失的量化分析，对应的类型划分结果包括围墙、门楼、粪池、晒坪以及坟墓；土地损失量化分析阶段的按照亩产值进行划分，对应的等级划分标准见表1。

表1 土地等级划分标准

按照表1所示的方式，实现对土地的划分。在青苗和林木损失分析阶段，直接按照已有的树龄计算标准实现对树木类型的划分；对农业副业设施进行分析时，具体的种类划分结果包括石灰窑、小煤窑、采石场、小铁矿、小纸厂、榨油坊以及精养鱼场；最后就是对特色实物损失的分析，对应的类型主要包括特色野生物产损失、特色宗教设施损失、以及特色民居损失3种。

其次，对于水利工程征迁移民的无形损失而言，本文将其划分为4大类，分别为特色经济损失、政治损失、身心健康损失以及非物质文化损失。对上述损失的构成进行细化，具体见表2。

按照这样的方式，实现对水利工程征迁移民无形损失构成情况的细化分析。

结合上述，分别从有形损失和无形损失的角度全面明确水利工程征迁移民带来的损失，为后续经济补偿模型的构建提供保障。

1.2 基于随机森林的经济补偿模型构建

在构建具体的水利工程征迁移民经济补偿模型时，考虑到不同类型的损失补偿单价是不同的。其中，房屋损失的经济补偿量可以表示为

C(h)=∑c(hi)×si

(1)

式中，C(h)—房屋损失的经济补偿量结果；c(hi)—i类型房屋的补偿单价；si—水利工程征迁范围内i类型房屋的总面积。

在此基础上，其余损失具体的经济补偿量计算公式与式(1)一致，均按照具体类型的损失量×类型损失补偿单价的方式进行。对应整体水利工程征迁移民经济补偿模型构建阶段，本文引入了随机森林算法，将任意类型的损失作为分叉树，在多分支下，得到的模型可以表示为

C=C(x)+C(y)=∑C(xi)+∑C(yi)

=∑∑c(xi)+∑∑c(yi)

(2)

式中，C—水利工程征迁移民经济补偿模型；C(x)、C(y)—有形损失的补偿量和无形损失的补偿量，也就是随机森林算法的一级分叉；C(xi)、C(yi)—各类有形损失和无形损失的补偿量，也就是随机森林算法的二级分叉；c(xi)、c(yi)—各类有形损失和无形损失具体构成的补偿量，也就是随机森林算法的三级分叉。

由此，完成对水利工程征迁移民经济补偿模型的构建。

2 应用测试

2.1 基础信息

本文以某水利工程的征地移民安置问题为基础开展了对比测试，其中，涉及移民总人数为14025人，包括12300名农业安置居民，以及1725名第三产业安置居民。在移民安置人员的经济收入分布统计阶段，本文以该地区农村家庭的平均数据作为基础，得到的人均收支结构分布情况见表3。

表3 水利工程征地移民安置区域人均收支结构分布情况统计表

结合表3的统计结果可以看出，测试水利工程征地移民安置工作中，涉及安置居民的人均全年总收入为53260.45元，其中，劳动者报酬收入和家庭经营收入(基本收入)的占比达到了94.75%。人均全年总支出为40126.80元，最主要的支出构成为生活消费支出总额，对应的占比为62.08%。在此基础上，对水利工程区域近5年的消费价格指数变化情况进行分析，具体的平均增长率为2.12%。除此之外，对水利工程的具体征地情况进行分析，得到的数据结果见表4。

结合上述所示的数据，分别采用本文设计的模型以及文献[7]和文献[8]提出的征地移民安置补偿方法进行对比测试，分析不同测试方法输出经济补偿量与实际值之间的差异。

2.2 测试结果与分析

在上述测试环境的基础上，分别统计了不同方法的测试结果与实际补偿量之间的关系，将二者之间的误差作为评价结果。对于移民经济补偿测试结果误差的分析以，本文以人均补偿量为基础进行计算，得到的数据结果如图1所示。

结合图1所示的测试结果可以看出，在3组不同测试结果中，对于水利工程征迁移民经济补偿量计算结果的误差存在较为明显的差异。其中，文献[7]方法的移民人均经济补偿量计算结果与实际补偿量之间的差值为162.44元，结合移民总人数对其进行分析，整体误差达到了2278221.00元；在文献[8]方法的测试结果中，人均经济补偿量计算结果与实际补偿量之间的差值达到了200元以上，同样结合移民总人数对其进行分析，整体误差为3002191.50元。相比之下，对本文设计补偿模型的测试结果进行分析，对应的人均经济补偿量计算结果误差仅为76.30元，分别低于文献[7]方法86.14元，低于文献[8]方法137.76元。从整体角度进行分析，本文设计补偿模型的误差为1070107.5元，分别低于文献[7]方法1208113.50元，低于文献[8]方法1932084.0元。综合上述的测试结果可以看出，本文设计的基于随机森林算法的水利工程征迁移民经济补偿模型可以实现对水利工程征迁移民经济补偿量的有效计算，对于相关征迁移民安置方案的设计具有一定的实际应用价值。

3 结语

在征迁移民经济补偿阶段，由于对各类损失的分析精度较低，导致补偿量的计算结果存在较大误差，本文提出基于随机森林算法的水利工程征迁移民经济补偿模型设计研究。结合不同水利工程征迁移民经济补偿量影响因素对于经济补偿量的具体影响程度，利用随机森林算法构建了具体的模型，实现了对具体补偿量的准确计算，对于实际的水利工程征迁移民安置问题而言，具有良好的实际应用价值。由于本次测试仅以某水利工程为研究对象，在后续研究中，将继续增加研究范围，希望能够为最大限度平衡水利工程征迁移民阶段各方的经济利益，保障相关工程项目的顺利推进。