防返贫监测大数据融合框架的构建与应用

doi:10.19788/j.issn.2096-6369.220216

摘要/Abstract

摘要：

数据驱动的科学决策能力在乡村全面振兴背景下防返贫治理中起着越来越重要的作用。通过加强防返贫监测大数据融合问题的研究，以数据融合为核心的防返贫治理科学决策体系能够得到有效的建立。防返贫监测大数据融合关键问题有三个。第一是原始数据分析。防返贫监测大数据的原始数据非常复杂。由于返贫测量标准的多维化、返贫致贫因素的多元化等四个方面原因，导致了其数据来源具有多行业部门和多专业领域，其数据特征具有多尺度、多源异构的时空大数据的复杂特点；第二是数据融合框架建立。从理论上来说，防返贫监测大数据的数据融合框架包括数据来源、监测目标、数据种类、融合模型、数据融合应用五个层次，从而以数据驱动科学决策的视角构建了数据融合的整体框架；第三是数据融合应用。在防返贫监测与帮扶全过程中，通过数据融合，防返贫监测大数据能够为防返贫监测家庭用户画像与知识图谱、瞄准对象的识别与预测、精准帮扶策略的设计、脱贫时间预测与动态退出评估等四大方面和九项具体目标需求提供科学决策辅助。上述研究成果系统地涵盖了防返贫监测大数据融合框架中的数据、模型和应用，并在总结现有研究成果基础上进一步创新性地系统提出了防返贫监测大数据融合框架。

关键词: 防返贫, 大数据, 数据融合, 数据驱动, 科学决策

Abstract:

Data-driven scientific decision-making ability is playing an increasingly important role in the prevention of returning to poverty in the context of rural revitalization. By stepping up research on data fusion issues in this area, in the big data of anti-poverty monitoring, the scientific decision-making system for preventing poverty return linked by data fusion model can be effectively established. There are three key problems in big data fusion of anti-poverty monitoring. The first is raw data analysis. The raw data of big data for anti-poverty monitoring is very complex. Due to the multi-dimension of the measurement standard of returning to poverty, the diversification of returning to poverty factors and other four aspects. As a result, its data sources have multiple industry sectors and multiple fields of expertise, and Its data features are spatio-temporal big data with multi-scale and multi-source heterogeneity. The second is the establishment of data fusion framework. In theory, the data fusion framework of big data for anti-poverty monitoring includes five levels: data source, monitoring target, data type, fusion model and data fusion application, thus, the framework of data fusion is constructed from the perspective of data-driven scientific decision. The third is data fusion application. In the whole process of monitoring and helping poverty prevention, through data fusion, big data of anti-poverty monitoring can provide scientific decision-making assistance for four aspects and nine specific target needs, including family user portraits and knowledge maps, identification and prediction of targeted objects, design of precise help strategies, prediction of poverty alleviation time and dynamic exit evaluation. The above research results systematically cover the data, models and applications in the big data fusion framework for anti-poverty monitoring, and further creatively and systematically put forward the big data fusion framework for anti-poverty monitoring on the basis of summarizing the existing research results.

Key words: anti-poverty, big data, data fusion, data driven, scientific decision

中图分类号:

G203

王鑫, 郭雷风. 防返贫监测大数据融合框架的构建与应用[J]. 农业大数据学报, 2022, 4(2): 108-118.

Xin Wang, Leifeng Guo. Application and Construction of Big Data Fusion Framework for Anti-poverty Monitoring: A Systematic View of Data, Models, and Applications[J]. Journal of Agricultural Big Data, 2022, 4(2): 108-118.

图/表 7

图1

表1

防返贫监测多来源数据及其作用"

数据来源（县级）	监测数据	数据来源（县级）	监测数据
县医保局	监测对象的自付医疗费用数据	县乡村振兴局	建档立卡与脱贫户收入监测数据
县卫健委	监测对象的大病救治等数据	县工商联	社会帮扶力量开展慈善、基金等措施的帮扶对接信息数据
县教体局	监测家庭学生接受教育自付费用等数据	县市监局	拟纳入监测家庭成员经商办企业等信息数据。
县应急管理局	受自然灾害影响，造成家庭劳动力直接死亡或倒房需要重建的农户预警信息，以及严重受灾区域预警信息	市住房公积金管理中心	负责对拟纳入监测家庭成员住房公积金账户开设及缴纳信息数据。
县农业农村局	因受产业风险影响、自然灾害风险影响，以及农业种养殖疫情影响，造成农业产业绝收、大面积减产、农产品严重滞销、大幅跌价，经济亏损的农户信息数据	县税务局	拟纳入监测家庭成员个税缴纳信息数据。
县公安局交警大队	在交通事故中造成家庭劳动力死亡的农户数据。拟纳入监测家庭成员车辆登记数据。	县财政局	转移支付等相关信息数据。
县残联	当年新增一级、二级农村残疾人员数据	县银保监组、县人民银行	纳入监测家庭成员持有银行存款（理财产品）、有价证券等信息数据。
县人社局	未务工就业的脱贫户中的劳动力数据	县住建局	家庭住房存在安全隐患的农户信息数据，以及监测家庭成员房产登记信息数据。
县民政局	当年新增低保、特困、低收入以及支出型困难农户家庭数据	县水利局	生活饮用水出现安全问题的农户信息数据。
不动产统一登记局	纳入监测家庭宅基地、房屋、承包经营权等信息数据	县自然资源局	遥感、地理信息等相关数据
农户上报	返贫信息数据	基层网格员巡访	入户巡访数据

表1

表2

图2

表3

图3

图4

参考文献 31

1	殷浩栋,霍鹏,汪三贵. 农业农村数字化转型：现实表征、影响机理与推进策略[J]. 改革, 2020, (12): 48-56.
	Yin H D, Huo P, Wang S G. Agricultural and Rural Digital Transformation:Realistic Representation,Impact Mechanism and Promotion Strategy[J]. Reform, 2020, (12): 48-56.
2	刘泽,陈升. 大数据驱动下的政府治理机制研究——基于2020年后精准扶贫领域的返贫阻断分析[J]. 重庆大学学报(社会科学版), 2020, 26(5): 216-229.
	Liu Z, Chen S. Research of government governance under the driven of big data: Take the prevention of poverty return in the field of targeted poverty alleviation after 2020 as an example[J]. Journal of Chongqing University(Social Science Edition), 2020, 26(5): 216-229.
3	汪磊,许鹿,汪霞. 大数据驱动下精准扶贫运行机制的耦合性分析及其机制创新——基于贵州、甘肃的案例[J]. 公共管理学报, 2017, 14(3): 135-143+159-160.
	Wang L, Xu L, Wang X. The Coupling Analysis and its Mechanism Innovation of China's Accurate Poverty-relief Operation Mechanism in the Context of Big Data—Taking Guizhou and Gansu as Examples [J]. Journal of Public Management, 2017, 14(3): 135-143+159-160.
4	黄其松,邱龙云,冯媛媛. 大数据驱动的要素与结构:一个理论模型[J]. 电子政务, 2020, (4): 49-57.
	Huang Q S, Qiu L Y, Feng Y Y. Big data-driven elements and structure: a theoretical model [J]. E-Government, 2020, (4): 49-57.
5	孙壮珍,王婷. 动态贫困视角下大数据驱动防返贫预警机制构建研究——基于四川省L区的实践与探索[J]. 电子政务, 2021, (12): 110-120.
	Sun Z Z, Wang T. Research on the construction of early-warning mechanism for preventing and returning to poverty driven by big data from the perspective of dynamic poverty — Based on the practice and exploration of L District in Sichuan Province [J]. E-Government, 2021, (12): 110-120.
6	何俊,洪孙焱,周义方,等. 基于HMM的多维数据下扶贫对象状态预测[J]. 系统仿真学报, 2021: 1-9.
	He J, Hong S Y, Zhou Y F, et al. State Prediction of Poverty Alleviation Objects Based on HMM and Multidimensional Data [J]. Journal of System Simulation, 2021: 1-9.
7	罗丽. 基于随机森林算法的贫困精准识别模型研究[J]. 华中农业大学学报(社会科学版), 2019, (6): 21-29+160.
	Luo L. Research on Targeted Poverty Identification Model Based on Random Forest Algorithms [J]. Journal of Huazhong Agricultural University(Social Sciences Edition), 2019, (6): 21-29+160.
8	叶伟林,姜博辉,房得玉,等. 基于三维GIS的返贫监测预警系统[J]. 北京测绘, 2021, 35(10): 1333-1337.
	Ye W L, Jiang B H, Fang D Y, et al. Three Dimensional GIS Based Return-to-Poverty Monitoring and Early Warning System [J]. Beijing Surveying and Mapping, 2021, 35(10): 1333-1337.
9	余辉,梁镇涛,鄢宇晨. 多来源多模态数据融合与集成研究进展[J]. 情报理论与实践, 2020, 43(11): 169-178.
	Yu H, Liang Z T, Yan Y C. Review on Multi-source and Multi-modal Data Fusion and Integration [J]. Information Studies: Theory & Application, 2020, 43(11): 169-178.
10	黄锐,王飞,章安琦,等. 民族地区防返贫机制研究——基于多维返贫视角[J]. 中央民族大学学报(哲学社会科学版), 2022, 49(1): 119-129.
	Huang R, Wang F, Zhang A Q, et al. Research on the Mechanism of Preventing the Return to Poverty in Ethnic Areas: From the Multi-dimensional Perspective [J]. Journal of Minzu University of China(Philosophy and Social Sciences Edition), 2022, 49(1): 119-129.
11	胡世文,曹亚雄. 脱贫人口返贫风险监测:机制设置、维度聚焦与实现路径[J]. 西北农林科技大学学报(社会科学版), 2021, 21(1): 29-38.
	Hu S W, Cao Y X. Monitoring the Risk of Farmers Returning to Poverty in the Post-poverty Era: Dimension Focus, Mechanism Setting and Realization Path [J]. Journal of Northwest A&F University(Social Science Edition), 2021, 21(1): 29-38.
12	葛咏,刘梦晓,胡姗,等. 时空统计学在贫困研究中的应用及展望[J]. 地球信息科学学报, 2021, 23(1): 58-74.
	Ge Y, Liu M X, Hu S, et al. The Application and Prospect of Spatiotemporal Statistics in Poverty Research [J]. Journal of Geo-information Science, 2021, 23(1): 58-74.
13	刘彦随,李进涛. 中国县域农村贫困化分异机制的地理探测与优化决策[J]. 地理学报, 2017, 72(1): 161-173.
	Liu Y S, Li J T. Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China [J]. Acta Geographica Sinica, 2017, 72(1): 161-173.
14	王家耀,武芳,郭建忠,等. 时空大数据面临的挑战与机遇[J]. 测绘科学, 2017, 42(7): 1-7.
	Wang J Y, Wu F, Guo J Z, et al. Challenges and opportunities of spatio-temporal big data [J]. Science of Surveying and Mapping, 2017, 42(7): 1-7.
15	冯成. 多源异构数据融合关键技术研究[D]. 北京邮电大学, 2020.
	Feng C. Research on key technologies of multi-source heterogeneous data Fusion[D]. Beijing University of Posts and Telecommunications, 2020.
16	何华征. 论大数据时代精准扶贫的数据伦理问题[J]. 现代经济探讨, 2019, (7): 1-9.
	He H Z. On Data Ethics of Precision Poverty Alleviation in Big Data Age [J]. Modern Economic Research, 2019, (7): 1-9.
17	王庆,赵发珍. 基于“用户画像”的图书馆资源推荐模式设计与分析[J]. 现代情报, 2018, 38(3): 105-109+137.
	Wang Q, Zhao F Z. Design and Analysis of Library Resource Recommendation Model Based on User Profile [J]. Journal of Modern Information, 2018, 38(3): 105-109+137.
18	李敏. 基于用户画像的精准扶贫可视化系统研究与实现[D]. 中南民族大学, 2019.
	Li M. Research and Implementation of Targeted Poverty Alleviation Visualization System based on User Portrait [D]. South-central University for Nationalities, 2019.
19	林莉. 扶贫领域知识图谱的构建及应用研究[D]. 青岛大学, 2019.
	Lin L. Construction and Application of Knowledge Map in Poverty Alleviation Field[D]. Qingdao University, 2019.
20	李涛,王次臣,李华康. 知识图谱的发展与构建[J]. 南京理工大学学报, 2017, 41(1): 22-34.
	Li T, Wang C C, Li H K. Development and construction of knowledge graph[J]. Journal of Nanjing University of Science and Technology, 2017, 41(1): 22-34.
21	徐姝婧,陆一啸,徐嘉瑞. 基于机器学习的贫困户识别指标体系模型研究[J]. 上海立信会计金融学院学报, 2019, (4): 108-120.
	Xu S J, Lu Y X, Xu J R. A Model of Poverty Household Identification Index System Based on Machine Learning [J]. Journal of Shanghai Lixin University of Accounting and Finance, 2019, (4): 108-120.
22	李佳容. 有监督机器学习在甘肃省农村贫困户识别中的应用[D]. 兰州财经大学, 2018.
	Li J R. Application of supervised machine learning in rural poor household identification in Gansu Province [D]. Lanzhou University of Finance and Economics, 2018.
23	田昆. 基于Logistic回归分析的返贫预测模型研究[D]. 西北师范大学, 2018.
	Tian K. Research on prediction model of returning to poverty based on Logistic regression Analysis [D]. Northwest Normal University, 2018.
24	魏嫣娇,易叶青. 基于多源机器学习的脱贫方式智能推荐研究[J]. 信息与电脑(理论版), 2019, (2): 37-39+44.
	Wei Y J, Yi Y Q. Intelligent Recommendation for Poverty Alleviation Based on Multi-Source Machine Learning [J]. China Computer & Communication, 2019, (2): 37-39+44.
25	张静静. 大数据驱动的精准脱贫智能分析研究[D]. 中南民族大学, 2019.
	Zhang J J. Intelligent analysis of targeted poverty alleviation driven by big data [D]. South-central University for Nationalities, 2019.
26	董文奎. 基于BP神经网络的小额信贷信用风险评估研究[D]. 云南财经大学, 2017.
	Huang W K. Research on credit Risk assessment of microfinance based on BP neural Network [D]. Yunnan University of Finance and Economics, 2017.
27	闫亚楠. 基于机器学习的区域农业精准扶贫信贷分析与研究[D]. 河北北方学院, 2021.
	Yan Y N. Analysis and research on regional agricultural targeted poverty alleviation credit based on machine learning [D]. Hebei North University, 2021.
28	李新田. 扶贫对象精准贷预测与扶贫措施精准推荐的问题研究[D]. 西北师范大学, 2019.
	Li X T. Research on the prediction of targeted loans for poverty alleviation and the recommendation of targeted measures for poverty alleviation [D]. Northwest Normal University, 2019.
29	胡原,曾维忠. 人穷志短:农村贫困与志向失灵——基于中国家庭追踪调查(CFPS)数据[J]. 农业技术经济, 2020, (11): 96-109.
	Hu Y, Zeng W Z. Rural Poverty and Aspirations Failure—Based on CFPS Data[J]. Journal of Agrotechnical Economics, 2020, (11): 96-109.
30	韩华为. 农村低保会引致负向就业激励吗?——基于CFPS面板数据的实证检验[J]. 人口学刊, 2019, 41(6): 89-102.
	Han H W. Does Rural Subsistence Allowance Participation Induce Work Disincentives?—An Empirical Test Based on CFPS Panel Data [J]. Population Journal, 2019, 41(6): 89-102.
31	仇叶,贺雪峰. 泛福利化:农村低保制度的政策目标偏移及其解释[J]. 政治学研究, 2017, (3): 63-74+127.
	Chou Y, He X F. Overused Welfare: the Policy Goal Deviation of Rural Minimum Living Security System and Its Interpretation [J]. CASS Journal of Political Science, 2017, (3): 63-74+127.

序号	字段	序号	字段
1	行政区划代码	13	劳动能力
2	市	14	在校生状况
3	县	15	文化程度
4	乡镇	16	务工所在地
5	村	17	务工时长(月)
6	户主姓名	18	工资性收入
7	家庭人口数	19	生产经营性收入
8	家庭成员姓名	20	生产性支出
9	身份证号	21	转移性收入
10	出生日期	22	财产性收入
11	年龄	23	人均纯收入
12	健康状况	24	是否易地搬迁户

序号	数据种类	来源	用途
1	DOM	自然资源局基础测绘数据	用作底图，以及各类地物提取等
2	DEM	自然资源局基础测绘数据	计算地形与坡度
3	道路	自然资源局基础测绘数据	测量农村和居民交通便利情况
4	POI	自然资源局基础测绘数据	测量生活生产设施情况
5	矿产	自然资源局自然资源调查数据	测量矿产分布情况
6	林地	自然资源局自然资源调查数据	用于农村生态和灾害风险评估等
7	地质	自然资源局自然资源调查数据	用于灾害风险评估等
8	耕地	自然资源局自然资源调查数据	耕地分布
9	耕地等级	农业农村局耕地登记调查数据	耕地地力、产量、价值等估算
10	宅基地使用权	不动产统一登记局宅基地数据	农民宅基地资产与空间位置
11	房屋所有权	不动产统一登记局房屋所有权数据	农民房屋资产、空间位置与估价
12	耕地承包权	不动产统一登记局农村土地承包经营权数据	农民资产、位置与估价
13	林权	不动产统一登记局林权登记数据	农民资产、位置与估价

[1]	徐佳, 康桂玲, 于林松, 赵玉岩, 刘敬兵. 面向土地质量评价的省级农业地质大数据平台构建[J]. 农业大数据学报, 2023, 5(1): 116-125.
[2]	管博伦, 董伟, 张立平, 杨前进, 汪焱. 再生稻溯源追踪平台研发[J]. 农业大数据学报, 2023, 5(1): 55-67.
[3]	李博, 马文君, 王忠明, 王姣姣. 林草科研大数据平台的研建与应用[J]. 农业大数据学报, 2022, 4(2): 69-77.
[4]	孙雨潇, 李艳丽, 李峰, 陈谦. 国内外科学数据共享现状研究与发展建议[J]. 农业大数据学报, 2022, 4(2): 88-98.
[5]	陶耘, 成谢锋. 区域大数据发展与区域农业大数据建设水平比较研究[J]. 农业大数据学报, 2022, 4(1): 125-135.
[6]	张茜, 田乙慧, 肖文, 鲁燕. 大数据在农产品冷链物流中的应用[J]. 农业大数据学报, 2022, 4(1): 55-61.
[7]	凌诺娟, 饶元. 云农场智慧服务大数据平台设计与实现[J]. 农业大数据学报, 2021, 3(4): 10-19.
[8]	李志鹏, 赵健, 王苗苗, 陈宏, 高晓丹. 基于大数据的福建省科技特派员服务云平台构建与实现[J]. 农业大数据学报, 2021, 3(4): 59-69.
[9]	薛沐涵, 徐硕, 鲁峰, 朱勇, 吴建光, 王义刚. 渔船渔港综合管理服务平台构建与应用[J]. 农业大数据学报, 2021, 3(3): 45-54.
[10]	李怡德, 鲁峰, 朱勇, 徐硕, 孙璐. 基于梯度提升迭代决策树模型的渔船转移数据挖掘[J]. 农业大数据学报, 2021, 3(3): 55-61.
[11]	袁培森, 薛铭家, 熊迎军, 翟肇裕, 徐焕良. 基于无人机高通量植物表型大数据分析及应用研究综述[J]. 农业大数据学报, 2021, 3(3): 62-75.
[12]	汪汇涓, 徐倩, 周爱莲, 梁晓贺, 谢能付, 李小雨, 吴赛赛. 区块链的发展历程及在农业领域的应用展望[J]. 农业大数据学报, 2021, 3(3): 76-86.
[13]	张明旭, 张茹, 席琳图雅, 陈元, 毕雅琼, 张春红, 吴涛涛, 李旻辉. 内蒙古地区中药资源大数据的应用与展望[J]. 农业大数据学报, 2021, 3(2): 42-53.
[14]	李强, 高懋芳, 方莹. 农业大数据信息平台构建方法初探[J]. 农业大数据学报, 2021, 3(2): 24-30.
[15]	陈富桥, 凌晨. 茶叶全产业链大数据中心功能设计与开发进展[J]. 农业大数据学报, 2021, 3(2): 54-66.