CN114626692A - 镇村规模结构优化方法、系统、计算机设备和存储介质 - Google Patents

镇村规模结构优化方法、系统、计算机设备和存储介质 Download PDF

Info

Publication number
CN114626692A
CN114626692A CN202210166627.9A CN202210166627A CN114626692A CN 114626692 A CN114626692 A CN 114626692A CN 202210166627 A CN202210166627 A CN 202210166627A CN 114626692 A CN114626692 A CN 114626692A
Authority
CN
China
Prior art keywords
town
index system
index
village
past year
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210166627.9A
Other languages
English (en)
Inventor
刘玉亭
曾涌
郝蓓
张园林
范俞茹
黄珊珊
黄世臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210166627.9A priority Critical patent/CN114626692A/zh
Publication of CN114626692A publication Critical patent/CN114626692A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种镇村规模结构优化方法、系统、计算机设备和存储介质，所述方法包括：获取历年镇街绩效评价指标体系中各指标的基础数据，进而计算历年镇街绩效评价指标体系中各准则层的水平值；依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据，进而计算历年镇村规模结构指标体系中各指标的值；根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据；根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径。本发明可以提高镇街绩效水平，推动县域村镇高效、可持续的发展。

Description

镇村规模结构优化方法、系统、计算机设备和存储介质
技术领域
本发明属于乡村聚落发展规划和技术优化领域，特别是涉及一种镇村规模结构优化方法、系统、计算机设备和存储介质。
背景技术
随着户籍制度的逐步放开和土地政策的深化改革，我国镇村地区的发展水平发生着巨大的变化，城镇个体间的发展水平差异也愈发显著。面对如此剧烈、复杂的变化趋势，镇村的规模结构作为地区发展过程中资源分配和公共服务的关键参考，其重要性不言而喻。
现有的关于规模结构的研究多聚焦于国家、区域、省、市尺度，镇村层面的相关研究较为稀少。长期以来，镇村地区的发展依赖于宏观层面的规划指引和地方层面的基层自治工作，但现有的规划理念和治理方法都存在着一定缺陷，主要体现在：①规划长期关注城区的发展，对于地区的规模结构分析只停留在宏观尺度，鲜有落到镇村层面；②地区规划中缺乏对规模结构影响因素的探索，无法精细针对性的分析行政单元内部的规模结构特征，以定量化明确优化路径。由此，镇村地区在长期发展过程中便存在规划引导缺位、规划落实不力、投入与实际情况不匹配等问题，而基层治理则出现整体统筹水平差、盲目发展、治理路径不明确的情况。因此，从明晰镇村未来发展方向的角度来说，急需提供一种优化镇村规模结构的方法。
发明内容
为了解决上述现有技术的不足，本发明提供了一种镇村规模结构优化方法、系统、计算机设备和存储介质，该方法通过挖掘城镇发展过程中影响村庄规模结构的相关因素，构建以面板数据回归分析为基础，筛选最优面板回归模型，运用回归模型分析规模结构优化路径，针对影响指标因子的显著性大小进行优化指引，从而提高镇街绩效水平，推动县域村镇高效、可持续的发展。
本发明的第一个目的在于提供一种镇村规模结构优化方法。
本发明的第二个目的在于提供一种镇村规模结构优化系统。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种镇村规模结构优化方法，所述方法包括：
获取历年镇街绩效评价指标体系中各指标的基础数据；
根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值；
依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据；
根据历年与镇村规模结构指标体系中各指标相关的数据，计算历年镇村规模结构指标体系中各指标的值；
根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据；
根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径。
进一步的，所述根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径，具体包括：
基于面板数据回归模型，根据面板数据中绩效与指标的值构建回归方程；根据所述回归方程，计算各指标的权重；
依据所述面板数据回归模型中各模型中各指标权重值的比较和豪斯曼检验，筛选回归模型；
根据筛选的回归模型，确定最终回归模型，进而得到对应的具体回归方程；
根据所述具体回归方程中各指标权重值的大小调整其对应的指标，从而提升镇街的绩效水平；
其中，所述绩效为所述镇街绩效评价指标体系中准则层中任一准则层，所述指标为镇村规模结构指标体系中所有指标或镇村规模结构指标体系中任一准则层包括的所有指标。
进一步的，所述面板数据回归模型包括固定效应模型、随机效应模型和混合效应模型；
所述基于面板数据回归模型，根据面板数据中绩效与指标的值构建回归方程，具体包括：
根据固定效应模型，构建的回归方程如下：
lnYn＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE+μi+μj；
根据随机效应模型，构建的回归方程如下：
lnYn＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE+μk+μl；
根据混合效应模型，构建的回归方程如下：
lnYn＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE；
其中，lnYn为因变量，即为面板数据中绩效的值；lnA、lnB、lnC、lnD和lnE均为自变量，即为面板数据中指标的值；β1、β2、β3...β6为由回归方程得到的各指标的权重，β0代表方程中的回归系数，μi、μj分别代表方程中个体效应变量和时间效应变量，且均为固定的变量；μk、μl分别代表随机效应方程中的个体效应变量和时间效应变量，且均为随机变量。
进一步的，所述根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据，具体包括：
根据所述历年镇街绩效评价指标体系中各准则层的水平值，运用stata数据处理工具，将所有数值进行取对数处理，以减少同组数据中的异方差：
用yn分别表示各准则层的水平值，则在ststa软件中有如下方程：
gen(yn)＝lnYn；
根据以上方程得到lnYn的值，lnYn表示任一准则层的值；
根据所述历年镇村规模结构指标体系中各指标的值，运用stata数据处理工具，将所有数值进行取对数处理，以减少同组数据中的异方差，在stata软件中有如下方程：
gen(a)＝lnA
其中，a为所述历年镇村规模结构指标体系中任一指标的值，lnA为a经过数据处理后得到的对应指标的值；
借助stata数据处理工具，分别根据历年镇街绩效评价指标体系中任一准则层的值与历年镇村规模结构指标体系中所有指标的值，建立面板数据。
进一步的，所述根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值，具体包括：
根据历年镇街绩效评价指标体系中各指标的基础数据，采用中心化标准化方法，计算历年镇街绩效评价指标体系中各指标的无量纲值；
根据所述历年镇街绩效评价指标体系中各指标的无量纲值，利用主成分分析法，得到历年镇街绩效评价指标体系中各指标的权重；
根据所述历年镇街绩效评价指标体系中各指标的无量纲值及权重，计算历年镇街绩效评价指标体系中各准则层的水平值。
进一步的，所述根据所述历年镇街绩效评价指标体系中各指标的无量纲值及权重，计算历年镇街绩效评价指标体系中各准则层的水平值，具体包括：
对镇街绩效评价指标体系中任一准则层包括的所有指标的无量纲值及权重采用累计加和方法进行计算，将计算的结果再加1，得到镇街绩效评价指标体系中该准则层的水平值。
进一步的，所述镇街绩效评价指标体系包括准则层，所述准则层包括经济绩效、环境绩效和社会绩效，其中：
经济绩效准则层选取人均规上工业产值、人均固定资产投资额、人均一般公共预算作为评价指标；
基于可获取性与可行性，环境绩效准则层选取森林覆盖率、人均水域面积作为评价指标；
基于可获取性与科学性，社会绩效准则层选取人均卫生健康投入、人均文化旅游体育与传媒投入和人均社会保障投入作为评价指标。
进一步的，所述镇村规模结构指标体系包括准则层，所述准则层包括人口集聚特征和人口结构特征，其中：
基于可获取性与可行性，人口集聚特征准则层选取城镇化率、人口密度、人口集中度作为优化指标；
基于可获取性与科学性，人口结构特征准则层选取中心度、首位度作为优化指标。
本发明的第二个目的可以通过采取如下技术方案达到：
一种镇村规模结构优化系统，所述系统包括：
第一基础数据获取模块，用于获取历年镇街绩效评价指标体系中各指标的基础数据；
第一计算模块，用于根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值；
第二基础数据获取模块，用于依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据；
第二计算模块，用于根据历年与镇村规模结构指标体系中各指标相关的数据，计算历年镇村规模结构指标体系中各指标的值；
面板数据建立模块，用于根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据；
村庄规模结构特征分析模块，用于根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的镇村规模结构优化方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的镇村规模结构优化方法。
本发明相对于现有技术具有如下的有益效果：
1、本发明通过挖掘城镇发展过程中影响村庄规模结构的相关因素，构建以面板数据回归分析为基础，客观定量、精准支撑的镇村规模结构优化的方法。辅助规划从业者更加科学、有效地从微观视角针对镇村规模结构因子进行测算和优化，推动县域村镇高效、可持续的发展。
2、本发明在镇村规模结构优化方法中，运用了主成分分析法，并借助stata数据软件工具，检验筛选了固定效应模型、随机效应模、混合效应模型，混合效应模型是普通的多元线性回归模型，在分析过程中无法观察到数据在不同时间点变化形成的误差。而固定效应模型和随机效应模型的分析结果能够体现个体效应和时间效应误差，其中，固定效应模型的误差项和解释变量有关，适合研究样本间的区别；而随机效应模型的误差项随时间变化而变化，和解释变量无关，更适合研究由样本推断总体特征。本文通过三种回归模型的筛选，能避免单一回归模型分析导致结果偏差的问题，更加客观细致的反映解释变量对被解释变量的影响关系，提高了村庄规模结构优化的准确性，从而获得更精准的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的镇村规模结构优化方法的流程图。
图2为本发明实施例2的镇村规模结构优化系统的结构框图。
图3为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当理解，描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
实施例1：
如图1所示，本实施例提供了一种镇村规模结构优化方法，包括以下步骤：
S101、构建镇街绩效评价指标体系。
基于镇街综合绩效影响因素的相关研究，对影响综合绩效变化的因素进行准则层分类，具体包括：经济绩效、环境绩效和社会绩效。
在准则层筛选结果的基础上，对各准则层下的指标层进行分类筛选，具体包括：
(1)经济绩效准则层：经济绩效层面主要从能够反应镇域经济发展效益的指标进行选取。在镇街层面，人均收入和人均服务业产值历年变化较小，对最终绩效评价结果以及规模结构优化路径影响不大，同时考虑数据获取的可能性，最终选取人均规上工业产值、人均固定资产投资额、人均一般公共预算三个指标。
(2)环境绩效准则层：环境绩效层面的指标选取既要考核镇域发展过程中对生活、生产所排放的废弃物及生活垃圾的治理情况，又要关注生活环境质量和人居环境建设水平。由于工业固废处理率、空气污染指数、碳排放量在各镇街历年数据差距较小，不能体现各镇街环境绩效的差异；人均绿地以及建成区绿化率容易受到镇区范围大小影响，而镇区范围在规划过程中改动较大，无法体现客观性，结合现有数据情况及数据获取的可能性，最终选取森林覆盖率和人均水域面积两个指标。
(3)社会绩效准则层：社会绩效是城镇稳定以及繁荣程度的重要考核。结合现有数据情况及数据获取的可能性，最终选取人均卫生健康投入、人均文化旅游体育与传媒投入和人均社会保障投入三个指标。
表1镇街绩效评价的指标体系
Figure BDA0003516035950000061
Figure BDA0003516035950000071
S102、获取历年镇街绩效评价指标体系中各指标的基础数据；根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值。
(1)获取历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各指标的无量纲值。
获取历年案例镇综合绩效评价指标体系基础数据后，对各个指标因子数据进行无量纲处理，主要采用中心化标准化方法，首先求出每个评价指标的样本均值x0，再将指标的实际值xi与该指标的均值x0相比较，得到该指标的无量纲数值Yi，公式如下：
Yi＝xi/x0
(2)利用主成分分析法，根据历年镇街绩效评价指标体系中各指标的无量纲值计算各指标的权重。
根据历年镇街绩效评价指标体系中各指标的无量纲值，借助spss数据软件工具，采用最大正交旋转法将各指标载荷矩阵进行旋转，得出各指标的得分及其综合得分，并计算线性组合系数和综合得分系数，进而归一化处理计算各指标的作用即权重大小。
(3)根据历年镇街绩效评价指标体系中各指标的无量纲值和权重，计算历年镇街绩效评价指标体系中各准则层的水平值。
采用累计加和方法进行镇街绩效水平测算，反映绩效水平受多种影响因素共同影响时的综合情况；同时，为减少之后回归分析之后的误差，将所有社会绩效评价结果统一增加1，规整为正数。
在镇街绩效水平测算中，计算公式为：
Y＝β1X1i+β2X2i+β3X3i
i＝(1，2，…，k)
方程中，k为自变量的数量，Y为因变量，即空间(经济、社会、环境)绩效；X为自变量，即经济、环境、社会三个绩效层面下各所属指标的无量纲数值；β1、β2、β3...βk为由主成分分析法得到的各指标所承载的权重。即：
镇街社会绩效的水平值＝β1人均卫生健康投入无量纲值+β2人均文化旅游体育与传媒投入无量纲值+β3人均社会保障投入无量纲值；公式中的β1、β2、β3分别对应人均卫生健康投入、人均文化旅游体育与传媒投入、人均社会保障投入的权重。
镇街经济绩效的水平值＝β1人均规上工业产值无量纲值+β2人均规定资产投资额无量纲值+β3人均公共预算无量纲值；公式中的β1、β2、β3分别对应人均规上工业产值、人均规定资产投资额、人均公共预算的权重；
镇街环境绩效的水平值＝β1森林覆盖率无量纲值+β2人均水域面积无量纲值；公式中的β1、β2分别对应森林覆盖率、人均水域面积的权重；本实施例通过获取四个镇街历年的数据，得到四个镇历年镇街绩效评价指标体系中各准则层的水平值，如表2所示。
表2县域四个典型镇街各准则层的水平值
Figure BDA0003516035950000081
S103、构建镇村规模结构指标体系。
现有研究大多从集聚特征和结构特征两个维度对城市地区的人口规模结构进行描述，其中：
集聚特征包括人口规模总数以及分类别的人口规模数，在空间分布状态下的描述则包括人口密度、人口集中度、城镇化率等指标；
结构特征可划分为内部的人口性别结构、年龄结构以及空间描述层面的中心度、首位度等。
本实施例基于镇街人口规模结构影响因素的相关研究，对影响规模结构变化的因素进行准则层筛选和分类，具体包括人口集聚特征和人口结构特征。
在准则层筛选结果的基础上，对各准则层下的指标层进行分类筛选，具体包括：
基于可获取性与可行性，人口集聚特征准则层选取城镇化率、人口密度、人口集中度作为优化指标；
基于可获取性与科学性，人口结构特征准则层选取中心度、首位度作为优化指标。
表3四个典型镇村规模结构指标体系
Figure BDA0003516035950000091
S104、依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据；根据历年与镇村规模结构指标体系中各指标相关的数据，计算历年镇村规模结构指标体系中各指标的值。
在规模结构指标因子选择的基础上，对各项指标进行数据收集与测算，具体包括：依据政府统计公报和统计年鉴，获取历史时间序列的镇街城镇人口、户籍人口、镇街建设用地、镇街下属各村社户籍人口。即若假定镇街城镇人口为a0，镇街户籍人口为a1，镇街建设用地为c1，镇街下属最大村庄户籍人口为bm，第二大村庄户籍人口为bn，普通各村庄户籍人口为b1，b2，b3…，bi，城镇化率为a，人口密度为b，人口集中度为c，中心度为d，首位度为e，根据以下公式：
a＝a0/a1*100％；
b＝a0/c1；
c＝(b1/a1)2+(b2/a1)2+(b3/a1)2+……(bn/a1)2；
d＝bm/a1；
e＝bm/bn；
得到镇村规模结构指标体系中各指标的值，见表4。
表4四个典型镇村规模结构各指标的数据
Figure BDA0003516035950000092
Figure BDA0003516035950000101
S105、根据历年镇街绩效评价指标体系中各准则层的水平值与历年镇村规模结构指标体系中各指标的值，建立面板数据；根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响因子的显著性大小进行优化指引，确定优化路径。
(1)根据历年镇街社会绩效的水平值和历年镇村规模结构指标体系中各指标的值，建立面板数据；根据面板数据，通过面板数据回归模型分析村庄规模结构特征，确定优化路径。
进一步的，步骤(1)具体包括：
(1-1)对历年镇街社会绩效的水平值和历年镇村规模结构指标体系中各指标的值进行处理，得到面板数据。
根据历年镇街绩效评价指标体系中社会绩效的水平值，运用stata数据处理工具，将所有数值进行取对数处理，以减少同组数据中的异方差。用y1表示社会绩效的水平值，则在ststa软件中有如下方程：
gen(y1)＝lnY1；
通过以上方程的计算得到lnY1的值，用lnY1表示社会绩效的值。
根据历年镇村规模结构指标体系中城镇化率、人口密度、人口集中度、中心度、首位度数值，运用stata数据处理工具，将所有数值进行取对数处理，以减少同组数据中的异方差。若选定城镇化率为a，人口密度为b，人口集中度为c，中心度为d，首位度为e，则在stata软件中有如下方程：
gen(a)＝lnA；gen(b)＝lnB；gen(c)＝lnC；gen(d)＝lnD；gen(e)＝lnE；
将得到的lnA、lnB、lnC、lnD和lnE分别表示城镇化率、人口密度、人口集中度、中心度为和首位度的值。
借助stata数据处理工具，根据社会绩效的值与城镇化率、人口密度、人口集中度、中心度、首位度的值建立面板数据。
表5社会绩效面板数据
Figure BDA0003516035950000111
(1-2)根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响因子的显著性大小进行优化指引，确定优化路径。
进一步的，步骤(1-2)具体包括：
(1-2-1)根据面板数据中社会绩效与整体规模结构因子构建回归方程，筛选回归模型。
①固定效应模型：若社会绩效为lnY1，城镇化率为lnA，人口密度为lnB，人口集中度为lnC，中心度为lnD，首位度为lnE，在社会绩效与整体规模结构因子回归分析中，根据固定效应模型，则有以下方程：
lnY1＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE+μi+μj；
方程中，lnY1为因变量，即预处理后镇街社会绩效；lnA、lnB、lnC、lnD和lnE均为自变量，即规模结构因子预处理后数值；β1、β2、β3...β6为由面板数据模型方程得到的各指标所承载的权重，β0代表固定效应方程中的回归系数，μi、μj分别代表固定效应方程中的个体效应变量和时间效应变量，且均为固定的变量。
②随机效应模型：若社会绩效为lnY1，城镇化率为lnA，人口密度为lnB，人口集中度为lnC，中心度为lnD，首位度为lnE，在绩效与整体规模结构因子回归分析中，根据随机效应模型，则有以下方程：
lnY1＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE+μk+μl；
方程中，lnY1为因变量，即预处理后镇街社会绩效；lnA、lnB、lnC、lnD和lnE均为自变量，即规模结构因子预处理后数值；β1、β2、β3...β6为由面板数据模型方程得到的各指标所承载的权重，β0代表随机效应方程中的回归系数，μk、μl分别代表随机效应方程中的个体效应变量和时间效应变量，且均为随机变量。
③混合效应模型：若社会绩效为lnY1，城镇化率为lnA，人口密度为lnB，人口集中度为lnC，中心度为lnD，首位度为lnE，在绩效与整体规模结构因子回归分析中，根据混合效应模型，则有以下方程：
lnY1＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE；
方程中，lnY1为因变量，即预处理后镇街社会绩效；lnA、lnB、lnC、lnD和lnE均为自变量，即规模结构因子预处理后数值；β1、β2、β3...β6为由面板数据模型方程得到的各指标所承载的权重，β0代表混合效应方程中的回归常数。将面板数据代入以上方程得到的各项值见表6。
表6社会绩效与整体规模结构因子回归模型筛选
Figure BDA0003516035950000121
Figure BDA0003516035950000131
注：*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
从表6的结果可以看到，依据三种回归模型系数比较和豪斯曼检验，最终选用固定效应模型。在固定效应模型中，城镇化率、人口密度、中心度对社会绩效呈正向作用，人口集中度、首位度对社会绩效呈负向作用。人口密度和人口集中度对其影响程度较高，影响系数分别为3.52、-3.24。
(1-2-2)根据面板数据中社会绩效与集聚特征因子构建回归方程，筛选回归模型。
①固定效应模型：lnY1＝β0+β1lnA+β2lnB+β3lnC+μi+μj；
②随机效应模型：lnY1＝β0+β1lnA+β2lnB+β3lnC+μk+μl；
③混合效应模型：lnY1＝β0+β1lnA+β2lnB+β3lnC；
将面板数据代入以上方程得到的各项值见表7。
表7社会绩效与集聚特征因子回归模型筛选
Figure BDA0003516035950000141
注：*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
(1-2-3)根据面板数据中社会绩效与结构特征因子构建回归方程，筛选回归模型。
①固定效应模型：lnY1＝β0+β4lnD+β5lnE+μi+μj；
②随机效应模型：lnY1＝β0+β4lnD+β5lnE+μk+μl；
③混合效应模型：lnY1＝β0+β4lnD+β5lnE；
将面板数据代入以上方程得到的各项值见表8。
表8社会绩效与结构特征因子回归模型筛选
Figure BDA0003516035950000142
Figure BDA0003516035950000151
注：*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
(1-2-4)根据模型筛选结果，具体回归方程包括：
①社会绩效与整体规模结构因子的回归方程：
lnY1＝-22.02+0.34lnA+3.52lnB-3.24lnC+0.34lnD-0.26lnE+μi+μj；
②社会绩效与集聚特征因子的回归方程：
lnY1＝-22.47+0.31lnA+3.61lnB-2.98lnC+μi+μj；
③社会绩效与结构特征因子的回归方程：
lnY1＝0.072+0.018lnD-0.41lnE+μi+μj；
而在社会绩效与集聚特征因子、结构特征因子的回归模型筛选中，表7结果显示集聚特征层面选择固定效应模型，表8显示结构特征层面选择随机效应模型。城镇化率、人口密度、中心度对社会绩效呈正向作用，人口集中度、首位度对社会绩效呈负向作用，人口密度、人口集中度对社会绩效的影响程度较高，其系数分别为3.61、-2.98。在之后镇街的社会服务发展过程中，在人口平均集聚程度的层面，由于其他普通村庄的社会公共基础建设不够完善，无法满足一定人口的公共服务需求，所以应该提高镇街下属中心村庄人口的集聚程度，减小人口在其他村庄的集中分布，从而减小人口集中度，提高人口密度和中心度，缓解其他村庄的公共服务压力，提升镇街的社会绩效水平。
(2)根据历年镇街经济绩效的水平值和历年镇村规模结构指标体系中各指标的值，建立面板数据；根据面板数据，通过面板数据回归模型分析村庄规模结构特征，确定优化路径。
由于经济绩效和环境绩效与上述社会绩效的分析过程相同，下文不再一一赘述，仅给出计算的数据及分析结果。
表9经济绩效与整体规模结构因子回归分析模型筛选
Figure BDA0003516035950000161
注：混合回归即为一般多元线性回归，*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
表10经济绩效与集聚特征因子回归分析模型筛选
Figure BDA0003516035950000162
Figure BDA0003516035950000171
注：混合回归即为一般多元线性回归，*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
表11经济绩效与结构特征因子回归分析模型筛选
Figure BDA0003516035950000172
注：混合回归即为一般多元线性回归，*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
根据模型筛选结果，三个面板数据回归模型均选择随机效应模型，具体回归方程包括：
①经济绩效与整体规模结构因子的回归方程：
lnY2＝-1.19+1.53lnA+0.06lnB+0.17lnC-1.11lnD+0.04lnE+μi+μj；
②经济绩效与集聚特征因子的回归方程：
lnY2＝-1.71+1.13lnA+0.40lnB-0.37lnC+μi+μj；
③经济绩效与结构特征因子的回归方程：
lnY2＝-0.69-0.18lnD+1.15lnE+μi+μj；
从表9的结果可以看到，依据三种回归模型系数比较和豪斯曼检验，最终采用随机效应模型。在随机效应模型中，城镇化率、人口密度、人口集中度和首位度对经济绩效呈正向作用，中心度对经济绩效呈负向作用。城镇化率和中心度对其影响程度均较高，影响系数分别为1.53、-1.11。而在经济绩效与集聚特征因子、结构特征因子的回归模型筛选中，表10、表11结果显示集聚特征层面和结构特征层面均选择随机效应模型。其中城镇化率、人口密度、首位度对经济绩效呈显著正向作用，人口集中度、中心度对经济绩效呈不显著负向作用，且城镇化率和首位度对其影响程度较高，影响系数分别为1.12和1.15。在之后一般性镇街的经济发展过程中，应从城镇人口均匀分布的角度出发，适当提高村(社)的城镇人口，并减少村(社)人口过于中心化的聚集，以达到优化经济绩效的目的。
(3)根据历年镇街环境绩效的水平值和历年镇村规模结构指标体系中各指标的值，建立面板数据；根据面板数据，通过面板数据回归模型分析村庄规模结构特征，确定优化路径。
表12环境绩效与整体规模结构因子回归分析模型筛选
Figure BDA0003516035950000181
注：混合回归即为一般多元线性回归，*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
表13环境绩效与集聚特征因子回归分析模型筛选
Figure BDA0003516035950000182
Figure BDA0003516035950000191
注：混合回归即为一般多元线性回归，*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
表14环境绩效与结构特征因子回归分析模型筛选
Figure BDA0003516035950000192
注：混合回归即为一般多元线性回归，*、**、***表示分别在10％、5％、1％水平下显著；括号内数值为聚类标准误统计量t值。
根据模型筛选结果，三个面板数据回归模型均选择随机效应模型，具体回归方程包括：
①环境绩效与整体规模结构因子的回归方程：
lnY3＝1.65-0.87lnA-0.24lnB-0.13lnC+0.69lnD-1.19lnE+μi+μj；
②环境绩效与集聚特征因子的回归方程：
lnY3＝1.42-0.82lnA-0.43lnB+0.18lnC+μi+μj；
③环境绩效与结构特征因子的回归方程：
lnY3＝0.95+0.28lnD-1.77lnE+μi+μj；
从表12的结果可以看到，依据三种回归模型系数比较和豪斯曼检验，适合选用随机效应模型。在随机效应模型中，中心度对环境绩效呈正向作用，城镇化率、人口密度、人口集中度、首位度对环境绩效均为负向作用。城镇化率、首位度、中心度对其影响程度较高，影响系数分别为-0.87、-1.19、0.69。在环境绩效与集聚特征因子、结构特征因子的回归模型筛选中，表13、表14结果显示均选择随机效应模型，其中人口集中度、中心度对环境绩效呈不显著正向作用，城镇化率、人口密度、首位度对环境绩效均呈显著负向作用。城镇化率、人口密度、首位度对环境绩效的影响程度较高，其系数分别为-0.82、-0.43、-1.78。在之后一般性镇街的生态环境保护过程中，应从城镇人口规模大小的角度出发，减少城镇人口过于集中的分布，同时增大中心村(社)的人口规模，提高中心度，弱化次大村(社)的人口集聚能力，减小首位度，以达到优化环境绩效的目的。
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图2所示，本实施例提供了一种镇村规模结构优化系统，该系统包括第一基础数据获取模块201、第一计算模块202、第二基础数据获取模块203、第二计算模块204、面板数据建立模块205和村庄规模结构特征分析模块206，其中：
第一基础数据获取模块201，用于获取历年镇街绩效评价指标体系中各指标的基础数据；
第一计算模块202，用于根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值；
第二基础数据获取模块203，用于依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据；
第二计算模块204，用于根据历年与镇村规模结构指标体系中各指标相关的数据，计算历年镇村规模结构指标体系中各指标的值；
面板数据建立模块205，用于根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据；
村庄规模结构特征分析模块206，用于根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
本实施例提供了一种计算机设备，该计算机设备可以为计算机，如图3所示，其通过系统总线301连接的处理器302、存储器、输入系统303、显示器304和网络接口305，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质306和内存储器307，该非易失性存储介质306存储有操作系统、计算机程序和数据库，该内存储器307为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器302执行存储器存储的计算机程序时，实现上述实施例1的镇村规模结构优化方法，如下：
获取历年镇街绩效评价指标体系中各指标的基础数据；
根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值；
依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据；
根据历年与镇村规模结构指标体系中各指标相关的数据，计算历年镇村规模结构指标体系中各指标的值；
根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据；
根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径。
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的镇村规模结构优化方法，如下：
获取历年镇街绩效评价指标体系中各指标的基础数据；
根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值；
依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据；
根据历年与镇村规模结构指标体系中各指标相关的数据，计算历年镇村规模结构指标体系中各指标的值；
根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据；
根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述，本发明提供的方法通过采集与处理历史时间序列镇街绩效的经济准则层、环境准则层、社会准则层基础分析数据，构建镇街绩效水平评价的指标体系；采用客观主成分分析法对镇街绩效的各个指标进行权重测算，进而计算得到经济绩效、环境绩效、社会绩效评价值；获取镇域行政村中的户籍人口和用地基础数据，计算人口集聚特征、结构特征准则层数据结果，构建镇村规模结构指标体系；根据经济绩效、环境绩效、社会绩效评价值与人口集聚特征、结构特征准则层数据结果，运用面板数据回归模型，通过模型检验和筛选，分析镇村规模结构和绩效之间的影响程度，获得镇村规模结构优化方程，确定规模结构优化路径。本发明提供的方法，同时考虑了数据指标的选取和数学模型的构建，能够更加定量化明晰镇村规模结构优化方向，为乡村发展结构调整提供技术支撑和保障，进一步促进乡村资源合理配置，推动乡村振兴。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种镇村规模结构优化方法，其特征在于，所述方法包括：
获取历年镇街绩效评价指标体系中各指标的基础数据；
根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值；
依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据；
根据历年与镇村规模结构指标体系中各指标相关的数据，计算历年镇村规模结构指标体系中各指标的值；
根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据；
根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径。
2.根据权利要求1所述的镇村规模结构优化方法，其特征在于，所述根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径，具体包括：
基于面板数据回归模型，根据面板数据中绩效与指标的值构建回归方程；根据所述回归方程，计算各指标的权重；
依据所述面板数据回归模型中各模型中各指标权重值的比较和豪斯曼检验，筛选回归模型；
根据筛选的回归模型，确定最终回归模型，进而得到对应的具体回归方程；
根据所述具体回归方程中各指标权重值的大小调整其对应的指标，从而提升镇街的绩效水平；
其中，所述绩效为镇街绩效评价指标体系中准则层中任一准则层，所述指标为镇村规模结构指标体系中所有指标或镇村规模结构指标体系中任一准则层包括的所有指标。
3.根据权利要求2所述的镇村规模结构优化方法，其特征在于，所述面板数据回归模型包括固定效应模型、随机效应模型和混合效应模型；
所述基于面板数据回归模型，根据面板数据中绩效与指标的值构建回归方程，具体包括：
根据固定效应模型，构建的回归方程如下：
lnYn＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE+μi+μj；
根据随机效应模型，构建的回归方程如下：
lnYn＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE+μk+μl；
根据混合效应模型，构建的回归方程如下：
lnYn＝β0+β1lnA+β2lnB+β3lnC+β4lnD+β5lnE；
其中，lnYn为因变量，即为面板数据中绩效的值；lnA、lnB、lnC、lnD和lnE均为自变量，即为面板数据中指标的值；β1、β2、β3...β6为由回归方程得到的各指标的权重，β0代表方程中的回归系数，μi、μj分别代表方程中个体效应变量和时间效应变量，且均为固定的变量；μk、μl分别代表随机效应方程中的个体效应变量和时间效应变量，且均为随机变量。
4.根据权利要求1所述的镇村规模结构优化方法，其特征在于，所述根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据，具体包括：
根据所述历年镇街绩效评价指标体系中各准则层的水平值，运用stata数据处理工具，将所有数值进行取对数处理，以减少同组数据中的异方差：
用yn分别表示各准则层的水平值，则在ststa软件中有如下方程：
gen(yn)＝lnYn；
根据以上方程得到lnYn的值，lnYn表示任一准则层的值；
根据所述历年镇村规模结构指标体系中各指标的值，运用stata数据处理工具，将所有数值进行取对数处理，以减少同组数据中的异方差，在stata软件中有如下方程：
gen(a)＝lnA
其中，a为所述历年镇村规模结构指标体系中任一指标的值，lnA为a经过数据处理后得到的对应指标的值；
借助stata数据处理工具，分别根据历年镇街绩效评价指标体系中任一准则层的值与历年镇村规模结构指标体系中所有指标的值，建立面板数据。
5.根据权利要求1所述的镇村规模结构优化方法，其特征在于，所述根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值，具体包括：
根据历年镇街绩效评价指标体系中各指标的基础数据，采用中心化标准化方法，计算历年镇街绩效评价指标体系中各指标的无量纲值；
根据所述历年镇街绩效评价指标体系中各指标的无量纲值，利用主成分分析法，得到历年镇街绩效评价指标体系中各指标的权重；
根据所述历年镇街绩效评价指标体系中各指标的无量纲值及权重，计算历年镇街绩效评价指标体系中各准则层的水平值。
6.根据权利要求5所述的镇村规模结构优化方法，其特征在于，所述根据所述历年镇街绩效评价指标体系中各指标的无量纲值及权重，计算历年镇街绩效评价指标体系中各准则层的水平值，具体包括：
对镇街绩效评价指标体系中任一准则层包括的所有指标的无量纲值及权重采用累计加和方法进行计算，将计算的结果再加1，得到镇街绩效评价指标体系中该准则层的水平值。
7.根据权利要求1～6任一项所述的镇村规模结构优化方法，其特征在于，所述镇街绩效评价指标体系包括准则层，所述准则层包括经济绩效、环境绩效和社会绩效，其中：
经济绩效准则层选取人均规上工业产值、人均固定资产投资额、人均一般公共预算作为评价指标；
基于可获取性与可行性，环境绩效准则层选取森林覆盖率、人均水域面积作为评价指标；
基于可获取性与科学性，社会绩效准则层选取人均卫生健康投入、人均文化旅游体育与传媒投入和人均社会保障投入作为评价指标。
8.根据权利要求1～6任一项所述的镇村规模结构优化方法，其特征在于，所述镇村规模结构指标体系包括准则层，所述准则层包括人口集聚特征和人口结构特征，其中：
基于可获取性与可行性，人口集聚特征准则层选取城镇化率、人口密度、人口集中度作为优化指标；
基于可获取性与科学性，人口结构特征准则层选取中心度、首位度作为优化指标。
9.一种镇村规模结构优化系统，其特征在于，所述系统包括：
第一基础数据获取模块，用于获取历年镇街绩效评价指标体系中各指标的基础数据；
第一计算模块，用于根据历年镇街绩效评价指标体系中各指标的基础数据，计算历年镇街绩效评价指标体系中各准则层的水平值；
第二基础数据获取模块，用于依据政府统计公报和统计年鉴，获取历年与镇村规模结构指标体系中各指标相关的数据；
第二计算模块，用于根据历年与镇村规模结构指标体系中各指标相关的数据，计算历年镇村规模结构指标体系中各指标的值；
面板数据建立模块，用于根据所述历年镇街绩效评价指标体系中各准则层的水平值与所述历年镇村规模结构指标体系中各指标的值，建立面板数据；
村庄规模结构特征分析模块，用于根据面板数据，通过面板数据回归模型分析村庄规模结构特征，针对影响指标因子的显著性大小进行优化指引，确定优化路径。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～8任一项所述的镇村规模结构优化方法。
CN202210166627.9A 2022-02-23 2022-02-23 镇村规模结构优化方法、系统、计算机设备和存储介质 Pending CN114626692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210166627.9A CN114626692A (zh) 2022-02-23 2022-02-23 镇村规模结构优化方法、系统、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210166627.9A CN114626692A (zh) 2022-02-23 2022-02-23 镇村规模结构优化方法、系统、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114626692A true CN114626692A (zh) 2022-06-14

Family

ID=81900270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210166627.9A Pending CN114626692A (zh) 2022-02-23 2022-02-23 镇村规模结构优化方法、系统、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114626692A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905915A (zh) * 2022-10-24 2023-04-04 中国环境科学研究院 乡镇分类处理方法及装置、计算机设备和可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905915A (zh) * 2022-10-24 2023-04-04 中国环境科学研究院 乡镇分类处理方法及装置、计算机设备和可读存储介质
CN115905915B (zh) * 2022-10-24 2023-12-12 中国环境科学研究院 乡镇分类处理方法及装置、计算机设备和可读存储介质

Similar Documents

Publication Publication Date Title
Rico-Juan et al. Machine learning with explainability or spatial hedonics tools? An analysis of the asking prices in the housing market in Alicante, Spain
CN111445060A (zh) 一种社区碳排放监测和预测系统及方法
CN111651545A (zh) 一种基于多源数据融合的城市边缘区提取方法
CN101853290A (zh) 基于地理信息系统的气象服务效益评估方法
Chai et al. A new approach of deriving indicators and comprehensive measure for ecological environmental quality assessment
Jiang et al. Sustainability efficiency assessment of listed companies in China: a super-efficiency SBM-DEA model considering undesirable output
CN111080356A (zh) 一种利用机器学习回归模型计算住宅价格影响因素的方法
Peng et al. Evolution of spatial–temporal characteristics and financial development as an influencing factor of green ecology
Atici et al. A multiple criteria energy decision support system
Cecconi et al. Data-driven decision support system for building stocks energy retrofit policy
CN113627735A (zh) 工程建设项目安全风险的预警方法及系统
WO2024001045A1 (zh) 碳配额盈缺预测方法、装置电子设备及存储介质
Hariyani et al. Green Sukuk-Based Project on Sustainable Waste Management in Indonesia
CN108805471A (zh) 基于复合系统作用关系分析的水资源承载能力评价方法
CN114626692A (zh) 镇村规模结构优化方法、系统、计算机设备和存储介质
CN114529154A (zh) 人口规模预测指标体系的构建方法、预测方法、装置及系统
Agyeman et al. Exploring the nexus link of environmental technology innovation, urbanization, financial development, and energy consumption on environmental pollution: Evidence from 27 emerging economies
CN112508336B (zh) 一种基于结构方程模型的空间与环境效能关联测度方法
CN113793057A (zh) 一种基于回归分析模型的建筑招投标数据生成方法
CN112950048A (zh) 基于模糊综合评价的国家高等教育体系健康评价
CN117078077A (zh) 一种高速公路路域的生态脆弱性评价方法
CN102831320A (zh) 流域水环境有机污染物监测全过程质控指标评价方法系统
Song et al. Developing urban building energy models for shanghai city with multi-source open data
CN114723275A (zh) 一种面向综合交通系统的客运生成总量分析方法
CN112884317A (zh) 一种节水型城市的评价方法、系统、设备及其存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination