隨機森林在甘肅省農(nóng)村貧困戶識別中的應(yīng)用

李佳容

[摘 要]本文根據(jù)甘肅省農(nóng)村入戶調(diào)查資料，利用隨機森林分類方法對其進行貧困戶識別，經(jīng)過研究發(fā)現(xiàn)隨機森林分類在貧困戶識別的中表現(xiàn)出了其在離散變量中的優(yōu)勢，識別正例的命中率達到71%。因此，在貧困戶識別方法上可以有所借鑒。

[關(guān)鍵詞]貧困戶；隨機森林；識別方法；精準扶貧

[中圖分類號]F323.8 [文獻標識碼]A

自改革開放以來，雖然甘肅已取得了顯著的減貧效果，但2011年國家提高貧困線（2300元）以后，甘肅的貧困覆蓋面增大，據(jù)2013年的統(tǒng)計數(shù)據(jù)，甘肅共有552.2萬貧困人口，貧困發(fā)生率為26.5%。因此，實現(xiàn)“精準扶貧”是當前需要解決的重要問題。本文結(jié)合目前應(yīng)用廣泛的隨機森林方法，嘗試精準識別貧困，為今后在貧困戶識別方法上提供借鑒。

1 隨機森林的應(yīng)用及理論背景介紹

隨機森林算法是Leo Breiman和Adele Cutler在2001年提出的一種集成學(xué)習(xí)算法，它是通過將bagging和隨機特征選擇結(jié)合起來，對決策樹模型添加額外的多樣性。即每次隨機選擇一些特征變量，獨立建立決策樹模型，不斷重復(fù)。而且，需要確保每次建樹時，特征變量等可能的被選擇，這樣在樹的集成產(chǎn)生之后，使用投票的方法來組合預(yù)測結(jié)果。在隨機森林被提出到現(xiàn)在，在生物學(xué)、經(jīng)濟、金融等很多領(lǐng)域都有廣泛的應(yīng)用。從隨機森林算法提出至今，人們對隨機森林算法進行了深入的研究，作出多種優(yōu)化改進策略并取得了良好的效果。

2 隨機森林模型識別貧困戶

2.1 數(shù)據(jù)介紹與清洗

本文采用隨機森林的方法對2015年甘肅省86個縣（區(qū)）入戶調(diào)查資料進行貧困戶識別實證研究。數(shù)據(jù)信息包括住戶基本信息、主要固定資產(chǎn)信息和期末耐用商品信息。因為調(diào)查戶從業(yè)類型的不同，資產(chǎn)擁有情況也有明顯的差異。由于本研究是對農(nóng)村貧困戶的識別挖掘，因此重點研究調(diào)查戶中農(nóng)業(yè)戶的家庭情況。農(nóng)村最低生活保障（簡稱“低?！保┲贫仁侵刚畬彝ツ耆司兪杖氲陀诋?shù)剞r(nóng)村居民最低生活保障標準的農(nóng)村常住居民家庭實行的基本生活救助制度。所以領(lǐng)取低保的農(nóng)業(yè)戶通常是經(jīng)濟基礎(chǔ)較差，生活有困難的住戶，可以視為貧困戶。

農(nóng)業(yè)戶調(diào)查數(shù)據(jù)主要包括住戶基本信息、主要固定資產(chǎn)信息和期末耐用商品信息等，共有27個變量信息。總體描述如表1：

將原始調(diào)查數(shù)據(jù)經(jīng)過簡單的處理，主要為了方便導(dǎo)入R軟件進行分析重新命名變量，然后導(dǎo)入到R軟件中。對數(shù)據(jù)處理的步驟如下：對空值處理；對變量標準化；處理缺失值；處理異常值；對數(shù)據(jù)量非常少的變量處理。經(jīng)過數(shù)據(jù)清洗整理，數(shù)據(jù)集共有12個屬性變量、3296條記錄。其中領(lǐng)取低保的農(nóng)業(yè)戶有722戶，占所有調(diào)查的農(nóng)業(yè)戶的28%。

2.2 貧困戶分類

首先將整理后數(shù)據(jù)集按70%和30%劃分為訓(xùn)練集和測試集，并經(jīng)過Kolmogorov-Smirnov（柯爾莫哥洛夫-斯莫洛夫）同質(zhì)性檢驗，通過R語言中的函數(shù)ks.test（）實現(xiàn)，由檢驗結(jié)果可知訓(xùn)練集與測試集具有同質(zhì)性。

2.2.1 模型的構(gòu)建過程

本文采用的是R語言中的party包中的cforest（函數(shù)訓(xùn)練的隨機森林模型，具體模型構(gòu)建過程：（1）通過party包中的cforest（函數(shù)對數(shù)據(jù)集train構(gòu)建隨機森林；（2）根據(jù)選取不同的樹的數(shù)量值，構(gòu)建隨機森林，確定最優(yōu)的樹的數(shù)量。這里根據(jù)每次預(yù)測值計算的auc值來評價分類器的優(yōu)劣，最終確定最優(yōu)樹數(shù)量是220棵；（3）將測試集test代入構(gòu)建好的隨機森林，并用predict函數(shù)進行預(yù)測，并繪制箱線圖可視化結(jié)果；（4）繪制混淆矩陣，展示預(yù)測值的情況，并直觀顯示預(yù)測值與真實值之間的差距，來說明模型的準確性；（5）繪制ROC曲線圖，來評價模型的適用性。

2.2.2 模型的結(jié)果及檢驗

根據(jù)模型在測試集預(yù)測結(jié)果建立混淆矩陣如下：

可以看出，預(yù)測的正確率為（410+157）/（410+356+65+157）= 58%；正例的覆蓋率為157/（157+356）=31%，正例的命中率為157/（65+157）=71%?？梢娬拿新时容^高，說明對貧困戶識別的正確率比較高。

再次，對模型性能進行評價，繪制ROC曲線圖（見圖1）。根據(jù)評估結(jié)果，可以看出，隨機森林模型表現(xiàn)得比較好。

3 總結(jié)與展望

精準扶貧在政府和學(xué)術(shù)界一直都是關(guān)注的重點，經(jīng)濟發(fā)展到今天，我們國家已經(jīng)脫離了貧窮落后走向了繁榮富強，但是由于經(jīng)濟發(fā)展的不平衡，在一些地區(qū)仍然有貧困現(xiàn)象，那么如何在龐大的人群中準確地找到他們，是現(xiàn)在面臨的一個難題。因此，本文嘗試應(yīng)用隨機森林對甘肅省入戶調(diào)查數(shù)據(jù)進行貧困戶識別的實證研究。實證分析選擇缺失數(shù)據(jù)較少的農(nóng)業(yè)戶生產(chǎn)性固定資產(chǎn)和期末耐用商品的擁有情況數(shù)據(jù)作為研究樣本數(shù)據(jù)。由隨機森林預(yù)測結(jié)果可知，正例命中率到達71%。因此對比邏輯回歸方法，在相同數(shù)據(jù)集中，隨機森林表現(xiàn)較好。

對于本次研究來說，由于數(shù)據(jù)集選取的是農(nóng)業(yè)戶的生產(chǎn)性固定資產(chǎn)和期末耐用商品的情況，無法全面得描述農(nóng)業(yè)戶家庭的整體情況，這也對分類分析造成一定的局限。為了得到更好的貧困戶識別的準確性，在以后的研究里可以將更多的家庭情況考慮進來。因此，希望在今后的研究中可以有所借鑒。

[參考文獻]

[1] 汪三貴.論中國的精準扶貧[J].貴州社會科學(xué)，2015（05）.

[2] 汪三貴，王姮，王萍萍.中國農(nóng)村貧困家庭的識別[J].農(nóng)業(yè)技術(shù)經(jīng)濟，2007（01）.

[3] 李昊源，崔琪琪.農(nóng)村居民家庭貧困的特征與原因研究[J].上海經(jīng)濟研究，2015（04）.

[4] 韓旭峰，豆紅玉.甘肅省農(nóng)村最低生活保障標準測算與分析——基于擴展線性支出模型[J].西北人口，2017（01）.