基于多因素權(quán)重分析的農(nóng)村居民清潔取暖接受度分類預測方法研究

摘 要：提出一種基于多因素權(quán)重分析的分類模型（K-means-EWM-BP）來預測農(nóng)村居民的清潔取暖接受度。首先，基于實地調(diào)研數(shù)據(jù)，選取農(nóng)村居民家庭年總收入、性別、年齡、受教育程度作為聚類特征對農(nóng)村居民分類；其次，在分類的基礎(chǔ)上，對各類別農(nóng)村居民的清潔取暖接受度影響因素進行多因素權(quán)重分析；最后，構(gòu)建K-means-EWM-BP模型，實現(xiàn)對農(nóng)村居民清潔取暖接受度的預測及驗證。結(jié)果表明：1）受訪農(nóng)村居民可分為3類，其中清潔取暖接受度主要受教育程度影響的農(nóng)村居民（類別1）占比31%，清潔取暖接受度主要受家庭年總收入影響的農(nóng)村居民（類別2）占比43%，清潔取暖接受度主要受性別影響的農(nóng)村居民（類別3）占比26%。2）類別1農(nóng)村居民清潔取暖接受率預測值為95%，類別2農(nóng)村居民清潔取暖接受率預測值為100%，類別3農(nóng)村居民清潔取暖接受率預測值為72%。3）與EWM-BP模型和BP模型相比，K-means-EWM-BP模型預測準確性達到91.43%，高于準確性為87.14%的EWM-BP模型和準確性為80%的BP模型，同時標準誤差（RMSE）與EWM-BP模型和BP模型相比分別降低0.01和0.06。

關(guān)鍵詞：可再生能源；農(nóng)村地區(qū)；預測；多因素權(quán)重分析；清潔取暖

中圖分類號：TU832 文獻標志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0977

文章編號：0254-0096（2024）08-0249-07

1. 西安建筑科技大學管理學院，西安 710055；

2. 西安建筑科技大學建筑設(shè)備科學與工程學院，西安 710055；

3. 綠色建筑全國重點實驗室，西安 710055

0 引 言

為持續(xù)改善空氣環(huán)境質(zhì)量，中國十部委自2017年起陸續(xù)出臺了一系列政策措施，通過財政補貼、基礎(chǔ)設(shè)施建設(shè)、建筑能效提升改造、可再生能源開發(fā)利用等手段，大力推進北方地區(qū)冬季清潔取暖工作，促進農(nóng)村居民采用清潔取暖。從政策實施情況來看，農(nóng)村地區(qū)清潔取暖已取得階段性成果。目前，煤改電、煤改氣是農(nóng)村清潔供暖的主要形式，太陽能供暖因其在節(jié)能、環(huán)保方面的顯著優(yōu)勢，在農(nóng)村清潔供暖領(lǐng)域也具有十分可觀的發(fā)展?jié)摿Γ?］。但在清潔供暖基礎(chǔ)設(shè)施建設(shè)完備、能源供應(yīng)及時的條件下，仍有部分農(nóng)村地區(qū)出現(xiàn)了不同程度的“改而不用”和“散煤復燒”現(xiàn)象［2］。由于對清潔取暖接受度的不同會導致農(nóng)村居民在選擇取暖方式時出現(xiàn)選擇差異［3］，不同的清潔能源取暖方式具有顯著的區(qū)域性［4］。在政策制定前準確預測農(nóng)村居民清潔取暖接受度，可有效避免“一刀切”現(xiàn)象，確保清潔取暖相關(guān)政策實施的循序漸進與因地制宜，對于清潔取暖的精準施政至關(guān)重要。

清潔取暖接受度預測的核心在于居民意愿預測。當前意愿預測模型分為統(tǒng)計分析預測和機器學習預測兩個類型。統(tǒng)計分析預測模型的準確性主要依賴于獲取信息的全面性［5］，通過此方法建立農(nóng)村居民清潔取暖接受度預測模型存在投入人力多、調(diào)查費用高、花費時間長的缺點。隨著機器學習算法在預測中的廣泛應(yīng)用，學者們在有效預測居民意愿方面做了諸多研究。對于居民來說，個人特征會影響其行為信念，通過影響行為態(tài)度間接影響行為意向［6］。家庭年總收入、性別、年齡、受教育程度對農(nóng)村居民清潔取暖接受度影響程度較大［7］，而不同影響因素對農(nóng)村居民清潔取暖接受度的影響程度不同。因此，任玉瓏等［8］指出將權(quán)重分析與最小二乘支持向量機結(jié)合構(gòu)建預測模型，考慮影響因素的信息密度，提高了預測精度；李芳等［9］對居民旅游消費意愿影響因素進行權(quán)重分析，準確預測了居民旅游消費意愿。但由于農(nóng)村居民資源稟賦的不同，導致農(nóng)村居民主動接受清潔取暖的意愿存在差異［10］，即便是相同因素，對不同類型農(nóng)村居民清潔取暖接受度的影響權(quán)重也不同［11］。為充分考慮農(nóng)村居民的個體異質(zhì)性，應(yīng)在意愿預測前對農(nóng)村居民進行合理分類，比如張舸等［12］基于聚類分析和決策樹構(gòu)建模型，明確了不同類型農(nóng)村居民的危房改造意愿。但在預測農(nóng)村居民清潔取暖接受度時，現(xiàn)有方法未對農(nóng)村居民進行類型細分，這導致預測結(jié)果過于籠統(tǒng)，在一定程度上偏離了實際情況。

為解決上述問題，本研究提出一種基于多因素權(quán)重分析的分類模型（K-means-EWM-BP）來預測農(nóng)村居民的清潔取暖接受度。首先，基于實地調(diào)研數(shù)據(jù)，劃分農(nóng)村居民類型；其次，在分類基礎(chǔ)上，對各類別農(nóng)村居民清潔取暖接受度影響因素進行多因素權(quán)重分析；最后，構(gòu)建K-means-EWM-BP模型，實現(xiàn)對農(nóng)村居民清潔取暖接受度的預測，并使用實際調(diào)研數(shù)據(jù)驗證該模型的有效性和可行性。研究結(jié)果可為農(nóng)村居住建筑主被動太陽能利用與清潔取暖政策制定提供參考依據(jù)。

1 研究方法

本研究將農(nóng)村居民清潔取暖接受度預測模型的構(gòu)建過程分為3個主要步驟：實地調(diào)研、數(shù)據(jù)預處理、預測模型的構(gòu)建及驗證。

1.1 實地調(diào)研

本調(diào)查采用有目的抽樣的非概率抽樣，于2021年4月在汾渭平原山西省祁縣的大桑村、王村、秦村、劉家堡村、南社村、西六支村進行調(diào)研，6個村莊均屬于試點地區(qū)，其清潔取暖形式以天然氣和電力為主。調(diào)研數(shù)據(jù)采用問卷調(diào)研的方式進行收集，為提高數(shù)據(jù)質(zhì)量，問卷采用匿名“一對一”方式進行。調(diào)研者根據(jù)問卷問題向農(nóng)村居民進行訪問，準確表述問卷問題并通過交流獲得農(nóng)村居民更真實的想法，最終得到有效問卷235份。

調(diào)查問卷分為被訪者基本信息、清潔取暖使用行為、對清潔取暖的態(tài)度和接受意愿、對清潔取暖的認識4個部分。其中，基本信息包括被訪者及家庭成員的人口統(tǒng)計學特征等；清潔取暖使用行為包括所在地區(qū)清潔取暖基礎(chǔ)設(shè)施建設(shè)、家庭取暖方式、取暖費用等；對清潔取暖的態(tài)度和接受意愿包括對清潔取暖設(shè)備取暖效果是否滿意、是否愿意繼續(xù)使用清潔取暖設(shè)備等；對清潔取暖的認識包括是否了解清潔取暖相關(guān)知識、是否認為清潔取暖技術(shù)便于操作等。構(gòu)建模型所需數(shù)據(jù)包括被訪者性別、年齡、受教育程度、家庭年總收入和對清潔取暖的接受度。數(shù)據(jù)集中被訪者以中老年居多，教育水平相對較低，初中及以下文化水平的被訪者占總調(diào)查人數(shù)的80.85%，88.51%的家庭年總收入不到10萬元。被訪者情況如表1所示。

1.2 數(shù)據(jù)預處理

為明晰影響因素與農(nóng)村居民清潔取暖接受度的關(guān)系，更好地構(gòu)建農(nóng)村居民清潔取暖接受度預測模型，本研究在數(shù)據(jù)預處理環(huán)節(jié)對農(nóng)村居民類型進行劃分，并對各類別農(nóng)村居民清潔取暖接受度的影響因素權(quán)重進行計算。

1.2.1 劃分農(nóng)村居民類型

本研究將農(nóng)村居民的性別、年齡、受教育程度、家庭年總收入作為聚類特征，采用K-均值聚類算法進行農(nóng)村居民分類。由于K-均值聚類算法需人工提前設(shè)定[k]值，為對北方地區(qū)農(nóng)村居民的分類達到最佳的聚類效果，本研究使用肘部法則和輪廓系數(shù)法，將[SSE]突然變緩時對應(yīng)的[k]值和平均輪廓系數(shù)最大時對應(yīng)的[k]值進行對比，綜合確定最佳[k]值。[SSE]計算公式為：

[SSE=i=1kp∈Ci|p-mi|2] （1）

式中：[SSE]——所有農(nóng)村居民樣本的聚類誤差，[SSE]值越小代表農(nóng)村居民聚類效果越好；[p]——[Ci]中的農(nóng)村居民樣本點；[Ci]——數(shù)據(jù)集中農(nóng)村居民第[i]個類別；[mi]——[Ci]的質(zhì)心；。

農(nóng)村居民樣本輪廓系數(shù)（[S]）計算公式為：

[S=b-amax（a-b）] （2）

式中：[a]——凝聚度，即數(shù)據(jù)集中農(nóng)村居民樣本點[p]與同類別其他樣本的平均距離；[b]——分離度，即數(shù)據(jù)集中農(nóng)村居民樣本點[p]與最近類別中所有樣本的平均距離。

1.2.2 各類別農(nóng)村居民清潔取暖接受度影響因素權(quán)重計算

熵權(quán)法（entropy weight method）是根據(jù)被評價對象的指標值構(gòu)成的判斷矩陣來確定指標權(quán)重的一種方法，具有較強的客觀性［13］。本研究將不同類別農(nóng)村居民的清潔取暖接受度作為被評價對象，利用熵權(quán)法確定不同類別居民接受度影響因素的權(quán)重，對農(nóng)村居民的性別、年齡、受教育程度、家庭年總收入的樣本值進行加權(quán)處理。

信息熵ej計算公式為：

[Pij=riji=1mrij，" i=1，2…，m; j=1，2…，n] （3）

[ej=-ki=1mPijln（Pij）] （4）

式中：[Pij]——數(shù)據(jù)集某類別農(nóng)村居民中第[j]個影響因素下第[i]個農(nóng)村居民樣本值占的比重；[rij]——數(shù)據(jù)集某類別農(nóng)村居民中第[j]個影響因素下第[i]個農(nóng)村居民樣本值；[ej]——某類別農(nóng)村居民的第[j]個影響因素的信息熵；[k=1/lnm]。

信息效用值[dj]計算公式為：

[dj=1-ej] （5）

式中：[dj]——某類別農(nóng)村居民清潔取暖接受度的第[j]個影響因素的信息效用值。

權(quán)重[wj]計算公式為：

[wj=djj=1ndj] （6）

式中：[wj]——某類別農(nóng)村居民清潔取暖接受度的第[j]個影響因素的權(quán)重。

加權(quán)樣本值[C]計算公式為：

[C=rij×wj] （7）

式中：[C]——加權(quán)處理后某類別農(nóng)村居民中第[j]個影響因素下第[i]個農(nóng)村居民樣本值。

1.3 預測模型的構(gòu)建及驗證

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之一，具有較強的自學習性和自適應(yīng)性［14］。由于1個隱含層的BP神經(jīng)網(wǎng)絡(luò)收斂速度較快［15］，本研究構(gòu)建3層BP神經(jīng)網(wǎng)絡(luò)對農(nóng)村居民清潔取暖接受度進行預測，所建K-means-EWM-BP模型結(jié)構(gòu)如圖1所示。

本研究構(gòu)建K-means-EWM-BP模型對農(nóng)村居民清潔取暖接受度進行預測，選取經(jīng)熵權(quán)法加權(quán)處理的各類別農(nóng)村居民特征值和其類別標簽作為模型的輸入，即輸入層節(jié)點數(shù)量取5。將農(nóng)村居民清潔取暖接受度劃分為5個等級，分別為1～5，在問卷量表題中以“在當前補貼政策下您是否愿意使用清潔取暖設(shè)備”進行表征，對應(yīng)非常不愿意、不愿意、中立、愿意、非常愿意5種狀態(tài)，以此作為網(wǎng)絡(luò)輸出，故輸出層節(jié)點數(shù)量取5。選擇sigmoid函數(shù)作為激活函數(shù)，設(shè)置訓練目標誤差為0.0001，學習率為0.01，設(shè)置隱含層節(jié)點數(shù)量為9。數(shù)據(jù)集中選擇70%的數(shù)據(jù)作為訓練集，30%的數(shù)據(jù)作為測試集。

本研究選擇準確性和F1-score以及標準誤差（root mean square error，RMSE）作為清潔取暖接受度預測模型的性能指標。所選指標中準確性用來反映模型的整體性能；F1-score指標同時考慮了假陽性和假陰性，可有效評估模型捕獲少數(shù)類的性能；RMSE反映了真實值與預測值的偏離程度，RMSE值越小說明模型越能較準確地預測數(shù)據(jù)。以上3個指標有助于綜合評估清潔取暖接受度預測模型性能。

2 研究結(jié)果

2.1 農(nóng)村居民類型劃分結(jié)果分析

本研究通過農(nóng)村居民性別、年齡、受教育程度、家庭年總收入數(shù)據(jù)，采用K-均值算法對數(shù)據(jù)集中農(nóng)村居民分類，確定最佳[k]值為3。當[k]=3時，類別1～3農(nóng)村居民分別占比34%、40%、26%，各類別農(nóng)村居民的年齡、受教育程度及家庭年總收入的分布情況如圖2所示。由圖2可知，類別1農(nóng)村居民中年齡在60歲以上的占53%，79%的居民受教育程度是初中水平，44%的居民家庭年總收入在3萬～5萬元之間，具有年齡偏大、受教育程度中等、收入較低的特征。類別2農(nóng)村居民中年齡在18～59歲的占60%，72%的居民受教育程度是初中水平，71%的人家庭年總收入在5萬～10萬元之間，具有受教育程度中等、收入較高的特征。類別3農(nóng)村居民中年齡在60歲以上的占66%，66%的居民受教育程度是小學水平，43%的居民家庭年總收入在1萬～3萬元之間，具有年齡偏大、受教育程度偏低、收入較低的特征。根據(jù)調(diào)查問卷結(jié)果來看，3類農(nóng)村居民的清潔取暖使用行為和清潔取暖認知水平存在一定的差異性。各類別農(nóng)村居民清潔取暖的使用行為和認知水平如表2所示。

2.2 各類別農(nóng)村居民影響因素權(quán)重計算結(jié)果分析

數(shù)據(jù)集中不同類別農(nóng)村居民清潔取暖接受度影響因素的權(quán)重見圖3。由圖3可知，類別1中的居民受教育程度對其清潔取暖接受度的影響更大，在各類影響因素中所占權(quán)重為68%。在收入較低、年齡較大的情況下，受教育程度更多的決定農(nóng)村居民對清潔取暖的接受程度，受教育程度高的居民其節(jié)能和環(huán)境意識強于受教育程度低的，因而受教育程度與其清潔取暖接受程度有一定關(guān)系。類別2中的居民家庭年總收入對其清潔取暖接受度的影響更大，在各類影響因素中所占權(quán)重為62%。這類居民大部分收入較高，農(nóng)村居民的收入水平往往決定了他們是否愿意使用清潔取暖，高收入家庭對價格的敏感度更低。類別3中的居民性別對其清潔取暖接受度的影響更大，在各類影響因素中所占權(quán)重為33%。在年齡大、收入和受教育程度普遍低的情況下，性別思維的差異以及其在家庭生活中起到的作用會更多的決定其對清潔取暖的接受程度。

2.3 農(nóng)村居民清潔取暖接受度預測結(jié)果分析

本研究通過K-means-EWM-BP模型對測試集進行清潔取暖接受度預測，模型輸出值為0、1、2、3、4、5，分別表征其接受度為“未知”、“非常不愿意”、“不愿意”、“中立”、“愿意”、“非常愿意”。各類別農(nóng)村居民接受度表征為愿意和非常愿意的農(nóng)村居民占比即為各類別農(nóng)村居民清潔取暖接受率。各類別農(nóng)村居民清潔取暖接受度預測結(jié)果如圖4所示，預計類別1～3農(nóng)村居民清潔取暖接受率分別達到95%、100%、72%。

本研究在預測結(jié)果的基礎(chǔ)上，對各類別農(nóng)村居民清潔取暖接受度的影響因素進行Person相關(guān)性分析，探究各類別農(nóng)村居民清潔取暖接受度影響因素間的相關(guān)性及其對接受度的影響。類別1農(nóng)村居民Person相關(guān)性分析結(jié)果如表3所示。可看出，類別1農(nóng)村居民的年齡和受教育程度之間的影響為負且在5%的水平下顯著，受教育程度和家庭年總收入之間的影響為負且在1%的水平下顯著?？芍悇e1農(nóng)村居民受教育程度相近，但由于年齡的差距，年齡較大的農(nóng)村居民其家庭年總收入會相對較低，從而導致其對清潔取暖的接受度較低。清潔取暖接受度較低的農(nóng)村居民，在使用再生能源清潔取暖上的可能性也更小。

類別2農(nóng)村居民Person相關(guān)性分析結(jié)果如表4所示?？煽闯?，類別2農(nóng)村居民個體特征間的影響不顯著，原因在于經(jīng)濟實用是農(nóng)村居民取暖改造最關(guān)心的問題，農(nóng)村居民的收入水平又與其是否愿意使用清潔取暖緊密相關(guān)。類別2農(nóng)村居民中67%的家庭年總收入在5萬～10萬元之間，33%的家庭年總收入在10萬元以上，群體收入普遍較高，所以對于清潔取暖的接受度更高。

類別3農(nóng)村居民Person相關(guān)性分析結(jié)果如表5所示?？煽闯?，類別3農(nóng)村居民的性別和家庭年總收入之間的影響為負且在1%的水平下顯著。類別3農(nóng)村居民中被訪者為男性的農(nóng)村居民，其家庭年總收入高于被訪者為女性的家庭年總收入，但是類別3中女性的清潔取暖接受率達到87.5%，而男性僅為60%。原因在于女性在家庭中承擔的家務(wù)更多，并且隨著男女平等觀念的增強，女性在家庭消費的作用逐漸重要，因此女性更容易接受清潔取暖，也更容易使用清潔環(huán)保的可再生能源取暖。

2.4 農(nóng)村居民清潔取暖接受度預測模型效果驗證

本研究將構(gòu)建的K-means-EWM-BP模型與EWM-BP模型和BP模型進行預測性能比較，采用準確性、F1-score和RMSE指標對模型進行評價，其中準確性越高代表模型越能正確預測農(nóng)村居民的清潔取暖接受度，因此以本研究中準確性作為該模型的主要評估指標。

不同模型在數(shù)據(jù)集上的預測性能如表6所示?？煽闯?，K-means-EWM-BP模型除了F1-score指標的得分和BP模型相同，其他評價指標都優(yōu)于其他模型，說明K-means-EWM-BP模型在保持F1-score指標得分較好的同時還提高了模型的準確性，其中K-means-EWM-BP模型準確性達到91.43%，略高于EWM-BP模型（4.29%），遠高于BP模型（11.43%），同時標準誤差（RMSE）與EWM-BP模型和BP模型相比分別降低了0.01和0.06。以上結(jié)果說明K-means-EWM-BP模型在預測準確性上相較于EWM-BP模型和BP模型具有優(yōu)越性。

3 結(jié) 論

本研究對汾渭平原山西省祁縣清潔取暖試點村莊的農(nóng)村居民進行清潔取暖接受度實地調(diào)研，基于實地調(diào)研數(shù)據(jù)將農(nóng)村居民劃分為3類，對各類別農(nóng)村居民清潔取暖接受度影響因素進行權(quán)重分析，構(gòu)建K-means-EWM-BP模型實現(xiàn)農(nóng)村居民清潔取暖接受度的預測，以期為加快推進農(nóng)村太陽能、生物質(zhì)能等可再生能源的利用奠定基礎(chǔ)。本研究得到的主要結(jié)論如下：

1）受教育程度對類別1農(nóng)村居民的清潔取暖接受度影響最大，而年齡對其影響最小；家庭年總收入對類別2農(nóng)村居民的清潔取暖接受度影響最大，而受教育程度對其影響最??；性別對類別3農(nóng)村居民的清潔取暖接受度影響最大，而家庭年總收入對其影響最小。清潔取暖接受度越高的農(nóng)村居民，其傾向于使用更清潔、更環(huán)保的可再生能源進行取暖。

2）類別1農(nóng)村居民占比31%，清潔取暖接受率預測值為95%；類別2農(nóng)村居民占比43%，清潔取暖接受率預測值為100%；類別3農(nóng)村居民占比26%，清潔取暖接受率預測值為72%。

3）與EWM-BP模型和BP模型相比，本研究提出的K-means-EWM-BP模型準確性達到91.43%，高于準確性為87.14%的EWM-BP模型和準確性為80%的BP模型，同時K-means-EWM-BP模型的RMSE與EWM-BP模型和BP模型相比分別降低了0.01和0.06。

［參考文獻］

［1］ 朱濤， 常向陽， 朱方林， 等. 江蘇縣域農(nóng)村屋頂分布式光伏發(fā)電系統(tǒng)建設(shè)自然社會影響因素實證分析［J］. 太陽能學報， 2023， 44（5）： 217-225.

ZHU T， CHANG X Y， ZHU F L， et al. Empirical analysis of natural and social factors affecting newly installed capacity of rural rooftop distributed photovoltaic system at county level in Jiangsu Province［J］. Acta energiae solaris sinica， 2023， 44（5）： 217-225.

［2］ 單明， 劉彥青， 孫濤， 等. 北方農(nóng)村清潔取暖區(qū)域性典型案例實施方案及經(jīng)驗總結(jié)［J］. 環(huán)境與可持續(xù)發(fā)展， 2020， 45（3）： 50-56.

SHAN M， LIU Y Q， SUN T， et al. Implementation scheme and experience summary of regional typical cases of clean heating in northern rural China［J］. Environment and sustainable development， 2020， 45（3）： 50-56.

［3］ LIU J H， LUO X， LIU X J， et al. Rural residents’acceptance of clean heating： an extended technology acceptance model considering rural residents’livelihood capital and perception of clean heating［J］. Energy and buildings， 2022， 267： 112154.

［4］ 姚玉璧， 鄭紹忠， 楊揚， 等. 中國太陽能資源評估及其利用效率研究進展與展望［J］. 太陽能學報， 2022， 43（10）： 524-535.

YAO Y B， ZHENG S Z， YANG Y， et al. Progress and prospects on solar energy resource evaluation and utilization efficiency in China［J］. Acta energiae solaris sinica， 2022， 43（10）： 524-535.

［5］ YANG X E， LIU S L， ZOU Y L， et al. Energy-saving potential prediction models for large-scale building： a state-of-the-art review［J］. Renewable and sustainable energy reviews， 2022， 156： 111992.

［6］ 趙新民， 姜蔚， 程文明. 基于計劃行為理論的農(nóng)村居民參與人居環(huán)境治理意愿研究： 以新疆為例［J］. 生態(tài)與農(nóng)村環(huán)境學報， 2021， 37（4）： 439-447.

ZHAO X M， JIANG W， CHENG W M. Study on the willingness of rural residents to participate in the environmental governance of human settlements based on the theory of planned behavior： taking Xinjiang as an example［J］. Journal of ecology and rural environment， 2021， 37（4）： 439-447.

［7］ 呂晨， 伍鵬程， 曹麗斌， 等. 清潔取暖政策對北方農(nóng)村地區(qū)能源結(jié)構(gòu)的影響： 以鶴壁市為例［J］. 環(huán)境工程， 2019， 37（7）： 215-220， 165.

LYU C， WU P C， CAO L B， et al. Influence of clean heating policy on energy structure in northern rural areas： a" "case" "study" "of" "Hebi，" "China［J］." "Environmental engineering， 2019， 37（7）： 215-220， 165.

［8］ 任玉瓏， 劉煥， 望玉麗， 等. 基于熵權(quán)法和支持向量機的中長期電力負荷預測［J］. 統(tǒng)計與決策， 2009（14）： 46-48.

REN Y L， LIU H， WANG Y L， et al. Medium and long-term power load forecasting based on entropy weight method" "and" "support" "vector" machine［J］." "Statistics amp; decision， 2009（14）： 46-48.

［9］ LI F， LI T. Tourism consumer demand forecasting under the background of big data［J］. Mathematical problems in engineering， 2022， 2022： 4335718.

［10］ XIE L Y， ZHOU O F. What improves subjective welfare during energy transition？ Evidence from the clean heating program in China［J］. Energy and buildings， 2021， 253： 111500.

［11］ LI N， LUO X， LUO F Z， et al. Exploring the influencing factors of Chinese rural households’ clean heating choice considering the attitude-behavior gap based on two-level classification methods［J］. Energy and buildings， 2022， 273： 112357.

［12］ 張舸， 周志鵬， 周浩. 基于數(shù)據(jù)挖掘的危房改造意愿影響因素研究［J］. 建筑節(jié)能， 2022， 50（12）： 106-110， 118.

ZHANG G， ZHOU Z P， ZHOU H. Influencing factors of dangerous housing transformation willingness based on data mining［J］. Building energy efficiency， 2022， 50（12）： 106-110， 118.

［13］ CHEN J Q. Fault prediction of a transformer bushing based on entropy weight TOPSIS and gray theory［J］. Computing in science and engineering， 2019， 21（6）： 55-62.

［14］ ZOU X L. Analysis of consumer online resale behavior measurement based on machine learning and BP neural network［J］. Journal of intelligent amp; fuzzy systems， 2021， 40（2）： 2121-2132.

［15］ 孫唯， 孫佳欣， 任曉， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的鹽龍湖飲用水源水質(zhì)預測［J］. 城鎮(zhèn)供水， 2021（2）： 69-74， 109.

SUN W， SUN J X， REN X， et al. Prediction of drinking water quality of yanlong lake based on BP neural network［J］. City and town water supply， 2021（2）： 69-74， 109.

RESEARCH ON CLASSIFICATION AND PREDICTION METHOD OF

RURAL RESIDENTS’ACCEPTANCE FOR CLEAN HEATING

BASED ON MULTI-FACTOR WEIGHT ANALYSIS

Zhu Kexin1，Luo Xi2，3，Liu Xiaojun1，3，Gao Yaru1

（1. School of Management ， Xi’an University of Architecture amp; Technology， Xi’an 710055， China；

2. School of Building Services Science and Engineering， Xi’an University of Architecture amp; Technology， Xi’an 710055， China；

3. State Key Laboratory of Green Building， Xi’an 710055， China）

Abstract：In this study， a classification model based on multi-factor weight analysis （K-means-EWM-BP） is proposed to forecast the acceptability of clean heating for rural residents. Firstly， rural residents are classified based on data from a field survey by taking gender， age， education level， and total annual household income as clustering characteristics. Secondly， on the basis of classification， multi-factor weight analysis is carried out on the influence factors of the acceptability of clean heating of various rural residents. Finally， the K-mean-EWM-BP model is constructed to forecast and verify the acceptability of clean heating for rural residents.The results show that： 1） the rural residents can be divided into three categories， with 31% influenced by education level（category 1）， 43% by annual household income（category 2）， and 26% by gender（category 3）. 2） The forecasted acceptance rate of clean heating for rural residents in category 1 is 95%， the forecasted acceptance rate of clean heating for rural residents in category 2 is 100%， and the forecasted acceptance rate of clean heating for rural residents in category 3 is 72%. 3） The K-means-EWM-BP model achieves an accuracy of 91.43% in forecasting the acceptance rate of clean heating by farmers， surpassing both the EWM-BP model （with an accuracy of 87.14%） and the BP model （with an accuracy of 80%）. Meanwhile， the root mean square error of the K-means-EWM-BP model declines by 0.01 and 0.06 relative to the EWM-BP model and the BP model， respectively.

Keywords：renewable energy； rural areas； forecasting； multi-factor weight analysis； clean heating