1.评估分析
水利水电工程移民监测评估的根本目的是在掌握移民样本村、户的情况后,对移民整体安置情况作出综合性的或关键性的评估。通过评估,得出结论、预测和建议,供项目业主、贷款单位和实施机构决策时使用。评估是在监测调查结束之后,对监测结果进行汇总和过滤时就开始的。
监测评估主要是对比分析。而对比分析是以规划、本底调查结果、前期评估结果以及国家政府、国际金融组织,如世界银行、亚洲开发银行等的“标准”和“条例”等为基础的。
评估前,应根据监测评估的主要内容、移民实际搬迁进度、有关文件的规定和标准,确定评估指标。在评估时,首先要将在移民监测中发现的问题全部进行过滤、归纳和排队,对问题的重要程度及地位作出合理的分析。然后,分别采用定性或定量的方法进行计算。在准定量、定量分析中,要确定评估对象的数量特征。
进行单项分析评估是较容易的,但移民搬迁后,往往在有些方面得到改善,而有些方面不如以前。例如搬迁后房屋和交通条件得到了改善,但收入机会可能减少,社会互助网络可能受到影响,这就需要进行综合评估。详细的评价方法,请参见第五章的内容。
2.评估预测
为了向项目业主、贷款单位和项目实施单位提供决策依据,在评估过程中,需要对某些事项作出预测。常用的预测方法有:(www.xing528.com)
(1)德尔菲法。它是一种定性预测方法。该法根据有专门知识的人的直接经验,对研究的问题进行判断、预测,也称专家调查法。该法的特点是具有反馈性、匿名性和统计性。其一般预测程序为:提出问题,明确预测目标,用书面通知被选定的专家;专家根据自己的知识和经验,对所预测的事物的未来发展趋势提出自己的预测,并说明其依据和理由,书面答复主持预测的单位;主持预测的单位对专家的预测意见汇总、归纳、整理后,再寄给各位专家,要求修改原来的预测;专家修改预测后再寄回主持预测的单位;如此反复征询、归纳、修改,直到预测意见基本一致为止。
(2)数理统计回归分析法。回归分析法通过一个变量或一些变量的变化解释另一变量的变化,其主要内容和步骤是:首先,根据理论和对问题的分析判断区分自变量和因变量;其次,设法找出合适的数学方程式(即回归模型)描述变量间的关系;由于涉及到的变量具有不确定性,还要对回归模型进行统计检验;统计检验通过后,可以利用回归模型,根据解释变量去估计、预测因变量。在考虑移民样本家庭消费支出与可支配收入之间的关系时,显然家庭消费支出依赖于可支配收入。并且,通过监测调查可以观测到,随着可支配收入变化,样本家庭的消费支出也相应发生变化。因而,可以采用回归分析方法来描述它们之间的关系,并对样本家庭的消费水平作出预测。但除了可支配收入外,还有诸如家庭成员数、年龄构成、消费习惯、地理位置、商品供应条件等因素都会影响样本家庭的消费支出。因此,在进行预测前,需对回归模型进行统计检验,以确定自变量对因变量的解释程度。
(3)时间序列平滑预测法。在移民监测评估中,许多数量随着时间在不断地变化,它们的监测值形成一个时间序列。因而,可以采用时间序列平滑预测法对它们的发展进行预测。最常用的有移动平均法和指数平滑法。一次移动平均法是收集一组观测值,用其平均值作为下一期的预测值;新的观测值出现后,将其加入移动平均,并从原移动平均中减去最早的观测值以保持移动平均中观测值的个数不变;加入新观测值后的新移动平均值作为新的下一期预测值。如此递进,不断用新的移动平均值作新的预测。一次指数平滑法考虑到新的观测值对预测的影响要大于早期的观测值,因而赋予它一个较大的权数。更高次的移动平均法和指数平滑法可以消除一次移动平均法和一次指数平滑法中的误差和预测滞后现象。详细内容请参考有关统计预测书籍。
(4)灰色预测法。在移民生产生活恢复和发展过程中存在着许多不确定的因素,因而许多现象是随机的。如移民的收入和生活水平恢复过程既受到生产条件的影响,也受到市场的制约。但它们的变化毕竟是有序的,因此其数据集合具有潜在的规律性。灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理来寻找系统变动的规律。然后,建立相应的微分方程模型,从而预测事物未来的发展趋势。灰色预测用等时距观测到的反映对象特征的一系列数量值构造灰色预测模型,预测未来某一时刻的特征量,或达到某一特征量的时间。小浪底水库移民社会经济发展监测评估每半年获得一次监测数据,具备采用灰色预测的基本条件,同时也需要预测移民收入和生活水平恢复到原有水平所需的时间。因而,在移民后评估阶段,应采用灰色预测法对其进行预测。
(5)综合评价法。综合评价法是国际上近来对宏观问题预测发展起来的一种新方法。它的实质是将数理统计分析方法和经验判断法综合起来而形成的一种新的评价方法。这种方法取上述两种方法之长,避免其局限性,从而达到对问题预测比较准确,提出的对策更加合理。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。