AI驱动的市政绩效优化运营可持续治理框架:来自约旦的实证证据

《Sustainability》:AI-Driven Operational Sustainable Governance Framework for Municipal Performance Optimization: Empirical Evidence from Jordan

【字体: 大 中 小 】 时间:2026年08月01日 来源:Sustainability 4.1

编辑推荐:

  在面临财政压力、人口增长、服务交付复杂性以及对基于证据的运营可持续性和市政效率需求日益增长的情况下,提高市政效率和治理韧性变得日益关键。然而,先前的研究大多分别考察了市政效率评估、预测分析和优化技术,限制了它们在公共部门治理中对综合决策支持的实际价值。为了解决

  
在面临财政压力、人口增长、服务交付复杂性以及对基于证据的运营可持续性和市政效率需求日益增长的情况下,提高市政效率和治理韧性变得日益关键。然而,先前的研究大多分别考察了市政效率评估、预测分析和优化技术,限制了它们在公共部门治理中对综合决策支持的实际价值。为了解决这一差距,本研究提出了一个结合数据包络分析 (DEA)、机器学习和元启发式优化的综合分析框架,以支持约旦市政的运营可持续性和治理韧性。实证分析基于涵盖2011-2020年期间20个约旦市政的面板数据。首先,采用基于投入导向的 CCR、BCC 和基于松弛变量的测度 (SBM) DEA模型来估计技术效率、纯技术效率、规模效率和松弛调整效率。其次,采用随机森林、极端梯度提升、支持向量机 (SVM) 和人工神经网络模型,基于时间标准的验证程序,预测源自 DEA 的效率得分。第三,采用粒子群优化 (PSO) 技术,确定在运营和财务上可行的市政资源分配方案。研究结果表明,各市政之间的效率存在显著差异。此外,存在许多改善市政治理可持续性和绩效的可能性。在预测模型方面,与其他模型相比,随机森林表现出更高的预测准确性。
在面临财政压力、人口增长及外部冲击(如叙利亚难民危机和COVID-19大流行)等多重挑战的背景下,发展中国家市政当局在有限的资金和行政能力下提升公共服务交付效率的需求日益凸显。传统的市政绩效评估方法多侧重于财务问题,且存在共同的方法论碎片化问题:效率评估(如 DEA)、预测分析(如机器学习)和资源优化往往是独立进行的,无法形成闭环的治理决策机制。为了填补这一研究空白,研究人员开展了一项旨在构建闭环治理支持系统的研究,提出并验证了一个整合 DEA、机器学习和 PSO 技术的综合分析框架。研究得出结论,该框架不仅能诊断历史效率,还能预测未来趋势,并在实际财政约束下生成可行的资源分配方案,对促进市政管理的运营可持续性和治理韧性具有重要意义。该论文发表在《Sustainability》期刊上。

在关键技术方法方面,研究人员主要运用了以下几种技术开展研究:首先,利用面板数据进行非参数前沿分析,采用包括 CCR、BCC 和基于松弛变量的测度 (SBM) 模型的数据包络分析 (DEA) 以评估市政技术、纯技术和规模效率,并引入 Malmquist 生产力指数 (MPI) 评估跨期生产率变化。其次,将 DEA 计算得出的 BCC 效率得分作为目标变量,应用随机森林 (RF)、极端梯度提升、支持向量机 (SVM) 和人工神经网络 (ANN) 进行时间序列验证和预测建模。最后,采用粒子群优化 (PSO) 这一元启发式方法,将 SBM 识别出的投入松弛变量转化为支出约束条件,生成在财政限制下的最优资源分配方案。该研究所用样本队列来源于约旦地方行政部 (MoLA) 审计的2011至2020年20个约旦市政的平衡面板数据。

在研究结果方面,具体发现如下:

DEA效率结果
通过运用 CCR 和 BCC 模型分析市政投入产出数据,得出约旦市政在规模和技术上均存在低效问题,且市政间效率存在显著高度异质性。研究期内有五个市政达到100%平均效率,而效率最低的市政仅为64.51%。此外,BCC 和 CCR 模型的对比表明了规模效应的影响,而 SBM 分析指出了超额运营成本等特定的非径向无效率来源。

效率异质性分析
通过对比不同市政的 BCC 效率得分,发现市政效率存在持续异质性。效率水平在前几年有所下降,此后 municipal 间的差异出现收敛趋势。结果表明,面临更紧财政条件或人口负担较重的市政在实现高效运营时面临更大困难。

市政规模与区域的效率差异
通过按市政规模及城乡环境对效率得分进行分组比较,结果表明规模和区域对效率有显著影响。大型市政的效率普遍高于小型市政,城市市政的效率也略高于农村市政,证实了规模经济和人口密集等结构性因素对市政绩效的驱动作用。

机器学习预测结果
通过执行重复5折交叉验证和外部时间验证,比较了四种机器学习算法在预测市政 DEA 效率得分上的表现。结果表明,经过超参数调整后,XGBoost 实现了最高的交叉验证性能,而随机森林 (RF) 展现出同样极具竞争力的预测精度和最稳定的时间外泛化性能。相比之下,SVM 和 ANN 的预测能力较弱,证明在小样本数据集中集成学习方法更为有效。

特征重要性与模型解释性分析
通过特征重要性和偏依赖图量化市政特征对效率的预测贡献,显示所服务人口是结构性的主导预测变量,在解释效率异质性方面占总预测重要性的47.3%。工资和薪水支出 (WSE) 和经常及资本转移 (CCT) 等财政变量的特征重要性平均贡献率分别为16.9% 和16.0%,表明支出结构和政府间转移支付依赖在市政绩效预测中具有核心作用。

元启发式优化结果
通过基于预算分布设定的上下限约束实施粒子群优化 (PSO),得出在现实财政限制下能够提升运营效率的支出分配场景。与未约束优化产生退化分配方案不同,结合 SBM 松弛限值的 PSO 能够在保证公共服务连续性的前提下,生成与高效率同侪组相似的平衡型支出结构,并在±10%的预算波动中保持资源结构的稳定。

在讨论与结论部分,研究人员总结了集成框架的关键理论与实践贡献。研究结论表明,将前向基准评估 (DEA)、预测分析 (机器学习) 和约束优化 (PSO) 整合在一个闭环治理架构中,能够有效突破传统事后评估的局限。该集成框架的经验验证提供了对市政运营效率驱动因素的有力见解。首先,规模经济是市政绩效的关键解释因素,大型城市和中心城区得益于更强的行政能力和基础设施而表现出更高的效率;其次,支出结构而非单纯的资金总量决定了市政的运营效率;最后,人口规模是影响公共服务交付和效率异质性的根本性结构因素。

研究指出,该框架为市政决策者提供了一个透明且可复现的工具,用于基准绩效、识别效率驱动因素并评估可行的资源分配场景。除了传统的效率评估,机器学习算法通过识别非线性模式能够准确预测未来绩效,特别是经过适当的 L1/L2 正则化后,能够显著缓解小样本数据集的过拟合风险,提高模型的泛化能力。此外,将 DEA 识别的 SBM 松弛直接参数化到资源优化的数学规划中,确保了优化方案的现实可行性,避免了对已过度投入领域的资源累加。本研究在方法论和实践层面均证实了数据驱动的综合评估对增强市政运营可持续性治理的重要意义。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号