石伟 赵春霖

摘  要： 城市公益性公墓作为惠民殡葬的重要组成部分，是重要的公共服务设施。采用大数据、人工智能等技术手段，通过对多年真实的人口数据、死亡火化数据、空间遥感地理数据等数据资源进行多粒度、多形态及多维度的汇聚、挖掘，对城市公益性公墓在服务容量预测方面的模型设计进行探索，为城市公益性公墓在服务容量、选址便民性等规划方面提供科学的数据和模型支撑。

关键词： 大数据;城市公益性公墓;服务容量

中图分类号： TP399    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.09.045

【Abstract】： As an important part of Huimin funeral， public welfare cemetery is an important public service facility. Using big data， artificial intelligence and other technical means， through the multi granularity， multi form and multi-dimensional aggregation and mining of the real population data， death cremation data， spatial remote sensing geographic data and other data resources for many years， the paper explores the model design of the service capacity prediction of the public welfare cemetery in the City， so as to facilitate the service capacity and location of the public welfare cemetery in the city Provide scientific data and model support for planning.

【Key words】： Big data; Public cemetery; Service capacity

0  引言

生老病死是人生的客观规律[1]，逝有所安是人类发展进程的必然需求，殡葬事业作为特殊的社会管理和公共服务事业，是重要的民生工程。为开展殡葬活动而建立的不以营利为目的殡仪设施、火化设施、墓地设施和骨灰安放设施等统称为殡葬公共服务设施[2]。殡葬公共服务设施包括“殡”和“葬”两部分，“殡”是殡仪设施，“葬”则是安葬设施[3]。城市公益性公墓是“葬”的重要组成部分，是不以营利为目的，为城镇居民提供安葬（安放）骨灰的社会公共服务设施[4]。城市公益性公墓建设是一项投资大、经济效益低的公共服务，要更好的实现“公益优先，节约用地，合理布局”的建设总目标需要用数据来提供规划支撑，用数据决策。通过采用hadoop、spark、flink等分布式大数据技术框架[5]，汇集、挖掘各类政务及社会数据资源，提高城市公益性公墓建设规划决策的科学化水平，提升公益性公墓公共服務能力是提升政务部门社会治理能力，实现政府治理能力现代化的实际需要[6]。

1  相关领域研究

1.1  城市公益性公墓

2012年10月29日民政部《城市公益性公墓建设标准》（征求意见稿）中对城市公益性公墓进行了界定，第一次明确提出了城市公益性公墓相关概念。各省（自治区、直辖市）以省（区、市）政府名义发布的殡葬事业指导性政策文件中都要求各地大力兴建城市型公益性公墓提供便民利民服务，明确提出每个县（市、区）至少要建设一处城市性公益性公墓。国内殡葬业在城市公益性公墓研究的主要方向是公墓建设与土地规划之间的矛盾、公墓与社会效益的关系、公墓内部的规划设计、殡葬文化与公墓景观结合等方面。城市公益性公墓在城市规划中的整体布局[7]、辐射服务区域范围及服务容量等方面针对性成果及理论都较少。

城市公益性公墓属于城市公共服务设施，其在城市规划整体布局方面可以参考公共服务设施在城市中的整体布局模型。国内外得到广泛认可的公共服务设施整体布局模型主要可分为（1）P 中位（P Median）模型，P 中心（P Center）模型，LSCP模型（location set covering problem），和MCLP模型（maximum covering location problem）[8]。上述模型针对城市公益性公墓在辐射服务区域范围及服务容量方面有一定的借鉴意义，但还需要依靠大数据技术研究人口数量[9]、密度、城镇化水平、交通条件、周边人文环境等其他限制性因素的影响。

1.2  大数据与殡葬事业

对于“大数据”（Big data），《国务院关于印发促进大数据发展行动纲要的通知》（国发〔2015〕50号）明确给予定义：大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合，正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态。目前，政府各部门、企事业单位都积极探索实际业务应用与大数据技术相结合，通过整合、汇聚各类政府与社会数据资源，从海量数据资源中挖掘所需要的数据信息[10]，为各部门科学决策提供数据资源支撑，提升政府现代化治理能力[11]。

《民政部关于印发推进“互联网+殡葬服务”行动方案的通知》（民发〔2018〕73号）[12]文件发布后，全国殡葬行业的大数据应用能力得到明显提高。因殡葬行业信息化基础薄弱，现阶段殡葬行业与大数据技术相结合研究的重点集中在殡葬行业内部业务数据资源整合，对外数据共享，建立一体化殡葬服务平台提高殡葬服务能力等方面。对应用大数据、人工智能等技术为城市公益性公墓设施的在城市总体规划中的布局及服务容量测算等方面研究基本空白。

2  大数据对城市公益性公墓的意义

目前，城市公益性公墓在建设规划及服务容量测算等方面都存在着一些问题。突出表现在各城市公益性公墓布局决策中土地规划占比较重，人口因素、城镇化因素、比邻效应等因素关注较少，造成公益性公墓整体布局不合理，服务辐射范围交叉，有效供给不足，难以满足群众基本殡葬需求。因缺乏有效的数据采集、挖掘与预测手段，城市公益性公墓在规划设计阶段对服务辐射范围内服务容量需求没有详细数据测算支撑，造成部分已建成的城市公益性公墓未达规划使用年限就出现土地存量吃紧，后续潜力低等问题，降低了整个殡葬行业的公共服务能力。

大数据的优势在于以业务需求为导向，以Hadoop、Spark和Storm技术框架[5]为基础，通过数据清洗、标准化等数据采集、数据治理手段和Modeler[13]、Knime数据挖掘工具从多维度、多粒度、多模型、多形态的数据资源中，应用Tensorflow深度神经网络计算[14]等大数据挖掘、分析类数据资源计算引擎，依托智能化的数据模型，对如人口因素、城镇化因素、比邻效应等重要因素進行数据层面分析，实现对城市公益性公墓的关键性建设指标如位置、服务容量等数据化展现，为城市公益性公墓规划设计提供科学决策依据，有效提升殡葬公共服务能力。整个大数据分析支撑框架如图1。

3  城市公益性公墓服务容量预测模型分析

城市公益性公墓建设规划阶段影响因素较复杂，需要采用的大数据计算模型较多，本文重点对城市公益性公墓服务容量预测模型进行分析。

城市公益性公墓服务容量主要体现在规划使用年限范围内（一般公墓规划年限为20年）可为服务辐射范围内提供的骨灰安葬能力及骨灰安放能力，由规划年限内公墓辐射服务范围内年基本需求量、规划迁移安置数量、已有公墓安置存量等几部分组成。整体逻辑如下：

城市性公益性公墓服务容量总量=（基本需求量①* 50%–现有公墓存量②+迁移安置用量③）

其中：按照《城市公益性公墓建设标准》（建标182-2017）[15]规定，公益性公墓的实际骨灰安葬（安放）量占当地骨灰安置需求量的估算比例为50%。

3.1  公墓辐射范围内基本需求量

城市公益性公墓辐射范围内基本需求量约等于城市区域内每年死亡人口数量（城市公益性公墓不提供遗体安葬服务）。

假定到i年公墓辐射范围内基本需求量为Ai，g为公益性公墓规划年限，S为规划建设当年死亡人口数，其中SL为60岁以上老年人死亡人口数。Z为60岁以下人口死亡率偏函数，Zl为60岁以上老年人死亡率偏函数。则公墓服务容量基本需求量如下：

目前，统计部门在应用人口死亡率时基本采用固定值7‰-7.5‰。依托大数据及人工智能技术应用能力，通过汇集卫生健康、民政及公安等部门医学死亡证明数据、火化数据及销户数据，可以计算出不同地区每年的人口死亡率。假设S省2014年到2019年火化数据（S省为火葬区，火化数据约等于死亡人口数据）如表1：

人口死亡数据测算牵扯到的客观因素非常复杂，本文将其做逻辑简化处理，重点测算60岁以上人口死亡数据。参考民政部门公布的火化数据，可以测算出60岁以上死亡人口占辖区内全部死亡人口的80%以上，基本涵盖整个公墓服务容量的基本需求。我国步入老龄化社会后，60岁老年人口占总人口比例是不断增高的。同时，因60岁以上老人占人口比例的增长速度要明显高于平均人口增长速度，其死亡率增长速度也要明显高于平均人口死亡率，故引入人口死亡率偏函数概念，分为60岁以上人口死亡率偏函数及60岁以下人口死亡率偏函数，用于计算每年人口死亡率的实际变化比率。模拟指数函数图像2如下：其中X轴为城区死亡总人数，Y轴为城区60岁以上死亡总人数，Z为死亡率。

3.2  公墓规划范围内迁移安置数估算

假定公墓规划范围内迁移安置量估算为M，按照规划部门的规划要求及划定的范围，采用逐行扫描法[16]计算空天遥感大数据[17]，对存在乱坟头的地区进行总体面积估算。通过空天遥感大数据估算存在乱坟头的面积为dy（单位：亩），经实地采样估算每亩需要迁移乱坟头平均数为dx（单位：个）。计算公式如下：

3.3  规划公墓服务辐射区域内现有公墓服务容量

规划公益性公墓辐射区域内现有公墓服务容量为C。C通过民政部门公墓管理系统中已建设（包括规划建设）公墓骨灰安置数Ca与骨灰已安置数Cb相减得到。计算公式如下：

4  模型实践应用

2019年笔者调查S省WF市散埋乱葬过程中，应用大数据技术对QZ市城市公益性公墓建设进行详细的规划测算，并依据城市公益性公墓服务容量预测模型等数据模型提交了QZ市城市公益性公墓建设方案。

通过S省殡葬管理信息平台统计出QZ市2013年到2019年之间人口火化数据统计如下表。

根据QZ市2013年到2019年之间人口火化数据（包含60岁以上老人火化数据）及城区人口火化数据（包含60岁以上老人火化数据），计算出人口死亡率偏函数Z为-0.020662及Zi为0.058448，继而计算出未来20年城区火化人口数据A20为49876具，规划建设的城市公益性公墓安置其中的50%;依托S省大数据创新服务平台（空天大数据服务平台）中的遥感地图数据，采用逐行扫描算法估算出QZ市散埋乱葬占地大约为135亩（89999M2）;经实地测量计算平均每个散埋乱葬坟头占地大约为4M2，计划迁移安置量M大约为23000具。根据《城市公益性公墓建设标准》（建标182-2017）的规定及“城市公益性公墓的墓穴安葬数量不宜高于骨灰安置安葬总量的40%”要求，估算出QZ市城市公益性公墓的服务容量及占地面积。

采用此模型计算出的城市公益性公墓服务容量符合QZ市民政部门对城市公益性公墓的长期规划并正式应用。

5  结束语

大数据作为一种资源[18]，是一种新的技术手段，也是一种应用能力，更是一种生产要素。城市公益性公墓建设作为惠民殡葬的重要组成部分，也是政府公共服务的重要组成部分。采用大数据技术及数据应用、挖掘能力，应用城市公益性公墓服务容量测算模型，促使城市公益性公墓在规划设计阶段更加科学、严谨和有效，有助于增强殡葬行业公共服务能力，提升政府治理能力及水平，提高人民群众的满意度。

参考文献

[1]刘志敏. 我国老年人的尊严需求及其实现途径[J]. 老龄科学研究， 2016， 02： 41-47.

[2]王金华. 用新的理念引领殡葬改革[J]. 中国民政， 2016， 07： 18-19.

[3]单亚林. 城市殡葬设施规划设计策略研究[D]. 黑龙江：  哈尔滨工业大学， 2012.

[4]袁治杰. 墓地上权利之重构[J]. 财经法学， 2018， 05：  93-117.

[5]焦会英， 辛存生， 刘俊艳. 大数据技术及其在智能电网中的未来应用[J]. 软件， 2018， 09： 200-202.

[6]曹潇， 雷董燕. 基于因子分析的现代农业发展水平研究——以河南省为例[J]. 软件， 2018， 12： 146-150.

[7]黎艳伟. 关于城市规划与建设节约型城市的思考[J]. 黑龙江科技信息， 2014， 35： 219.

[8]马潇雅， 刘远刚， 赵翔. 城市公共服务设施优化配置模型研究的近期进展与展望[J]. 测绘通报， 2020， 02： 9-16.

[9]刘沁， 付腾， 彭羽茜. 基于物联网大数据节能调度框架研究[J]. 软件， 2020， 03： 141-143.

[10]孙轩， 孙涛. 大数据计算环境下的城市动态治理：概念内涵与应用框架[J]. 电子政务， 2020， 01： 20-28.

[11]傅军， 李营. 提升地方政府简政放权针对性和协同性的思考[J]. 领导科学， 2018， 29， 19-21.

[12]民政部关于印发推进“互联网+殡葬服务”行动方案的通知， 2018， 民政部.

[13]孙龙杰， 俞凯君. 基于M/M/1/m/m模式的智慧图书馆微信座位预约服务平台的研究[J]. 软件， 2019， 06： 105-108.

[14]李荣龙， 胡伟. 字符候选集筛选算法评测方法研究[J]. 信息技术， 2018， 01： 100-104.

[15]刘林， 刘科伟， 董欣等. 城市墓地需求的特征及作用機理——基于西安市的实证分析[J]. 城市规划， 2018， 10： 51-62.

[16]李继龙， 周尚明， 戴昌达. 遥感分类图像斑块土地面积的自动计算方法[J]. 遥感技术与应用， 2002， 03： 158-161.

[17]吉林省装备制造业转型升级实施方案， 2017年， 吉林省政府.

[18]梅锦涛. 大数据时代数据挖掘在公安信息资源管理中的应用研究[J]. 软件， 2019， 10： 187-194.