EN中文

地球信息科学学报 >

2018 , Vol. 20 >Issue 3: 321 - 331

DOI: https://doi.org/10.12082/dqxxkx.2018.170352

地理空间分析综合应用

中国县域农村贫困的空间模拟分析

  • 冯娅娅 ,
  • 潘竟虎 , * ,
  • 杨亮洁
展开
  • 西北师范大学地理与环境科学学院,兰州 730070
*通讯作者：潘竟虎（1974-）,男,甘肃嘉峪关人,博士,教授,主要从事空间经济分析研究。E-mail：

作者简介：冯娅娅（1991-）,女,甘肃天水人,硕士生,主要从事生态环境遥感研究。E-mail：

收稿日期: 2017-07-29

  要求修回日期: 2017-12-13

  网络出版日期: 2018-03-20

基金资助

国家自然科学基金项目（41661025）

甘肃省高等学校科研项目（2016A-001）

西北师范大学青年教师科研能力提升计划（NWNU-LKQN-16-7）

收起

Analysis on Spatial Simulation of Rural Poverty at County Level in China

  • FENG Yaya ,
  • PAN Jinghu , * ,
  • YANG Liangjie
Expand
  • College of Geographic and Environmental Science, Northwest Normal University, Lanzhou 730070, China
*Corresponding author: PAN Jinghu E-mail:

Received date: 2017-07-29

  Request revised date: 2017-12-13

  Online published: 2018-03-20

Supported by

National Natural Science Foundation of China, No.41661025

Project of Educational Commission of Gansu Province of China, No.2016A-001

Research Ability Promotion Project for Young Teachers of Northwest Normal University, No.NWNU-LKQN-16-7.

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

以中国县级行政区划为研究单元,从自然和社会经济因素中选取贫困的影响因子,建立评价指标体系,利用GIS空间分析和 BP人工神经网络,模拟各县域的自然致贫指数和社会经济消贫指数,并在分析贫困内在形成原因的基础上,明晰了空间贫困的分布特征。结果显示：自然因素是现阶段中国县域主要的致贫原因,全国县域自然致贫指数的分布呈现出明显随纬度和经度地带性分布的规律,自北而南、自西而东逐次呈带状排列分布。社会经济因素对贫困起到一定的缓解作用,全国县域社会经济消贫指数的空间分布较为破碎,各省区内部县域社会经济消贫指数的变异系数均大大高于自然致贫指数的变异系数。全国贫困压力指数以“黑河-百色”一线为界,东中西差异显著,呈现“大分散、小聚集”的空间分布格局。本文识别的贫困县与国家确定的重点扶贫县在空间上具有较高的重合性。

关键词： 农村贫困; 空间模拟; BP神经网络; GIS; 中国

本文引用格式

冯娅娅 , 潘竟虎 , 杨亮洁 . 中国县域农村贫困的空间模拟分析[J]. 地球信息科学学报, 2018 , 20(3) : 321 -331 . DOI: 10.12082/dqxxkx.2018.170352

Abstract

Poverty is a common problem during the development of human society, and is also one of grand challenge to achieve sustainable development for the developing countries. Rural poverty is a major problem in the process of building a well-off society in a all-around way in China. Thus, the identification and the measurement of poverty are premise and basis of the policies of poverty eradication and poverty alleviation under implementing the new regional development. From a geographical view of county scale, we select the major influencing factors of poverty from common natural and social factors to build an evaluation index system based on spatial poverty and its related theory. First, we use Pearson correlation analysis to differentiate the poverty leading factors and poverty elimination factors. Then, we use GIS and BP Neural Network to simulate Natural Impoverishing Index (NII) and Social Economic Poverty Alleviation Index (SEPAI). We compute Poverty Pressure Index (PPI) combining natural impoverishing index and social economic poverty alleviation index, and explore the spatial distribution characteristics of poverty, revealing spatial pattern of poverty and its differentiation mechanism. We put scientific and reliable theoretical foundation to poverty alleviation and development of rural regions in China. The results show that the natural factors, such as NPP, slope, elevation, terrain, are the major impoverishing index for the study area. The social economic factors, such as the public revenue, household saving, fixed assets, are the main factors to alleviate and eliminate poverty. From the view of spatial distribution, the higher NII were mainly distributed in the west and north of China, especially in Tibet plateau and the northwest of Xinjiang, but the lower NII counties were located in the east and south with the characteristics of zonal distribution of latitude and longitude. SEPAI is positively correlated with the local economic development level in the spatial distribution. The coefficient of variation of SEPAI in provinces are significantly higher than that of NII. The poverty distribution pattern of PPI show a tendency of "large dispersion, small aggregation" by dividing Heihe: Baise Line. The characteristics of PPI represents a globally strong spatial dependence with a Moran's I coefficient of 0.33. The poverty-stricken counties identified in this paper have a high coincidence with the national key poverty alleviation counties.

Key words： rural poverty; spatial simulation; BP Neural Network; GIS; China

1 引言

区域贫困化是当今世界所面临的最严峻挑战之一,贫困、反贫困和扶贫减贫问题是学者和公众关注的焦点[1]。改革开放以来,中国政府实施了一系列扶贫减贫政策,农村贫困人口的数量快速减少,然而,对贫困地区的认定由于缺少科学、合理的识别方法支撑,一直饱受学者与公众的质疑与诟病[2]。根据瞄准尺度的不同,可将贫困识别分为家庭或个体识别以及地理识别2种类型。地理识别是指以不同尺度的地理单元为单位开展的贫困识别[3],现阶段中国的贫困面依然很大,剩余的贫困人口在空间分布上具有明显的区域性特点,这必然决定了在将来很长的一段时间内,扶贫项目的瞄准仍须以区域瞄准为主[4]。传统的贫困地区的识别主要是基于单一指标,然而仅仅依靠单一指标并不能准确地识别贫困区域及其特征,达不到空间上“精准扶贫”的目的,造成“该扶不扶”的现象[5]。若单纯依据收入等统计数据来测度贫困状况,往往缺乏地理空间视角,无法直观地明晰贫困产生的区域特征及空间地理对贫困的影响机制。在国家大力推进“精准扶贫”的背景下,从空间视角和多维度识别贫困地区,并进行类型划分,提出差别化的扶贫对策,具有重要的理论价值和深远的现实意义。
20世纪90年代以来,国际上越来越重视空间贫困的研究及其成果应用[6],从社会、经济、生态环境等多维空间视角探究以行政区划为单元的地理资源禀赋、地域空间特征、贫困空间陷阱和空间依赖性等,成为当前国内外贫困研究领域的热点[7,8]。在研究尺度上,随着GIS和遥感技术的应用、统计方法的发展和微观数据的丰富,贫困地理研究正由关注宏观层面贫困陷阱的形成机理和低水平均衡转向微观、中观和宏观多个尺度相结合。在研究方法上重视区域贫困的测算和区域贫困影响因素的定量分析。研究内容上,重点关注空间贫困陷阱的识别、多维地理因素和农村贫困耦合关系的研究、区域贫困测度以及区域瞄准及评估等方面[3]。在减贫消贫政策制定中,决策者往往很难观测和获取到贫困家庭的真实属性特征,这会在一定程度上制约精准扶贫政策的有效性[9]。由于不同空间尺度相互嵌套、关联、影响,微观尺度上的个人或家庭贫困常常受到中、宏观尺度上经济结果的影响[10],因此,仍然有必要开展中、宏观尺度视角下的贫困空间研究。目前,相关研究大都是以省级或地级市作为研究对象,鲜见针对全国范围更细化的地域单元的研究[11]。基于此,本文以县域为基本单元,摒弃传统单纯依赖统计数据进行贫困测度的做法,利用GIS、人工神经网络和多源空间数据,定量分析自然致贫因子和社会经济消贫因子对县域贫困的影响,模拟县域环境条件与贫困发生之间的关系及其空间格局,旨在为摸清全国贫困现状,为提高扶贫政策区域瞄准的精度提供科学参考。

2 指标体系与数据源

2.1 县域贫困测度的指标体系

全面深刻的区域贫困测度分析需从经济、社会、自然、生态环境等角度入手,系统表征区域的贫困表象（经济状态,硬现状）、生计能力（社会状态,软现状）和可持续发展能力（自然环境,潜在状 态）[12]。选取指标时,需要综合考虑指标的全面性、科学性、简明性、合理性和可操作性等基本原则,能够同时遵从全国尺度上空间贫困识别的多维综合性、公平性、研究对象的针对性、政策相关性以及评价数据的可获取性等扶贫要求。通过借鉴相关文献[12,13,14,15,16,17]以及中国贫困县的实际情况,并顾及当前国家全面脱贫战略的核心指标监测需求,本文以空间贫困理论和人地关系系统理论为指导,以县级行政区划为研究对象,结合自然生态环境等客观因素对缓解贫困的作用,以及贫困与自然环境、生态、资源、社会、经济等各因素间的相互影响和相互作用的动态关系,建立包含自然、生态环境、社会经济等指标在内的多维贫困测度指标体系候选集,在此基础上,根据指标的相关性与区分度对候选指标进行筛选,剔除了方差膨胀因子VIF大于10的因子,降低多重共线性的影响,最终得到表1所示的测度指标体系。
Tab. 1 Appraisement index system of rural spatial poverty

表1 农村空间贫困测度指标体系

一级指标 二级指标 单位 数据类型



自然环境		 净初级生产力（NPP）X1 gc/m2 遥感数据
集水指数X2 - 观测数据
地形破碎度X3 m 空间栅格
平均高程X4 m 空间栅格
平均坡度X5 - 空间栅格
植被湿度指数（GVMI）X6 - 遥感数据



社会经济		 人均公共财政收入X7 元/人 统计数据
人均居民储蓄余额X8 元/人 统计数据
农民人均纯收入X9 元/人 统计数据
文盲率X10 % 统计数据
每万人卫生机构床位数X11 床 统计数据
平均夜间灯光X12 - 遥感数据
要研究中国县域农村贫困的空间分布格局,首先必须甄别致贫因素和消贫因素,以及各因素对空间贫困的影响程度。本文釆用相关分析的方法对致贫因素和消贫因素进行甄别。致贫因素是导致贫困的因素,致贫因素与贫困程度呈负相关关系,致贫类指标的值越髙,则贫困的程度也就越严重;消贫因素是消除和减弱贫困程度的因素,消贫因素和贫困程度呈正相关关系,消贫类指标值越髙,贫困的程度则越低。将所选的各个指标与人均GDP做相关分析,来衡量影响县域农村贫困空间分布的致贫因素和消贫因素。根据相关分析的结果来判断致贫因素和消贫因素,数值的大小表示贫困程度的大小。
指标体系中的NPP用于反映县域生态系统生产力的强弱。地形破碎度采用各县区不同点上高程的标准差表征。合成地形指数CTI（Compound Topographic Index,CTI）是上游汇流面积（FA）和景观坡度（slope）的函数,计算公式为[18]：
CTI = ln ( FA / tan ( slpoe ) ) （1）
引入集水指数来表征某个县域的水资源的可获得性。计算公式为[15]：
AW = CTI × AP / 10000 （2）
式中：AW为集水指数;AP为年降水量。如果某县区地形平坦、集水面积大而且降水充沛,其AW就大。反之,若地形坡度大或集水面积较小,且降水又稀缺,则其AW就小。
全局植被湿度指数GVMI（Global Vegetation Moisture Index）可以综合反映植被和土壤湿度信息,表征县域生态环境的好坏。计算公式为[19]：
GVMI = ( NIR + 0.1 ) - ( SWIR + 0.02 ) ( NIR + 0.1 ) + ( SWIR + 0.02 ) （3）
式中：NIR和SWIR分别为MODIS数据产品MOD09A1的近红外波段（波段2）和短红外波段（波段6）。MOD09A1数据产品空间分辨率为500 m,时间分辨率为8 d合成。将500 m空间分辨率重采样为1 km,根据式（3）得到相应8 d的GVMI,再采用最大值合成法（MVC）得到月的GVMI,最后求得年平均值。
夜间灯光遥感数据采用空间分辨率较高的NPP-VIIRS数据,采用不变目标区域法[20]和邻域滤波法对原始NPP-VIIRS夜光影像中的异常值进行剔除。所有空间数据均采用Albers等积圆锥投影坐标系且空间分辨率均重采样为1 km,便于计算分析,其空间分布如图1所示。
Fig. 1 Spatial distribution of some rasterization index

图1 部分栅格化指标的空间分布图

2.2 数据来源与数据处理

行政边界矢量图来自于国家基础数据地理中心1:400万数据库,由于本文主要研究农村贫困问题,为研究方便,若某市辖数个市辖区,将所有的市辖区合并统一命名为“市区”,作为一个单元进行统计分析,由此得到全国共2389个县级研究单元。台湾省及香港和澳门特区数据暂缺不在研究范围内。数字高程模型（Digital Elevation Model,DEM）数据获取自美国地质调查局（USGS）网站（https://lta.cr.usgs.gov/HYDRO1K）,栅格分辨率为90 m （图1）。利用DEM在 ArcGIS软件中,将相关数据与县域行政边界矢量图叠加,统计得到各县域的地形破碎度、平均高程、平均坡度和合成地形指数。NPP数据获取自NASA的MODIS产品网站（https://ladsweb.nascom.nasa.gov）,为2013年的1 km分辨率MOD17A3年合成产品。用于计算GVMI的MOD09A1产品亦从该网站下载。2013年降水量数据取自中国气象数据网（http://data.cma.cn/）。2013年的夜间灯光数据来源于美国国家大气和海洋管理局的国家地理数据中心（NOAA’s National Geophysical Data Center,http://ngdc.noaa.gov/eog/down-load.html）,为稳定灯光产品。社会经济统计数据由2014年出版的《中国区域经济统计年鉴》[21]汇总得到,部分缺失的数据从各省市区的2014年统计年鉴获得（2013年数据）。受社会经济指标可获得性的影响,西藏自治区的部分县缺乏资料而未纳入社会经济模拟计算中。

3 研究方法

对某区域的贫困化状况进行评价,需要同时考虑多个指标,构成综合评价指标体系。空间贫困问题由于同时受到自然和社会经济因素的双重相互作用,一般都具有空间性、非线性和不确定性等特点,故不能采用简单的线性方法来进行因果分析。BP（Back Propagation）神经网络是一种采用误差反向传播算法的多层前馈人工神经网络[22],具有模型构建简单、训练算法丰富等优点。本文利用BP神经网络,在Matlab R2012b环境下模拟自然致贫指数（natural impoverishing index,NII）和社会经济消贫指数（Social economic poverty alleviation index,SEPAI）。将各自然、社会经济因子（表1）作为输入层,NII和SEPAI作为输出层,隐含层节点个数由公式 n = n i + n 0 + a 确定（n为隐含层节点个数,ni和n0分别为输入、输出层的节点个数,本文中ni和n0分别为6和1,a为1~10之间的常数）,根据以上公式经过多次实验最后确定隐含层的节点个数。经反复测试,最终确定NII和SEPAI在模拟过程中隐含层的节点个数均为5。传统 BP 算法（如traingdx）收敛速度很慢,且容易陷入局部极小值,而L-M优化算法（Levenberg-Marquardt）使用误差的导数来代替传统 BP 算法均方误差的导数,且在训练过程中使用批处理方式,大大提高了收敛速度与收敛性,所以本文采用的训练函数是L-M优化算法trainlm函数。最后,提出了贫困压力指数（Poverty Pressure Index,PPI）,根据NII和SEPAI确定研究区的PPI,表达式为：
PPI = NII × ( 1 - 0.2 × SEPAI ) （4）
式中：0.2为社会经济消贫系数,其含义是20%的SEPAI用于消除或者缓解当地的贫困。

4 中国县域贫困程度分析

4.1 贫困影响因素的相关性分析

为了得到所选指标对县域贫困压力的影响程度,有学者将各因子与人均GDP[16]或农民人均纯收入[17]做相关分析,考虑到人均GDP是衡量经济社会发展状况的最重要指标,本文釆用Person相关分析。一方面,进一步了解研究区贫困程度的主要影响因素,确定各变量与人均GDP之间的线性相关性,判断各指标是致贫因素还是消贫因素,以及各指标对贫困程度的影响性质;另一方面,确保训练和模拟BP神经网络的准确性。由于样本数量太大,本文采取了抽样方法,将全部县域按人均GDP高低排序后等间隔选了200个样本参与分析。表2为本文选取的所有因素对县域空间贫困的影响性,相关系数为负表示该因素是致贫因素,反之,则为消贫因素。从显著性水平检验结果看出,因各素对区域贫困均有显著的影响,除了集水指数X2和文盲率X10的显著性水平大于0.01外,其他都小于0.05。
Tab. 2 Results of correlation analysis

表2 相关性分析结果

X1 X2 X3 X4 X5 X6
相关性系数 -0.186 0.050 -0.155 -0.176 -0.279 -0.145
显著性水平 0.004 0.243 0.015 0.006 0.000 0.021
X7 X8 X9 X10 X11 X12
相关性系数 0.890 0.727 0.764 0.020 0.501 0.421
显著性水平 0.000 0.000 0.000 0.388 0.000 0.000
自然因素中植被净初级生产力、地形破碎度、平均坡度、平均高程、植被湿度指数与人均GDP之间呈现负相关关系;社会经济因素均与人均GDP呈现正相关关系。其中,平均坡度、人均公共财政收入、人均储蓄余额、农民人均纯收入、每万人卫生机构床位数、平均夜间灯光指数呈现极显著相关性,植被净初级生产力、地形破碎度、平均高程、植被湿度指数呈现显著的相关性。分析结果表明,选取的指标与人均GDP之间具有较高的相关性和合理性。恶劣的地形、生态、气候等自然因素多是导致贫困产生的因素,而社会经济因素多是消除和缓解贫困问题的因素。虽然集水指数与人均GDP呈现正相关关系,理应定为消贫因素,但考虑到集水指数的值越小,对贫困的影响也就越显著,故将其归为致贫因素也是合理的。本文从自然致贫因子和社会经济消贫因子中分别选取了与贫困程度相关的主要因子,建立回归方程,回归分析的结果也说明了以生态和地形为核心的恶劣的自然因素是主要的致贫因子,而社会经济的发展则是主要的消贫因子。自然因素不易改变,恶劣的生态环境条件往往是导致贫困的主要因子。
关于经济与贫困的关系,一般认为经济越落后的地区越贫困,因此将经济因子归为致贫因素。但本文认为,经济因素是消除或缓解贫困的因素;只是在经济发展比较缓慢的县区,经济因素对消除或缓解贫困的影响不是特别明显,从而导致了经济的不均衡发展,继而出现相对贫困,但其缓解贫困的作用不可否认。相关学者[23,24]通过调查研究认为扶贫的成就主要归功于经济增长,本文相关分析结果也证实了这一点。

4.2 自然致贫指数模拟与分析

自然致贫指数（Natural Impoverishing Index,NII）是指自然地理要素对贫困的致贫影响程度。本文选取地形破碎度、高程、平均坡度、NPP、GVMI和集水指数作为输入层,NII作为输出层,构建BP神经网络。输入层节点个数为6个,隐含层节点个数为5个,输出层节点个数为1个,构建了6×5×1的网络拓扑结构。训练样本的合理与否直接关系到神经网络训练结果的好坏,因此,训练等级的确定至关重要。
根据所有样本数据的最大和最小值范围,以及数据的分布特点,本文采用自然断点法进行等级划分,其优点是类间方差最大而类内方差最小。最终,将NII分为5级,致贫程度按第1级到第5级的顺序依次为低、较低、中、较高和高,具体评价标准如表3所示。按照上述确定好的评价等级标准构建并训练神经网络。输出层神经元采用purelin型传递函数,训练函数采用优化的L-M算法trainlm函数。网络训练的基本参数：学习速率0.01,最大训练次数10 000,最小误差0.001。
Tab. 3 Evaluation standard of natural impoverishing index

表3 自然致贫指数评价等级

NPP 集水指数 地形破碎度 高程 平均坡度 GVMI 等级
1 1 0.0656 0.0520 0.0792 1 1（低）
0.5530 0.5609 0.1564 0.1500 0.1860 0.7457 2（较低）
0.4005 0.3681 0.2887 0.2992 0.3194 0.5780 3（中）
0.2785 0.2441 0.5460 0.5632 0.5308 0.4508 4（较高）
0.1579 0.1423 1 1 1 0.2937 5（高）
根据上述网络和评价标准,将各县待分析样本数据输入训练好的网络,经BP神经网络模拟7次,达到预设的精度,误差为0.09%,BP神经网络的训练较好,网络运行后得出模拟各县自然致贫指数的结果。利用ArcGIS中的自然断点法将结果进行空间化显示后,得到自然致贫指数NII的空间分布格局（图2）。从图2可以看出,如果以云南盈江-辽宁盖州画一条直线,自然致贫指数NII恰好以此线为界,分为迥然不同的东西两部分,NII较低的县域几乎全部位于盈江-盖州一线的东侧,而NII较高的县域则分布在线的西侧。总体上来看,全国县域NII的分布呈现出明显的随纬度和经度地带性分布的规律：NII自北而南、自西而东逐次带状排列分布。NII很低的县（NII<2.03）有278个,多分布在北纬26°以南的省区;NII较低的县（2.37≤NII<3.59）多达780个,除了环渤海的个别县域外,全部位于北纬35°以南的区域。上述县区海拔较低,植被覆盖度高,自然条件优越,降水充沛,有利于发展农业,植被生产力高,物产丰饶。NII较高的县（3.59≥NII>2.78）有539个,集中分布在北纬33°以北的地区;其中,NII很高的县（NII>3.59）有171个,全部位于东经104°以西的西北和西南地区;NII最高的县是新疆的叶城县,其值是5.238。NII高和较高的县区则集中在中国地势的第一、二级阶梯上,地形起伏较大,气候干旱或高寒,自然环境恶劣,植被盖度低,地质灾害多发,土壤贫瘠。
Fig. 2 Spatial distribution of natural impoverishing index

图2 自然致贫指数（NII）空间分布图

统计显示（表4）,国家确定的14个连片特困区的680个贫困区县的平均自然致贫指数为2.83,高于全国所有2389个区县的平均自然致贫指数（2.56）。分片区来看（表4）,14个连片特困区中,西藏的自然致贫指数最高（4.34）,其次为南疆三地州片区（3.66）和甘青川滇四省藏区（3.61）,滇西边境山区的自然致贫指数最低（1.99）。武陵山区、乌蒙山区、滇桂黔石漠化区和罗霄山区等地处南方的片区自然致贫指数普遍低于全国平均水平,而六盘山区、大兴安岭南麓山区、燕山-太行山区、吕梁山区、秦巴山区等地处北方的片区自然致贫指数则普遍高于全国平均水平。
Tab. 4 Poverty indices of 14 contiguous specially poor areas of China

表4 14个国家连片特困区的贫困指数

贫困指数 六盘
山区		 秦巴
山区		 武陵
山区		 乌蒙
山区		 滇桂黔
石漠化区		 滇西边
境山区		 大兴安岭
南麓山区		 燕山太
行山区		 吕梁
山区		 大别
山区		 罗霄
山区		 四省
藏区		 南疆
三地州		 西藏
NII 2.82 2.72 2.29 2.33 2.10 1.99 2.99 2.91 2.84 2.39 2.29 3.61 3.66 4.34
SEPAI 0.82 1.06 0.94 0.60 0.67 0.86 0.79 1.02 0.94 0.68 0.87 0.92 0.99 -
PPI 2.64 2.68 2.26 2.95 2.26 2.82 2.09 2.44 2.33 1.95 2.01 3.15 3.00 -
分省区来看,海南省各县域的NII平均值最低,仅为1.77,NII平均值较小的省区还包括福建（2.05）、广西（2.09）、浙江（2.09）和云南（2.10）。西藏各县域的NII平均值最高,NII平均值>3的省区还包括新疆（3.74）、青海（3.67）和黑龙江（3.05）。从各省区NII值的变异系数来看,四川省的变异系数最大（0.22）,其次是新疆（0.18）和云南（0.17）,说明这些省区内部所辖各县区的自然致贫状况差异巨大,分布最不平衡。黑龙江省NII值的变异系数最小,仅为0.04,其次是宁夏和内蒙古,其变异系数均为0.05。

4.3 社会经济消贫指数模拟与分析

社会经济消贫指数（Socio-Economic Poverty Alleviation Index,SEPAI）是指社会经济因素对贫困的消贫影响程度。本文选取人均公共财政收入、人均居民储蓄、农民人均纯收入、文盲率、每万人卫生机构床位数、夜间灯光平均光强6个指标作为输入层,SEPAI作为输出层,构建BP神经网络。输入层节点个数为6个,隐含层节点个数为5个,输出层节点个数为1个,构建6×5×1的网络拓扑结构。根据所有样本数据的最大和最小值范围,以及数据的分布特点,采用自然断点法进行等级划分,将SEPAI分为5级,消贫程度按第1级到第5级的顺序依次为低、较低、中、较高和高（表5）。神经网络构建和训练方法与NII的模拟方式相同。
Tab. 5 Evaluation standards of socio-economic poverty alleviation index

表5 社会经济消贫指数评价等级

人均公共财政收入 人均居民储蓄额 农民人均纯收入 文盲率 每万人卫生机构床位数 平均夜间灯光强度 等级
0.0364 0.0531 0.0453 0.1834 0.0845 0.0254 1（低）
0.0951 0.1118 0.0964 0.2473 0.1443 0.0873 2（较低）
0.1925 0.2094 0.2021 0.3262 0.2358 0.1986 3（中）
0.5077 0.3902 0.4310 0.5363 0.4052 0.4509 4（较高）
1 1 1 1 1 1 5（高）
根据上述网络和评价标准,将各县待分析样本数据输入训练好的网络,经BP神经网络模拟9次,达到预设的精度,误差为0.08%,网络运行后得出模拟各县社会经济消贫指数的结果。利用ArcGIS中的自然断点法将结果进行空间化后,得到社会经济消贫指数的空间分布格局（图3）。从图3可以看出,与县域自然致贫指数较为规则的空间分布相比,社会经济消贫指数的空间分布更为破碎和零乱,规律性不强。SEPAI很高的县（SEPAI>3.04）仅有172个,主要集中分布在长江三角洲、珠江三角洲、京津冀、辽东半岛、山东半岛等地。SEPAI最高的是上海市辖区、北京市辖区、深圳市辖区和鄂尔多斯东胜区,SEPAI分别为4.679、4.272、4.227和4.220。SEPAI较高的县（3.04 ≥ SEPAI>2.09）有236个,空间上主要分布在SEPAI很高等级县域的外围。SEPAI很低的县（SEPAI<0.81）多达687个,在空间上近似呈“π”字形分布。SEPAI较低的县（0.81≤SEPAI<1.34）数量最多,有834个,分布在全国各地。
Fig. 3 Spatial distribution of socio-economic poverty alleviation index

图3 社会经济消贫指数（SEPAI）空间分布图

统计显示,国家确定的14个连片特困区的680个贫困区县的平均社会经济消贫指数为0.83,远低于全国所有2389个区县的平均社会经济消贫指数（1.35）。分片区来看,14个连片特困区中,乌蒙山区的社会经济消贫指数最低（0.60）,其次为滇桂黔石漠化区（0.67）和大别山区（0.68）,秦巴山区（1.06）和燕山-太行山区（1.02）的社会经济消贫指数最高,但也仍远低于全国平均水平。分省区来看,贵州省各县域的SEPAI平均值最低,浙江省最高。从各省区SEPAI值的变异系数来看,广东和宁夏的变异系数最大,其次是河南和贵州,说明这些省区内部所辖各县区的社会经济发展状况差异巨大,分布最不平衡。浙江省SEPAI值的变异系数最小,其次是内蒙古和山西。与NII的变异系数对比来看,各省区SEPAI的变异系数均大大高于NII的变异系数,即使是SEPAI变异系数最小的浙江省,也高达0.41,这说明中国各县域在社会经济消贫指数上的差异要远大于在自然致贫指数上的差异。

4.4 贫困压力指数分析

利用自然致贫指数和社会经济消贫指数,根据式（4）计算各县域的贫困压力指数,综合考虑自然和社会经济因素,能更好地反映区域的贫困现状和空间分布特征。利用ArcGIS中的自然断点法将结果进行空间分级后,得到贫困压力指数的空间分布格局图（图4）。由图4可知,全国贫困压力指数PPI以“黑河-百色”一线为界,分为迥然不同的东西两部分,PPI较低的县域几乎全部位于“黑河-百色”一线的东侧,而PPI较高的县域则分布在该线的西侧。总体来看,贫困压力指数呈现“大分散、小聚集”的空间分布格局,东中西差异显著。PPI极高、高和较高的县区分别有80、85和308个,合计占县区总数的20%;PP1>2的县区共有873个,占县区总数的37%,这些县区应当是扶贫、减贫工作的重点县对象。由于统计数据缺失,无数据区县有28个。统计显示,14个连片特困区680个贫困区县的平均贫困压力指数为2.64,大大高于全国所有2361个区县的平均贫困压力指数（1.95）。分片区来看,14个连片特困区中,南疆三地州的贫困压力指数最高（3.00）,其次为乌蒙山区（2.95）和滇西边境山区（2.82）;大别山区（1.95）和罗霄山区（2.01）的贫困压力指数最低,与全国平均水平持平或略高。分省区来看,青海省各县域的PPI平均值最高,为2.79,PPI平均值较高的省区还包括云南（2.52）、甘肃（2.47）、新疆（2.47）、四川和贵州（2.35）。江苏省各县域的PPI平均值最低（1.18）,PPI平均值<1.5的省区还包括浙江（1.42）、广东和海南（1.47）。从各省区PPI值的变异系数来看,浙江省的变异系数最大,为0.40,其次是重庆（0.37）和广东（0.35）,浙江和广东的经济发展水平虽然在全国名列前茅,但省内县区贫困的压力程度却差异较大,重庆都市功能核心区、拓展区和新区发展水平高,与渝东北和渝东南相差悬殊。内蒙古PPI值的变异系数最小,仅为0.17,其次是贵州和海南,其变异系数分别为0.18和0.19。
Fig. 4 Spatial distribution of poverty pressure index

图4 贫困压力指数（PPI）空间分布图

利用Rook标准构建了相应的空间权重矩阵,在GeoDA软件支持下计算得到中国县区贫困压力指数的全局Moran's I值为0.33,通过了1%的显著性检验,说明中国县区贫困压力指数在空间上具有较高的集聚效应。贫困压力指数PPI较高的县区,其周边县区的PPI值也比较高;贫困压力指数PPI较低的县区,其周边县区的PPI值也较低。根据各区县与其周围相邻区县的空间自相关关系,在5%的显著性水平下,把全国各区县划分为4种类型,如图5所示：高-高集聚（HH）、低-低集聚（LL）、低-高集聚（LH）和高-低集聚（HL）。由图5可知,各类型显著的数目分别为LL（565）>HH（475）>LH（49）>HL（48）。自身贫困压力大,周边县域贫困压力也大的HH型县域占到了全国县域总数的20%,这说明中国县域贫困的分布面依然很广,可称之为“贫困型”县域。HH型连片大面积分布西北和西南地区。自身贫困压力小,周边县域贫困压力也小的LL类型县区数目约占总数的23.9%,空间上没有HH型那样连续,可称之为“富裕型”县域。自身贫困压力小,但周边县域贫困压力大的LH类型的区县往往嵌入HH型分布,填空补实,称之为“桃园型”县域。自身贫困压力大,但周边县域贫困压力小的HL类型的区县则分布在LL型的周围,称之为“阴影型”,这些县域多分布在经济发达的大都市区附近,被大都市区的光环所掩盖,更应引起高度关注。
Fig. 5 The local spatial autocorrelation pattern of poverty pressure index in China

图5 县区贫困压力指数的局部空间自相关分布

新时期中国县域的空间贫困问题更多的是由自然因素造成的,而社会经济因素对县域的空间贫困则起到一定的缓解作用。部分县域的自然环境恶劣,极大地限制了区域社会经济的发展。研究显示,贫困压力较大的地区,其自然致贫指数也相应较高。如西部的新疆三地州、青藏高原、黄土丘陵沟壑区等地自然条件恶劣,地形起伏大,气候干旱或寒冷,灾害频发;滇黔桂喀斯特地区则生态环境脆弱,石漠化严重,农村可耕地面积少,水土资源匮乏,致使人地关系矛盾尖锐。上述这些地区的社会发展水平也相对落后,交通基础设施条件差;产业结构往往单一,经济发展与资源优势的反差较大,缺乏区域内生增长机制,更多地依靠外援式扶持,自我造血能力不足。贫困程度较低的东部沿海、中部平原地区和西部个别工矿城市,自然条件相对优越,气候条件好,水土资源相对丰富;地区自我发展能力较强,工农业发达,一般都具有完整的产业链,其第三产业水平也较高,吸纳劳动力就业,并且对区域和周边的辐射带动作用显著;而且这些地方的交通便利,基础设施完善,社会公共服务较为完备,社会经济消贫指数自然较高。
本文将592个重点贫困县和14个集中连片特困区的680个县合并后剔除重复的县区,共计有832个贫困县（下文统称为国家级贫困县）。将本文计算得到的贫困压力指数按县域顺次排列,亦取832个县区,与国家级贫困县进行对比。从县域数量来看,本文识别的贫困县有566个县区与国家级贫困县保持一致（图6）。数量差异较大的省份主要有河南、湖南、广西等。从空间分布上来看,本文发现贫困压力较大的区县表现出与生态脆弱区高度耦合的态势,山区、高原、丘陵以及限制开发区域成为贫困压力最为集中的区域。将本文中得到的贫困压力较大区县与国家级贫困县进行比对,可以发现：① 在空间分布上具有较高的重合性,尤其是在西北、西南、华北等集中连片较大的贫困地区,而且本文所得到的贫困区县往往都是分布在国家集中连片特困区分布的核心区内。② 本文中得到分布在中部、东北等部分省份的贫困区县在空间分布特征上呈现离散化的状态,例如在山西、江西、黑龙江、安徽等省份,而按照国家级贫困县的空间分布,这些区县都是呈集中连片分布。③ 贫困区县有自西向东、由南向北逐步减少的趋势。与国家级贫困县的空间分布相比,本文提出的贫困区县则更多是集中在西南和西北地区,这也说明了这些区县是中国今后扶贫工作的重点和难点区域,其他区县相对较好一些,位于平原地区的贫困区县扶贫压力不大,基本上达到脱贫的程度。④ 在东部和重点生态功能区有贫困县分布。本文在浙江和福建山区识别出若干贫困县,在祁连山区、黄河中上游沿河地区、新疆北部等重要生态功能区也分布有贫困县,这些都未被列入国家级贫困县的名单中。
Fig. 6 Comparison between identified in this study and state-supported impoverished counties

图6 本文识别的贫困县与国家扶贫开发重点县对比

5 结论与建议

近年来,中国在扶贫政策上先后提出了针对集中连片特困地区的扶贫攻坚和精准扶贫的政策模式。但从实施效果来看,①各集中连片区扶贫的模式基本相似,甚至雷同,政策单元过大,缺乏针对性和能够“落地”的政策举措[25]。②目前精准扶贫的设计理念仍停留在适于解决农户和个体温饱问题这一阶段,适用的政策单元偏小,缺少区域发展和农村致富的长效机制。在新时期国家扶贫政策加强顶层设计和科学部署的背景下,有必要在扶贫战略上有所创新和进行政策转型,而科学识别贫困地区是制定差别化扶贫政策的前提。本文以中国县级行政区划为研究单元,从自然和社会经济因素中选取贫困的影响因子,建立评价指标体系,利用GIS空间分析和 BP人工神经网络,模拟各县域的自然致贫指数和社会经济消贫指数,并阐述了贫困的内在形成原因,明晰空间贫困的分布特征。通过本文研究,得到以下结论：
（1）自然因素是现阶段中国县域主要的致贫原因,全国县域自然致贫指数的分布呈现出明显的随纬度和经度地带性分布的规律,自北而南、自西而东逐次带状排列分布。自然致贫指数较高的县（NII>2.78）有710个,占全国县域总数的近30%。这些县区或者地形起伏大,优质耕地资源少;或者植被覆盖低,水土,水土流失严重;或者气候干旱、寒冷,自然灾害频发。
（2）社会经济因素对贫困起到一定的缓解作用,全国县域社会经济消贫指数的空间分布较为破碎。社会经济消贫指数较低的县（SEPAI<1.34）多达1521个,约占全国县域总数的64%。这些县域社会经济发展程度低,交通等基础设施落后,社会公共服务薄弱。各省区内部县域社会经济消贫指数的变异系数均大大高于自然致贫指数的变异系数,说明中国各县域在社会经济消贫指数上的差异要远大于在自然致贫指数上的差异。
（3）全国贫困压力指数以“黑河-百色”一线为界,东中西差异显著,呈现“大分散、小聚集”的空间分布格局。本文识别的贫困县与国家确定的重点扶贫县在空间上具有较高的重合性,并呈现与生态脆弱地区高度耦合的特点。
国内外成果一方面很少考察中尺度区域内部贫困空间分异格局,另一方面国内学者针对区县水平上贫困空间差异的研究多为定性分析,定量分析成果很少见。将本文识别的贫困县与国家主体功能区规划图相叠加后发现,贫困县的分布与我国重要生态功能区的分布在空间上呈现高度的一致性。这些贫困区由于自然致贫指数高,且远离区域性中心城市,具有边缘性和封闭性的特点,阻碍了区外物质与能量输入,而其内部资源环境承载力“挖潜”的空间又较小,加之社会经济消贫指数低,基础设施配套滞后、区外先进技术的扩散迟缓,降低了资源环境的利用效率,致使经济高度依赖区域资源的环境本底。对于上述贫困县,可进一步分为生态脆弱型和生态条件待改善型2种类型,对于前者,在扶贫开发的过程中,必须重点推进生态移民,并在条件适宜的地区适度推进就地扶贫;而对于后者,则应通过不断改善当地贫困的生产生活条件,按照“点状开发、面上保护”的原则稳步推进扶贫开发,提高民生质量。县域贫困压力存在显著空间相关性的事实提示我们在减贫实践中,连片贫困区的内部各县区要加强协作交流,摒弃传统的“以邻为壑”等观念;而对于经济较发达省份内部存在较大差异的现象则启示我们,在扶贫开发过程中,要根据县域的贫困主导类型和自我发展能力,有针对性地开展扶贫与经济开发,提升效率;相对富裕和率先减贫的地区应发挥带头示范作用,加强区域中心城市的辐射力[26]。
受数据可获取性的限制,文中尚存在不足：一是在指标体系构建上,基于县域尺度的部分重要指标难以获取到官方数据,可能存有遗漏;二是本研究中所选数据为截面数据,缺乏时空格局演变分析,今后的研究中将进行完善。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Labar K, Bresson F.A multidimensional analysis of poverty in China from 1991 to 2006[J]. China Economic Review, 2011,22(4):646-668.Most studies have reported non negligible improvements for China in terms of poverty during the last three decades. However, this result is potentially hampered by two limitations. First, it may be contingent to the specific choices made regarding the poverty line and the poverty indices used for the analysis. As a consequence, it may collapse if one uses alternative poverty lines or poverty measures. Second, it results from a focus on the sole monetary aspects of poverty. As income does not cover all facets of well-being and since the relationship between these two concepts are quite fuzzy, it may be worth using a broader view of well-being, hence opting for a multidimensional approach of poverty analysis. In the present paper, these two issues are addressed using multidimensional stochastic dominance procedures on the joint distribution of income, education and health in seven Chinese provinces.Highlights? We study the changes in poverty in China during the period 1991-2006 using the joint distribution of income, education and health. ? Poverty indices show a declining trend during the whole period. ? Stochastic dominance procedures confirm in a robust manner this decrease considering those individuals that cumulate deprivations in the three dimensions. ? Results are however more fragile with larger definitions of the poverty domain or when considering shorter time span.

DOI

[2]
杨振,江琪,刘会敏,等.中国农村居民多维贫困测度与空间格局[J].经济地理,2015,35(12):148-153.从生活性消费视角出发,依据恩格尔理论和扩展线性支出系统模型建立多维贫困测度模型,对中国各省区农村居民的相对贫困空间格局及成因进行实证分析。结果表明:1我国农村居民在8个消费维度上的基本需求支出存在较大差异,"生存型"需求较高,"发展型"需求较低,各消费维度实际支出均随收入正向增长。2各消费维度实际支出普遍高于相应维度的基本需求支出,相对贫困指数存在明显的维度差异与地区差异。东部省份贫困水平普遍较低,中部次之,西部地区贫困水平普遍较高。3农村居民受教育水平越低、农业经济地位越高,相应的区域贫困指数也越大;农民收入水平的提高、收入结构的非农化和人均耕地的增加则会拉低贫困指数。自然灾害在一定程度上增加了农民外出机会和非农收入,也有利于区域贫困指数的降低。

DOI

[Yang Z, Jiang Q, Liu H M, et al.Multi-dimensional poverty measure and spatial pattern of Chinese rural residents[J]. Economic Geography, 2015,35(12):148-153.]

[3]
罗庆,李小建.国外农村贫困地理研究进展[J].经济地理,2014,34(6):1-8.农村贫困地理作为农村贫困研究的一个重要分支,其研究成果对丰富农村贫困理论和制定农村扶贫政策都具有十分重要的意义.随着普查数据的完善、地理信息技术和遥感技术的应用以及统计分析方法的发展,农村贫困地理研究呈现出一些新趋势和新特征.通过梳理近20年来国外农村贫困研究文献,从地理学视角对空间贫困陷阱的概念及存在性检验、地理因素对农村贫困形成的作用机理、区域贫困的测算及贫困地图的绘制、区域瞄准及效果评估等方面进行系统的回顾和评述,总结出国外农村贫困地理研究的特点与发展方向,提出未来国内相关研究的若干主题.

[Luo Q, Li X J.The progress of geographical research on foreign rural poverty[J]. Economic Geography, 2014,34(6):1-8.]

[4]
蔡亚庆,王晓兵,杨军,等.我国农户贫困可持续性及决定因素分析——基于相对和绝对贫困线的再审视[J].农业现代化研究,2016,37(1):9-16.我国的扶贫战略自改革开放以来获得了巨大成功,农户贫困率降低十分显著,但随着扶贫的深入,消除剩余贫困的难度也不断增大.基于浙江、湖北、云南三省1 362户农户持续10年的微观调研面板数据,综合采用统计指标和计量模型方法,分析了我国农户贫困的持续性特征及其主要影响因素.研究表明,虽然我国农户贫困主要是暂时性的,但随着贫困标准的提高,持续性贫困人口比例将显著增加,且区域分布不均衡,东西部在贫困的广度和深度上都存在显著差异.农户个体的人力资本和社会资本是其脱离持续性贫困的重要影响因素.此外,减少社会排斥将促进弱势农户提高社会资源积累,有助于农户脱离长期贫困.分散收入风险,也有利于农户摆脱长期贫困.除了人力资本、社会排斥性、收入风险等对农户贫困持续性产生影响外,地区资源禀赋,尤其是市场经济条件差异会对农户持续性贫困产生显著影响.当农户长期处于贫困,这表明其脱离贫困的难度更大,可行能力被剥夺的程度更深,应当是扶贫政策关注的重点.

DOI

[Cai Y Q, Wang X B, Yang J, et al.The persistence of poverty and its determinants: Evidence under the absolute and relative poverty line[J]. Research of Agricultural Modernization, 2016,37(1):9-16.]

[5]
刘彦随,周扬,刘继来.中国农村贫困化地域分异特征及其精准扶贫策略[J].中国科学院院刊,2016,31(3):269-287.长期以来,中国坚持政府主导推动减贫事业,在实践中不断推进扶贫开发的理论创新、组织创新和制度创新,走出了一条中国特色的扶贫开发道路,为全球减贫事业做出了巨大贡献。然而,目前中国仍有7 017万农村贫困人口,成为全面建成小康社会的最大短板。文章深入剖析了新时期中国农村贫困化基本特征,揭示了农村贫困化地域分异规律,探明了农村贫困化的主导因素,提出了科学推进精准扶贫的战略与对策。研究结果表明:贫困人口规模大、分布广、贫困程度深、脱贫难度逐渐加大,是当前中国农村贫困状况的基本特征,因病、因残、因学、因灾致贫或返贫现象突出;农村贫困人口逐渐向我国中西部深石山区、高寒区、民族地区和边境地区集聚,具有贫困户、贫困村、贫困县、贫困区(片)等多级并存的组织结构和空间分布格局;"胡焕庸线"西北部、东南部贫困人口的比重分别占16.4%、83.6%;自然环境恶劣、区位条件差、基础设施落后、区域发展不均衡及前期扶贫开发政策精准性不够等,是中国农村持续贫困的主要症结。如期实现2020年全面消除贫困,亟需扶贫工作体制机制的创新,科学推进精准扶贫战略。

[Liu Y S, Zhou Y, Liu J L.Regional differentiation characteristics of rural poverty and targeted poverty alleviation strategy in China[J]. Bulletin of Chinese Academy of Sciences, 2016,31(3):269-287.]

[6]
刘小鹏,苏胜亮,王亚娟,等.集中连片特殊困难地区村域空间贫困测度指标体系研究[J].地理科学,2014,34(4):447-453.lt;p>在阐述多维贫困和空间贫困概念内涵及其指标基础上，提出了集中连片特殊困难地区村域空间贫困测度指标体系构建的基本原则，即强调科学性和主导性原则、重视数据的可获得性和测度的可操作性、体现减贫与反贫困的新要求、突出区域性和空间刻画能力。据此，构建了包括经济、社会、环境和政策4 个维度，收入和消费、市场连通性、人口状况、学有所教、病有所医、老有所养、住有所居、劳有所得、地貌要素、自然灾害、生态安全、农业生态、粮食安全和政策的实效性共13 个指标组，27 个原始指标或生成指标构成的集中连片特殊困难地区村域空间贫困测度指标体系。进一步讨论了空间贫困测度指标的检验、获取方法和空间化等关键问题。</p>

[Liu X P, Su S L, Wang Y J, et al.Study on the index system of spatial poverty at village level monitoring in concentrated contiguous areas with particular difficulties[J]. Scientia Geographica Sinica, 2014,34(4):447-453.]

[7]
刘艳华,徐勇.中国农村多维贫困地理识别及类型划分[J].地理学报,2015,70(6):993-1007.发展多维贫困度量方法和提高贫困识别精准度是近年国际贫困研究中的热点领域,也是中国未来提高农村扶贫实践质量和效率所面临的关键问题.本文借鉴国际上关于脆弱性-可持续生计框架模型在贫困研究中的学术思想,通过建立农村多维贫困测度指标体系和地理识别方法,对中国农村开展了县域尺度的贫困地理识别,并与单维度收入贫困以及国家最新认定的扶贫开发重点县进行了对比分析,最后对识别的多维贫困县按扶贫措施相似性进行了类型划分.研究结果表明:655个县级单元被识别为多维度贫困县,涉及农村人口1.41亿人;空间分布集中连片特征显著,青藏高原及其周边的南疆三地州、黄土高原西部、滇西-川西高山峡谷区为最大的连片贫困区;有71.79％的国家重点贫困县与识别结果重叠,与国家重点贫困县对比,识别的多维贫困县在各单维度和综合维度都处于更劣势水平;多维贫困县被划分为金融资本缺乏型、人力资本缺乏型、基础建设缺乏型、金融基建兼缺型、人力基建兼缺型、生计途径缺乏型、生存条件缺乏型和发展条件缺乏型8种类型.

DOI

[Liu Y H, Xu Y.Geographical identification and classification of multi-dimensional poverty in rural China[J]. Acta Geographica Sinica, 2015,70(6):993-1007.]

[8]
陈烨烽,王艳慧,王小林.中国贫困村测度与空间分布特征分析[J].地理研究,2016,35(12):2298-2308.

[Chen Y F, Wang Y H, Wang X L.Measurement and spatial analysis of poverty-stricken villages in China[J]. Geographical Research, 2016,35(12):2298-2308.]

[9]
Ravallion M, Wodon Q.Poor areas, or only poor people?[J]. Journal of Regional science, 1999,39(4):689-711.Anti-poverty programs often target poor areas even when there is seemingly free migration. Should such programs focus instead on households with personal attributes that foster poverty, no matter where they live? Possibly not; there may be "hidden" constraints on mobility, or location may reveal otherwise hidden household attributes. Using survey data for Bangladesh we find significant and sizable geographic effects on living standards after controlling for a wide range of nongeographic characteristics of households, as would typically be observable to policy makers. The geographic structure of living standards is reasonably stable over time, consistent with observed migration patterns, and robust to testable sources of bias.

DOI

[10]
王永明,王美霞,吴殿廷,等.贵州省乡村贫困空间格局与形成机制分析[J].地理科学,2017,37(2):217-227.

[Wang Y M, Wang M X, Wu D T, et al.Spatial patterns and determinants of rural poverty: A case of Guizhou Province, China[J]. Scientia Geographica Sinica, 2017,37(2):217-227.]

[11]
潘竟虎,胡艳兴.基于夜间灯光数据的中国多维贫困空间识别[J].经济地理,2016,36(11):124-131.

[Pan J H, Hu Y X.Spatial identification of multidimensional poverty in China based on nighttime light remote sensing data[J]. Economic Geography, 2016,36(11):124-131.]

[12]
王艳慧,钱乐毅,陈烨烽,等.生态贫困视角下的贫困县多维贫困综合度量[J].应用生态学报,2017,28(8):2677-2686.作为国家扶贫开发决策实施的重要单元,贫困县贫困程度及其致贫原因的识别和评估是国家＂精准扶贫＂战略实施的前提和保障.本文从生态贫困的视角,设计了顾及自然环境-经济-社会可持续协调发展的县级别多维贫困度量指标体系,构建基于贫困指数-最小方差模型（PI-MVM）的县级多维贫困度量模型,以6个连片特困区的249个县为典型研究区,系统揭示片区-县级层面上的贫困程度、致贫原因及其空间分布特征.结果显示：各片区的综合贫困程度由北向南逐渐加重,各片区县存在＂从北向南、从东到西,贫困程度逐渐加重＂的趋势;乌蒙片区西部、秦巴片区西北部各县贫困程度的高-高聚集现象突出;秦巴中南部以及乌蒙片区受自然环境因素影响较大,贫困程度较深.一般致贫型片区县较多,主导致贫型片区县聚集在贫困程度较低的片区;经济因素对贫困的缓解作用逐渐下降,自然环境、社会发展因素的影响逐渐明显.研究结果可以更加精准地全面把握贫困县的贫困区划特征,为指导研究区早日脱贫提供辅助决策技术支撑.

DOI

[Wang Y H, Qian Y Y, Chen Y F, et al.Multidimensional and comprehensive poverty measurement of poverty-stricken counties from the perspective of ecological poverty[J]. Chinese Journal of Applied Ecology, 2017,28(8):2677-2686.]

[13]
刘小鹏,李永红,王亚娟,等.县域空间贫困的地理识别研究——以宁夏泾源县为例[J].地理学报,2017,72(3):545-557.空间贫困研究是对多维贫困理论的丰富和发展,创新空间贫困度量方法是精准配置扶贫资源和提高农村扶贫质量的关键。本文借鉴国际空间贫困研究的基本理论思想,总结出了空间贫困三维结构分析框架,构建了县域空间贫困指标体系和地理识别方法,以宁夏泾源国家扶贫开发重点县为例,开展了空间贫困地理识别。研究发现:(1)不同自然地理区SPI排序为侵蚀堆积河谷平川区(均值1.571)剥蚀构造丘陵区(均值-0.199)侵蚀构造石山区(均值-0.334),表明侵蚀构造石山区贫困程度最大,是减贫重点区域,其中3个自然地理区空间贫困的共同特点是存在经济劣势(C_4~C_7、C_(17)),主要差异是侵蚀堆积河谷平川区生态劣势(C_(25)、C_(16))经济劣势(C_5)位置劣势(C_(20))政治劣势(C_8);剥蚀构造丘陵区经济劣势(C_5~C_7、C_(17))位置劣势(C_(18)~C_(20))生态劣势(C_(16)、C_(23)~C_(25))政治劣势(C_8);侵蚀构造石山区经济劣势(C_4~C_7、C_(17))政治劣势(C_8)位置劣势(C_(18)~C_(20))生态劣势(C_(16)、C_(21)~C_(25))。(2)不同民族村SPI排序为汉族村(均值1.484)回族村(均值1.262)回汉混居村(均值-1.033),表明县域尺度上回汉混居村是减贫重点村。不同民族村空间贫困的共同特征是由于距离最近市场远(C_(17))形成的经济劣势,以及人均耕地面积(C_(23))和农作物特别经济作物种植面积小(C_(24))形成的生态劣势。不同民族村空间贫困的主要差异在于汉族村人居环境差和灾损率高形成的生态劣势,以及贷款不足(C_5)导致的经济劣势突出,回族村主要因文化知识素质较低(C_(12)、C_(13))导致进入市场的机会成本高而形成经济劣势,回汉混居村因汉族和回族生产生活方式差异,造成扶贫资源配置困难,农户对扶贫政策满意率最低(C_8),反映该类村空间贫困的政治劣势最为显著。(3)同一自然地理区域不同民族村空间贫困存在显著差异。侵蚀堆积河谷平川区汉族村、回族村和回汉混居村SPI均值分别为0.526、2.557和1.644,表明该类型区汉族村贫困程度高,经济劣势显著(C_5);剥蚀构造丘陵区回族村和回汉混居村的SPI均值分别约为0.321和-1.934,表明该类型区回汉混居村贫困程度较高,经济劣势(C_2、C_6、C_7)和生态劣势(C_(16))突出;侵蚀构造石山区汉族村、回族村和回汉混居村的SPI均值分别为1.031、-0.029和-0.842,表明该类型区回汉混居村贫困程度亦高,经济劣势(C_5~C_7、C_(17))、政治劣势(C_8)、位置劣势(C_(18)~C_(20))和生态劣势(C_(16)、C_(25))并存。因此,侵蚀堆积河谷平川区的汉族村、剥蚀构造丘陵区和侵蚀构造石山区的回汉混居村是减贫重点村。

[Liu X P, Li Y H, Wang Y J, et al.Geographical identification of spatial poverty at county scale: A case study of Ningxia Jingyan country[J]. Acta Geographica Sinica, 2017,72(3):545-557.]

[14]
Liu Y H, Xu Y.A Geographic identification of multidimensional poverty in rural China under the framework of sustainable livelihoods analysis[J]. Applied Geography, 2016,73:62-76.61A method for identification of multidimensional poverty was established.61The method better reflects the impact of multiple factors on people's livelihood.61The method targets at counties both in economic and multidimensional poverty.61Natural basis is still the key determination for China's multidimensional poverty.61The method can improve the effectiveness and sustainability of poverty reduction.

DOI

[15]
李双成,许月卿,傅小锋.基于GIS和ANN的中国区域贫困化空间模拟分析[J].资源科学,2005,27(4):76-81.中国区域贫困化产生的主导因素经历了制度因素、政策因素到自然因素的变化。本文在定量分析中国区域贫困化与自然要素关系的基础上，利用GIS和ANN（人工神经网络）技术模拟了1999年中国区域自然贫困化的空间分布。研究结果表明：地形因素如地形高程、地形破碎度、平均坡度与区域贫困化有显著的负相关关系。中国区域自然贫困化空间分布格局具有明显的空间集聚特性，自然致贫指数较高的区域集中分布在西部干旱和高寒地区、西南喀斯特地区、中部的燕山、太行山、秦巴山地。ANN模拟结果与现在中国主要贫困县分布相比较，其空间构型大体一致。

DOI

[Li S C, Xu Y Q, Fu X F.Spatial simulation using GIS and ANN for regional pauperization in China[J]. Resources Science, 2005,27(4):76-81.]

[16]
曾永明,张果.基于GIS和BP神经网络的区域农村贫困空间模拟分析——一种区域贫困程度测度新方法[J].地理与地理信息科学,2011,27(2):70-75.基于区域农村贫困程度测定方式 不完善及缺乏地理视角的现状,选取四川省36个国家级扶贫县为实证对象,构建自然社会经济全面耦合的农村贫困测度指标体系,分析区域农村贫困的影响机制, 并运用GIS与BP神经网络模拟区域自然致贫指数、社会致贫指数和经济消贫指数的空间分布格局。在此基础上,提出了全面表征区域农村贫困程度的区域扶贫压 力指数——一种新的区域农村贫困测度方法,为国家扶贫政策文件《财政扶贫资金管理办法》中关于财政扶贫资金基于区域农村贫困程度分配提供实践基础。

[Zeng Y M, Zhang G.Spatial simulation in regional rural poverty based on GIS and BP neural Network: A new appraisement method on regional rural poverty[J]. Geography and Geo-Information Science, 2011,27(2):70-75.]

[17]
刘一明,胡卓玮,赵文吉,等.基于BP神经网络的区域贫困空间特征研究——以武陵山连片特困区为例[J].地球信息科学学报,2015,17(1):69-77.lt;p>随着国家新一轮区域发展和扶贫攻坚战略的实施,连片特困地区成为新时期扶贫开发工作的主战场。本文以武陵山连片特困区县级行政区划为例,从自然和社会因素中选取主要贫困影响因子,构建评价指标体系,利用GIS 和BP 神经网络,模拟区域自然致贫指数、社会经济消贫指数,分析贫困的内在成因,探究贫困的空间分布特征,旨在为扶贫开发政策的制定和区域协调发展提供辅助决策。结果表明,研究区自然因素是主要的致贫原因,而社会因素在一定程度上起到了缓解作用。大部分县的自然致贫程度在中等以上,其中,铜仁、湘西地区程度较为严重,绝大多数贫困地区的社会经济水平不高,缓解贫困的能力不强;黔江地区、张家界地区的贫困程度较低,铜仁地区和湘西地区的贫困程度较高。各县的贫困状况和贫困程度存在较大差异,古丈、龙川,务川、正安,隆回、新化及道通、城步共同构成武陵山片区&ldquo;大分散、小聚集&rdquo;的贫困分布格局。今后的扶贫开发过程中,应充分考虑自然致贫因素,深入挖掘区域资源优势,加强区域间的交流与协作。</p>

DOI

[Liu Y M, Hu Z W, Zhao W J, et al.Research on spatial characteristics of regional poverty based on BP neural network: A case study of Wuling Mountain Area[J]. Journal of Geo-information Science, 2015,17(1):69-77.]

[18]
Sørensen R, Zinko U, Seibert J.On the calculation of the topographic wetness index: Evaluation of different methods based on field observations[J]. Hydrology and Earth System Sciences, 2006,10:101-112.The topographic wetness index (TWI, ln(a/tan?)), which combines local upslope contributing area and slope, is commonly used to quantify topographic control on hydrological processes. Methods of computing this index differ primarily in the way the upslope contributing area is calculated. In this study we compared a number of calculation methods for TWI and evaluated them in terms of their correlation with the following measured variables: vascular plant species richness, soil pH, groundwater level, soil moisture, and a constructed wetness degree. The TWI was calculated by varying six parameters affecting the distribution of accumulated area among downslope cells and by varying the way the slope was calculated. All possible combinations of these parameters were calculated for two separate boreal forest sites in northern Sweden. We did not find a calculation method that performed best for all measured variables; rather the best methods seemed to be variable and site specific. However, we were able to identify some general characteristics of the best methods for different groups of measured variables. The results provide guiding principles for choosing the best method for estimating species richness, soil pH, groundwater level, and soil moisture by the TWI derived from digital elevation models.

DOI

[19]
Ceccato P, Gobron N, Flasse S, et al.Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1: Theoretical approach[J]. Remote Sensing of Environment, 2002,82(2-3):188-197.This paper describes the methodology used to create a spectral index to retrieve vegetation water content from remotely sensed data in the solar spectrum domain. A global sensitivity analysis (GSA) using radiative transfer models is used to understand and quantify vegetation water content effects on the signal measured at three levels: leaf, canopy, and atmosphere. An index is then created that optimises retrieval of vegetation water content (in terms of water quantity per unit area at canopy level) and minimises perturbing effects of geophysical and atmospheric effects. The new index, optimised for the new SPOT-VEGETATION sensor, is presented as an example. Limitations and robustness of the index are also discussed.

DOI

[20]
Yu Bailang, Shi Kaifang, Hu Yingjie, et al.Poverty evaluation using NPP-VIIRS Nighttime Light Composite Data at the county level in China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8(3):1217-1229.Poverty has appeared as one of the long-term predicaments facing development of human society during the 21st century. Estimation of regional poverty level is a key issue for making strategies to eliminate poverty. This paper aims to evaluate the ability of the nighttime light composite data from the Visible Infrared Imaging Radiometer Suite (VIIRS) Day-Night Band (DNB) carried by the Suomi National Polar-orbiting Partnership (NPP) Satellite in estimating poverty at the county level in China. Two major experiments are involved in this study, which include 1) 38 counties of Chongqing city and 2) 2856 counties of China. The first experiment takes Chongqing as an example and combines 10 socioeconomic variables into an integrated poverty index (IPI). IPI is then used as a reference to validate the accuracy of poverty evaluation using the average light index (ALI) derived from NPP-VIIRS data. Linear regression and comparison of the class ranks have been employed to verify the correlation between ALI and IPI. The results show a good correlation between IPI and ALI, with a coefficient of determination (R2) of 0.8554, and the class ranks of IPI and API show relative closeness at the county level. The second experiment examines all counties in China and makes a comparison between ALI values and national poor counties (NPC). The comparison result shows a general agreement between the NPC and the counties with low ALI values. This study reveals that the NPP-VIIRS data can be a useful tool for evaluating poverty at the county level in China.

DOI

[21]
国家统计局农村社会经济调查司.中国县域统计年鉴[M].北京:中国统计出版社, 2015.

[Department of Rural Survey of National Bureau of Statistics. China Statistical Yearbook(County-Level)[M]. Beijing: China Statistics Press, 2015.]

[22]
李云良,张奇,李淼,等.基于BP神经网络的鄱阳湖水位模拟[J].长江流域资源与环境,2015,24(2):233-240.lt;p>考虑到鄱阳湖水位受流域五河与长江来水等多因素的共同作用而表现出高度非线性响应，采用典型的三层BPNN神经网络模型来模拟鄱阳湖水位与其主控因子之间的响应关系。分别将湖口、星子、都昌、棠荫和康山水位作为目标变量进行BPNN模型构建和适用性评估。结果显示：综合考虑流域五河及长江来水（汉口或九江）的BPNN水位模型，空间站点水位模拟精度（R2和Ens）可达090以上，各站点的均方根误差（RMSE）变化范围约050～10 m，若忽略长江来水的影响作用，仅将流域五河来水作为湖泊水位的主控影响因子，模型训练期与测试期的纳希效率系数（Ens）和确定性系数（R2）显著降低，且低于050，均方根误差（RMSE）也明显增大（124～288 m），意味着综合考虑流域五河与长江来水是获取结构合理、精度保证的鄱阳湖水位模型的重要前提。同时建议针对鄱阳湖湖盆变化对水位的影响，尽可能选择一致性较好的长序列数据集来训练和测试BPNN模型。所构建的BPNN神经网络模型可进一步结合流域水文模型，用来预测气候变化与人类活动下流域径流变化对湖泊水位的潜在影响，也可作为一种有效的模型工具来回答当前鄱阳湖一些备受关注的热点问题，如定量区分流域五河与长江来水对湖泊洪枯水位的贡献分量，为湖泊洪涝灾害的防治和对策制定提供科学依据</p>

DOI

[Li Y L, Zhang Q, Li M, et al.Using BP neutral networks for water level simulation in Poyang Lake[J]. Resources and Environment in the Yangtze Basin, 2015,24(2):233-240.]

[23]
Huang J K, Zhang Q, Rozelle S, et al.Determinants of rural poverty reduction and pro-poor economic growth in China[M]. India: Poorest & Hungry Assessments Analyses and Actions, 2009.

[24]
康晓光. 中国贫困与反贫困理论[M].南宁:广西人民出版社,1995.

[Kang X G.The poverty and anti-poverty theory of China[M]. Nanning: Guangxi People's Press, 1995.]

[25]
周侃,王传胜.中国贫困地区时空格局与差别化脱贫政策研究[J].中国科学院院刊,2016,31(1):101-111.

[Zhou K, Wang C S.Study on spatial-temporal patterns of poverty-stricken areas and their differential policies of poverty alleviation in China[J]. Bulletin of Chinese Academy of Sciences, 2016,31(1):101-111.]

[26]
刘彦随,李进涛.中国县域农村贫困化分异机制的地理探测与优化决策[J].地理学报,2017,72(1):161-173.

[Liu Y S, Li J T.Geographical detection and optimization decisions of the differenstiation mechanisms of rural poverty in China[J]. Acta Geographica Sinica, 2017,72(1): 161-173.]

Options
文章导航

/

〈 〉