EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 1: 69 - 77

DOI: https://doi.org/10.3724/SP.J.1047.2015.00069

Orginal Article

Research on Spatial Characteristics of Regional Poverty Based on BP Neural Network: A Case Study of Wuling Mountain Area

  • LIU Yiming , 1, 2, 3 ,
  • HU Zhuowei , 1, 2, 3, * ,
  • ZHAO Wenji 1, 2, 3 ,
  • WANG Zhiheng 4
Expand
  • 1. Beijing key Laboratory of Resource Environment and Geographic Information System, Capital Normal University, Beijing 100048, China
  • 2. Key Laboratory of 3-Dimensional Information Acquisition and Application, Ministry of Education, Capital Normal University, Beijing 100048, China
  • 3. State key Laboratory Incubation Base of Urban Environmental Processes and Digital Simulation, Capital Normal University, Beijing 10048, China
  • 4. School of Geology and Geometrics, Tianjin Chengjian University, Tianjin 300384, China
*Corresponding author: HU Zhuowei, E-mail:

Received date: 2014-04-23

  Request revised date: 2014-08-15

  Online published: 2015-01-05

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

With the implementation of new regional development and poverty alleviation strategy, contiguous destitute region shave turned into the main battle field to promote poverty alleviation and development. Selecting the contiguous destitute regions in Wuling Mountain as the study area, taking county as the study unit, this paper selects the main influence factors of poverty from common natural and social factors to build an evaluation index system. Using GIS and BP Neural Network, this paper simulates natural impoverishing index and socio-economic poverty alleviation index, analyses the reason of regional poverty from the perspective of nature and society, and explores the spatial distribution characteristics of poverty in order to provide decision support for establishing policies for poverty alleviation and development, and achieving regional harmonious development. The results show that the natural factors, such as terrain, slope, and disaster, are the main impoverishing index for the study area. The socio-economic factors, such as education, road, and medical care, could alleviate poverty to some extent. The natural poverty degree for most counties in the study area is above average, in which the Tongren and Xiangxi regions have relatively high level of poverty. Most destitute areas have low socio-economic level, and their ability to alleviate poverty is not strong. The degree of poverty in Qianjiang and Zhangjiajie regions is lower, while in Tongren and Xiangxi regions is higher. Large differences exist between these counties’ poverty situations. Guzhang, Longchuan, Wuichuan, Zhengan, Longhui, Xinhua, Daotong, and Chengbu together constitute the poverty distribution pattern of "large dispersion, small aggregation" in Wuling Mountain area. In the process of poverty alleviation and development, considerations should be given to the natural factors, and take advantage of local nature resources, especially the mining resources. According to the poverty type and self-development ability, different regions are compatible with different approaches. Meanwhile, the contiguous destitute regions in Wuling Mountain area should interactively strengthen their exchange and cooperation.

Key words： BP neural network; Wuling Mountain contiguous destitute region; poverty; spatial distribution

Cite this article

LIU Yiming , HU Zhuowei , ZHAO Wenji , WANG Zhiheng . 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 . DOI: 10.3724/SP.J.1047.2015.00069

1 引言

随着扶贫政策的调整,以及“中国农村扶贫开发纲要（2001-2010年）”目标任务的完成,中国的贫困格局呈现出新的特点,绝对贫困人口在分布上呈现出向边远山区、民族聚居区、革命老区、省际交界区等区域集中的大分散、小集中态势。这些贫困人口集中区被称为集中连片特殊困难区（简称连片特困区）。随着国家新一轮区域发展和扶贫攻坚战略的实施,解决连片特困地区的贫困落后问题,成为从中央到地方的共识,连片特困地区是新时期扶贫开发工作的主战场[1]。
连片特困区覆盖面积广,内部差异明显,贫困问题具有较强的时空分布特征。贫困的发生与贫困个体,以及个体所处的自然社会环境密切相关,区域贫困差异会随着空间和时间尺度的变化而表现出很大的差别,从而增加了扶贫开发工作的复杂性和不确定性[2-5]。因此,解决片区的贫困落后问题,要综合考虑自然和社会等多方面的因素,寻找致贫原因,把握贫困的空间分布特征,进而有针对性的进行扶贫开发工作。
目前,贫困问题的研究主要是利用贫困发生率、贫困广度、基尼系数、多维贫困指数,以及Fα系列贫困指数等方法[6-9]。这些方法主要依赖社会经济数据,而较少考虑自然环境因素对贫困的重要影响,难以全面反映大范围内区域贫困的空间差异与内在机制。同时,现有研究更多集中在某一省份或某一流域[10-12],对连片特困区贫困问题及其空间分布特征的综合性研究较少。
近年来,随着空间信息技术的广泛应用和数学方法的发展完善,贫困问题研究出现了新的技术方法。其中,地理信息系统（Geographic Information System,GIS）、遥感（Remote Sensing,RS）等技术逐步应用到贫困地区土地资源优化配置、生态脆弱性评价等扶贫辅助决策工作之中,主成分分析法,熵权法、模糊分析、神经网络等数学方法也贫困问题研究分析过程中发挥了重要作用[12-14]。
武陵山片区贫困成因相互交织、构成关系复杂,贫困维度多元、面广量大,贫困程度深且脆弱性强[15]。本文结合研究区的特点,从自然和社会经济两方面探讨贫困的深层次原因,分析贫困空间分布的特征,为科学制定扶贫开发政策、提出相应的解决方案和措施、有效实现减贫和区域协调发展提供科学参考。

2 研究区地理背景

武陵山片区位于湖北、湖南、重庆、贵州4省的交界地区,介于107°4′0″~112°0′0″E,25°52′40″~ 31°19′8″N,总面积17.18 km2,包括湖北11个县市、湖南37个县市区、重庆7个县区、贵州16个县市,其细分为湘西片区、怀化片区、邵阳片区、张家界片区、黔江片区、恩施片区、铜仁片区。至2010年末,总人口3645万人,其中,城镇总人口853万人,乡村人口2792万人。境内有土家族、苗族、侗族、白族、回族和仡佬族等9个少数民族[15]。武陵山片区集革命老区、民族地区和贫困地区于一体,是跨省交界面大、少数民族聚集多、贫困人口分布广的连片特困地区（图1）。
Fig. 1 Location and administrative divisions of study area

图1 研究区地理位置与行政区划

武陵山区地处我国三大地形阶梯中的第一级阶梯向第二级阶梯的过渡带,武陵山脉贯穿黔东、湘西、鄂西、渝东南地区,属亚热带向暖温带过渡气候类型,水资源蕴藏量大,土地资源丰富,矿产资源品种多样,区内森林覆盖率达53%。
作为全国集中连片特困区,武陵山片区国家级贫困县36个,高达50.70%,占全国贫困县的6.08%。基础设施薄弱,市场体系不完善;经济发展水平低,特色产业滞后;社会事业发展滞后,基本公共服务不足;生态环境脆弱,承载能力有限;区域发展不平衡,城乡差距大。

3 数据源与处理

本文的研究数据及来源如表1所示。
Tab. 1 Data and data sources

表1 数据及来源

名称 来源
行政边界矢量数据 研究区扶贫办
90 m空间分辨率DEM数据 地球系统科学数据共享平台
综合灾情指数（SDI） 民政部国家减灾中心提供,并通过公式计算得到
初级净生产力（NPP） 利用中国气象局监测数据计算得到
NDVI空间分布数据 2010年研究区Landsat TM遥感影像
社会经济数据 研究区所辖区县统计年鉴,以及2010年国务院扶贫办片区监测数据
以上空间数据在使用之前进行了投影转换、地理配准、裁切、重采样等预处理。
利用研究区数字高程模型（Digital Elevation Model,DEM）数据（空间分辨率为90 m）,在ArcGIS中,将相关数据与武陵山片区行政边界矢量图叠加,统计得到各行政单元的地形破碎度、平均坡度、植被指数、综合灾情指数数据。
初级净生产力（NPP）是绿色植物通过光合作用,在单位时间和单位面积上吸收和固定的有机干物质总量。它与蒸发量、温度、降水等有关,可通过它反映地区生态系统生产力的强弱[16]。利用Thornthwaite模型[17]对中国气象局2010年台站监测数据进行计算,并通过ArcGIS的空间插值和分区统计工具得到各区县的初级净生产力。初级净生产力计算公式如下所示：
NPP = 3000 ( 1 - e - 0.0009596 ( V - 20 ) ) （1）
V = 1.05 R 1 + ( 1 + 1.05 R / L ) 2 （2）
L = 3000 + 25 t + 0.05 t 3 （3）
式（1）-（3）中,NPP为初级净生产力;V为年实际蒸散量;L为该地年蒸发量;t为年均温;R为年降水量。
综合灾情指数（SDI）是对一系列灾情评价因子进行归一化、加权求和,得到定量化的灾害评估指数,能综合反映地区灾情信息[18]。根据武陵山片区自然灾害的特点、发生频次,以及造成的影响程度,选取旱灾、洪灾、地质灾害作为灾情评价因子。计算公式如下所示：
SDI = ∑ ∑ F i × R j （4）
式（4）中,Fi为灾害因子的权重,Rj为归一化之后的灾害因子, ( i = 1,2 … n ; j = 1,2 … m ) 。
由于数源和数据性质存在较大差异,且量纲不统一,为方便计算分析,需对原始数据进行归一化处理。本文采用的归一化方法如下所示：
Y = X - X min X ( max ) - X （5）
式（5）中,Y为归一化之后的值,X为归一化之前的值。

4 研究方法与指标体系的建立

4.1 研究方法

区域贫困问题,在自然和社会因素的综合作用下,具有非线性、不确定性及空间性等特点,采用线性方法所进行的简单因果分析往往难以获得理想结果。
BP（Back Propagation Neural Network）神经网络是神经网络中应用最广泛的一种多层前馈型神经网络,由输入层、输出层和一个或若干个隐藏层构成,每一层包含若干个神经元,层与层之间神经元通过连接权重及阈值互连。BP神经网络通过对已知样本的学习和训练,可以模拟出复杂系统各相关因子的内部关系和规律,受主观因素的影响较小,真实客观、结构简单、灵活性好,在预测、优化及评价等方面应用广泛[19-22]。
本文利用GIS工具进行指标空间数据处理,其结果作为BP神经网络的输入样本,通过反复学习、修正权重,模拟计算出自然致贫指数和社会经济消贫指数。同时,将贫困程度与研究区的贫困发生率、贫困线指数进行相关分析,最终确定研究区贫困程度的计算公式：
RDP = NPI × ( 1 - 0.1 × EPAI ) （6）
式（6）中,RDP为区域贫困程度;NPI为自然致贫指数;EPAI为社会经济消贫指数。0.1为社会消贫系数,其含义是10%的社会经济消贫指数用于消除或缓解当地贫困。
鉴此,分析自然和社会因素对区域贫困的影响,揭示区域贫困程度以及空间分布状况,其技术流程如图2所示。
Fig. 2 Technique flowchart

图2 技术路线

4.2 建立指标体系

本文选取农民人均纯收入作为反映研究区贫困程度的核心指标。参考国务院扶贫办新阶段扶贫统计监测的指标体系,结合研究区贫困空间分布的特征,从自然因素和社会因素中,选取与贫困相关的主要影响因子,构建评价模拟指标体系。自然因素中,武陵山片区海拔高,地形起伏大,植被覆盖度高,洪涝和旱灾频发,因此,选取了DEM、平均坡度、综合灾情指数等6个指标;社会经济因素中,主要选取了与贫困关系密切的指标,并考虑到扶贫成效的影响,建立了指标体系（表2）。
Tab. 2 Index system

表2 指标体系

类型 指标
自然因素 DEM、地形破碎度、平均坡度、植被指数（NDVI）、净初级生产力（NPP）、综合灾情指数（SDI）
社会经济 农民人均纯收入、人均GDP、地区生产总值、人均耕地面积、人口自然增长率
基础设施 人均公路里程、通广播电视的行政村数、通电的行政村数、通宽带网络的行政村数
教育卫生 学前三年教育毛入学率、高中阶段毛入学率、每万人卫生床位数、有卫生室的行政村数
扶贫成效 新增和扩建乡村公路里程新增基本农田、新修农田水利设施、解决饮水困难人数

5 武陵山片区贫困程度分析

5.1 相关性分析

为检验所选取的指标与农民人均纯收入之间是否存在密切关系,本文进行了Pearson分析,一方面进一步了解研究区贫困程度的主要影响因素,以及各指标对贫困程度的影响性质;另一方面保证神经网络构建、模拟分析的准确性。
由表3可知,自然因素中地形破碎度和平均坡度、综合灾情指数与农民人均纯收入之间呈现负相关,相关性较高;社会经济因素中除了人口自然增长率外,其他的指标都与农民人均纯收入呈现正相关。其中,平均坡度、人均公路里程、新增基本农田呈现极显著相关性,地形破碎度、植被指数、综合灾情指数、人均耕地面积、高中阶段毛入学率、新增和扩建乡村公路里程、新修农田水利设施呈现显著的相关性。而DEM、人口自然增长率、通宽带网络的行政村数、有卫生室的行政村数与农民人均纯收入的相关性并不明显,因此,在贫困度的分析中,其不作为参与分析的指标。
Tab. 3 Result of correlation analysis

表3 相关性分析结果

影响因子 相关系数 显著性水平 影响因子 相关系数 显著性水平
DEM -0.503 0.306 地形破碎度 -0.049* 0.004
平均坡度 -1.610** 0.001 NDVI 0.720* 0.004
NPP 0.190 0.068 综合灾情指数 -0.220* 0.019
人均GDP 0.204 0.100 地区生产总值 0.402 0.291
人均耕地面积 0.126* 0.040 人口自然增长率 -0.092 0.462
人均公路里程 0.418** 0.003 通广播电视的行政村数 0.312 0.020
通电的行政村数 0.526 0.028 通宽带网络的行政村数 0.612 0.371
学前三年教育毛入学率 0.153 0.019 高中阶段毛入学率 0.270* 0.011
每万人卫生床位数 1.780 0.054 有卫生室的行政村数 0.419 0.152
年新增、扩建乡村公路里程 0.184* 0.009 年新修农田水利设施 0.390* 0.007
年新增基本农田 0.444** 0.001 年解决饮水困难人数 0.234 0.027

注：*表示相关系数的显著性水平为0.05;**表示相关系数的显著性水平为0.01

分析结果表明,选取的指标与农民人均纯收入间具有较高的相关性、合理性。地形、灾害等自然因素多是致贫因素,而社会因素多是消贫因素。虽然植被指数和净初级生产力与农民人均纯收入呈现正相关,应为消贫因素,但从另外的角度思考,两者的值越小,对贫困的影响也就越明显,为此也可归为致贫因素。

5.2 自然致贫指数计算与分析

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度。本文选取地形破碎度、平均坡度、NPP、综合灾情指数、NDVI作为神经网络的输入层,自然致贫指数作为输出层,构建神经网络。输入层神经元个数为5个,隐藏层神经元个数为5个,输出层神经元个数为1个,构建了5×5×1的网络拓扑结构。
神经网络训练结果的好坏与训练样本关系密切,所以,制定合理的训练等级至关重要。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,本文采用非等间距的自然断点法进行等级划分。最终,将自然致贫指数分为5级：1表示自然致贫程度低、2表示自然致贫程度较低、3表示自然致贫程度中等、4表示自然致贫程度较高、5表示自然致贫程度高,具体评价标准如表4所示。
Tab. 4 Evaluation standard of natural impoverishing index

表4 自然致贫指数评价等级

地形破碎度 平均坡度 综合灾情指数 NPP NDVI 等级
0.31 0.3151 0.0155 1 1 1（低）
0.43 0.5143 0.3150 0.9010 0.8881 2（较低）
0.56 0.6933 0.5536 0.7531 0.6340 3（中）
0.79 0.8715 0.7135 0.6878 0.5464 4（较高）
1 1 1 0 0.4169 5（高）
按照制定好的评价标准构建并训练神经网络。其中,隐层神经元采取双曲正切函数tansig,输出层神经元采用purelin型传递函数,训练函数采用学习率可变的动量BP算法traingdx函数。网络训练的基本参数：学习速率0.5,最大训练次数10 000,最大误差10-5。
据上述网络和评价标准,经BP神经网络模拟4513次,达到预设的精度,误差为0.12%,BP神经网络的训练较好,用神经网络建立的自然致贫指数模型是有效的,可用来模拟各地区的自然致贫指数。
将各地区的统计数据输入到训练好的网络中,得出各地区的自然致贫指数,具体结果如表5所示。
Tab. 5 Values of natural impoverishing index for some administrative divisions and counties

表5 部分区县自然致贫指数结果

行政区 NII 行政区 NII 行政区 NII 行政区 NII
正安县 4.701 印江县 3.794 城步县 3.481 建始县 3.198
务川县 4.694 石阡县 3.764 石柱县 3.459 长阳县 3.176
湄潭县 4.517 道真县 3.741 凤冈县 3.424 酉阳县 3.142
永顺县 4.302 新宁县 3.705 秀山县 3.385 五峰县 1.991
古丈县 4.296 江口县 3.698 花垣县 3.341 洪江市 1.948
龙山县 4.018 松桃县 3.656 慈利县 3.329 桑植县 1.869
沿河县 3.972 来凤县 3.632 秭归县 3.299 沅陵县 1.802
洞口县 3.963 通道县 3.524 保靖县 3.238 芷江县 1.798
思南县 3.831 安化县 3.521 武冈市 3.213 辰溪县 1.790
新晃县 3.809 中方县 3.487 新化县 3.201 黔江区 1.721
由表5可知,自然致贫指数最大的是正安县,自然致贫指数最小的是黔江区。正安县、务川县、湄潭县、永顺县、古丈县和龙山县致贫指数均在4.0以上,属于较高水平。自然致贫指数高于3.0的共有34个区县,占区县总数的50.75%;低于2.0的有7个区县,占区县总数的10.45%（图3（a））。
Fig. 3 Spatial distribution map of NPI, EPAI, RDP

图3 自然致贫指数、社会经济消贫指数、贫困程度空间分布图

结果表明,武陵山片区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。自然致贫程度较高的地区主要位于鄂西南山区中部和西部,海拔高、地形起伏大,且有些区县地质构造不稳定,滑坡、泥石流等地质灾害多发;铜仁等地区喀斯特地貌广布,岩石裸露、沟壑纵横,可耕地面积少,农业生产条件差;还有些地区生态环境脆弱,植被覆盖率低,水土流失严重。自然致贫程度较低的地区多位于地势低平的平原、河谷地区,水土资源丰富,气候条件好,农业生产环境相对优越。

5.3 社会经济消贫指数计算与分析

社会经济消贫指数（Socio-Economic Poverty Alleviation Index,EPAI）是指社会经济因素对贫困的消贫影响度。本文选取人均耕地面积、学前三年教育毛入园率等12个指标作为神经元的输入层,社会经济消贫指数作为输出层,构建神经网络。输入层神经元个数为12个,隐藏层神经元个数为10个,输出层神经元个数为1个,构建12×10×1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,社会经济消贫指数采用非等间距的自然断点法进行等级划分方法。最终,将社会经济消贫指数分为5级：1表示社会消贫程度低、2社会消贫程度较低、3表示社会消贫程度中等、4表示社会消贫程度较高、5表示社会消贫程度高,评价标准如表6所示。
Tab. 6 Evaluation standard of socio-economic poverty alleviation index

表6 社会经济消贫指数评价等级

人均GDP 人均耕地面积 人均公路里程 通广播电视的行政村数 通电的行政村数 学前三年教育毛入园率 高中阶段毛入学率
0.0490 0.035 0.2811 0.3180 0.3090 0.210 0.298
0.2532 0.335 0.4071 0.4409 0.4971 0.398 0.476
0.5021 0.621 0.5933 0.5789 0.5932 0.576 0.643
0.7103 0.804 0.7229 0.7667 0.728 0.783 0.781
1 1 1 1 1 1 1
每万人卫生床位数 新增和改扩建乡村公路里程 新增基本农田 新修农田水利设施 解决饮水困难人数 等级
0.0550 0 0 0 0 1（低）
0.1907 0.0911 0.0907 0.1260 0.1214 2（较低）
0.3704 0.2089 0.2337 0.4609 0.3398 3（中）
0.6167 0.6667 0.3029 0.7257 0.5825 4（较高）
1 1 1 1 1 5（高）
按照制定好的评价标准训练神经网络。其中,隐层神经元采取双曲正切函数tansig,输出层神经元采用purelin型传递函数,训练函数采用学习率可变的动量BP算法traingdx函数。网络训练的基本参数：学习速率0.5,最大训练次数10 000,最大误差10-5。
据上述网络和评价标准,经BP神经网络模拟3427次,达到预设的精度,误差为0.14%,BP神经网络的训练较好,用神经网络建立的社会经济消贫指数模型是有效的,可用来模拟各地区的社会经济消贫指数。
将各地区的统计数据输入到训练好的网络中,得出各地区的社会经济消贫指数,具体结果如表7所示。
Tab. 7 Values of socio-economic poverty alleviation index for some administrative divisions and counties

表7 部分区县社会经济消贫指数结果

行政区 EPAI 行政区 EPAI 行政区 EPAI 行政区 EPAI
黔江区 3.891 长阳县 3.242 邵阳县 1.821 新化县 1.382
秭归县 3.752 洪江市 3.206 江口县 1.811 通道县 1.362
石柱县 3.643 泸溪县 3.199 松桃县 1.794 沿河县 1.341
慈利县 3.486 彭水县 3.156 秀山县 1.776 中方县 1.298
利川市 3.412 印江县 3.139 新宁县 1.763 城步县 1.272
五峰县 3.401 思南县 3.083 新晃县 1.493 正安县 1.256
凤冈县 3.389 湄潭县 3.034 安化县 1.481 永顺县 1.198
恩施市 3.301 石阡县 1.951 来凤县 1.475 龙山县 1.093
巴东县 3.286 花垣县 1.869 溆浦县 1.453 古丈县 1.074
石门县 3.272 道真县 1.841 隆回县 1.427
由表7可知：社会经济消贫指数最大的是黔江区,属于较高水平;最小的是古丈县;社会经济消贫指数高于3.0的共有17个区县,占区县总数的25.37%;社会经济消贫指数低于3.0的共有50个区县,占区县总数的74.63%,其中低于2.0的共有22个区县,占区县的32.84%（图3（b））。
结果表明,绝大多数贫困地区的社会经济水平不高,农民人均纯收入低于全国和片区其他地区水平,缓解贫困的能力不强。社会经济消贫指数没有明显的分布规律,但总体上呈现出北部优于南部,西部优于东部的格局,黔江区、张家界区的消贫指数较高,而铜仁地区、湘西地区的消贫指数较低。
社会经济消贫指数较高的地区,经济水平较高,工农业发达,交通便利,投资消费对经济的拉动作用明显。张家界等地区依靠优美的自然风光,拓展旅游服务行业,第三产业发展迅速;还有部分地区靠近大城市,受大城市的辐射影响明显,如秭归县和长阳县靠近张家界,受张家界影响显著。同时社会经济消贫指数较高的地区政府帮扶力度较大,基础设施完善,社会环境好,教育水平较高。社会经济消贫指数低的地区人口众多,经济落后,普遍存在交通闭塞,基础设施薄弱,受教育水平较低,产业结构单一,区域协作较差,潜在的资源优势难以发挥等问题,使得社会经济的消贫作用难以发挥。

5.4 区域贫困程度分析

贫困程度（Region Degree of Property,RDP）利用区域贫困人口纯收入反映区域的贫困情况,是指全体穷人的纯收入与国家规定或县规定的收入贫困线之差的总和。利用自然致贫指数和社会经济消贫指数计算贫困程度,综合考虑自然和社会因素,能更好地反映区域的贫困现状和空间布局[23]。
由表8统计得出,贫困程度最大的是正安县,贫困程度较高;最小的是黔江区;贫困程度高于3.0的共有19个区县,占区县总数的28.36%;贫困程度低于2.0的共有14个区县,占区县总数的20.9%;中等贫困的区县占到了区县总数的50.5%,分布较为广泛,充分体现出武陵山片区贫困面广,贫困程度深的贫困特点。古丈、龙川,务川、正安,隆回、新化,道通、城步共同构成武陵山片区“大分散、小聚集”的贫困空间分布格局（图3（c））。总体说北部优于南部,湘西、铜仁地区贫困较为严重,而黔江区和张家界地区的贫困程度较轻,其他地区属于中等贫困程度。武陵山片区的贫困问题更多的是自然原因造成的,社会经济因素对地区的贫困起到了一定的缓解作用。部分区域恶劣的自然条件限制了社会经济的发展。
Tab. 8 Values of region degree of property for some administrative divisions and counties

表8 部分区县贫困程度结果

行政区 RDP 行政区 RDP 行政区 RDP
正安县 4.111 新宁县 3.052 玉屏县 1.823
古丈县 3.835 通道县 3.044 宣恩县 1.818
永顺县 3.787 城步县 3.038 咸丰县 1.798
务川县 3.737 中方县 3.034 石门县 1.710
龙山县 3.579 石阡县 3.030 沅陵县 1.422
沿河县 3.439 江口县 3.028 芷江县 1.419
新晃县 3.240 松桃县 3.000 桑植县 1.401
洞口县 3.170 安化县 3.000 辰溪县 1.380
湄潭县 3.147 泸溪县 1.874 洪江市 1.323
来凤县 3.096 武隆县 1.869 五峰县 1.314
道真县 3.052 利川市 1.853 黔江区 1.051
贫困程度较高的地区,自然致贫指数较高。铜仁、湘西等地自然条件恶劣,地形起伏大,灾害频发;道通等区县地处喀斯特地区,生态脆弱,石漠化严重,可耕地面积少,水土资源匮乏,人地关系矛盾尖锐。这些地区社会发展水平相对落后,交通条件较差;产业结构单一,经济发展与资源优势反差较大,缺乏区域内生增长机制,更多依靠外援式扶贫方式,自我发展的能力不足。
贫困程度较低的张家界和黔江等地区,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,具有完整的产业链和工业园区,旅游业等第三产业发展迅速,对区域的辐射带动作用显著;交通便利,基础设施完善,社会公共服务条件优越,社会经济消贫指数较高。

6 结论与建议

本文综合考虑自然和社会经济因素对贫困的影响,利用GIS技术和BP神经网络方法,对武陵山片区的自然致贫指数和社会经济消贫指数进行模拟计算,并对武陵山片区的致贫原因、贫困程度及其空间分布进行了深入分析：
（1）自然致贫指数高于3.0的区县,占区县总数的50.75%,因此,今后扶贫开发工作中要充分考虑自然致贫因素,如铜仁、湘西等地区。这些地区地形起伏度大,可耕地面积少;植被覆盖率低,水土流失严重,要建立生态安全、水源涵养等保护区,加大对石漠化的治理,退耕还林还草,保护生物多样性。
（2）虽然大部分区县的自然致贫指数较高,但武陵山片区拥有丰富的自然资源,目前开发程度较低,自然资源没有转化为自然资本,没办法转化为财富,导致资源富足性贫困。因此,扶贫开发过程中要充分利用地区自然资源的优势,因地制宜地发展农业、工业和旅游服务业等具有地域特色的产业,进而带动周边地区的发展,促进区域共同进步。
（3）社会经济消贫指数低于3.0的共有50个区县,占区县总数的74.63%,这些地区社会经济消贫指数较低,主要原因是经济水平落后,基础设施和社会公共服务薄弱。因此,今后的扶贫工作中要进一步完善基础设施建设,提高贫困地区的受教育水平,加大对医疗卫生、科技文化和社会保障的投入,提升区域的软实力。
（4）片区内部的贫困县分布具有一定的聚集性,但内部差异明显。扶贫开发过程中,要根据地区的贫困主导类型和自我发展能力,有针对性地开展扶贫与开发指导工作,以提升扶贫开发和区域发展的效率。如正安、永顺等自然致贫较高的地区,更多的要从自然环境的角度出发,在保护自然生态环境的基础上,挖掘地区资源优势。
（5）片区内部要加强协作交流,摒弃“以邻为壑”等传统观念。贫困程度较高的铜仁、湘西、怀化地区,自我发展能力整体较弱,因此,在扶贫开发过程中要突破制约瓶颈,转变经济发展方式,提升自身的发展能力。贫困程度较低的黔江、张家界地区,要发挥自身优势,招商引资,发挥带头示范作用,促进片区全面、协调和科学发展。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
国务院扶贫办.中国农村扶贫开发纲要(2011-2020年)[R].北京:中华人民共和国国务院公报,2011.

[2]
胡业翠,方玉东,刘彦随.广西喀斯特山区贫困化评价及空间分布特征[J].中国人口:资源与环境,2008,18(6):192-197.

[3]
Gray L C, Moseley W G.A geographical perspective on poverty-environment interactions[J]. The Geographical Journal,2005,171(1):9-23.

[4]
王金凤. 宁夏西吉县空间贫困及其分异机制研究[D].宁夏:宁夏大学,2013.

[5]
曲玮,涂勤等.自然地理环境的贫困效应验证——自然地理条件对农村贫困影响的实证分析[J].2012(2):21-34.

[6]
冯星光,张晓静.贫困测度指标及其评价[J].统计与信息论坛,2006,21(5):22-26.

[7]
刘建平,王选选.贫困程度测度方法与实证分析[J].暨南学报(哲学社会版),2003,25(2):53-57.

[8]
陈立中. 贫困测度方法与反贫目标瞄准——以Fα系列贫困指数为例[J].经济问题,2008(2):4-6.

[9]
Alkire S, Foster J.Counting and multidimensional poverty measurement[J]. Journal of Public Economics,2011,95(7-8):476-487.

[10]
闫莉娜. 甘肃省农村贫困新特点及扶贫策略调整研究[D].兰州:兰州大学,2013.

[11]
李琳,陈东.贫困地区可持续发展指标体系及其综合评估——以湖南湘西贫困地区为例[J].中国人口·资源与环境,2004,14(3):69-74.

[12]
许月卿,李双成,蔡云龙.基于GIS和人工神经网络的区域贫困化空间模拟分析——以贵州省猫跳河流域为例[J].地理科学进展,2005,25(3):79-85.

[13]
曾祥贵,赖格英,易发钊,等.基于GIS的小流域人口数据空间化研究——以梅江流域为例[J].地理与地理科学,2013,29(6):40-44.

[14]
丁文广,雷青.主成分分析在环境与贫困危机研究中的应用——以甘肃省43个贫困县为例[J].干旱区资源与环境,2007,21(3):6-10.

[15]
国务院扶贫开发领导小组办公室.武陵山片区区域发展与扶贫攻坚规划(2011-2020年)[M].北京:中国统计出版社,2011.

[16]
刘思瑶,卢涛,唐斌,等.基于CASA模型的四川植被净初级生产力及其时空格局分析[J].四川农业大学学报,2013,31(3):269-276.

[17]
孙善磊,周锁栓,石建红,等.应用三种模型对浙江省植被净第一生产力(NPP)的模拟与比较[J].中国农业气象,2010,31(2):271-276.

[18]
程立海,唐宏,周延刚,等.自然灾害强度的评估方法及应用——基于综合灾情指数的研究[J].自然灾害学报,2011,20(1):46-50.

[19]
李明月,赖笑娟.基于BP神经网络方法的城市土地生态安全评价——以广州市为例[J].经济地理,2011,31(2):289-293.

[20]
苏伟,刘景双,李方.BP神经网络在水资源承载能力预测中的应用[J].水利水电技术,2007,38(11):1-4.

[21]
周宇. 基于BP神经网络的应急物流风险评价研究[D].大连:大连海事大学,2009.

[22]
王江思,马传明,王文梅,等.基于SPSS和GIS的BP神经网络农用地适宜性评价[J].地质科技情报,2013,32(2):138-143.

[23]
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.

Options
Outlines

/

〈 〉