EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 1: 58 - 74

DOI: https://doi.org/10.12082/dqxxkx.2021.200628

The Application and Prospect of Spatiotemporal Statistics in Poverty Research

  • GE Yong , 1, * ,
  • LIU Mengxiao 1, 2 ,
  • HU Shan 1, 2 ,
  • REN Zhoupeng 1
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
*GE Yong, E-mail:

Received date: 2020-10-21

  Revised date: 2020-12-17

  Online published: 2021-03-25

Supported by

The National Science Fund for DistinguishedYoung Scholars "Geospatial statistical methods"(41725006)

Copyright

Copyright reserved © 2010.
Fold

Abstract

Eliminating poverty is a common goal of human society. Poverty has the characteristics of spatial heterogeneity and spatial autocorrelation. Spatiotemporal statistical methods dealing with georeferenced or spatiotemporal data have been widely employed for analyzing spatiotemporal poverty data. This paper reviews the applications of spatiotemporal statistical methods in spatiotemporal poverty analysis and classifies the applications into four categories: (1) exploratory analysis of poverty, mainly to identify and quantitatively analyze the spatiotemporal distribution pattern of poverty; (2) identification of spatial determinants of poverty, to analyze the influencing factors of poverty by constructing a model of the relationship between poverty and various geographical elements; (3) spatial mapping of poverty, to obtain the distribution of poverty in the entire region using sampling data; and (4) spatiotemporal analysis of poverty, to reveal the spatiotemporal changes of poverty and their driving factors. On the basis of explaining the principles of these methods, we give examples of recent applications to illustrate how specific spatiotemporal statistical methods are applied to spatial poverty research. On this basis, the shortcomings of current spatiotemporal poverty research and potential development on future poverty research are also summarized.

Key words： poverty; spatiotemporal data; spatiotemporal statistics; spatial autocorrelation; spatial heterogeneity; spatial poverty traps; spatiotemporal pattern; spatiotemporal change

Cite this article

GE Yong , LIU Mengxiao , HU Shan , REN Zhoupeng . The Application and Prospect of Spatiotemporal Statistics in Poverty Research[J]. Journal of Geo-information Science, 2021 , 23(1) : 58 -74 . DOI: 10.12082/dqxxkx.2021.200628

1 引言

贫困是人类社会面临的共同难题,长期以来制约着人类社会的发展,联合国可持续发展目标（Sustainable Development Goals,SDGs）甚至将消除贫困置于首位[1]。长期以来,贫困的研究主要由经济学家、社会学家所主导,他们从社会制度、经济发展、个人能力等不同角度来研究贫困的成因,并形成了各自的理论体系。但随着对贫困研究的深入,单独的经济学或社会学方法已无法解释贫困的多尺度、多层次、异质性和复杂性问题[2,3]。世界银行经济学家雅兰和瑞福林在对中国的贫困研究中发现一些处于经济发展的地区仍然存在大量贫困人口的空间聚集（Spatial Poverty Concentrations/Spatial Clustering）,他们因此猜测这种持续的贫困可能与空间位置有关[2]。因地理位置不同而产生的不同地区的环境条件、人力资源、社会经济发展等共同构成的该地区的地理资本（Geographic Capital）,导致了“空间贫困陷阱”（Spatial Poverty Traps, SPT）的发生。
大多数国家的实践研究也表明,贫困具有空间聚集的特征,且在不同尺度上呈现不同的分异特征[2,3,4,5,6]。从非洲的欠发达国家,到中国等发展中国家,到美国等发达国家,其区域内部的贫困分布都存在着明显的空间聚集和空间分异的特征（图1—图3）。与此同时,我国幅员辽阔,自然环境分布的巨大差异和区域经济发展的不均衡使得我国贫困分布具有明显的区域特征[7,8]。而不同时期的扶贫政策不同,造成我国贫困分布的时空分异特征不同,进一步影响了贫困的空间区划。1986年,我国扶贫开发领导小组成立,划定了十八片贫困区和三西地区,确定了664个贫困县[9]。随后,姜德华等学者根据自然、社会经济条件地域组合的相似性、贫困的主要因素、区域发展方向的一致性等原则,将664个贫困县划分为六类型[8]。1993年,国务院制定和发布了《国家八七扶贫攻坚计划》,并确定了592个国定贫困县。在此基础上,郭来喜等[7]将这592个贫困县按环境的相似性和地带性划分成三大类型。2000年以来,我国颁布了《中国农村扶贫开发纲要（2001—2010年）》和《中国农村扶贫开发纲要（2011—2020年）》（以下简称《纲要》）[10,11]。在第1个十年《纲要》中,国家再次确定了592个县作为新阶段国家扶贫开发工作重点县。第2个十年《纲要》中,将我国680个贫困县划分为14个片区,并作为扶贫攻坚的主战场。
图1 我国2013年片区县贫困的分布[13]

Fig. 1 The distribution of poverty in continuous poverty regions in China in 2013[13]

图2 美国2018年各县贫困的分布[14]

Fig. 2 The distribution of poverty in American counties in 2018[14]

图3 肯尼亚2017年公里格网贫困的分布[15]

Fig. 3 The distribution of 1km grid poverty in Kenya in 2017[15]

贫困分布在不同时期的格局和区划类型均存在明显的空间集聚和空间异质特征,且不同区域贫困成因各异。贫困空间特征的形成与区域多元化的地理要素密不可分,这些地理要素既包括地形地貌、气候条件、自然资源、自然灾害等自然环境要素,也包括区位条件、基础设施建设、公共服务水平、人力资源水平、民族、文化等社会经济要素。这些地理要素对人们生产生活的制约和阻碍各不相同,并且互相影响、联系、作用,最终形成了空间贫困[12]。而这些地理要素作用程度的大小决定了区域贫困水平的高低,也造成了区域贫困主导要素的差异。
在贫困分析中,识别和度量贫困的分布格局可以有效瞄准贫困区域,是了解贫困并制定针对性减贫政策的基础。在此基础上,进一步揭示贫困的复杂空间属性并探索产生贫困空间分异的原因可以直接提供决策支持。时空统计学以统计学为基础,将地物时空关系融入其中,为贫困的时空研究提供了一系列分析方法,是提炼贫困地理规律的有效工具之一。借助时空统计学,可以得到：① 分析贫困的空间/时空分布和演化格局,识别深度贫困地区;② 结合区域环境信息进一步挖掘区域贫困以及贫困演化背后的驱动因素;③ 估计或预测不同时期、不同区域的贫困状况,并给出估测结果的不确定性。时空统计学不仅能回答贫困程度有多高,而且能回答这些高或低的地方分布在哪里,为什么有这样的分布以及这些分布如何随社会经济发展和环境变化发生改变,这对于扶贫进程中扶贫资金的分配和投入、扶贫项目的实施和管理来说是至关重要的。
本文目的是综述时空统计学方法在贫困研究中的应用。首先,根据贫困研究中的需求以及贫困数据的空间特征归纳了时空统计学在贫困空间研究中的应用,并总结了其中所涉及的时空统计的常用方法、技术和关键问题;其次,结合具体的研究案例,阐述了时空统计学方法如何应用于贫困时空研究的各个方面;最后,结合我国目前贫困分布现状和扶贫政策制定的需求总结了未来贫困时空研究中需要重点解决的问题。

2 贫困数据的空间类型和特征

2.1 贫困数据的空间类型

带有坐标或者位置信息的贫困数据属于空间数据。Cressis等[16]将 d 维的空间过程归纳为一般形式：
Z s : s ∈ D ⊂ R d
式中： D 表示空间域; Z 表示我们观测到的数据,例如某个村的贫困发生率; s 表示观测数据所在的位置。 s 一般由一组表示坐标的向量组成,当维度 d = 2 时,观测值在二维平面内, s = [ x , y ] ' 。
根据空间域的性质,空间数据可以大致分为3类：连续数据（Continuous Data）,也称为地统计数据（Geostatistical Data）,指在空间域内可以处处观测到的连续数据,如温度、降水、土壤抽样数据;面数据（Areal Data）,也称为格数据（Lattice Data）,包括规则格网数据（如遥感影像数据）和不规则多边形数据（如统计单元内的社会经济数据）;点数据（Point Data）,主要用来描述空间点过程。连续数据和面数据的空间域 D 都是固定的,点数据的 D 是 R d 一个随机子集。
根据研究尺度的不同,人们设计并收集了各种各样的贫困数据,从个体的家庭调查数据到区域的统计数据。在目前的空间贫困研究中,最常用的数据来源为带有位置信息的农户调研数据,以及各国政府部门统计并公开发行的不同行政单元内的区域贫困数据。农户调研数据属于连续性数据或点数据,通过实地调研获取每户被调研家庭的多项指标,根据这些指标计算每一户的贫困状况。使用较多的公开数据集有美国国际开发署（USAID）资助的人口与健康调查（The Demographic and Health Surveys, DHS）数据,以及世界银行1980年开始实施的生活水平衡量调查（The Living Standards Measurement Study, LSMS）数据[15,16,17]。这2个计划均获取了大量带有坐标信息的农户调研数据,并在其公开发布的数据集中提供了部分国家每个调查户群体单元（cluster,大约100~200户,随机选取20~30户抽样调查）的位置信息。不同行政单元内的区域贫困数据属于面数据,区域贫困通常采用贫困人口规模和贫困发生率2个指标来度量。区域贫困人口规模指该区域内生活在贫困标准以下的人口总数,反映了一个地方的贫困人口数量。区域贫困发生率也称贫困人口比重,指该区域生活在贫困标准以下的人口数占总人口的比重,是表征贫困深度的一个重要指标。

2.2 贫困数据的空间特征及时空统计学分析方法

区域贫困状态受到其所处地理空间的影响,空间相关性和空间异质性是地理空间的独特属性,因此区域贫困分布也具有这2个特征。受空间相互作用和空间扩散的影响贫困分布呈现空间自相关特性;而在地带性因素和非地带性因素的综合作用下贫困分布呈现空间异质性,这种分类或分区在统计学上表现为区内方差小,区间方差大[18]。
2.2.1 空间自相关性（Spatial Autocorrelation）
地理学第一定律指出越相近的地理实体越具有相似性,这种现象往往被称作空间自相关性。贫困数据的空间自相关性表现在贫困的分布往往是集中连片的,即高贫困发生率的区域周围贫困发生率也高。图4显示了2013年我国湖北省各县、贵州省各县以及湖北省郧阳区各村贫困发生率。从图中可知,贫困发生率的分布在县级和行政村尺度均存在空间相关性：湖北省县级贫困发生率最高的区域位于湖北省西部,最低的区域位于省会武汉及周围地区。贵州省县级贫困发生率最高的区域位于贵州省南部和东南部,低贫困发生率地区主要位于中北部;湖北省郧阳区贫困发生率高的村集中分布于郧阳区西南部,县城周围贫困发生率最低。
图4 2013年我国湖北省各县、贵州省各县、湖北省郧阳区各村贫困发生率空间分布

注：数据来源于国家统计局、湖北/贵州省扶贫办、郧阳区扶贫办。

Fig. 4 The spatial distribution of village poverty in Yunyang county, county poverty in Hubei and Guizhou province and province poverty in China in 2013

空间相关性一般可通过构建指标进行度量。这些指标一般可分为全局空间自相关指标和局部空间自相关指标,常用的全局空间自相关指标度量指标有Moran's I[19]、Geary's C[20]、Getis-Ord General G[21]、Ripley's K[22]以及地统计理论中的semivariogram[23]等。Moran's I 和 Geary's C指数通过比较指标的经验数值和随机分布假设条件下的理论值来检验空间分布的独立或随机性假设。Moran's I指数衡量的是与平均值之间的差异,而Geary's C指数衡量的是不同位置观测数据之间的差异,Getis-Ord General G主要用来探索研究区域内高/低值聚类的情况。半变异函数（Semivariogram）是地统计学的基础,通常被用来衡量区域化变量的空间自相关性,多用于度量连续性数据的空间自相关性,是地统计的核心研究内容。半变异函数是两点间距离（又称为滞后距离（Lag Distance））的函数,表示区域化变量在2点处的增量的方差的一半,可以用来表示随机变量的空间变异结构或空间连续性[14]。Ripley's K方法是一种点数据模式的分析方法,利用Ripley's K函数对点数据在一定距离范围内的空间相关性（要素聚类或要素扩散）进行分析,可以用来研究要素的聚类或扩散如何相对于不同距离进行变化,分析任意尺度的点空间分布格局。
全局的空间自相关指数只能显示空间是否出现了集聚或异常值,而不能指出这些地方在哪里出现,因此需要进一步进行局部空间自相关探测。局部自相关通常由Getis-Ord G i * [21]、LISA（local indicator of association）[23]和Satscan[25]等统计量进行识别。Getis-Ord G i * 也称为热点分析,通过将局部总和与总体值进行比较,当局部总和与所预期的差异很大时（结果无法随机生成）,会产生一个具有统计学意义的Z得分。LISA也称为Local Moran’s I（局部莫兰指数）,通过计算聚类和异常类型来识别包含相似属性值的要素：正值表示该属性值具有同样高或低属性值的临近要素,负值表示要素与邻近要素具有不同值,即该要素为异常值[24]。
2.2.2 空间异质性（Spatial Heterogeneity）
空间异质性被认为是地理学第二定律,从模型的角度也被称为空间非平稳性[26]。空间异质性指的是地理要素空间分布的非均质和复杂性,有时也被定义为非随机性[27]。从统计学角度来说,空间异质性意味着地理变量的一阶二阶矩在空间或时间上是非平稳的,即均值或方差在空间上存在差异,在空间上呈现分异、趋势和异向性等非纯随机变化的特征。空间异质性的存在打破了以空间自相关性为基础的空间统计学中的二阶平稳假设,导致空间分布估计或模拟分析时使用全局模型会失效。
由于空间异质性的存在,不同空间尺度下,空间贫困会呈现不同的分异特征,不同的空间尺度在很大程度上也影响着分析结果。从图4中可以看出贫困数据在县级、村级等尺度的分布上均呈现不均衡的特征,且尺度越精细空间分异性越高,证明贫困的分布存在空间异质性,且在不同尺度下呈现不同的分异特征。此外,研究者也发现,贫困空间格局的形成原因随着空间尺度的变化而变化：Okwi等[5]在对肯尼亚贫困的空间分布的格局及影响因素研究显示,贫困发生率在某些省份并未表现出空间聚集特征,且在不同省份,具有显著性影响的地理要素及其作用大小区别较大。
葛咏等[18]根据统计学特征将空间异质性分为趋势异质性、各向异质性和分层异质性,根据研究尺度的不同分为全局异质性、局部异质性和样本异质性。趋势异质性指的是地理变量的均值的分异,也即存在一个空间趋势。各向异质性指的是地理变量在各个方向上有不同的分异。分层异质性指的是地理要素的空间异质性表现为分类或分区（表1）,不同的异质性通常采用不同的方法进行处理,例如局部异质性可采用局部空间自相关指数（LISA）、地理加权回归;全局异质性可采用空间自回归、空间滤波模型;趋势异质性可采用趋势面建模、协变量回归;各向异性可采用热点探测、异向性分析;分层异质性可采用贝叶斯分层、地理空间分区等方式。
表1 贫困要素异质特征分类及处理方法[18]

Tab. 1 The classification and methods to cope with heterogeneity of poverty[18]

异质特征 按尺度 按类型
局部异质性 全局异质性 趋势异质性 各向异质性 分层异质性
处理方法 地理加权回归,贝叶斯空间变系数模型 空间自回归,地理探测器 趋势面建模 异向性分析 贝叶斯分层
LISA方法 空间滤波模型 协变量回归 热点探测 地理空间分区

3 时空统计方法在贫困研究中的应用

3.1 贫困空间格局探索性分析

贫困在哪里以及为什么会聚集性出现,是贫困研究者和决策制定者最关注的问题之一。在贫困研究中,识别并且量化分析贫困的分布格局是了解区域贫困的第一步,只有准确剖析贫困的分布特征,才能有效探究影响贫困的相关因素进而因地施策。时空统计学中的探索性空间数据分析为贫困空间分布格局,尤其是贫困的空间聚集性探测分析提供了丰富的方法。
探索性空间数据分析（Exploratory Spatial Data Analysis, ESDA ）是指采用一系列技术手段描述和可视化空间分布,识别非典型空间位置（空间离群值）、发现空间关联模式,提出不同空间结构及空间不稳定性的其他模式[28]。探索性空间数据分析的核心是空间自相关性,而根据空间自相关性的大小,空间分布模式通常可以分为离散、随机和聚集 3种类型。随机性指贫困地区周围的地区可能为贫困也可能为非贫困地区,并没有规律,分布特征也不可预测。聚集指的是贫困发生率高或低的区域都是扎堆出现,呈现聚集特征。而离散是指贫困发生率高的区域周围区域贫困发生率都很低,反之亦然,呈现离散的特征。
贫困数据的探索性空间数据分析主要是对贫困数据的空间相关性进行检验分析,并在此基础上判断是否存在“空间贫困陷阱”。根据贫困空间数据类型的不同,空间相关性分析方法也各异。针对点数据,葛咏等[29]采用Ripley's K 函数分析了中国14个集中连片特殊贫困地区的贫困村在一定距离范围内的空间分布变化格局。将贫困数据看做连续性数据,马振邦等以甘肃省六盘山片区为案例区,引入变异函数及交叉相关图等地统计学方法,考察行政村水平上贫困的空间格局及其与地理因子关系随尺度的变化特征,结果表明村级贫困表现出较强的空间自相关,且空间自相关均是尺度关联的,贫困发生率的自相关范围为9.3 km,贫困人口数在0~5 km和5~48 km 2个范围内表现出强弱不同的自相关[30]。在贫困的空间研究中,面数据使用相对更广泛。在对区域贫困进行空间相关性分析中,全局Moran's I指数和局部空间自相关分析中Local Moran's I是最常用。经过归一化的全域 Moran's I指数的取值区间为（-1, 1）,若其显著（P值<0.05,Z >1.65）为正,表明区域贫困具有显著的空间集聚特征,可能表现为高贫困地区集聚或低贫困区集聚。刘彦随等[31]分析了2014年我国县级贫困发生率的空间分布格局,发现我国县级贫困人口分布具有明显的空间自相关特征和空间异质性。

3.2 空间贫困归因分析

在最初的空间贫困的研究中,地理方法的应用大多数时候只是贫困数据的集成和可视化,并未真正将贫困的空间属性融入研究中。为了揭示区域贫困分异形成的机制,需要对贫困与各类地理要素之间的关系进行定量化研究,通常是通过空间贫困与致贫因素关系建模,其中相关性分析和回归分析是此类研究应用最广泛的方法。在具体空间贫困的研究案例中,研究者们采用最多的模型主要包括用于刻画全局空间异质性的空间回归和地理探测器模型,以及用于解决局部空间异质性的空间变系数模型。
3.2.1 空间贫困全局异质性归因分析
由于空间相关性的存在,经典统计学中变量之间相互独立的假设被打破,导致回归系数和拟合优度R2等产生有偏估计。因此在空间数据的回归模型中,需要将空间自相关作为变量引入模型,使残差趋向白噪声,求解准确的模型以及各参数的统计指标。这类回归模型也被称为空间经济学模型。此外,因变量和自变量二者空间分布的一致性也反映了2个变量的关联性,这种关联可能既包含线性,也包含非线性部分,在此基础上,王劲峰等[32]提出了地理探测器模型来度量这种关联性。
（1）空间经济学模型
空间经济学模型来源于空间经济学,主要用来处理空间面数据之间存在空间自相关性问题。根据因变量和自变量之间的空间相关性,Vega等[33]将包含了所有空间自相关类型的面数据空间回归方程总结为一般嵌套空间模型（General Nesting Spatial (GNS) Model）,其形式如下：
Y = ρWY + α l N + Xβ + WXθ + u
u = λWu + ε
在贫困数据的空间回归模型中, Y 为区域贫困数据（如区域贫困发生率）表示 N × 1 阶向量,由研究区内每一个地理单元的贫困发生率 ( i = 1, …, N)组成, X 表示一系列与贫困相关的解释变量（地理要素）矩阵, W 表示不同地理单元之间的空间自相关; WY 表示区域贫困之间的空间自相关; WX 表示各解释变量之间的空间自相关; Wu 表示干扰项之间的空间自相关; ρ 和 β 是衡量空间自相关强度的参数向量; ε 为随机误差项向量; l N 表示与常数项参数 α 相关的 N × 1 单位向量。显然,这些参数的不同取值将会构成不同类型的面数据空间回归方程。当 θ = 0 , λ = 0 时,方程为空间滞后模型（也称为空间自回归（SAR）, Spatially Autoregressive Models）模型。当 θ = 0 , ρ = 0 ,方程为空间误差模型（Spatial Error Models, SEM）。
在贫困研究中,空间滞后模型、空间误差模型以及空间杜宾模型等都被应用于贫困数据的空间回归。Okwi等[5]对肯尼亚贫困分布的空间主控要素的分析中采用空间滞后模型和空间误差模型在不同尺度和不同区域分别构建贫困贫困发生率和地理要素之间的关系模型,并采用拉格朗日乘数检验来选择最优模型。Adebanji等[34]采用空间杜宾模型（Spatial Durbin Model （SDM））识别索马利亚地区贫困的可能影响因子。Watmough等[35]从印度人口普查数据计算受教育女性比例作为社区尺度贫困替代指标,通过构建（Generalised Autoregressive Error model,GARerr）考虑残差的空间自相关,模拟社会经济指标,估算印度阿萨姆邦的社会经济状况,与综合线性模型相比,空间综合自回归误差模型的误差更小。同时,该研究还探讨了在不同尺度下（行政村构建的泰森多边形,3 km、1 km、500 m缓冲区）模型估计贫困的差异,发现1 km的估算效果最好,但是总体来说不同尺度下估算结果差异不大。Curtis等[36]采用空间误差模型研究了美国各县的儿童贫困空间分异的影响因素。
（2）地理探测器
地理探测器是揭示空间异质性,并探究其背后驱动力的一种统计学方法。它的核心思想是：若某个自变量对因变量有影响,自变量的空间分布与因变量的空间分布应该趋于一致[32]。在此基础上, q 值被计算来度量因变量的空间分异和自变量对因变量空间分异的贡献。
q = 1 - SSW SST
SSW = ∑ h = 1 L N h σ h 2 ,
SST = N σ 2
式中： h = ( 1,2 , … , L ) 为因变量 Y 或因子 X 的分层,也称为分类或分区; N 和 σ 2 分别表示全区的单位数和 Y 在全区的方差; N h 和 σ h 2 层 h 的单位数和 Y 在层 h 的方差。 SSW 为层内方差之和; SST 为全区总方差。 q 的取值区间为[0, 1],值越大表示因变量分异性越强。若因变量的空间分异性是由自变量引起,那么 q 值越大也表示两者之间空间分布越一致。
刘彦随等[37]借助地理探测器模型,引入贫困发生率分异决定力指标 q ,以河北省阜平县为典型案例区,通过比较各致贫因子对贫困发生率的决定立大小,探测出阜平县行政村贫困发生率的主导因素,揭示了农村贫困化分异的动力机制,提出了不同贫困化地域类型的扶贫政策与模式。文琦等[38]借助地理探测器模型,以宁夏彭阳县为典型案例区研究黄土高原村域多维贫困空间异质性的影响因素。结果显示行政村到镇中心的距离、村平均高程、村委会到主要河流的距离是影响多维贫困空间异质性的主要因子。周扬等[39]采用地理探测器模型以安徽省利辛县为典型案例区研究平原农区贫困地理格局及其分异机制,以及全国12.4万个贫困村的村域贫困地理格局及其分异机理。齐文平等[40]以云南省福贡县为例,基于地理探测器对不同发展水平农户减贫的影响因素进行了探测。
3.2.2 空间贫困局部异质性归因分析
空间经济学模型虽然考虑了空间自相关的问题,但仍属于全局模型,不能有效反映回归关系的空间异质性。不同地理位置上的回归参数通常会有不同的表现,即随着地理位置的改变,回归参数也会发生变化。因此,有学者提出了空间变系数回归模型（Spatially Varying Coefficient Models, SVC）,通过在回归模型中考虑数据的空间结构,用观测点地理位置的函数表示回归参数[41,42]。SVC模型有很多种,主要包括4类：空间扩展模型（Spatial Expansion Method）、地理加权回归模型（Geographically Weighted Regression, GWR）、贝叶斯空间变系数模型（Bayesian SVC models）以及特征向量空间滤波模型（Eigenvector Spatial Filtering (ESF)-based Approaches）[43]。地理加权回归模型是空间变系数模型中应用最广泛的模型[44]。
地理加权回归模型利用局部光滑思想,在探索空间数据回归关系非平稳性方面得到了广泛应用,也是贫困局部异质性归因分析中最常用的模型,其表达式如下所示：
y i = β 0 u i , v i + β 1 u i , v i x 1 i + ⋯ + β n u i , v i x ni + ε i
式中： y i 是位置 i 处的贫困数据; β i 是位置 i 处的带估计系数; ε i 是独立同分布的误差项。在对样点 u i , v i 回归参数进行估算时,不同观测点处的观测值具有不同程度的重要性,距离 u i , v i 点越近,观测值表现为更大影响力,反之越远越小。
Lafary等[45]从2001年ASTER遥感影像中提取NDVI数据,结合美国印第安纳州vandengber县159个街区2000年人口统计数据,采用地理加权回归模型探索各社会经济指标和对应NDVI之间的关系,探索NDVI和主要社会经济参数（房价、贫困人口比例、人口密度等）之间的关系[45]。Xu等[46]采用GWR模型探测黔东南州201个乡镇的贫困发生率与其地形、人口、经济、土地利用、地理区位等地理要素之间的关系,结果表明地区自然环境和地理指示因子与区域贫困显著相关,且地理指示因子对于区域贫困的解释能力与影响程度呈现空间变异性。Steven Deller[47]利用GWR模型分析了旅游业和娱乐产业在美国减贫中的作用。在印度尼西亚Jambi省,GWR模型被用来分析不同区域的贫困发生率影响因素,结果表明该省的西南区域受道路质量和地形的影响较大,而东部地区受降雨量影响较大[48]。Wen等[49]利用GWR模型研究了台湾262乡镇内贫困和成人肥胖之间的关系,发现只有在欠发达的地区肥胖与贫困的关系才显著。进而运用地理加权回归（Geographically Weighted Regression,GWR）模型,分析了村域多维贫困影响因素的空间分异,发现,作为户主性别、户主受教育水平、女性劳动力占比和抚养比4个变量估计系数的空间分异明显。
值得注意的是,尽管包括自然环境和社会经济环境在内的地理要素是形成空间贫困的主要原因,但由于空间异质性的存在,不同区域、不同尺度下空间贫困的影响要素不尽相同。包括上述所讨论的研究在内的大量研究工作也证明了这点。在我国,14个集中连片贫困地区均面临类型多样、程度不等的区域性制约因素。南方乌蒙山区、武陵山区、罗霄山区等贫困片区主要受土地资源约束,六盘山区、燕太片区等北方贫困县主要受制于水资源,而滇西片区则由于其民族地区、边境地区的属性[50]。因此在具体的空间贫困归因分析研究中,不同区域的贫困影响要素的选取还需考虑到区域本身的特征。此外,空间异质性的存在本身就意味着在实际应用研究中,不同地理位置上的回归参数会有不同的表现,换句话说,随着地理位置的改变,回归参数也会发生变化。因此,考虑空间异质性的回归模型在多大程度能反映空间异质性并改进回归模型结果精度,也取决于区域贫困要素异质性本身的分异程度。

3.3 贫困制图

贫困制图（Poverty Mapping）是指生成贫困地图的过程,当研究区贫困数据完备时,贫困制图仅仅是对贫困数据的集成和展示。而当我们只能获取研究区部分样本区的贫困数据时,需要将样本区域贫困推算至研究区内的所有区域,此时需要采用时空统计学方法对贫困的分布进行空间估计与模拟。不同尺度上的贫困空间模拟对应着不同的分析方法,因此在具体研究中,空间尺度的选择也是非常重要的。在全国尺度上,区县可以按照点来进行分析;但如果在地级市尺度上,将区县看成点尺度则可能不合适,此时应该选择面数据分析方法。贫困面数据的空间模拟方法主要为前文提到的贫困空间归因分析中的空间回归方法,此时贫困的空间模拟是在各级行政区的面上进行,如村级贫困发生率、乡镇级贫困发生率、县级贫困发生率等。
当贫困发生率的测度单元相对整个研究区来说很小时,可以看做点尺度时,可以采用地统计模型来模拟贫困发生率的空间分布,此时贫困发生率空间被近似看做一个连续的表面。地统计理论将呈现出空间分布的变量均视为区域化变量,其值是空间位置的函数,同时具有随机性和结构性特征,区域化变量既有局部的、随机的性质,在一定范围内又呈现出一般的或平均的结构性质[16]。贫困在空间上呈现出来的聚集的、不均衡的分布特征,说明其空间上兼具结构性和随机性,可用区域化变量来描述[30]。这一类型的贫困发生率空间模拟研究由世界人口计划（Worldpop）主导。Worldpop采用基于模型的地统计方法对非洲五国（肯尼亚、坦桑尼亚、乌干达、尼日利亚、马拉维）以及巴基斯坦进行了公里网格的收入贫困和多维贫困制图,贫困数据通过LHS数据计算得来,建模的致贫因子包括可达性、人口、夜间灯光、温度、干旱指数等12个环境变量[15]。Wong等[51]比较了基于模型的地统计学和基于样条插值的广义加性模型（Generalized Additive Model,GAM）在4个低/中收入国家进行贫困制图（尺度为5、10、20 km）精度,并分析了影响估计精度的数据特征,其结果表明不同模型对贫困分异的捕捉能力不同,贫困和贫困要素的空间分布特征是影响贫困空间估计结果精度的重要因素,因此在不同地区选取制图模型时应该慎重考虑这些因素。Sedda等[52]采用因子克里格模型来估计各个变量对贫困空间分异的贡献,采用普通协同克里格模型根据各个变量来预测贫困强度,探索西非地区植被指数和多维贫困指数MPI之间的关系,并估计贫困空间分布。

3.4 贫困的时空变化分析

贫困不仅存在空间分异,同时也具有动态变化的特征。随着我国精准扶贫工作的推进,贫困人口每年减少近千万,贫困地区的生活环境发生了剧烈的变化,研究不同扶贫政策实施下贫困空间格局的演变规律及其驱动因素以及其与各地理要素之间的关联,可以扶贫工作的开展提供方向。
王劲峰等[53]总结了7类时空数据分析的主要方法,包括通过视觉启发假设和选择分析模型的可视化探索分析,反映空间格局随时间变化的时空统计指标的时序分析,体现时空变化的综合统计量的时空变化指标,揭示时空过程的不变和变化部分的时空格局和异常探测,获得待估计点数值的时空插值,建立因变量和解释变量之间的统计关系的时空回归,建立时空过程的机理数学模型的时空过程建模以及利用空间数据重建时空演化路径的时空演化树。由于时空分析是空间分析在时间维度的拓展,时空分析的很多方法来自于空间统计的延伸。在贫困研究中,时空统计方法最常被用来分析贫困要素的时空变化格局和贫困时空变化的驱动因素分析（归因分析）。
3.4.1 贫困要素的空间格局变化分析
在贫困的研究中,通常利用空间统计量随时间变化的特征来揭示贫困空间格局的演变规律,此时所采用的空间统计指标主要为上文提到的各类空间自相关性的指数如Moran's I、Geary's C等。如黄晗等[54]以江西省于都县为例,以村域为研究单元,采用空间自相关、核密度估计刻画了于都县农村贫困地理格局及其分异特征。此外,也有学者利用统计指标在空间上的变化规律来刻画时空格局的演变特征,如李玉恒等[55]采用重心模型测算了世界贫困重心的时空演化过程。
此外,时空贝叶斯层次模型（Bayes Hierarchical Model,BHM）由于其在处理不确定性以及可以包括空间、时间和时空交互效应影响等方面的优势,在贫困的时空变化特征分析和贫困的时空归因分析中也有应用。贝叶斯层次模型定义为多层次结构,第一层为似然函数,定义产生数据的概率分布（数据模型）,第二层定义似然函数的参数（过程模型）,第三层定义参数（参数模型）。贝叶斯层次模型可以在时空过程中定量估计一定时间范围内空间分布的总体趋势,变化的总体趋势和局部变化趋势[57]。Sparks等[56]采用BHM模拟并估计了美国县级贫困发生率 。葛咏等[57,58]利用BHM模型分析13个集中连片贫困区扶贫成效时空变化特征,以及甘孜州2010—2016年的生活水平时空格局变化。
3.4.2 贫困时空变化归因分析
为了探究空间贫困和影响因素随时间变化的关系,对经典回归或空间回归模型进行简单延伸即可构建贫困与各要素之间的时空回归模型,包括时空多元线性回归模型、时空贝叶斯层次模型BHM等模型。如Pusponegoro等[59]分别采用传统的、动态的、时空交互的BHM模型构建贫困与社会经济变量之间的时空模型,并用INLA算法估计了模型中的各参数。结果表明动态的非参数时空模型是最合适的。Curtis等[60]通过研究美国中部地区1960—2000年的贫困的时空变化和和社会结构的变化发现,在研究期间该区域经历了剧烈的产业重构以及民族/种族聚集区的变动。他们采用时空回归模型模拟了贫困和产业结构以及民族/种族的关系,发现产业结构和民族/种族的组成是造成区域持续贫困的重要原因。随后,同时考虑空间和时间的关联以及贫困-产业之间的关系的空间异质性,进而定量化分析了贫困—产业之间的关系随时间变化的规律。Deller[47]采用 地理加权回归通过研究1990—2000年美国的农村贫困发现,纳入农村的经济发展战略规划的旅游业和娱乐休闲产业的推对贫困的减少起到了重要的作用。
此外,也有许多研究者采用地理探测器度量不同年份各要素与贫困之间的关联,来判断不同年份贫困空间分异的主导因素。如洪名勇等[61]从省级层面出发,采用地理探测器揭示我国农村贫困发生率的时空演变规律及其形成机制,发现总体上我国农村贫困人口呈现出自南向北逐渐减少的趋势,且与经济发展的滴落机制、结构调整效应、利于穷人的投资、耕地资源禀赋等内在机制有关。黄晗等[54]从村级尺度出发,采用地理探测器揭示我国丘陵山区贫困的时空演变规律及其形成机制。结果表明丘陵山区农村贫困化聚集效应随减贫力度加大减弱,且不同时期丘陵山区农村贫困化地域分异的主导因素有所不同。

4 时空统计方法在贫困研究中的应用案例展示

4.1 贫困空间格局探索性分析

4.1.1 我国连片贫困地区的贫困村空间分布变化格局
陈跃红等[29]通过运用基于Ripley's K函数的多距离空间聚类分析了我国14个集中连片特殊贫困地区680个贫困县的贫困村在一定距离范围内的空间分布变化格局,探索了自然和社会经济因素对贫困村分布格局的影响。该研究从宏观上了解贫困村空间分布特征,为贫困地区农村空间优化提供决策依据。
基于Ripley's K函数的多距离空间聚类是一种分析事件点数据的空间模式的方法,它可以对一定距离范围内的空间相关性（聚类或扩散）进行汇总,因此可以用来研究要素的聚类或扩散如何相对于不同距离进行变化,其数学表达式如下所示：
K ˆ d = A n 2 ∑ i = 1 n ∑ j ≠ i n w ij I ( d ij < d )
L ˆ d = K d / π - d
式中： n 表示要素（行政村）的个数; d 表示距离; A 表示要素总面积。 L 0 ˆ d 表示给定距离 d 的观测值, L e ˆ d 给定距离 d 的预期值,若 L 0 ˆ d - L e ˆ d > 0 表示聚类分布, L 0 ˆ d - L e ˆ d < 0 表示离散分布, L 0 ˆ d - L e ˆ d = 0 则表示随机分布。
结果表明,随着距离的增加,不同的片区呈现出不同的分布特征。部分片区随距离呈现聚集性,部分则呈现由聚集到离散的格局（表2）。县域内贫困村呈现聚集特征的县主要分布在西藏地区和四省藏区,平均每个县的贫困村聚集个数分别为50和62。而滇黔桂石漠化区的贫困村分布则最为分散。
表2 实验区距离范围为10 km的多距离空间聚类分析结果（罗霄山区为例）[29]

Tab. 2 Values of L function for the fourteen poverty-stricken areas at distance scales of ten (Luoxiao Mountain area)[29]

1 2 3 4 5 6 7 8 9 10
罗霄山区 Leˆd 9 19 28 38 47 56 66 75 85 94
L0ˆd 12 22 31 40 49 57 65 72 80 86
L0ˆd-Leˆd 2 3 3 3 2 1 -1 -3 -5 -8
4.1.2 武陵山片区扶贫成效空间相关性分析
通过构建反映经济、社会、生产生活状况以及扶贫工作成效共50项指标的评价体系,毛婧瑶等[62]测算了武陵山片区2010、2011和2012年扶贫成效评价指数,并在此基础上进行空间自相关分析,探究扶贫成效空间格局特征及成因,为今后制定扶贫决策提供了科学参考。
结果表明,2010—2012年武陵山片区扶贫成效全局Moran's I指数均为正值（表3）,表明片区内扶贫成效的空间分布表现出较强的空间正相关性,具有空间集聚特征。
表3 扶贫成效评价指数全局空间自相关结果[62]

Tab. 3 Spatial autocorrelation result of the poverty alleviation[62]

年份 I值 Z值 P值
2010 0.1503 32.24 <0.001
2011 0.1913 4.44 <0.001
2012 0.1005 2.36 <0.001
高值聚集区域主要分布于鄂西南及渝东南地区,低值聚集区域则分布于湘西地区和贵州铜仁地区;高值聚集区域基本不变,而低值聚集区的县域数量逐年减少且空间位置略有变化。

4.2 空间贫困全局异质性归因分析

不同贫困地区的社会经济发展水平差异对区域贫困的产生有重要的影响,分析社会经济因子对贫困发生率的影响可以为扶贫政策的实施提供决策支持。任周鹏等[63]在分析2013年我国集中连片特殊贫困地区的县级贫困发生率空间分布格局基础上,构建多水平回归模型以同时控制空间异质性和空间自相关性,定量评价了多种社会经济发展因素在不同片区的作用大小。多水平回归模型如式（9）—式（10）所示：
y ij = β 0 + ( β 1 + u 1 j ) x ij + u 0 j + e ij
e ij = ρ ∑ j = 1 n w ij e ij + ε ij
式中： x ij 为分布在第j个片区的第i个县的预测变量; β 0 为截距项; β 1 为固定效应系数; u 0 j 表示各组内贫困发生率均值和所有县贫困发生率均值的差异, u 1 j 表示随区域变化的系数,这2个参数可以表征空间异质性; e ij 表示 y ij 和每个片区贫困发生率平均值的差异; w ij 为权重系数,可表征空间自相关性。
结果表明, 2013年片区各县平均贫困发生率21.42%,南疆三地州片区发生率最高;县级贫困发生率具有明显的空间相关性,县级贫困发生率分异中大约有32%是由其所处贫困片区不同而导致,即片区尺度的影响因子对贫困发生率影响达32%,说明片区对各县贫困发生率的大小有一定影响。社会经济因子与贫困发生率总体呈现负相关,例如农村人均纯收入和城市化水平越高,贫困发生率越低;这些要素的影响在不同片区差异明显,例如吕梁、大别山、滇西边境三片区,贫困率与农村人均纯收入呈负相关,与城市化正相关。

4.3 空间贫困局部异质性归因分析

行政村是区域性贫困研究中的最小单元,对行政村的贫困分异机制研究可以为因地制宜、有效实施精准扶贫战略提供参考依据。罗耀文等[64]以江西省永新县为典型案例,利用地理加权回归模型诊断出县域农村贫困化分异的主导因素,探究各致贫因子对贫困化空间格局的影响,从而揭示农村贫困化分异特征及其动力机制。
研究选取了自然环境与社会经济环境维度内的多个致贫因子（缺乏劳动力,老龄化,到最近乡镇距离,疾病,低学历,地形地貌等）,在此基础上筛选出6个与贫困发生率显著相关的自变量指标做主成分分析,并将提取的3个主成分与贫困发生率构建地理加权回归分析。结果表明第一、二、三主成分对贫困分异的累计贡献率达90.546%。第一主成分代表乡村主体自生发展能力,包括低学历、疾病和缺乏劳动力因素。第二主成分主要由NDVI决定,分表植被覆盖因素,第三主成分主要由坡度>8°面积占比和高程构成,表征地形地貌。将提取的3个主成分进行地理加权回归分析,结果表明永新县贫困格局分布与地形、植被分布等自然因素和低学历、缺乏劳动力、疾病等乡村主体自生发展能力相关,且每种影响因素与贫困发生率的关系在不同地区有差异。永新县北部地区的贫困状况受缺乏劳动力,到最近乡镇距离,DEM因素影响较大,而偏南部地区受老龄化,疾病,低学历因素历影响较大（图5）。
图5 PCA-GWR模型回归系数分布[64]

Fig. 5 Distribution of regression coefficients of the PCA-GWR model[64]

4.4 贫困的时空变化分析

4.4.1 集中连片特殊贫困地区扶贫成效分析
了解我国贫困地区扶贫成效的时空分异对减贫政策制定和及时调整是非常必要的。葛咏等[58]通过建立反映社会经济条件,生产生活条件以及扶贫开发措施5个方面共50项指标,构建评价指标体系,运用层次分析法和综合评价法得到13个片区（西藏地区除外）2010—2012年的综合扶贫绩效指数。
基于扶贫绩效指数,运用贝叶斯时空模型,对扶贫绩效指数进行进一步的时空变化分析。
y it ~ Normal μ it , σ 2
log ( μ it ) = α + s i + b 0 t + v t + b 1 i t + ε it
式中： s i 表示空间项,代表研究时期内,扶贫绩效综合评价指数时空演变过程中形成的稳定空间格局; exp ( s i ) 的大小直接度量了第i个县的绩效水平相对于全国总体水平的情况,大于1说明高于总体水平,小于1说明低于总体水平。 b 0 t + v t 为时间项,代表研究时期内,扶贫绩效综合评价指数发展的整体趋势的程度,当 b 0 t 表示趋势为线性函数; v t 为附加项可以表征整体趋势中的非线性关系。 b 1 i t + ε it 为时间交互项, b 1 i 代表研究时期内,扶贫绩效综合评价指数发展趋势偏离整体趋势的程度,当 b 1 i > 0 表示某县扶贫绩效指数变化强度大于整体变化强度;当 b 1 i ≤ 0 表示某县扶贫绩效指数变化强度小于整体变化强度。
结果发现,我国13个集中连片贫困区2010—2012年扶贫成效总体呈现中高西低的格局,其中大别山区,罗霄山区,武陵山区以及燕山-太行山区扶贫成效明显高于全国平均水平。2010—2012年总体扶贫成效逐年上升。与整体趋势相比,四省藏区,六盘山区以及秦巴山区扶贫成效提升快于整体趋势;而南疆地区则明显慢于整体趋势。稳定态区域的区县占大多数（81%）,表明大部分区县的扶贫成效指数变化趋势与整体变化趋势相当。
4.4.2 贫困地区土地利用时空变化分析
基于Google Earth Engine丰富的影像数据和强大的云计算能力,葛咏等[65]提取并分析了2013—2018年连续时间序列中国13个集中连片贫困地区的土地利用分类结果,在土地利用分类结果基础上运用贝叶斯层次模型对各个土地利用类型的时空变化进行分析。
Google Earth Engine (GEE)是Google提供的对全球大量的卫星影像数据进行在线可视化计算和分析的云平台,为大规模地理空间数据处理与数据挖掘提供了技术平台。GEE不仅为用户提供了在线的Java Script API,同时也提供了离线的Python API[65]。
2018年13个集中连片贫困地区分类结果显示,整个区域的总体分类精度是82.86%,各个类别的分类精度均在75%以上。2013—2018年,贫困地区的耕地面积不断减少,而建设用地和植被面积逐渐增长（图6）。贫困地区2013—2018年主要的土地利用转换类型是耕地和植被之间的转换。不同的片区有不同的特点,如六盘山区,滇黔桂石漠化区和滇西边境区主要是耕地转为植被。
图6 2013—2018年各类型土地利用的时间变化趋势[65]

Fig. 6 The overall temporal change trend of different land use types from 2013 to 2018[65]

5 讨论和展望

5.1 空间贫困及其要素数据的快速获取

空间贫困及相关要素的获取是区域贫困治理中一个最基础也是最重要的环节。贫困监测数据不完整、不可靠、不及时,会影响各省、市、区扶贫政策的制定。目前我国贫困监测以国际通行的住户调查为基础。但是这种方法费时费力,只能调查少量家庭。有很多学者利用小面积估计方法结合普查（大区域）和调查（小面积覆盖）数据之间的联系来将局部贫困制图推广到更大尺度[66],但这些技术需要最新的人口普查数据,而多数国家普查数据每10年收集一次,贫困数据不能及时得到更新。SDG之中特别强调高时空分辨率数据的重要性,呼吁各国增加与地理位置和其他与国情相关的特点分类的高质量、及时和可靠的数据获取能力[67]。
依靠遥感技术和全球卫星定位系统获取和提取的信息具有准确、高效、及时、快速、直观、周期性、动态性、经济等诸多优点。遥感产品在时空分辨率、可获取性、准确性等方面具有传统统计数据所无法比拟的优势。大量学者通过寻找遥感产品代替指标,在环境、社会、经济可持续性评价方面获得了突破。遥感图像处理技术如深度学习等方法的发展,使从遥感影像中提取有用信息能力大大提高。Jean等[68]采用卷积神经网络（CNN,Convolutional Neural Network）方法,结合夜间灯光影像和白天谷歌影像预测了一些非洲国家的村级尺度贫困状况。Arribas-Bel等[69]采用梯度增强回归和随机森林等机器学习方法从英国利物浦的谷歌影像中提取土地覆盖,光谱,结构和纹理特征等指标,并评估这些指标在预测生活环境被剥夺程度方面的潜力。Watmough等[70]近期还从高分辨率遥感影像中提取了农户尺度的贫困信息。
大数据有着大样本量、实时、动态、微观、详细、多源、自下而上、更加注重研究对象的地理位置信息等特征,目前已有部分研究采用手机大数据提取贫困的替代指标。Blumenstock等[71]根据卢旺达最大手机网络运营商提供的用户通信数据,在不泄露用户隐私的情况下,推断其社会经济地位,并估算其个人财富,进而估测该地区的富裕程度。Fernando等[72]利用斯里兰卡手机运营商提供的手机CDR数据提取表征社会关系和人口流动的特征,结合从人口普查中提取的社会经济数据,分析研究区内二者之间的关系并根据关系构建模型预测贫困分布。

5.2 多尺度贫困要素时空数据集的构建

贫困的空间分布呈现空间相关性和空间异质性的特点,导致其具有一定的尺度依赖性,不同尺度上,贫困空间分布格局的特征往往不同。同时,贫困的形成因素复杂,各个尺度上自然地理环境与社会经济环境存在差异。因此研究尺度的选择,对贫困的空间分析和空间模拟有重要影响。在多尺度上研究贫困与自然环境要素、社会经济各要素之间的关系才能更深入地理解贫困与环境之间的关系。
获取不同尺度的贫困发生率和致贫指标数据集是进行不同尺度的贫困数据分析的基础。在实际研究中,我们往往只能获取某一空间尺度下的数据,将该尺度的数据归算到另一个尺度、或多个尺度上,就需要用到尺度转换方法。根据数据尺度和目标研究尺度的不同,尺度转换可分为升尺度、降尺度和双向尺度转换,不同类型的空间数据尺度转换方式处理方法不同[18]。空间统计学为解决为空间数据的尺度转换提供了许多可行的方案。例如当我们的研究尺度为格网尺度,需要将贫困要素数据中的以统计单元收集的社会经济要素数据转化为基于统一空间信息单元的空间信息时,应采用降尺度方法,如面到点克里格、面到面克里格方法等[18]。针对在区域内部存在明显空间分异的指标,还可以选取合理的辅助建模因子,结合回归克里格和地理加权回归等统计方法,构建统计数据空间分布表面。当建模因子与预测变量之间存在非线性关系时,还可以结合非线性模型如机器学习模型和空间统计学模型,对预测变量进行精确模拟。

5.3 2020年后我国贫困空间格局变化

我国目前的脱贫攻坚工作已进入到最后的冲刺阶段,从目前的发展形势来看,2020年消灭绝对贫困人口问题不大。但是,相对贫困会长期存在,2020年后我国贫困标准如何制定,贫困空间格局如何变化,减贫扶贫政策如何调整,目前是我国贫困研究的重要方向之一,也是决策制定者关心的重要问题[71]。贫困人口的分布取决于贫困标准的变化,在贫困标准提高的情况下,贫困发生率也会上升。但新的贫困标准下贫困空间分布格局如何变化,尤其是贫困分布的空间相关性和异质性如何变化,是值得讨论的问题。目前已有学者就2020年中国绝对贫困全面消除后的我国贫困标准的制定以及贫困分布的特点和格局做出了探讨。如李小云等[74]认为2020年中国农村的原发性绝对贫困基本消除后,乡村贫困将进入一个转型性次生贫困的“新贫困”阶段,反复性贫困、潜在性贫困、相对贫困和特殊群体性贫困将成为主要代表。左停等[75]认为贫困会表现为以“困”为显著特征的特殊群体贫困、刚性支出或不合理支出过量的支出性贫困、城乡二元结构影响下的城乡流动性贫困、受风险冲击产生的暂时性贫困,以及区域不平衡的发展型贫困等。刘愿理等[76]基于多维视角划定相对贫困线,并以重庆市长寿区为例进行实证分析相对,并认为该方法能够全面反映或量化人口实际生活状况的需求。周扬等[73]利用BP神经网络模型模拟中国县域农村贫困的空间格局,识别出了2020年后仍需国家政策倾斜的帮扶县。
值得注意的是,若仍然按照现行绝对贫困的标准,根据我国脱贫标准,中部地区贫困发生率要降到2%以下,西部地区降到3%以下,那么此时贫困的发生将会成为小概率事件,对贫困空间估计分布的研究可以借鉴生态学和空间流行病学领域应用的零膨胀模型（Zero-inflated Models）[77,78]。

5.4 返贫监测

绝对贫困虽然消除,但是影响贫困的气候变化、社会经济发展、城市化进程等多重复杂因素将会长期存在,并将持续对贫困地区的人带来冲击,随时可能会造成返贫的发生。贫困地区生态环境脆弱,贫困人口对农业的依赖程度高,受到气候变化等自然灾害的影响以及突发疾病、市场波动、经济危机和失业等社会经济因素的冲击时,已脱贫和低收入的人口,抗风险能力较弱,很容易返贫致贫。2020年在我国及全球范围内大面积爆发的新冠肺炎疫情,就给世界各国的经济发展带来了巨大的冲击。据世界银行估计,受到疫情的影响,2021年全球会增加1.5亿贫困人口[79]。与此同时,2020年中国长江中下游连续遭遇多轮强降雨袭击,引发的洪涝灾害使得部分地区鱼塘、农田被淹没,部分家庭失去种养殖的收入。部分地区道路冲毁,扶贫产品运不出来,也导致返贫风险增加。估算灾害发生后不同区域的返贫风险,有助于我们了解和应对极端情况,及时调整各项干预政策,将返贫风险控制在最低。而提前预测未来情景下,尤其是扶贫政策的支持力度降低、极端事件发生等情景下各区域贫困的空间分布,是当前贫困监测中应重点关注的问题。

6 结语

时空统计学对贫困数据的空间分析不仅仅是地图上的展示,而是在揭示区域贫困分布的空间相关性、异质性和时空关联的基础上,进一步探究区域贫困时空分异的主导因素及其作用机制,以加深对区域贫困的理解。时空统计学是从地理学角度研究贫困的重要方法,可以为贫困时空分异机制研究提供重要支撑,为扶贫开发政策的实施提供科学依据,提高地理学服务社会的能力。中国和其他发展中国家扶贫战略的制定和实施,离不开科学技术的支持,将时空统计学方法应用于这些地区的贫困研究将会为我国精准扶贫、因地施策、协调贫困区生态环境保护和民生发展关系以及未来的乡村振兴提供决策服务。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
UN General Assembly . Transforming our world: The 2030 agenda for sustainable development[R]. New York: United Nations, 2015.

[2]
Jalan J, Ravallion M . Geographic poverty traps? A micro model of consumption growth in rural China[J]. Journal of Applied Econometrics, 2002,17(4):329-346.

DOI

[3]
Milbourne P . Rural poverty: Marginalisation and exclusion in Britain and the United States[M]. Londan: Routledge, 2004.

[4]
Dasgupta S, Deichmann U, Meisner C , et al. Where is the Poverty-Environment Nexus? Evidence from Cambodia, Lao PDR, and Vietnam[J]. World Development, 2005,33(4):617-638.

DOI

[5]
Okwi P O, Ndeng'e G, Kristjanson P , et al. Spatial determinants of poverty in rural Kenya[J]. Proceedings of the National Academy of Sciences, 2007,104(43):16769-16774.

DOI

[6]
Zhang Y, Wan G . The impact of growth and inequality on rural poverty in China[J]. Journal of Comparative Economics, 2006,34(4):694-712.

DOI

[7]
郭来喜, 姜德华 . 中国贫困地区环境类型研究[J]. 地理研究, 1995,14(2):1-7.

[ Guo L X, Jiang D H . A Study on Classification and development of the poor areas in China[J]. Geographical Research, 1995,14(2):1-7.]

[8]
姜德华, 张耀光, 杨柳 , 等. 中国贫困地区类型划分及开发研究提要报告[J]. 地理研究, 1988. 7(3):1-16.

[ Jiang D H, Zhang Y G, Yang L H , et al. Researches on the classificatyion and development of poor area in China[J]. Geographical Research, 1988,7(3):1-16.]

[9]
张磊 . 中国扶贫开发政策演变(1949—2005年)[M]. 北京: 中国财政经济出版社, 2007.

[ Zhang L. The evolution of poverty reduction policies in China (1949-2005)[M]. Beijing: Chinese financial& Economic Publishing House, 2007.]

[10]
中华人民共和国政府. 中国农村扶贫开发纲要(2011-2020)年[EB/OL]. { HYPERLINK“ http://www.gov.cn/jrzg/2011-12/01/content_2008462.htm” }, 2011-12-01.

[ The Central Peole's Government of People’s Republic of China. Outline of China's Rural Poverty Alleviation and Development(2011-2020) [EB/OL]. { HYPERLINK “ http://www.gov.cn/jrzg/2011-12/01/content_2008462.htm”}, 2011-12-01.]

[11]
中华人民共和国政府. 中国农村扶贫开发纲要(2001-2010)年[EB/OL].{ HYPERLINK“ http://www.gov.cn/zhengce/content/2016-09/23/content_5111138.htm” }, 2001-06-13.

[ The Central Peole’s Government of People’s Republic of China. Outline of China's Rural Poverty Alleviation and Development(2001-2010) [EB/OL]. { HYPERLINK “ http://www.gov.cn/zhengce/content/2016-09/23/content_5111138.htm”}, 2001-06-13.]

[12]
Zhou Y, Liu Y S . The geography of poverty: Review and research prospects[J]. Journal of Rural Studies, 2019. https://doi.org/10.1016/j.jrurstud.2019.01.008.

DOI PMID

[13]
共济 . 全国连片特困地区区域发展与扶贫攻坚规划研究[M]. 北京: 人民出版社出版社, 2013.

[ Gong J. Research on regional development and poverty alleviation planning for contiguous destitute areas across the country[M]. Beijing: People's Daily Press, 2013.]

[14]
2014-2018 Poverty Rate in the United States by County.[EB/OL]. https://www.census.gov/library/visualizations/interactive/2014-2018-poverty-rate-by-county.htm1, 2020-12-21.

[15]
Tatem A, Gething P, Pezzulo C , et al. Development of pilot high-resolution gridded poverty surfaces (methods working paper)[R]. Universtiy of Southampton, University of Oxford, 2015.

[16]
Cressie N . Statistics for spatial data[M]. New York: John Wiley & Sons, 1993.

[17]
Grosh M E, Glewwe P . Data watch: The World Bank's living standards measurement study household surveys s[J]. Journal of Economic Perspective, 1998,12(1):187-196.

DOI

[18]
Ge Y, Jin Y, Stein A , et al. Principles and methods of scaling geospatial Earth science data[J]. Earth-Science Reviews, 2019,197:102897.

DOI

[19]
Moran P A . Notes on continuous stochastic phenomena[J]. Biometrika, 1950,37(1/2):17-23.

[20]
Geary R C . The contiguity ratio and statistical mapping[J]. The Incorporated Statistician, 1954,5(3):115-146.

DOI

[21]
Getis A, Ord J K . The analysis of spatial association by use of distance statistics, in perspectives on spatial data analysis[M]. Berlin: Springer, 2010.

[22]
Ripley B D . Modelling spatial patterns[J]. Journal of the Royal Statistical Society: Series B, 1977,39(2):172-192.

[23]
Matheron G . Principles of geostatistics[J]. Economic Geology, 1963,58(8):1246-1266.

DOI

[24]
Anselin L . Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995,27(2):93-115.

DOI

[25]
Kulldorff M . A spatial scan statistic[J]. Communications in Statistics:Theory and methods, 1997,26(6):1481-1496.

DOI

[26]
Goodchild M F . The validity and usefulness of laws in geographic information science and geography[J]. Annals of the Association of American Geographers, 2004,94(2):300-303.

DOI

[27]
Forman R T . Land Mosaics: The ecology of landscapes and regions[M]. Washington: Springer, 1995.

[28]
Anselin L . Interactive techniques and exploratory spatial data analysis[M]. Geographical Information Systems: principles, techniques, management. New York: John Wiley & Sons, 1999:

[29]
Chen Y H, Ge Y . Spatial point pattern analysis on the villages in China's poverty-stricken areas[J]. Procedia Environmental Sciences, 2015,27:98-105.

DOI

[30]
马振邦, 陈兴鹏, 贾卓 , 等. 人穷还是地穷?空间贫困陷阱的地统计学检验[J]. 地理研究,2018,37(10):1997-2010.

DOI

[ Ma Z B, Chen X P, Jia Z , et al. Poor people, or poor area? A geostatistical test for spatial poverty traps[J]. Geographical Research, 2018,37(10):1997-2010.]

[31]
Liu Y S, Liu J L, Zhou Y . Spatio-temporal patterns of rural poverty in China and targeted poverty alleviation strategies[J]. Journal of Rural Studies, 2017,52:66-75.

DOI

[32]
Wang J F, Li X H, Christakos G , et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun Region, China[J]. International Journal of Geographical Information Science, 2010,24(1):107-127.

DOI

[33]
Vega S H, Elhorst J P . On spatial econometric models,spillover effects and W[C]. 53rd ERSA Congress, Palermo, Italy, 2013.

[34]
Adebanji A, Achia T, Ngetich R , et al. Spatial Durbin model for poverty mapping and analysis[J]. European Journal of Social Sciences, 2008,5:194-204.

[35]
Watmough G R, Atkinson P M, Hutton C W . Predicting socioeconomic conditions from satellite sensor data in rural developing countries: A case study using female literacy in Assam, India[J]. Applied Geography, 2013,44:192-200.

DOI

[36]
Curtis K J, Voss P R, Long D D . Spatial variation in poverty-generating processes: Child poverty in the United States[J]. Social Science Research, 2012,41(1):146-59.

DOI PMID

[37]
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.

DOI

[ Liu Y S, Li J T . Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China[J]. Acta Geographica Sinica, 2017,72(1):161-173.]

[38]
文琦, 施琳娜, 马彩虹 , 等. 黄土高原村域多维贫困空间异质性研究——以宁夏彭阳县为例[J]. 地理学报, 2018,73(10):1850-1864.

DOI

[ Wen Q, Shi L N, Ma C H , et al. Spatial heterogeneity of multidimensional poverty at the village level: Loess Plateau[J]. Acta Geographica Sinica, 2018,73(10):1850-1864.]

[39]
周扬, 李寻欢 . 平原农区贫困地理格局及其分异机制——以安徽省利辛县为例[J]. 地理科学, 2019,39(10):1592-1601.

[ Zhou Y, Li X H . Geographical pattern and mechanism of poverty differentiation in plain areas: A case study of Lixin county, Anhui Province[J]. Scientia Geographica Sinica, 2019,39(10):1592-1601.]

[40]
齐文平, 王艳慧, 万圆 , 等. 基于G-TOPSIS模型的贫困农户多目标发展评价——以云南福贡县为例[J]. 地理科学进展, 2020,39(6):1024-1036.

[ Qi W P, Wang Y H, Wan Y , et al. Multi-objective development evaluation of poverty-stricken households based on G-TOPSIS model: A case study from Fugong County, Yunnan Province[J]. Progress in Geography, 2020,39(6):1024-1036.]

[41]
Assunção J, Gamerman D, Assunção R . Regional differences in factor productivities of Brazilian agriculture: A Bayesian space varying parameter approach [C]. Proceedings of the XVII Latin American meeting of the Econometric Society, Technical Report. 1999.

[42]
Gelfand A E, Kim H J, Sirmans C F , et al. Spatial modeling with spatially varying coefficient processes[J]. Journal of the American Statistical Association, 2003,98(462):387-396.

DOI

[43]
Murakami D, Lu B B, Harris P , et al, The importance of scale in spatially varying coefficient modeling[J]. Annals of the American Association of Geographers, 2019,109(1):50-70.

DOI

[44]
Finley A O . Comparing spatially varying coefficients models for analysis of ecological data with non stationary and anisotropic residual dependence[J]. Methods in Ecology, 2011,2(2):143-154.

[45]
Lafary E W, Gatrell J D, Jensen R R . People, pixels and weights in Vanderburgh County, Indiana: Toward a new urban geography of human-environment interactions[J]. Geocarto International, 2008,23(1):53-66.

DOI

[46]
Xu Z X, Cai Z L, Wu S F , et al. Identifying the geographic indicators of poverty using geographically weighted regression: A case study from Qiandongnan Miao and Dong Autonomous Prefecture, Guizhou, China[J]. Social Indicators Research, 2018,142(3):947-970.

DOI

[47]
Deller S . Rural poverty, tourism and spatial heterogeneity[J]. Annals of Tourism Research, 2010,37(1):180-205.

DOI

[48]
Nashwari I P, Rustiadi E, Siregar H , et al. Geographically Weighted Regression Model for Poverty Analysis in Jambi Province[J]. The Indonesian Journal of Geography, 2017,49(1):42.

DOI

[49]
Wen T H, Chen D R, Tsai M J . Identifying geographical variations in poverty-obesity relationships: Empirical evidence from Taiwan[J]. Geospatial health, 2010,4(2):257-65.

DOI PMID

[50]
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):269-278.

[ Liu Y S, Zhou Y, Liu J L . Regional differentiation characteristics of rural poverty and targeted poverty alleviation strategy in China[J]. Bulletin of the Chinese Academy of Sciences, 2016,31(3):269-278.]

[51]
Wong K L, Brady O J, Campbell O M , et al. Comparison of spatial interpolation methods to create high-resolution poverty maps for low-and middle-income countries[J]. Journal of The Royal Society Interface, 2018,15(147):20180252.

DOI

[52]
Sedda L, Tatem A J, Morley D W , et al. Poverty, health and satellite-derived vegetation indices: Their inter-spatial relationship in West Africa[J]. International health, 2015,7(2):99-106.

DOI PMID

[53]
王劲峰, 葛咏, 李连发 , 等. 地理学时空数据分析方法[J]. 地理学报, 2014,69(9):1326-1345.

DOI

[ Wang J F, Ge Y, Li L F , et al. Spatiotemporal data analysis in geography[J]. Acta Geographica Sinica, 2014,69(9):1326-1345.]

[54]
黄晗, 李寻欢, 周扬 . 中国丘陵山区农村贫困时空格局及其演变机制研究——以江西省于都县为例[J]. 地理科学进展, 2020,39(6):938-950.

[ Huang H, Li X H, Zhou Y . Geographical pattern and spatial differentiation mechanism of rural poverty in hilly and mountainous areas of China: A case study of Yudu County in Jiangxi Province[J]. Progress in Geography, 2020,39(6):938-950.]

[55]
李玉恒, 武文豪, 宋传垚 , 等. 世界贫困的时空演化格局及关键问题研究[J]. 中国科学院院刊, 2019,34(1):42-50.

DOI

[ Li Y H, Wu W H, Song C Y , et al. Spatial-temporal pattern of world poverty reduction and key problems analysis[J]. Bulletin of Chinese Academy of Sciences, 2019,34(1):42-50.]

DOI

[54]
Sparks C, Campbell J . An application of bayesian methods to small area poverty rate estimates[J]. Population Research, 2014,33(3):455-477.

[55]
Ge Y, Yuan Y, Hu S , et al. Space-time variability analysis of poverty alleviation performance in China's poverty-stricken areas[J]. Spatial Statistics, 2017,21:460-474.

[56]
Ge Y, Hu S, Liu M . Applications of spatial statistics in poverty alleviation in China, in computational and methodological statistics and biostatistics[M]. New York: Springer, 2020.

[57]
Pusponegoro N H . Spatio-temporal poverty analysis with INLA in hierarchical bayes ecological regression[J]. Procedia Computer Science, 2018,135:323-330.

DOI

[58]
Curtis K J, Reyes P E O'Connell H A , et al. Assessing the spatial concentration and temporal persistence of poverty:industrial structure,racial/ethnic composition,and the complex links to poverty[J]. Spatial Demography, 2013,1(2):178-194.

DOI

[59]
毛婧瑶, 葛咏, 赵中秋 , 等. 武陵山贫困片区扶贫成效评价与空间格局分析[J] 地球信息科学学报, 2016,18(3):334-342.

DOI

[ Mao J Y, Ge Y, Zhao Z Q , et al. Poverty alleviation evaluation and spatial pattern analysis of Wuling mountain[J]. Journal of Geo-information Science, 2016,18(3):334-342.]

[60]
洪名勇, 王霞, 龚丽娟 , 等. 我国农村贫困发生率时空演变分析[J]. 统计与决策, 2020,36(10):83-87.

[ Hong M Y, W X, Gong L J , et al. The spatio-temporal pattern of rural poverty in China[J]. Statistics & Decision, 2020,36(10):83-87.]

[61]
Ren Z P, Ge Y, Wang J H , et al. Understanding the inconsistent relationships between socioeconomic factors and poverty incidence across contiguous poverty-stricken regions in China: Multilevel modelling[J]. Spatial Statistics, 2017,21:406-420.

DOI

[62]
罗耀文, 任周鹏, 葛咏 , 等. 基于PCA-GWR方法的村级贫困时空格局及致贫因素分析[J]. 地球信息科学学报, 2020,22(2):231-245.

[ Luo Y W, Ren Z P, Ge Y , et al. Analysis on spatio-temporal patterns and drivers of poverty at Village Level based on PCA-GWR[J]. Journal of Geo-information Science, 2020,22(2):231-245.]

[63]
Ge Y, Hu S, Ren Z P , et al. Mapping annual land use changes in China's poverty-stricken areas from 2013 to 2018[J]. Remote Sensing of Environment, 2019,232:111285.

DOI

[64]
Marchetti S, Giusti C, Pratesi M , et al. Small area model-based estimators using big data sources[J]. Journal of Official Statistics, 2015,31(2):263-281.

DOI

[65]
Schmidt-Traub G, Kroll C, Teksoz K , et al. National baselines for the Sustainable Development Goals assessed in the SDG Index and Dashboards[J]. Nature geoscience, 2017,10(8):547-555.

DOI

[66]
Jean N, Burke M, Xie M , et al. Combining satellite imagery and machine learning to predict poverty[J]. Science, 2016,353(6301):790-794.

DOI PMID

[67]
Arribas-Bel D, Patino J E, Duque J C . Remote sensing-based measurement of Living Environment Deprivation: Improving classical approaches with machine learning[J]. PLoS One, 2017,12(5):e0176684.

DOI PMID

[68]
Watmough G R, Marcinko C L, Sullivan C , et al. Socioecologically informed use of remote sensing data to predict rural household poverty[J]. Proceedings of the National Academy of Sciences, 2019,116(4):1213-1218.

DOI

[69]
Blumenstock J, Cadamuro G, On R . Predicting poverty and wealth from mobile phone metadata[J]. Science, 2015,350(6264):1073-1076.

DOI PMID

[70]
Fernando L, Surendra A, Lokanathan S , et al. Predicting population-level socio-economic characteristics using Call Detail Records (CDRs) in Sri Lanka[C]. Proceedings of the Fourth International Workshop on Data Science for Macro-Modeling with Financial and Economic Datasets. 2018. ACM.

[71]
周扬, 郭远智, 刘彦随 . 中国县域贫困综合测度及2020年后减贫瞄准[J]. 地理学报, 2018,73(8):1478-1493.

DOI

[ Zhou Y, Guo Y Z, Liu Y S . Comprehensive measurement of county poverty and anti-poverty targeting after 2020 in China[J]. Acta Geographica Sinica, 2018,73(8):1478-1493.]

[72]
李小云, 许汉泽 . 2020 年后扶贫工作的若干思考[J]. 国家行政学院学报, 2018(1):62-66.

[ Li X Y, Xu H Z . Thoughts on poverty alleviation work after 2020[J]. Jounal of Chinese Academy of Governence, 2018,( 1):62-66.]

[73]
左停, 李世雄 . 2020年后中国农村贫困的类型,表现与应对路径[J]. 南京农业大学学报, 2020,20(4):58-67.

[ Zuo T, Li S X . Types, Appearances and countermeasures of poverty in rural China after 2020[J]. Journal of Nanjing Agricultural University (Social Sciences Edition), 2020,20(4):58-67.]

[74]
刘愿理, 廖和平, 李靖 , 等. 后2020时期农户相对贫困测度及机理分析——以重庆市长寿区为例[J]. 地理科学进展, 2020,39(6):960-971.

[ Liu Y L, Liao H P, Li J , et al. Measurement and mechanism analysis of relative poverty of farming households in the post-2020 period:A case study of Changshou District, Chongqing Municipality[J]. Progress in geography, 2020,39(6):960-971.]

[75]
Agarwal D K, Gelfand A E, Citron-Pousty S . Zero-inflated models with application to spatial count data[J]. Environmental Ecological statistics, 2002,9(4):341-355.

DOI

[76]
Nieto-Barajas L E, Bandyopadhyay D . A zero-inflated spatial gamma process model with applications to disease mapping[J]. Journal of Agricultural, Biological,Environmental Statistics, 2013,18(2):137-158.

DOI

[77]
COVID-19 to Add as Many as 150 Million Extreme Poor by 2021.[EB/OL]. https://www.worldbank.org/en/news/press-release/2020/10/07/covid-19-to-add-as-many-as-150-million-extreme-poor-by-2021, 2020-10-07.

Options
Outlines

/

〈 〉