首页  期刊介绍 期刊订阅 广告合作 联系我们 English
 
最新录用  |  当期目录  |  过刊浏览  |  热点文章  |  阅读排行  |  下载排行  |  引用排行
县域农村贫困化空间分异及其影响因素——以陕西山阳县为例
武鹏,, 李同昇,, 李卫民
西北大学城市与环境学院,西安 710127

作者简介:武鹏(1993- ),男,山西介休人,硕士,主要从事农村贫困与区域发展研究。E-mail:wupengeo@163.com

李同昇(1960- ),男,陕西岐山人,教授,博士生导师,主要从事经济地理与区域发展研究。E-mail:leetang@nwu.edu.cn
摘要

以国家扶贫开发重点县山阳县为研究区,通过空间自相关分析和分组分析方法探究山阳县农村贫困化的空间格局和类型;利用逐步回归、地理加权回归和地理探测器模型对山阳县农村贫困化影响因素进行分析,讨论影响因素效应水平的空间异质性及其交互作用。研究表明:① 山阳县农村贫困发生率具有较强的空间集聚性,形成6个热点集聚区和4个冷点集聚区;综合考虑农村贫困程度和空间连接性,将山阳县划分为低度贫困区、中度贫困区和高度贫困区。② 水网密度、到最近公路的距离、危房比例、农民人均可支配收入、外出务工人数比例、农户入社比例6个因素是山阳县农村贫困化的主要影响因素,各因素的影响效应具有空间异质性。③ 两因素交互作用要比单因素作用于贫困发生率时影响力更显著,各主要影响因素的交互作用类型有双因子增强型和非线性增强型两种。

关键词: 农村贫困化; 影响因素; 空间异质性; 地理加权回归; 地理探测器; 陕西山阳县;
Spatial differentiation and influencing factors analysis of rural poverty at county scale: A case study of Shanyang county in Shaanxi province, China
WU Peng,, LI Tongsheng,, LI Weimin
College of Urban and Environmental Sciences, Northwest University, Xi'an 710127, China
Abstract

Poverty is still remaining as the most prominent "short-board" in the Chinese economic development. The hardest and heaviest part of building well-off society in an all-around way lies in the rural construction, especially in the poverty-stricken area. The poverty alleviation and development in China is at the most critical stage, which requires more accurate recognition for the spatial differentiation of the rural poverty and its influencing factors, to make sure the exact targeting of the poverty alleviation policies and measures. This paper picked Shanyang, a key county in the poverty alleviation and development project of China, to explore the spatial pattern and type of the rural poverty of this county through the spatial autocorrelation analysis and grouping analysis. The stepwise regression, geographically weighted regression and Geodetector models were used to analyze the influencing factors of the rural poverty in this county, followed with the discussion on the spatial heterogeneity and interaction of the influencing effects. The following findings were concluded from the research: (1) The incidence of rural poverty in Shanyang noticeably clustered in space, forming 6 hot spots and 4 cold spots. In terms of rural poverty degree and spatial connectivity, the county was divided into low poverty area, mid poverty area and high poverty area. The space distribution was based on the regional poverty degree to facilitate a proper implementation of the poverty alleviation policies. (2) The major influencing factors responsible for the rural poverty in Shanyang included water network density, the distance to the nearest highway, proportion of dilapidated buildings, disposable income per rural capita, proportion of migrant workers and the proportion of rural households participating in the agricultural cooperatives. The influencing effects of all factors featured the spatial heterogeneity. Water network density and rural disposable income per capita were negatively correlated with the incidence of poverty while the rest factors showed a positive correlation. (3) The influence of the interaction between two factors appeared to be larger than that of the single factor. The interaction modes between major factors included bi-factor enhancement and nonlinear enhancement. Due to the interaction enhancement effects between poverty factors, the poverty alleviation policies shall be comprehensively matched to realize the expected target, along with a powerful poverty alleviation security system to ensure the full implementation.

Keyword: rural poverty; influencing factors; spatial heterogeneity; geographically weighted regression (GWR); Geodetector; Shanyang county;
1 引言

当前,贫困问题仍然是我国经济社会发展中最突出的“短板”,根据国家“十三五”脱贫攻坚规划,截至2015年底,中国还有5630万农村建档立卡贫困人口,主要分布于832个国家扶贫开发工作重点县、集中连片特困地区县和12.8万个建档立卡贫困村。全面建成小康社会最艰巨最繁重的任务在农村,尤其是在贫困地区。我国扶贫开发正处于区域瞄准和到村到户瞄准结合实施的精准扶贫阶段,当下的脱贫攻坚任务,要求对农村贫困化的空间分异及其影响因素进行更精准的识别,从而使各种扶贫措施能够有的放矢,精准施策。

地理学关于农村贫困问题的研究重点集中在贫困的地理识别、贫困的空间分异和类型划分、贫困的影响因素等方面。在贫困的地理识别方面,国内外学者对贫困概念的理解从收入贫困扩展到多维贫困[1,2,3,4,5,6,7]、空间贫困[8,9,10,11],运用地理学的方法和技术手段对不同尺度的区域单元进行贫困识别[12,13,14]。在贫困的空间分异和类型划分方面,学者们从不同尺度对贫困的空间格局进行研究[15,16,17],均证实了贫困在空间上的不均衡分布,其中,以乡镇和行政村为研究单元的小尺度研究,可为制定扶贫战略提供更精准的参考依据[18]。根据一定原则对贫困区域进行类型划分[14,19,20],可以引导扶贫措施分类实施。在贫困的影响因素方面,早期多使用定性方法进行解释,例如杨发相等对塔里木盆地岳普湖县的研究发现,其致贫原因与当地自然条件有关,更受人为因素影响[21];曹芳等从制度角度分析了影响中国农村贫困地区可持续发展的多种因素[22]。近年来多种计量模型、空间统计方法等定量分析方式被用来探究贫困的影响因素[23,24,25]。Okwi等运用空间回归方法探讨肯尼亚农村地区地理因素对贫困的影响,发现坡度、土壤类型、获取公共资源的距离或时间成本、海拔、土地利用类型、人口因素是影响贫困空间分布的显著变量[26];罗庆等使用泊松回归分析秦巴山区11个县农村贫困的影响因素,发现自然地理特征、地理区位特征、公共服务设施的可达性以及政策因素都对贫困村区位有显著影响[18];刘彦随等运用多元线性回归和地理探测器,诊断出河北省阜平县农村贫困化分异的主导因素包括地面坡度、人均耕地资源、到主要干道距离、到县城中心距离等[27]。以上研究从自然、区位、经济、社会等多个方面对农村贫困化的影响因素进行了分析,但较少考虑影响因素效应水平的空间异质性[28],同时对因素间的交互作用也缺少定量分析。实际上,单一因素在研究区的不同局部区域,影响效应可能有所差异,即存在空间异质性;与此同时,两因素之间的交互作用与单因素作用相比会呈现强弱、方向、线性和非线性等方面的差异[29]

本文选取国家扶贫开发重点县陕西山阳县为研究区,以行政村为研究单元,在分析其农村贫困化空间分异的基础上,进行贫困类型分区;运用逐步回归、地理加权回归和地理探测器模型,对农村贫困化影响因素进行定量分析,探讨其影响效应的空间异质性和交互作用,从而为我国农村精准扶贫提供理论依据。

2 研究方法与数据来源
2.1 研究区概况

山阳县位于陕西省商洛市中南部,地处秦岭南麓,县城距商洛市区约66 km,距省会西安市约150 km(图1)。全县总面积约3535 km2,现辖2个街道办事处,16个镇,239个行政村(社区)。山阳县属于北亚热带向暖温带过渡的季风性半湿润山地气候,是一个“八山一水一分田”的土石山区农业县、国家扶贫开发重点县、革命老区县,截至2015年底,全县共有129个贫困村,贫困人口3.12万户、9.61万人。

图1 研究区位置及陕西山阳县行政区范围 Fig. 1 The location of the study area and administrative map in Shanyang county, Shaanxi province

2.2 研究方法

2.2.1 空间自相关分析 空间自相关分析是理论地理学的基本方法之一[30],包括全局空间自相关分析和局部空间自相关分析。使用全局空间自相关分析可以判断山阳县农村贫困化空间分布是聚类模式、离散模式还是随机模式。根据行政村(社区)位置及其贫困发生率属性使用 Global Moran's I统计量测度山阳县农村贫困化空间自相关性。Moran's I值计算公式如下[31]

I = n S 0 × i n j n w ij ( x i - x ̅ ) ( x j - x ̅ ) i n ( x i - x ̅ ) 2 (1)

式中:n为研究区行政村(社区)数量;xixj分别为空间单元的观测值;为观测值的均值,wij为空间权重矩阵,S0为空间权重矩阵之和。Moran's I值的显著性检验通常用Z得分来衡量,计算公式如下:

Z = 1 - E [ I ] VAR [ I ] (2)

全局空间自相关分析能够判断某种地理现象或某一属性值在空间上是否具有集聚特征,但并不能指出集聚区的具体位置。使用热点分析工具对研究区的每一个要素计算 Getis-Ord G*i 统计量,可以知道贫困发生率高值或低值要素在空间上发生聚类的局部区域[32]。同时,使用聚类和异常值分析(Anselin Local Moran's I)可以进一步识别高值主要由低值围绕的异常值要素(HL)以及低值主要由高值围绕的异常值要素(LH)。

2.2.2 地理加权回归模型 地理加权回归(geographically weighted regression,GWR)是Fortheringham等基于局部光滑思想提出的空间回归模型[33]。GWR模型为研究区的每个要素构建了一个独立的方程,用于将各目标要素带宽范围内要素的因变量和解释变量进行合并[34]。它将数据的空间属性纳入回归模型,使变量间的关系可以随空间位置的变化而变化,从而反映参数在不同区域的空间非平稳性[35]。模型结构如下:

y i = β 0 ( u i , v i ) + β 1 ( u i , v i ) x 1 i + β 2 ( u i , v i ) x 2 i + + β p ( u i , v i ) x pi + ε i (3)

式中:yi为样本i的因变量;β0为截距;xpi为样本i的第p个自变量;(ui,vi)为样本i的空间坐标;βpui,vi)为样本i的第p个自变量的系数;εi为随机误差项。

2.2.3 地理探测器 地理探测器是探测空间分异性并揭示其背后驱动力的一组统计学方法。地理探测器可以检验单变量的空间分异性,同时也能通过检验两个变量空间分布的一致性,来探测两变量之间可能的因果关系[36]。地理探测器中的因子解释力用q值度量,表达式为:

q = 1 - h = 1 L N h σ h 2 N σ 2 (4)

式中:L为贫困发生率Y或影响因素X的分层,即分类或分区;Nh和σh2分别为层h的单元数和方差;N和σ2分别为研究区整体的单元数和方差。q为影响因素对贫困发生率的影响程度,值域为[0, 1],值越大,则说明影响因素对贫困发生率的解释力越强[37]

交互作用探测的目的是评估影响因素X1和X2共同起作用时是否会增加或减弱对贫困发生率Y的解释力,或这些因素对贫困发生率Y的影响是否是独立的[38]。评估的方法是首先分别计算两种影响因素X1和X2对Yq值:qX1)和qX2),并且计算它们交互时的q值:qX1∩X2),并对qX1)、qX2)与qX1∩X2)进行比较。两个影响因素之间的关系可分为5类[29]表1)。

表1 两个自变量对因变量交互作用的类型 Tab.1 Types of interaction between two covariates
2.3 数据来源

选取山阳县238个行政村(社区)为研究对象,由于城关街道东关社区数据缺失,不纳入研究范围。数据分为自然属性数据和社会属性数据。自然属性数据中,DEM数据从地理空间数据云网站(http://www.gscloud.cn)下载获得,并经坡度分析得到坡度数据,利用栅格计算得到地形起伏度。行政区矢量地图、河流和道路数据来自山阳县国土资源局,经密度分析和邻域分析分别得到水网密度和距离数据。各行政村(社区)耕地面积来自山阳县扶贫开发局统计资料。社会经济属性数据中,山阳县各行政村(社区)2015年贫困人口与总人口、农民人均可支配收入、危房数量、残疾人数量、外出务工人数、农民专业合作社入社户数等数据来自山阳县“十三五”脱贫攻坚规划和扶贫开发局统计资料,以行政村(社区)贫困人口与总人口之比计算贫困发生率,表征农村贫困化程度。

3 结果分析
3.1 山阳县农村贫困化空间格局

山阳县农村贫困化空间分布具有明显的地域差异性,南部地区贫困发生率整体较高,北部除东北和西北边缘的少数行政村(社区)外,贫困发生率整体较低(图2)。山阳县农村贫困发生率平均值为24.6%,各村贫困程度相差很大,城关街道西关社区贫困发生率最低,为0.6%,色河铺镇胖鱼沟村贫困发生率最高,达63.5%。

图2 2015年陕西山阳县贫困发生率 Fig. 2 The incidence of poverty in Shanyang county, Shaanxi province in 2015

图3 山阳县贫困发生率热点图 Fig. 3 Hotspot analysis of the incidence of poverty in Shanyang county

运用ArcGIS 10.2全局空间自相关(Global Moran's I)工具对山阳县农村贫困发生率空间格局进行分析,山阳县贫困发生率Moran's I指数为0.47,Z得分为12.52,具有较强的空间集聚性。进一步运用热点分析工具进行局部空间自相关分析,结果显示(图3),山阳县贫困发生率高值主要集中在2个较大的热点区和4个较小的热点区,分别位于山阳县东北部(十里铺街道、高坝店镇、两岭镇北部)、中南部(天竺山镇东部、法官镇东北部、延坪镇中部和北部、王阎镇西部)、西北部、中部、西南部和东南部;贫困发生率低值主要集中在1个较大的冷点区和3个较小的冷点区,分别位于山阳县中部(色河铺镇东南部、城关街道南部、十里铺街道南部、高坝店镇西南部)、西部、东部和南部。聚类和异常值分析工具识别出3个贫困发生率异常值村(HL),分别是色河铺镇胖鱼沟村、中村镇碾沟村和法官镇法官庙村(图4)。3个行政村贫困发生率均较高,且周围由贫困发生率低值村围绕。同时,3个异常值行政村都处于所在乡镇的边缘位置,距离乡镇中心较远。

图4 山阳县贫困发生率聚类和异常值分布图 Fig. 4 Cluster and outlier analysis of the incidence of poverty in Shanyang county

3.2 山阳县农村贫困化类型分区

山阳县农村贫困化空间分布具有空间聚类特征,根据行政村(社区)位置和贫困发生率属性,进行贫困类型划分,可以识别山阳县扶贫开发的重点区域,同时可对不同分区内部农村贫困化空间特征及影响因素进行更深入的分析。利用ArcGIS 10.2聚类分布制图工具集内的分组分析工具,可以在空间约束条件下对要素属性进行分组[39,40,41]。在尽可能保证行政村(社区)空间连接的情况下,分组分析将采用连通图(最小跨度树)来查找山阳县行政村(社区)的自然分组。本文分组分析的空间约束方式采用狄洛尼三角形法(delaunay triangulation),即同一分组中的要素至少具有一个与该组中另一要素共用的自然邻域。分组分析的最佳组数参考衡量分组有效性的伪F统计量。组数在2~10组之间的伪F统计量取值范围为[35.6686,48.8163],伪F统计量最高值对应的组数为3组,因此,将山阳县划分为3个贫困类型区。分组分析结果如图5所示。根据分组内农村贫困发生率的统计特征(表2),分别将各组命名为低度贫困区、中度贫困区和高度贫困区。

图5 山阳县农村贫困化分组分析结果 Fig. 5 Grouping analysis of rural poverty in Shanyang county

将分组分析结果与贫困发生率热点图进行对比,发现低度贫困区、高度贫困区与对应的冷点区、热点区分布特征大致吻合。不同类型区内部的贫困发生率集聚性比山阳县整体集聚性较弱。低度贫困区分布在山阳县中部和东部,贫困发生率Moran's I值为0.20,农村贫困化分布较为集聚。中度贫困区行政村(社区)数量最多,分布在山阳县西部、南部和东北部,贫困发生率Moran's I值为0.23,集聚性较强。高度贫困区分布在山阳县东南部和东北部,距离县中心最远,是山阳县脱贫攻坚任务最艰巨的区域。高度贫困区贫困发生率Moran's I值为0.01,Z得分为0.31,呈现空间随机分布特征。

表2 分组分析结果统计 Tab.2 Summary statistics of results of the grouping analysis
3.3 影响因素分析模型

3.3.1 影响因素变量选取 农村贫困受到区位、资源、经济、社会文化和政策等多方面因素的影响,并且各因素相互影响、互为因果,呈现循环积累效应[42]。本文借鉴罗庆等[18,27]提出的村域尺度影响因素指标,同时考虑山阳县实际情况,从自然环境特征、地理区位特征、经济因素和社会因素四个维度选取13项指标来分析山阳县农村贫困化影响因素(表3)。

表3 变量和指标说明 Tab.3 Description of variables and measures

3.3.2 GWR模型运算结果 运用GWR模型的前提是要素存在空间自相关性,如果存在空间自相关性,则传统的普通最小二乘法(ordinary least squares,OLS)模型估计有偏,应选用GWR模型[43]。本文选取的山阳县238个行政村(社区)贫困发生率具有较强的空间自相关特征,因此使用GWR模型更加合适。

首先,在SPSS 20.0中利用逐步回归模型对变量进行处理。逐步回归的基本思想是,被选入的变量在新变量引入后变得不重要时,将其剔除,被剔除的变量当它在新变量 引入后变得重要时,可以重新选入方程。逐步回归有助于建立最优线性回归模型,它 保留影响显著的变量,剔除不显著的变量,且在一定程度上可以消除多重共线性。运行结果显示(表4),有6个解释变量通过了显著性检验和共线性诊断,分别是危房比例、农民人均可支配收入、外出务工人数比例、到最近公路的距离、水网密度和农户入社 比例。

表4 逐步回归模型运算结果 Tab.4 Summary of stepwise regression results

其次,以农村贫困发生率为因变量,以上述6个主要影响因素为自变量,利用ArcGIS 10.2中GWR模型进行空间回归分析。其中,核类型采用“固定核”方法,模型带宽采用修正的Akaike信息准则(AICc),运算结果如表5所示。模型的校正可决系数为0.693,拟合性能良好。对模型残差进行空间自相关检验,Moran's I值为0.02,Z值得分为0.59,残差在空间上呈随机分布,表明模型效果很好。GWR模型对每一个行政村(社区)计算了影响因素的回归系数,表5对回归系数的均值、最小值、上四分位值、中位值、下四分位值和最大值进行了统计。同时,对每个贫困类型分区的影响因素回归系数均值进行统计,得到表6,结果显示,每个因素在不同贫困类型分区的影响效应呈现不均衡的特征。

表6 影响因素回归系数均值分区统计 Tab.6 Averages of regression coefficients of influencing factors
3.4 影响因素分析

3.4.1 水网密度 GWR模型结果显示,水网密度与农村贫困发生率呈负相关,即水网密度越大的区域,其贫困发生率越低。水网密度回归系数的绝对值呈现由东南向西北逐渐增大的分布特征(图6a),回归系数波动较大,表明其对山阳县农村贫困化的影响效应具有较强的空间异质性。从贫困类型分区上来看(表6),高度贫困区农村贫困化受水网密度因素影响更显著。水网密度反映了区域的水资源条件,水网密度越大的村庄,其灌溉条件和生活用水条件更为便利,作物产量也较高,因此农户陷入贫困的可能性较小。高度贫困区主要位于地形复杂的东南部地区,该区域水网密度回归系数最大,农户生产生活受水资源约束更强,因此,需要加强高度贫困区饮水安全和农田水利建设的扶持力度。

3.4.2 到最近公路的距离 到最近公路的距离对山阳县农村贫困化具有正向影响,其回归系数在空间上呈现由东向西逐渐增大的趋势(图6b),空间异质性比较明显。贫困类型分区上(表6),中度贫困区因素回归系数较大,即在中度贫困区,到最近公路的距离每增加1个单位,对于该区域农村贫困发生率的影响更大。到最近公路的距离反映了农户进入市场、获取公共服务等方面的便利程度。地处偏远地区的农户,由于交通不便,农产品难以出售,同时外界的资本、技术等资源不易进入,农户陷入贫困的可能性较大,导致村庄整体贫困发生率较高。为防止农村贫困化“孤岛效应”的深化[44],扶贫过程中应注重改善交通条件,尤其加强中度贫困区的路网建设,提高减贫效率。

表5 GWR模型运算结果 Tab.5 Summary of GWR results

3.4.3 危房比例和农民人均可支配收入 危房比例与农村贫困发生率呈正向关联作用。危房比例回归系数在空间上表现为由东南向西北递增的分布特征(图6c)。贫困类型分区上(表6),中度贫困区和低度贫困区农村贫困发生率受危房比例因素影响较大,高度贫困区受其影响较小。危房比例反映了各村庄农户居住条件,危房比例越高,农户的基本生活得不到保障,该村庄的贫困发生率越高。高度贫困区平均危房比例明显高于其他分区,但是该区域危房比例每变化1个单位,对贫困发生率的改变较小,因此该地区农户的致贫原因是多方面的,不仅要实施危房改造等措施保障住房安全,而且需要采取配套措施,综合扶贫。农民人均可支配收入与农村贫困发生率呈负向关联作用,其回归系数的绝对值在空间上由东南向西北递增(图6d),但波动很小,不同贫困类型分区受该因素影响的差异不大。各行政村(社区)农民人均可支配收入反映了村庄的经济水平。山阳县农户收入来源以农业生产为主,经济水平较高的村庄一般土地条件较好,基础设施建设比较完善,整体贫困发生率较低。

3.4.4 外出务工人数比例和农户入社比例 外出务工人数比例与农村贫困发生率呈正向关联作用,即外出务工人数比例越高的行政村(社区),当地的贫困发生率越高。空间上,外出务工人数比例回归系数具有东部高、东南部和西部较低的分布特征(图6e)。贫困类型分区上(表6),高度贫困区和低度贫困区的农村贫困化受外出务工人数比例影响较大,中度贫困区受其影响较小。外出务工人数比例反映农村劳动力向外流动的程度,该因素受到当地生产条件、外地经济吸引力等多方面的影响。外出务工人数比例较大的行政村(社区),当地的农业生产条件一般较差,农户收入来源有限,村庄整体的贫困发生率较高。对于单个贫困户,外出务工能够增加其家庭收入,长远来看,发展劳务输出能够改善村庄贫困状况。因此,可以开展务工人员技能培训、就业指导等扶贫措施,做好劳务协作服务,促进外出务工形成减贫带动效应。

图6 GWR模型影响因素回归系数的空间分布 Fig. 6 Spatial pattern of coefficient for each evident factor under GWR model

农户入社比例与农村贫困发生率呈正向关联作用。该因素回归系数呈东北向西南递增的空间分布特征(图6f),且波动较大,具有较强的空间异质性。在贫困类型分区上(表6),低度贫困区和高度贫困区农村贫困发生率受农户入社比例影响较小,中度贫困区受其影响较大。农民专业合作社作为新型农业经营主体,数量不断发展。由于政策优惠等原因,贫困发生率较高的村庄,其合作社数量并不少于经济条件较好的村庄,因此,农户入社比例越大,并不意味着贫困发生率越低。其次,山阳县农民专业合作社发展水平较低,生产经营能力不足,还未能带来较好的减贫效应。同时,贫困户由于自身缺乏土地、劳动力或资金,参加合作社后得到的收益较少。培育农民专业合作社不应只追求数量,更应该注重提高效益,引导其发挥对贫困人口的帮扶作用。

3.5 影响因素交互作用

基于GWR模型的影响因素分析,仅限于各因素单独作用的情况,利用地理探测器中的交互作用探测器,可以探究两因素对贫困发生率共同起作用时的影响程度。以农村贫困发生率为因变量,以水网密度、到最近公路的距离、危房比例、农民人均可支配收入、外出务工人数比例和农户入社比例6个因素为自变量,运用地理探测器进行影响因素交互作用分析。首先对自变量进行分层,将自变量由数值量转为类型量,分类方式采用自然断点法。其次,在ArcGIS 10.2中创建间距为0.5 km的格网点,将因变量值和自变量值通过格网点匹配起来,进行交互作用分析。

交互作用探测结果显示(表7),不同因素交互作用的影响力均大于单独作用的影响力,各影响因素之间的交互作用类型有双因子增强型、非线性增强型两种,不存在相互独立的因素。水网密度与其他因素交互作用于农村贫困发生率时,均产生非线性增强效应,而经济、社会、地理区位维度的因素交互起作用时,会产生双因子增强效应,效果没有非线性增强型显著。因此,需要重视水网密度等自然环境因素对经济、社会、地理区位维度因素的增强作用。山阳县农村贫困化影响因素中,到最近公路的距离∩农民人均可支配收入、到最近公路的距离∩危房比例、农民人均可支配收入∩危房比例3类交互情形产生双因子增强作用,其他交互情形产生非线性增强作用。在贫困类型分区上,中度贫困区农村贫困化影响因素中,有4类交互情形产生双因子增强作用,其他交互情形均产生非线性增强作用。高度贫困区和低度贫困区影响因素之间所有交互情形均产生非线性增强作用,即因素交互作用的影响力大于两因素单独作用时影响力相加之和。

表7 交互作用探测结果 Tab.7 Results of interaction detecting
4 结论与讨论
4.1 结论

通过空间自相关方法分析了山阳县农村贫困化空间分布特征,识别了贫困发生率热点区、冷点区和异常值,并利用分组分析方法将山阳县划分为低度贫困区、中度贫困区和高度贫困区;选取自然环境特征、地理区位特征、经济因素和社会因素四个维度共13个变量,运用逐步回归模型、GWR模型和地理探测器研究山阳县农村贫困化影响因素,并讨论了因素效应水平的空间异质性和交互作用。主要研究结论如下:

(1)山阳县农村贫困发生率具有较强的空间集聚性,贫困发生率高值主要集中在2个较大的热点区和4个较小的热点区,贫困发生率低值主要集中在1个较大的冷点区和3个较小的冷点区。色河铺镇胖鱼沟村、中村镇碾沟村和法官镇法官庙村是3个贫困发生率异常值村(HL)。贫困类型分区上,低度贫困区和中度贫困区农村贫困发生率分布较为集聚,高度贫困区农村贫困发生率呈随机分布。

(2)水网密度、到最近公路的距离、危房比例、农民人均可支配收入、外出务工人数比例、农户入社比例6个因素是山阳县农村贫困化的主要影响因素,其影响效应具有空间异质性。到最近公路的距离、危房比例、外出务工人数比例和农户入社比例与农村贫困发生率呈正相关,其他影响因素呈负相关。

(3)6个主要影响因素的交互作用类型有双因子增强型和非线性增强型两种,不存在相互独立的因素。水网密度因素与其他因素的交互作用均呈非线性增强型。贫困类型分区上,高度贫困区和低度贫困区的影响因素交互情形均产生非线性增强作用,即因素交互作用的影响力大于两因素单独作用时影响力相加之和。

通过对山阳县农村贫困化空间分异和影响因素的分析,得到以下扶贫政策启示:① 根据区域贫困程度进行空间分区,可以引导扶贫措施合理安排。低度贫困区是社会经济条件较好的区域,适合开发建设,实施开发式扶贫。高度贫困区因区位条件差、基础设施建设不完善等因素制约,亟需优先补齐发展短板。② 从影响因素分析结果看,需要着重关注水网密度、到最近公路的距离、危房比例、农民人均可支配收入、外出务工人数比例、农户入社比例6个因素。针对山阳县贫困现状,改善贫困地区水利、交通等基础设施条件,加强饮水工程设施建设,提高饮水安全保障;完善路网建设,强化贫困地区与外界的交通联系;保障农户住房安全,注重改善移民搬迁对象生产生活条件和发展环境;大力发展特色产业,突出产业扶贫,通过产业带动就业,促进输血扶贫向造血扶贫转变;积极探索和建立新型经济组织与贫困户的利益联结机制,扶持农民专业合作社、产业协会等新型经济组织,注重生产经营效益,突出其对贫困人口的帮扶带动作用;提高贫困劳动力就业技能,搞好劳务协作服务。③ 由于影响贫困的因素之间会产生交互增强效应,因此扶贫措施需要综合匹配,方能达到预期的减贫效果;同时需要建立强有力的扶贫工作保障机制,确保各项措施能够统筹安排,落实到位。

4.2 讨论

本文根据山阳县农村贫困化的空间分布特征,在尽可能保证空间连接的条件下利用分组分析工具将山阳县划分为低度贫困区、中度贫困区和高度贫困区,其中高度贫困区农村贫困问题最严峻,是山阳县脱贫攻坚任务最为艰巨的区域。在实际操作中,由于各贫困类型分区内部依然具有空间分异特征,可以在分区内部继续运用分组分析方法进行贫困类型分区,获得更小尺度的减贫规律。本文仅就山阳县2015年农村贫困化的空间分异及影响因素进行了探讨,但随着扶贫开发工作的强力推进,贫困的空间格局和影响机制也将发生较快的变化,因此需要对农村贫困状况进行动态观测和分析,及时发现减贫过程中的新因素和新问题,探讨减贫新机制。

The authors have declared that no competing interests exist.

Reference
[19] 姜德华, 张耀光, 杨柳, . 中国贫困地区类型划分及开发研究提要报告. 地理研究, 1988, 7(3): 1-16.
从区域的角度,将我国贫困地区划分为6大类21个区,并对各类地区的特点,问题和发展方向进行了分析,为我国贫困地区的经济开发规划提供了依据。
DOI:10.11821/yj1988030001      [本文引用:1]
[Jiang Dehua, Zhang Yaoguang, Yang Liu, et al.Research on the classification and development of poor area in China. Geographical Research, 1988, 7(3): 1-16.]
[20] 郭来喜, 姜德华. 中国贫困地区环境类型研究. 地理研究, 1995, 14(2): 1-7.
本文指出贫困是困惑人类发展的世界性难题。中国存在592个重点扶贫县,按照环境特点可分为三大类型,即:(1)中部山地高原环境脆弱贫困带,包括蒙古高原东南边缘风蚀沙化贫困区、黄土高原沟壑水土严重流失贫困区、秦巴山地生态恶化贫困区、喀斯特高原丘陵环境危急贫困区、横断山脉高山峡谷封闭型贫困区等类型;(2)西部沙漠高寒山原环境恶劣贫困带,包括新疆、青海及西藏三省区的沙漠地区及青藏高原高寒区等类型;(3)东部平原山丘环境危急及革命根据地孤岛型贫困带,包括东北沿边地区、华北平原低洼盐碱地区;东部岛状分布的丘陵山区革命根据地贫困区。文中还论述了环境与贫困度的关系,即环境愈脆弱,贫困度愈高,脱贫难度愈大。但致贫因子又错综复杂,在某些特殊情况下,自然环境较好,而交通闭塞,信息不灵,技术落后,也阻碍致富。同一环境不同的政策机制,可以引发不同的结果。环境改造与脱贫,一定要有宏观战略规划和分类指导的方案,并有切实可行的操作办法。贫困地区即使解决了温饱,依然是低标准,向贫困开战仍将是21世纪中国的一项艰巨工程,只不过那时的贫困线划定标准有所变化而已。
DOI:10.11821/yj1995020001      [本文引用:1]
[Guo Laixi, Jiang Dehua.A study on classification and development of the poor areas in China. Geographical Research, 1995, 14(2): 1-7.]
[21] 杨发相, 张维笃, 尔肯·热合甫. 塔里木盆地内贫困县的区域分析: 以岳普湖县为例. 干旱区地理, 1998, 21(4): 62-67.
[本文引用:1]
[Yang Faxiang, Zhang Weidu, Erken Rehepu.Analysis of the pauper counties in Tarim basin: A case study in Yuepuhu county, Xinjiang. Arid Land Geography, 1998, 21(4): 62-67.]
[22] 曹芳, 杨友孝. 中国农村贫困地区可持续发展的制度分析. 中国人口·资源与环境, 2004, 14(4): 45-49.
中国农村贫困地区可持续发展受多重制度因素的影响,本文通过对农村贫困地区可持续发展的制度分析,提出制度创新--对农村贫困地区做出一系列新的制度安排是农村贫困地区可持续发展的保障.
DOI:10.3969/j.issn.1002-2104.2004.04.010      [本文引用:1]
[Cao Fang, Yang Youxiao.Institutional study on sustainable development China's rural underdeveloped regions. China Population, Resources and Environment, 2004, 14(4): 45-49.]
[23] Kristjanson P, Radeny M, Baltenweck I, et al.Livelihood mapping and poverty correlates at a meso-level in Kenya. Food Policy, 2005, 30(5-6): 568-583.
We identify and map critical spatial factors grouped into natural, human, social, financial and physical capital assets, which largely determine livelihood options, strategies and welfare of agro-pastoral communities in a semi-arid district of southern Kenya. Our approach builds upon new, relatively high-resolution spatial poverty data and refines participatory land-use mapping methods, making valuable information on natural and social resource availability and access useful for policy makers. While most poverty analyses focus on the household, we employ quantitative spatial data analysis methods to examine the spatial correlates of meso-, or community-level poverty incidence. The results suggest that variables influencing poverty levels in this district include pasture potential, livestock density, distance to a major town, road density, access to education, access to security, soil fertility and agricultural potential. Because of the participatory research process taken, these results are already feeding into both local- and national-level policy processes aimed at reducing poverty in Kenya.
DOI:10.1016/j.foodpol.2005.10.002      [本文引用:1]
[24] Rupasingha A, Goetz S J.Social and political forces as determinants of poverty: A spatial analysis. Journal of Socio-Economics, 2007, 36(4): 650-671.
This study contributes to basic knowledge of the structural determinants of poverty in the US by analyzing an expanded set of determinants of poverty, namely factors related to economic, social, and political influence using spatial data analysis techniques. New data sets and creative use of existing data sets make it possible to measure some of these county-wide social and political factors that have previously been excluded from formal investigation. Social capital, ethnic and income inequality, local political competition, federal grants, foreign-born population, and spatial effects are found to be important determinants of poverty in US counties along with other conventional factors.
DOI:10.1016/j.socec.2006.12.021      [本文引用:1]
[25] Mutabazi K D, Sieber S, Maeda C, et al.Assessing the determinants of poverty and vulnerability of smallholder farmers in a changing climate: The case of Morogoro region, Tanzania. Regional Environmental Change, 2015, 15(7): 1-16.
Climate is one of many factors to be considered in adapting systems to environmental and societal change and often it is not the most important factor. Moreover, given considerable model inadequacies, irreducible uncertainties, and poor accessibility to model output, we may legitimately ask whether or not regional climate projections ought to have a central role in guiding climate change adaptation decisions. This question is addressed by analysing the value of regional downscaled climate model output in the management of complex socio-ecological systems (SESs) vulnerable to climate change. We demonstrate, using the example of the Dwesa–Cwebe region in South Africa, that the management of such systems under changing environmental and socio-economic conditions requires a nuanced and holistic approach that addresses cross-scale system interdependencies and incorporates “complexity thinking”. We argue that the persistent focus on increasing precision and skill in regional climate projections is misguided and does not adequately address the needs of society. However, this does not imply that decision makers should exclude current and future generations of regional climate projections in their management processes. On the contrary, ignoring such information, however uncertain and incomplete, risks the implementation of maladaptive policies and practices. By using regional climate projections to further explore uncertainties and investigate cross-scale system dependencies, such information can be used to aid understanding of how SESs might evolve under alternative future societal and environmental scenarios.
DOI:10.1007/s10113-014-0631-y      [本文引用:1]
[26] Okwi P O, Ndeng'E G, Kristjanson P, et al. Spatial determinants of poverty in rural Kenya. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(43): 16769-16774.
This article investigates the link between poverty incidence and geographical conditions within rural locations in Kenya. Evidence from poverty maps for Kenya and other developing countries suggests that poverty and income distribution are not homogenous. We use spatial regression techniques to explore the effects of geographic factors on poverty. Slope, soil type, distance/travel time to public resources, elevation, type of land use, and demographic variables prove to be significant in explaining spatial patterns of poverty. However, differential influence of these and other factors at the location level shows that provinces in Kenya are highly heterogeneous; hence different spatial factors are important in explaining welfare levels in different areas within provinces, suggesting that targeted propoor policies are needed. Policy simulations are conducted to explore the impact of various interventions on location-level poverty levels. Investments in roads and improvements in soil fertility are shown to potentially reduce poverty rates, with differential impacts in different regions.
DOI:10.1073/pnas.0611107104      PMID:17942704      [本文引用:1]
[1] Tsui K Y.Multidimensional poverty indices. Social Choice & Welfare, 2002, 19(1): 69-93.
[本文引用:1]
[2] Deutsch J, Silber J.Measuring multidimensional poverty: An empirical comparison of various approaches. Review of Income and Wealth, 2005, 51(1): 145-174.
Abstract This paper makes a systematic comparison of four approaches to multidimensional poverty analysis based respectively on the theory of fuzzy sets, information theory, efficiency analysis and axiomatic derivations of poverty indices. The database was the 1995 Israeli Census that provided information on the ownership of various durable goods. There appears to be a fair degree of agreement between the various multidimensional poverty indices concerning the identification of the poor households. The four approaches have also shown that poverty decreases with the schooling level of the head of the household, first decreases and then increases with his/her age and with the size of the household. Poverty is higher when the head of the household is single and lower when he/she is married, lowest when the head of the household is Jewish and highest when he/she is Muslim. Poverty is also higher among households whose head immigrated in recent years, does not work or lives in Jerusalem. These observations were made on the basis of logit regressions. This impact on poverty of many of the variables is not very different from the one that is observed when poverty measurement is based only on the income or the total expenditures of the households.
DOI:10.1111/j.1475-4991.2005.00148.x      [本文引用:1]
[3] Alkire S, Foster J.Counting and multidimensional poverty measurement. Journal of Public Economics, 2012, 95(7): 476-487.
78 This paper proposes a new methodology for multidimensional poverty measurement, M ka = ( ρ k,M a). 78 Our identification step ρ k uses dual cutoffs to identify a) dimensional deprivations and b) poverty. 78 Our aggregate measure adjusts FGT measures to account for multidimensionality. 78 Our first measure M k0 = ( ρ k, M 0) can be used with ordinal or categorical data. 78 Our methodology M ka = ( ρ k, M a) satisfies many desirable properties including decomposability.
DOI:10.1016/j.jpubeco.2010.11.006      [本文引用:1]
[27] 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. 地理学报, 2017, 72(1): 161-173.
农村贫困化是长期以来备受世界各国关注的焦点问题,消除贫困,实现共同富裕是中国全面建设小康社会的重大任务,科学揭示农村贫困化地域分异机制,成为实施国家精准扶贫战略的重要课题。论文以河北省阜平县为典型案例,运用地理探测器、多元线性回归等模型方法,诊断出县域农村贫困化分异的主导因素,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。结果表明:1影响农村贫困化分异的主导因素包括地面坡度、人均耕地资源、到主要干道距离、到县城中心距离等,各因素对贫困发生率分异的决定力分别为0.14、0.15、0.15、0.17;2不同类型区域农村贫困化的分异机制存在明显差异,可归纳为自然环境约束型、资源丰度约束型、交通区位约束型、经济区位约束型等四大类型;3根据阜平县各乡镇核心主导因素,进一步划分出单因素、双因素和多因素影响区域,县域整体呈现出以横向中心为双因素影响区,两侧为单因素与多因素并存的多极核心主导因素影响的农村贫困发生分异区;4不同驱动机制下的县域扶贫开发亟需因地制宜、尊重科学、讲求实效,有序推进精准扶贫与城乡发展一体化战略。
DOI:10.11821/dlxb201701013      [本文引用:2]
[Liu Yansui, Li Jintao.Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China. Acta Geographica Sinica, 2017, 72(1): 161-173.]
[28] 王永明, 王美霞, 吴殿廷, . 贵州省乡村贫困空间格局与形成机制分析. 地理科学, 2017, 37(2): 217-227.
[本文引用:1]
[4] 袁媛, 王仰麟, 马晶, . 河北省县域贫困度多维评估. 地理科学进展, 2014, 33(1): 124-133.
在京津冀加快区域经济一体化的背景下,河北省出现环绕京津地区的贫困带引起了学界与公众的普遍关注。目前国内贫困县的设定往往以经济指标为唯一度量标准,本文在经济维度基础上增加社会维度(代表人类贫困)和自然维度(代表自然贫困)两方面评价指标,构建县域贫困度多维评价指标体系,对河北省136 个县的贫困状况分别进行经济单维度与经济—社会—自然三维评估,并基于SOFM网络将全省县域贫困度划分为五级,与河北省现有各类贫困县分布进行对比。结果表明,基于经济单维度与经济—社会—自然多维度评估的聚类分析得到的高贫困度县域均与现有贫困县有很好的对应,与河北省贫困县分布现状基本吻合;由于经济—社会—自然的多维度贫困度评估综合考虑了贫困现状及其潜在可能性,评估更加全面和深入。基于自然维度的潜在贫困度对多维贫困度的影响分析表明:环京津地区的贫困现状比较严重、且潜在贫困程度高,应积极依托京津,承接产业转移。而在冀中南地区,尽管贫困现状较为严重,但潜在贫困程度较低,因其较易脱贫而容易被忽视;同时,还存在大量非贫困县转化为贫困县的可能性;应进一步加强对该地区贫困问题的关注,分类扶贫、防治结合、区域联动,促进京津冀区域一体化、社会财富同步增长。
DOI:10.11820/dlkxjz.2014.01.014      [本文引用:1]
[Yuan Yuan, Wang Yanglin, Ma Jing, et al.Multidimensional evaluation of county poverty degree in Hebei province. Progress in Geography, 2014, 33(1): 124-133.]
[5] 杨振, 江琪, 刘会敏, . 中国农村居民多维贫困测度与空间格局. 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:10.15957/j.cnki.jjdl.2015.12.021      [本文引用:1]
[28] [Wang Yongming, Wang Meixia, Wu Dianting, et al.Spatial patterns and determinants of rural poverty: A case of Guizhou province, China. Scientia Geographica Sinica, 2017, 37(2): 217-227.]
[本文引用:1]
[29] 王劲峰, 徐成东. 地理探测器: 原理与展望. 地理学报, 2017, 72(1): 116-134.
[本文引用:2]
[Wang Jinfeng, Xu Chengdong.Geodetector: Principle and prospective. Acta Geographica Sinica, 2017, 72(1): 116-134.]
[5] [Yang Zhen, Jiang Qi, Liu Huimin, et al.Multi-dimensional poverty measure and spatial pattern of China's rural residents. Economic Geography, 2015, 35(12): 148-153.]
[本文引用:1]
[6] 孙林, 王艳慧, 柯文俊, . 内蒙古自治区农村人口多维贫困特征测算与分析. 人文地理, 2016, 31(1): 108-115, 146.
[本文引用:1]
[Sun Lin, Wang Yanhui, Ke Wenjun, et al.A study on the characteristics of multidimensional poverty in the Inner Mongolia Autonomous Region. Human Geography, 2016, 31(1): 108-115, 146.]
[7] 王艳慧, 钱乐毅, 陈烨烽, . 生态贫困视角下的贫困县多维贫困综合度量. 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:10.13287/j.1001-9332.201708.003      [本文引用:1]
[Wang Yanhui, Qian Leyi, Chen Yefeng, et al.Multidimensional and comprehensive poverty measurement of poverty-stricken counties from the perspective of ecological poverty. Chinese Journal of Applied Ecology, 2017, 28(8): 2677-2686.]
[8] 刘小鹏, 苏晓芳, 王亚娟, . 空间贫困研究及其对我国贫困地理研究的启示. 干旱区地理, 2014, 37(1): 144-152.
20世纪90年代以来,国际上关于空间贫困研究的成果越来越丰富,逐渐成为欧美发达国家和相关国际组织制订地域减贫政策的重要依据,极大地延伸和拓宽了世界贫困地理的研究深度和广度。在阐述空间贫困概念、指标体系和研究方法的基础上,评述了空间贫困影响因素与特征、空间贫困地图与绘图、空间贫困政策评估与设计等空间贫困研究的主要内容。在此基础上,分析了我国贫困地理研究的现状和不足,提出重点从空间贫困地理资本、空间贫困陷阱机理和空间贫困地图研制等3个方面加强我国贫困地理的研究工作,有助于丰富我国贫困地理理论和方法体系,对于丰富我国社会地理学具有重要的科学、理论和学术意义,对于我国可持续性减贫和构建和谐社会具有重要的决策借鉴和实践推广意义。
[本文引用:1]
[30] 陈彦光. 基于Moran统计量的空间自相关理论发展和方法改进. 地理研究, 2009, 28(6): 1449-1463.
[本文引用:1]
[Chen Yanguang.Reconstructing the mathematical process of spatial autocorrelation based on Moran's statistics. Geographical Research, 2009, 28(6): 1449-1463.]
[31] Moran P A P. Notes on continuous stochastic phenomena. Biometrika, 1950, 37(1-2): 17-23.
Biometrika. 1950 Jun;37(1-2):17-23.
DOI:10.2307/2332142      PMID:15420245      [本文引用:1]
[8] [Liu Xiaopeng, Su Xiaofang, Wang Yajuan, et al.Review on spatial poverty and deprivation and its enlightenments to poverty geography studies in China. Arid Land Geography, 2014, 37(1): 144-152.]
[本文引用:1]
[9] 赵莹, 刘小鹏, 郭永杰. 基于GIS的宁夏六盘山区空间贫困特征模型分析. 水土保持研究, 2014, 21(5): 94-99.
空间贫困旨在通过研究特定区域地理资本构成,以此分析空间贫困陷阱,确定贫困空间分异机制,进一步判识减贫效果和制定反贫困策略。以2011年数据为基础,运用TOPSIS模型并结合熵值法,系统分析了宁夏六盘山区空间贫困特征,最后借助障碍度模型进行贫困与地理环境要素的相互关系分析。结果表明:根据各县(区)与最优目标的贴近度∏i可将研究对象分为三类地区:高贫困区包括西吉县(0.363 3)和泾源县(0.361 9);中贫困区包括海原县(0.258 0)、原州区(0.245 7)、隆德县(0.229 6)以及彭阳县(0.211 8);低贫困区只有同心县(0.191 7)。整体上,市场连通性差(经济维度)、农业生态系统稳定性低(环境维度)以及社会公共服务差距大(社会维度)等对研究区空间贫困的影响最为显著。
[本文引用:1]
[Zhao Ying, Liu Xiaopeng, Guo Yongjie.Model analysis for spatial poverty in the poor areas of Liupan mountain in Ningxia Hui Autonomous Region based on GIS. Research of Soil and Water Conservation, 2014, 21(5): 94-99.]
[32] Getis A, Ord J K.The analysis of spatial association by use of distance statistics. Geographical Analysis, 1992, 24(3): 189-206.
Introduced in this paper is a family of statistics, G, that can be used as a measure of spatial association in a number of circumstances. The basic statistic is derived, its properties are identified, and its advantages explained. Several of the G statistics make it possible to evaluate the spatial association of a variable within a specified distance of a single point. A comparison is made between a general G statistic and Moran's I for similar hypothetical and empirical conditions. The empirical work includes studies of sudden infant death syndrome by county in North Carolina and dwelling unit prices in metropolitan San Diego by zip-code districts. Results indicate that G statistics should be used in conjunction with I in order to identify characteristics of patterns not revealed by the I statistic alone and, specifically, the Gi and Gi* statistics enable us to detect local 090008pockets090009 of dependence that may not show up when using global statistics.
DOI:10.1111/j.1538-4632.1992.tb00261.x      [本文引用:1]
[33] Fotheringham A S, Brunsdon C.Local forms of spatial analysis. Geographical Analysis, 1999, 31(4): 340-358.
Local forms of spatial analysis focus on exceptions to the general trends represented by more traditional global forms of spatial analysis. There is currently a rapid expansion in the development of such techniques but their history almost exactly parallels that of Geographical Analysis, with the first examples of local analysis appearing in the late 1960s. Indeed, Geographical Analysis has published many of the significant contributions in this field. This paper reviews the development of local forms of spatial analysis and assesses the current situation. Following a discussion on the nature and importance of local analysis, examples are given of local forms of point pattern analysis; local graphical approaches; local measures of spatial dependency; the spatial expansion method; adaptive filtering; multilevel modeling; geographically weighted regression; random coefficients models; autoregressive models; and local forms of spatial interaction models.
DOI:10.1111/j.1538-4632.1999.tb00989.x      [本文引用:1]
[34] 杨文越, 李涛, 曹小曙. 广州市社区出行低碳指数格局及其影响因素的空间异质性. 地理研究, 2015, 34(8): 1471-1480.
通过构建社区出行低碳指数(CTLCI)模型,对广州市社区出行低碳指数的空间格局及其差异特征进行了分析,并利用全局回归(OLS)模型和地理加权回归(GWR)模型对社区出行低碳指数的影响因素以及其间关系的空间异质性进行了研究。结果表明,广州市社区出行低碳指数由中心城区向外逐渐递增,呈明显的圈层结构。内圈层的社区出行低碳指数内部差异最小,中间过渡圈层的最大。社区人口密度对社区出行低碳指数的影响以正向作用为主,公共交通供给水平和路网密集程度对社区出行低碳指数的影响以负向作用为主,且它们的影响作用具有空间异质性。具体指出了在不同地域空间内社区人口密度、公共交通供给水平和路网密集程度对社区出行低碳指数在影响程度和作用方向上的差异,为减少广州城市交通碳排放、针对不同空间制定有效的低碳政策和构建低碳城市空间结构提供了科学依据。
DOI:10.11821/dlyj201508006      [本文引用:1]
[10] 刘小鹏, 苏胜亮, 王亚娟, . 集中连片特殊困难地区村域空间贫困测度指标体系研究. 地理科学, 2014, 34(4): 447-453.
[本文引用:1]
[Liu Xiaopeng, Su Shengliang, Wang Yajuan, et al.The index system of spatial poverty of village level to monitor in concentrated contiguous areas with particular difficulties. Scientia Geographica Sinica, 2014, 34(4): 447-453.]
[11] 刘小鹏, 李永红, 王亚娟, . 县域空间贫困的地理识别研究: 以宁夏泾源县为例. 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。
[本文引用:1]
[Liu Xiaopeng, Li Yonghong, Wang Yajuan, et al.Geographical identification of spatial poverty at county scale. Acta Geographica Sinica, 2017, 72(3): 545-557.]
[12] 杨国涛, 王广金. 中国农村贫困的测度与模拟: 1995-2003. 中国人口·资源与环境, 2005, 15(6): 30-34.
本文介绍了基于GQ Lorenz曲线的参数方法测度贫困的基本原理,测算了1995-2003年中国农村贫困状况,重点对贫困的变化进行模拟分析。不同贫困线的模拟分析表明:各贫困指标对贫困线较小的移动具有较高的敏感性,其政策涵义是扶贫不应当只注意贫困线以下的家庭,而且也应当注意陷入贫困风险高的家庭。贫困分解的模拟分析表明:不仅收入与贫困发生率有关,而且分配不合理却增加了贫困的深度和强度,其政策涵义是贫困问题的根本解决应将更多的注意力放在贫困人口的收入及其分配上。
DOI:10.3969/j.issn.1002-2104.2005.06.008      [本文引用:1]
[Yang Guotao, Wang Guangjin.Estimation and simulation of China's rural poverty: 1995-2003. China Population, Resources and Environment, 2005, 15(6): 30-34.]
[34] [Yang Wenyue, Li Tao, Cao Xiaoshu.The spatial pattern of Community Travel Low Carbon Index (CTLCI) and spatial heterogeneity of the relationship between CTLCI and influencing factors in Guangzhou. Geographical Research, 2015, 34(8): 1471-1480.]
[本文引用:1]
[35] 税伟, 杜勇, 陈毅萍, . 基于地理加权回归的茶叶种植专业化空间格局及影响因素: 以福建省安溪县为例. 应用生态学报, 2017, 28(4): 1298-1308.
[本文引用:1]
[Shui Wei, Du Yong, Chen Yiping, et al.Spatial patterns and influence factors of specialization in tea cultivation based on geographically weighted regression model: A case study of Anxi county of Fujian province, China. Chinese Journal of Applied Ecology, 2017, 28(4): 1298-1308.]
[13] 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. 地理与地理信息科学, 2011, 27(2): 70-75.
[本文引用:1]
[Zeng Yongming, Zhang Guo.Spatial simulating in regional rural poverty based on GIS and BP neural network: A new appraisement method on regional rural poverty. Geography and Geo-Information Science, 2011, 27(2): 70-75.]
[14] 刘艳华, 徐勇. 中国农村多维贫困地理识别及类型划分. 地理学报, 2015, 70(6): 993-1007.
[本文引用:2]
[36] 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. International Journal of Geographical Information Science, 2010, 24(1): 107-127.
中国科学院机构知识库(中国科学院机构知识库网格(CAS IR GRID))以发展机构知识能力和知识管理能力为目标,快速实现对本机构知识资产的收集、长期保存、合理传播利用,积极建设对知识内容进行捕获、转化、传播、利用和审计的能力,逐步建设包括知识内容分析、关系分析和能力审计在内的知识服务能力,开展综合知识管理。
DOI:10.1080/13658810802443457      [本文引用:1]
[37] Wang J F, Zhang T L, Fu B J.A measure of spatial stratified heterogeneity. Ecological Indicators, 2016, 67: 250-256.
Spatial stratified heterogeneity, referring to the within-strata variance less than the between strata-variance, is ubiquitous in ecological phenomena, such as ecological zones and many ecological variables. Spatial stratified heterogeneity reflects the essence of nature, implies potential distinct mechanisms by strata, suggests possible determinants of the observed process, allows the representativeness of observations of the earth, and enforces the applicability of statistical inferences. In this paper, we propose aq-statistic method to measure the degree of spatial stratified heterogeneity and to test its significance. Theqvalue is within [0,1] (0 if a spatial stratification of heterogeneity is not significant, and 1 if there is a perfect spatial stratification of heterogeneity). The exact probability density function is derived. Theq-statistic is illustrated by two examples, wherein we assess the spatial stratified heterogeneities of a hand map and the distribution of the annual NDVI in China.
DOI:10.1016/j.ecolind.2016.02.052      [本文引用:1]
[38] 廖颖, 王心源, 周俊明. 基于地理探测器的大熊猫生境适宜度评价模型及验证. 地球信息科学学报, 2016, 18(6): 767-778.
DOI:10.3724/SP.J.1047.2016.00767      [本文引用:1]
[14] [Liu Yanhua, Xu Yong.Geographical identification and classification of multi-dimensional poverty in rural China. Acta Geographica Sinica, 2015, 70(6): 993-1007.]
[本文引用:2]
[15] Minot N, Baulch B, Epperecht M.Poverty and inequality in Vietnam: Spatial patterns and geographic determinants. Research Reports, 2006, 54(1): 153-154.
"This study uses a relatively new method called -渟mall area estimation- to estimate various measures of poverty and inequality for provinces, districts, and communes of Vietnam. The method was applied by combining information from the 1997-98 Vietnam Living Standards Survey and the 1999 Population and Housing Census... Mapping the density of poverty reveals that, although the poverty rates are highest in the remote upland areas, these areas are sparsely populated so most of the poor live in the Red River Delta and the Mekong River Delta... This analysis confirms other studies indicating that the inequality in per capita expenditure is relatively low in Vietnam by international standards. Inequality is greatest in the large cities and (surprisingly) in parts of the upland areas. Inequality is lowest in the Red River Delta, followed by the Mekong Delta. Just one-third of the inequality is found between districts and two-thirds within them, suggesting that district-level targeting of anti-poverty programs may not be very effective... Finally, the study notes that the small area estimation method is not very useful for annual poverty mapping because it relies on census data, but it could be used to show detailed spatial patterns in other variables of interest to policymakers, such as income diversification, agricultural market surplus, and vulnerability. Furthermore, it can be used to estimate poverty rates among vulnerable populations too small to be studied with household survey data, such as the disabled, small ethnic minorities, or fishermen." from Authors' summary
DOI:10.1007/s10290-009-0005-6      [本文引用:1]
[16] 任慧子, 曹小曙. 隐藏性乡村贫困空间探析: 以广东省连州市为例. 地理研究, 2012, 31(5): 955-963.
发达国家学者认为乡村贫困最显 著的特点是其具有隐藏性,即贫困人口的真实情况被平均统计数据所表现出的乡村发展状况所隐藏。本文以广东省连州市为例,基于平均统计数据和贫困人口数据, 采用量图分析法和贫困发生率法分析乡村贫困的空间特征,并将两者进行对比。研究发现,基于平均统计数据的乡村经济发展水平空间差异并未真实地反映贫困人口 的空间差异,一定程度上将贫困人口隐藏。这一结论与研究区地方发展背景密切相关,也可为现阶段的扶贫开发工作提供有益借鉴。应综合考虑乡镇经济发展水平和 乡镇贫困人口两个方面来确定乡镇贫困的真实状况,以提高扶贫开发的针对性和有效性。
DOI:10.11821/yj2012050018      [本文引用:1]
[38] [Liao Ying, Wang Xinyuan, Zhou Junming.Suitability assessment and validation of giant panda habitat based on geographical detector. Journal of Geoinformation Science, 2016, 18(6): 767-778. ]
[本文引用:1]
[39] 吴宇哲. 基于GIS的城市住宅价格时空演变规律探索及其应用研究. 杭州: 浙江大学博士学位论文, 2005.
随着中国住房制度改革的深入和城市化进程的推进,住宅建设正在逐步成为国民经济新的增长点。与此同时,如何实现“居者有其屋”也成为社会的热点问题,住宅价格更是成为政府、开发商和居民个人关注的焦点。目前中国住宅市场尚存在诸多问题,综合表现在房地产投资过度、住宅价格过高、市场信息不对称、中低收入阶层的住房供给短缺等几个方面,这些问题的关键都涉及到住宅价格问题。1998年以来,杭州市城区的住宅价格持续上涨,房价居高不下,形成了房地产业内所谓的“杭州现象”,在中国极具代表性。由于住宅价格在空间分布和时间序列上具有很强的差异性,剖析上述“杭州现象”是否合理,显化这种现象中的合理与不合理成分,必须研究城市住宅价格空间分布特性并考虑其历史的演变过程。本研究开展城市住宅价格空间分布特征以及时空演变规律研究,为政府引导住宅价格,从而扩大住房供给、启动市场有效需求和调节房地产投资结构都有着现实意义,也可为房地产开发企业确定住宅营销价格提供重要的理论依据。 本研究以杭州市城区住宅价格为例,主要采用二手房交易资料,并辅之以商品房买卖资料和住宅租赁资料,在地理信息系统(GIS)的支持下,利用数据可视化分析(data visualization)、特征价格模型(hedonic model approach)、地统计学(Geo-statistics)等方法,探讨城市住宅价格的时间演变和空间分布特性,并注重空间与时间两个层面的整合,探索城市住宅价格的时空演变规律。 研究基础数据的获取,是本研究的关键性问题之一。为了达到大样本容量的数据要求,研究以媒体二手房广告报价资料为基础数据,并通过案例调查实证了杭州市媒体二手房广告的报价与实际成交价具有很强的可比性。研究选择了杭州市6个较具代表性房地产中介公司的二手房买卖广告报价数据,并通过各个中介公司的住宅样点建筑面积分布频率的可视化分析,发现频率图都呈现基本一致的形状,相互印证了数据的可靠性。最后住宅样点数据通过预处理和数据转换,共得到有效样点28645个。研究建立了住宅区空间信息库,对地理位置描述详尽的二手房数据进行了GIS地理编码(geocode),使之具有空间位置,获得具有空间坐标的住宅样点9361个。并进一步利用GIS的缓冲区分析(buffer)、叠加分析(overlay)、网络分析(network)等功能,进行了住宅区区位、出行便捷度、周边环境影响度、周边设施完善度等住宅区特征的测度。 本研究对住宅样点的建造年份、建筑面积、总报价、单位面积报价等指标进行了直方图、散点图数据可视化分析,以及根据建造年份的不同进行了分组分析。研究发现了若干现象并对其进行探讨,如(1)杭州市城区2000年后建造的住宅样点占到样点总量的34.62%,其中2005年的期房也有相当数量,这些新建的住宅快速进入二手房交易市场,表现出这些购房者把住宅作为短期投资的行为,投机的可能性非常大:(2)杭州市城区2000年以来建造的住宅,建筑面积120m~2以上的超过一半,而2000年以前建
[本文引用:1]
[Wu Yuzhe.GIS-based exploratory data analysis on the spatial-temporal evolvement of urban housing price and its application. Hangzhou: Doctoral Dissertation of Zhejiang University, 2005.]
[16] [Ren Huizi, Cao Xiaoshu.The invisibility characteristic of rural poverty space: A case study of Lianzhou. Geographical Research, 2012, 31(5): 955-963.]
[本文引用:1]
[17] 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. 地理研究, 2016, 35(12): 2298-2308.
[本文引用:1]
[Chen Yefeng, Wang Yanhui, Wang Xiaolin.Measurement and spatial analysis of poverty-stricken villages in China. Geographical Research, 2016, 35(12): 2298-2308.]
[40] 刘飞. 基于GIS和多元统计方法的中国大陆气温时空变化研究. 兰州: 兰州大学硕士学位论文, 2015.
我国地域辽阔、地形地貌复杂多样,在全球变暖和区域条件共同影响下,我国气温变化时空差异显著。本文采用国家气象中心提供的1953年—2012年349个气象站点逐月平均气温数据和1983年—2012年612个气象站点月均气温数据,计算逐个站点不同时段气温变化速率及Mann-Kendall(M-K)趋势检验值,基于地统计学空间插值方法、ISo聚类非监督分类(Iso Cluster Unsupervised Classification)方法及热(冷)点分析方法,获取气温变化空间分布规律,探讨分区结果年代际差异和空间异质性;通过Pettitt非参数检验法,获得不同时段年、月气温变化时间序列的突变特征,通过ARCGIS空间统计分组分析方法,对不同时段我国大陆地区年均气温突变趋势分区,分析不同区域突变规律,对各区域经济发展政策、进行生态建设和应对气候系统变化提供一定的指导作用。本文的研究主要得到下列结论:1.从热(冷)点区划角度来看,中国大陆气温变化在1953年—2012年期间南北差异显著,北纬37。以北以快速升温为主,华中、华南地区(除长江中下游平原)近60年来气温整体上升缓慢;东北平原地区气温变率最为显著,是唯一后30年气温增长率0.2334℃/10a低于前30年0.2511℃/1Oa的地区;内蒙古高原(尤其是农牧交错带地区)气温变化在前后30年都是剧烈升温趋势;长江中下游地区由前30年降温趋势-0.0536℃/10a,到后30年为全国增温最剧烈的区域0.4966℃/10a;青藏高原地区也由缓慢增温趋势发展为显著剧烈增温趋势。2.对照前后30年热(冷)点分析区划结果,发现聚集在东北平原及内蒙古高原东北区域的热点区域,向西南方向转移至内蒙古高原西南部、黄土高原及青藏高原东部;位于中国西北角的热点聚集区准噶尔盆地及天山山脉西段北部地区向东南方向扩散,至天山山脉东段及吐鲁番盆地;全国最显著的冷点聚集区域由前30年的四川盆地及云贵高原北部地区,向南转移至云贵高原及南岭南部地区。3.基于空间统计分组分析方法分别获得1953年—1982年年均气温突变趋势4个分区,1983年—2012年6个分区及1953年——2012年6个分区,可得出:60年尺度的气温突变显著度水平比前后30年的要高,突变特征更加明显,近60年来我国气温突变最显著年份主要集中分布在二十世纪80年代中期至90年代中后期(显著度水平达到0.05)。空间分布上,主要以北纬35°和东经110°为界限,北部气温突变时间主要发生在1985年—1988年左右比南部早6到8年,北纬35°以南,东经110°以东地区气温突变主要发生在1990年—1993年之间,东经110°以西地区气温突变比以东地区发生较晚3到4年。4.各月平均气温与年均气温突变显著度相关性在0.01水平上显著相关,年均气温突变的过程是由每个月的气温突变累计贡献造成的,其中6月份及9月份对年均气温突变的影响最大,相关系数为0.946,其次10月份及8月份,相关系数最低是1月份为0.62;中国大陆各月份气温突变最显著年份与对应区域年均气温计算的突变结果基本一致,但其突变的月份确不一致,侧面印证了我国气温变化受大的影响因子主控,但局部自然环境及不同区域人类活动也会左右气温变化的时空分布。
[本文引用:1]
[Liu Fei, Temporal-spatial variations of temperature in Chinese inland based on GIS and multivariate statistical method. Lanzhou: Master Dissertation of Lanzhou University, 2015.]
[41] 湛东升, 张文忠, 孟斌, . 北京城市居住和就业空间类型区分析. 地理科学, 2017, 37(3): 356-366.
基于2010年北京市工商企业登记数据和第六次人口普查数据,从分行业视角对北京市城区职住空间结构及其类型区特征进行详细实证分析。研究表明:北京市就业空间结构和居住空间结构均有3个主成分因子构成,其中就业空间结构包括综合服务业、流通地产服务业与二产、高科技产业等主因子,居住空间结构则由一般服务业、流通生活服务业与二产、科技和教育产业等主因子构成,且不同城市就业与居住空间主因子的空间关联强度存在差异。采用GIS分组分析方法可将北京城市居住和就业空间划分为5种类型区,即流通生活服务业与二产居住集中区、流通生活服务业与二产职住综合区、一般服务业职住综合区、职弱住强型科教优势区和职强住弱型科教优势区。分析发现,北京城市居住和就业空间结构形成主要受到历史力、市场力、政府力和个体力等因素共同作用。
[本文引用:1]
[Zhan Dongsheng, Zhang Wenzhong, Meng Bin, et al.Spatial structure of urban residence and employment in Beijing. Scientia Geographica Sinica, 2017, 37(3): 356-366.]
[42] 罗庆, 李小建. 国外农村贫困地理研究进展. 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.
[本文引用:1]
[Luo Qing, Li Xiaojian.The research progress of foreign rural poverty geography. Economic Geography, 2014, 34(6): 1-8.]
[43] 高晓光. 中国高技术产业创新效率影响因素的空间异质效应: 基于地理加权回归模型的实证研究. 世界地理研究, 2016, 25(4): 122-131.
首先借助超越对数生产函数形式的多产出随机前沿模型估算出2008年~2013年中国30个省域高技术产业创新效率,继而基于地理加权回归模型(GWR)研究了企业规模、市场结构、政府投入及研发支出结构对创新效率的影响。结果表明:中国30个省域高技术产业创新效率存在空间正自相关性;企业规模、市场结构及研发支出结构对创新效率产生正向影响,而政府投入阻碍了高技术产业创新效率;各影响因素对高技术产业创新效率的影响均具有空间异质性特征,且随着时间的推移稳定存在。最后提出相关政策建议。
[本文引用:1]
[Gao Xiaoguang.Spatial heterogeneity effect of the Chinese high technology industry's innovation efficiency factors. World Regional Studies, 2016, 25(4): 122-131.]
[44] 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. 中国科学院院刊, 2016, 31(3): 269-278.
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。
[本文引用:1]
[18] 罗庆, 樊新生, 高更和, . 秦巴山区贫困村的空间分布特征及其影响因素. 经济地理, 2016, 36(4): 126-132.
以秦巴山区11县为研究区域,运用GIS技术探讨贫困空间分布格局及演变特征,并对其影响因素进行定量分析.结果表明,秦巴山区贫困村的空间集聚特征较为明显,呈现“大分散、小集中”的格局;与2004年相比,2014年贫困村的空间集聚规模较小,集聚中心数量较多;库区是贫困村的主要集聚地,随着时间推移贫困村的分布呈现远离库区和向乡镇中心附近集聚的趋势.在影响因素分析上,泊松回归的结果表明,自然地理特征、地理区位特征、公共服务设施的可达性和政策因素均对贫困村区位具有显著影响.但随时间推移,贫困村分布的具体影响因素呈现一些新的变化,同一因素的影响大小和影响方向也存在着显著差异.
DOI:10.15957/j.cnki.jjdl.2016.04.018      [本文引用:3]
[Luo Qing, Fan Xinsheng, Gao Genghe, et al.Spatial distribution of poverty village and influencing factors in Qinba mountains. Economic Geography, 2016, 36(4): 126-132.]
[44] [Liu Yansui, Zhou Yang, Liu Jilai.Regional differentiation characteristics of rural poverty and targeted poverty alleviation strategy in China. Bulletin of Chinese Academy of Sciences, 2016, 31(3): 269-278.]
[本文引用:1]
版权所有 © 《地理研究》编辑部
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn