江西省罗霄山集中连片特困区多维贫困驱动因子识别

王金亮，张 环

(江西农业大学 国土资源与环境学院，江西 南昌 330045)

0 引言

贫困已经成为贯穿整个人类社会发展过程的显著现象，是世界各国关注的全球性问题，尤其是发展中国家[1-2].中国是首个实现联合国贫困人口减半这一千年发展目标的国家，为全球减贫与发展事业做出了巨大贡献[3].由于集中连片特困区集生态脆弱区、民族地区、生态功能区为一体，贫困问题往往具有复杂性和多样性，这些地区的减贫任务对于全面建成小康社会具有十分重要的意义.

已有研究中，在区域贫困的驱动因子方面，将致贫因素归纳为外部显性致贫因素和内生隐性致贫因素，且主要以外部显性致贫因素为主[4]235-245，而对于各驱动因素及其相互之间如何影响区域贫困发生、影响程度如何、有哪些空间分异特征等问题还不清楚.在识别影响自然和社会经济现象的驱动因子方面，相关研究使用了地理探测器，这是探测空间分异性，揭示其背后驱动因子的一种新的统计学方法，具有探测两因子交互作用于因变量的独特优势[5]116-134.在识别影响贫困的驱动因子方面，通过采用地理探测器诊断出深度贫困县的主导致贫因素，识别贫困发生风险的空间分异[6]769-788.江西省作为中部大省，贫困面积较大，贫困程度较深.尤其是罗霄山集中连片特困区，是全国14个集中连片特困区之一，处于自然发展条件较差、基础设施薄弱、公共服务水平较低的地域空间，贫困区域与基础设施欠缺、社会服务滞后、生态环境脆弱的耦合度较高.

综上所述，对集中连片特困区贫困识别的研究，需要从多维度视角评估区域地理环境、生态、资源禀赋等与致贫机制间的关联.为此，以江西省罗霄山集中连片特困区为研究区，借助地理探测器方法揭示多维致贫因子影响区域贫困的空间分异特征及其相互作用方式，对于精确识别集中连片特困区的贫困空间分布格局，提高精准扶贫的精度，具有重要意义.

1 材料与方法

1.1 研究区概况

江西省罗霄山集中连片特困区位于江西省南部，面积40 605.63 km2，地处罗霄山脉中南段及与南岭、武夷山连接地区，地形以山地、丘陵为主，海拔范围6～2 128 m,气候类型为亚热带湿润季风气候，平均气温23.67 ℃，年均降水量1 414～1 866 mm,地带性植被为亚热带常绿阔叶林，森林覆盖率为72%.研究区农户收入水平低、基础设施薄弱、社会事业发展落后、山洪地质自然灾害突出.

1.2 数据来源与处理

1)行政边界矢量图来源于全国地理信息资源目录服务系统，通过裁剪与融合，提取得到研究区行政区划矢量数据；2) 数字高程模型(Digital Elevation Model，DEM)来源于地理空间数据云的SRTMDEM 90 m分辨率原始高程数据；3)归一化差异型植被指数(NDVI)数据来源于遥感影像Landsat 8 OL，影像时间为2018年，运用ENVI 5.3软件进行辐射定标、大气校正、裁剪与融合等预处理，然后利用波段运算工具提取研究区的NDVI;4)气象因子数据包括多年平均气温、多年平均降雨量和多年平均日照，来源于《赣州统计年鉴2018》《吉安统计年鉴2018》《抚州统计年鉴2018》和《萍乡统计年鉴2018》；5)社会经济统计数据来源于2018年各地的统计年鉴.

1.3 多维贫困驱动指数的构建方法

1.3.1 多维贫困驱动因子指标体系构建

贫困评估的多维角度主要体现在生态、社会和经济三个方面[7]，据此，以空间贫困理论和人地关系系统理论为指导，确定两大指标类、五大指标群、九大指标种和四十个子指标，构建研究区多维贫困评价指标体系，如表1所示.

表1 江西省罗霄山集中连片特困区多维贫困评价指标体系

各子指标的计算解释为：1)地形的各子指标计算均利用DEM数据，借助ArcGIS软件空间分析工具获得.2)植被水文中的河网密度是利用研究区的水系数据提取各统计单元的河流长度，然后再计算每个统计单元的河流总长度与行政区划面积的比值；植被覆盖度的计算采用的是李苗苗等基于像元二分模型建立的用NDVI归一化植被指数定量估算植被覆盖度的模型[8].3)植被净第一性生产力的计算基于郑元润和周广胜所建立的中国森林植被第一性生产力模型[9].4)气象因子、人口压力度、经济压力度、经济实力、社会福利和教育状况的所有子指标数据来源于各行政单元的统计年鉴.

1.3.2 指标数据标准化处理

为了消除不同指标量纲和量级的差异，使不同指标数值具有可比性，将逆向指标正向化(即指标值越大越能体现贫困)，对子指标数据进行无量纲化处理，正向指标的处理为公式(1)，负向指标的处理为公式(2)[10]：

(1)

(2)

式中,Bij为标准化后数值(取值范围为 0～1)，Aij为i研究区j指标的原始数值，i为研究区域序数，j为子指标序数，Ajmax和Ajmin分别为指标j的最大值和最小值.

1.3.3 均方差决策分析法

采用均方差决策分析法对原数据进行处理，构建贫困驱动指数.以各评价指标为随机变量，求出随机变量(各指标)的均方差，然后将这些均方差归一化，得出各指标的权重系数[11].计算步骤如下.

1)计算随机变量的均值：

(3)

2)计算Gj的均方差：

(4)

3)计算指标Gj的权重系数：

(5)

4)计算各指标层级的贫困驱动指数：

Ek=∑Wk×Bij,

(6)

Em=∑Wm×Ek,

(7)

En=∑Wn×Em,

(8)

S=∑W×En.

(9)

式中，Bij为第i个行政单元第j个指标经过归一化后的属性值，n为研究区县级行政区的个数，Gj为随机变量(指标)j，m为指标个数,S为区域贫困驱动指数，Ek、Em和En分别为指标种贫困驱动指数、指标群贫困驱动指数和指标类贫困驱动指数.

1.4 空间自相关分析

1.4.1 全局空间自相关

用全局莫兰指数研究贫困驱动指数在整个区域有没有空间自相关，及各因子在研究区分布的均衡程度.若全局莫兰指数大于0，表示贫困驱动指数在空间上呈正相关；若全局莫兰指数小于 0 ，则表示贫困驱动指数在空间上呈负相关.全局莫兰指数(IGlobal-Moran)[4]237的具体公式如下：

(10)

1.4.2 局部空间自相关

局部空间自相关分析是从整体地理空间范围内的特定局部区域分析贫困驱动指数在空间分布上是否具有聚集性，根据分析结果可解释和探测属性变量空间聚集性的“热点”或“冷点”区域.局部莫兰指数(ILocal-Moran)的具体公式[4]237如下：

(11)

式(11)中的参数意义同式(10).由ILocal-Moran得到研究区的局部空间自相关指标LISA聚集图，分析贫困指数在研究区内是否有显著的聚集性，是“高高聚集”(高风险贫困区)还是“低低聚集”(低风险贫困区).

1.5 地理探测器

采用地理探测器方法分析多维贫困因子与贫困驱动指数的关系.

1.5.1 多维贫困因子的离散化处理

在地理探测器中X变量应是类型变量[5]119，为此笔者采用K-means 算法将各个贫困因子的具体数值量转换为不同的类型量，考虑研究区共有18个区县单元，为反映各指标种的分布梯度特征，把每个指标种的数值离散化为5个等级类型.

1.5.2 地理探测器分析

1)空间分异及因子探测.用于探测某一影响因子在多大程度上(0%～100%)解释了某一空间属性的空间分布.指标中因子的解释力(q)计算模型如下[5]117：

(12)

2)指标种交互作用探测.用于识别各指标种之间的交互作用，评估各指标种共同作用和相互独立作用对贫困驱动指数的解释力[5]118.首先，计算两种指标种对贫困驱动指数的q值；其次，计算自然因子交互的q值，对q(X1) 、q(X2) 与q(X1∩X2) 进行比较.

3)风险区探测.用于判断两个指标种在子区域间的属性均值是否有显著的差别[5]118-119，从而搜索贫困严重的区域.风险探测用t统计量来检验.

2 结果分析

2.1 贫困驱动指数的空间分布特征

生态环境指标类的贫困驱动指数高值主要分布在西北部的市县，包括井冈山市、莲花县、遂川县和上犹县,见图1(a).这些地区位于罗霄山中段，尽管植被覆盖率高、无霜期长、降水丰沛，但由于地形以山地和丘陵为主,地势高差大，在一定程度上阻碍了地区社会经济发展，同时该地区自然灾害比较频繁，因灾返贫人口多.

社会经济指标类的贫困驱动指数呈现出以章贡区为低值中心、周边市县为高值区域的环状分布态势，见图1(b).章贡区、南康区、赣县区和于都县属于赣州市的都市区规划范围，社会经济实力相对较强，因此社会经济指标类的贫困驱动指数相对较低.

图1(c)为整个研究区的区域贫困驱动指数空间分布，由于赣州市的经济带动作用，中部地区(章贡区、南康区和赣县区)的贫困驱动指数较其他地区稍低；西北部市县的分布较高，最高的是井冈山市.由此可见，整个研究区的贫困驱动指数空间异质性分布明显.

图1 各指标类贫困驱动指数和区域贫困驱动指数的空间分布

2.2 区域贫困驱动指数的空间自相关分析

区域贫困驱动指数的全局莫兰指数IGlobal-Moran为 0.360，可见研究区的贫困驱动指数在空间上呈正相关，表现为显著聚集.对数据进行999次随机置换得到P=0.005<0.050，Z=2.600 3>1.960 0，表明贫困驱动指数具有统计学意义，说明研究区域存在空间正自相关，整体表现为显著的空间聚集性.从图2和图3可知，区域贫困驱动指数在空间上主要表现为空间正相关，且存在“高高”和“低低”两种聚集形式，显著性分别在P=0.500和P=0.010下.黑色区域为“高高聚集”，即高风险贫困聚集区域，包括永新县和井冈山市；灰色区域代表“低低聚集”，即低风险贫困聚集区域，包括章贡区和赣县区；其余市县表现为聚集不显著.

图2 区域贫困驱动指数的LISA聚集图

2.3 地理探测器分析

2.3.1 指标种探测结果

地理探测器的因子探测器结果是进一步探究多维贫困评价指标体系中九大指标种对于贫困影响程度的大小，结果见图3.各指标种的贫困影响程度从大到小依次为：地形>经济实力>植被水文>社会福利>生态恢复力>气象>经济压力度>人口压力度>教育状况.由于江西省罗霄山集中连片特贫困区山地较多，地形成为影响该区域贫困的主要原因，所以地形的q值远大于其他指标种.

图3 因子探测结果

2.3.2 交互作用探测结果

交互作用探测主要是不同指标种两两之间交互之后得到的q值，与原来的单个指标种q值做比较，即两两指标种交互后对于贫困程度的作用是加剧了还是减缓了[5]118，结果如表2和表3所示，在所选指标种中任意两个指标种的交互作用均大于单个指标种的影响，说明导致研究区贫困的连片分布不是由单一的指标种造成的，是多个指标种共同作用的结果，各指标种相互作用对贫困的影响均呈现增强的作用.其中，地形与其他8个指标种的风险探测q值均大于0.9，呈现双指标种增强作用特征，由此可见地形极大地影响了研究区的贫困.

表2 交互作用探测结果

表3 交互作用探测类型

2.3.3 风险区探测结果

地理探测器的风险区探测结果Y表示存在显著性差异，N表示不存在显著性差异.表4至表12结果显示，只有地形的第1类和第2类区域、第1类和第5类区域、第2类和第5类区域，风险区探测存在显著的差别，并通过0.05水平显著性检验；其余各指标种5个等级类别相互之间的风险区探测均无显著性差别.

表4 地形指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

3 结论与讨论

区域贫困是多要素空间耦合和演化的自然结果和外在表现.笔者利用均方差决策分析法构建贫困驱动指数，反映了江西省罗霄山集中连片特困区的区域贫困空间特征；利用GIS空间分析和地理探测器模型识别出集中连片特困区致贫的主导因素，各指标种之间的相互作用方式及空间分异特征.研究发现，江西省罗霄山集中连片特困区的贫困驱动指数空间异质性分布明显.全局空间自相关结果表明，研究区各地的贫困驱动因子具有很强的空间依赖性，呈现“高高聚集”和“低低聚集”分布.地理探测器研究结果表明，地形对该区域贫困影响最大，并与其他指标种呈现双因子增强作用特征.

表5 植被水文指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

表6 气象指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

表7 生态恢复力指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

表8 人口压力度指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

表9 经济压力度指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

表10 经济实力指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

表11 社会福利指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

表12 教育状况指标种5个等级类别相互之间的风险差异显著性统计(显著性水平：0.05)

多维贫困在集中连片特困地区内部呈现一定程度的空间聚集特征.依据潘竟虎、冯娅娅对中国农村深度贫困县的划分[6]769-788，研究区属于地形要素制约型.集中连片特困区的最大特征是分布在偏远的山区地带，坡度、高程等地形条件是影响当地农业生产结构和生产方式的重要因素，也是影响交通道路等基础设施投入的重要自然因素.在减贫政策上，需要依靠当地的资源禀赋，深入挖掘当地独特的土地、矿产、自然生态等资源优势，民俗文化人文优势，开展全域旅游，推动资源优势转换为产业优势，带动社会经济发展，实现减贫目标.

受数据可获取性的限制，笔者对集中连片特困区贫困驱动因子的识别主要针对的是现有县域单元的贫困分布空间特征，缺少对多维贫困的空间演变动态识别.以后在空间尺度和统计单元上进一步结合乡镇、村级尺度，以及农户调查的微观统计，识别特困区的贫困空间演变趋势.同时，由于现阶段贫困研究在实践上更为关注2020年后的相关贫困问题，因此需要构建更具有前瞻性的指标，以模拟和预测2020年后特困区相对贫困的空间分布态势.