2. 南宁师范大学, 广西地表过程与智能模拟重点实验室, 广西南宁 530001;
3. 南宁师范大学地理科学与规划学院, 广西南宁 530001
2. Guangxi Key Laboratory of Earth Surface Process and Intelligent Simulation, Nanning Normal University, Nanning, Guangxi, 530001, China;
3. School of Geography and Planning, Nanning Normal University, Nanning, Guangxi, 530001, China
贫困问题是制约经济社会发展的最突出“短板”,我国扶贫攻坚任务艰巨[1-2]。2013年11月,习总书记在湖南湘西考察时提出“精准扶贫”重要思想。精准扶贫不再是粗略地帮扶贫困户,而是结合农户自身条件,采取既“输血”又“造血”的模式,带领广大农村贫困家庭脱贫致富,实现乡村振兴。精准扶贫是一项艰巨的任务,学术界围绕“精准扶贫”这个主题,从各方向进行大量的研究,研究视角不断多元化,如袁媛等[3]对河北省县域贫困度进行多维评估;周扬等[4]对中国县域贫困进行综合测度研究。在农村致贫机理研究方面,刘彦随等[5]运用地理探测器对中国县域贫困进行因子探究,贾林瑞等[6]分析集中连片特困地区致贫原因。在国家扶贫政策研究方面,郑瑞强等[7]对精准扶贫政策的理论内涵、关键问题、政策走向进行深入研究。在扶贫模式研究方面,岳娅等[8]对云南农村电商扶贫展开研究,李伶俐等[9]对金融精准扶贫创新实践的典型案例进行分析,胡继亮等[10]以秦巴山区竹溪县为例进行特色产业培育研究。精准扶贫研究范围不断细化,既有着眼于全国、片区、省份的研究,也有针对特殊、典型县、乡、村进行的研究[11]。研究方法不断创新,空间相关、模型模拟、预测、地理探测等自然、人文社科研究方法不断综合运用,如胡宗义等[12]基于PVAR模型分析农村金融发展带来的减贫效应。虽然西江战略地位不断凸显,但西江流域广西段(简称“广西西江流域”)经济发展起步较晚,自然条件复杂,是“老、少、边、穷”典型区,贫困范围广,深度贫困地区多,脱贫难,返贫易,是广西脱贫攻坚的重要作战地。西江上游连接云贵,贯穿广西,下游面向粤港澳,是珠江的重要组成部分,有“黄金水道”之称。该黄金水道是连接南宁、百色、崇左、梧州、贵港、来宾、柳州,并涵盖玉林、桂林、河池、贺州等地区的重要航道[13]。广西西江流域面积为21.69万km2,占广西面积的92%。2016年年末户籍人口近4 833万,其中贫困人口427万。流域内自然条件复杂,有28个国家扶贫工作重点县,20个自治区扶贫开发工作重点县。流域贫困人口多、范围广,扶贫脱贫任务艰巨。深入分析广西西江流域的贫困现状及致贫因子,不仅能明晰流域各县域贫困实际情况,而且能为扶贫事业提供理论上的指导。
1 材料与方法 1.1 数据来源广西西江流域贫困村、贫困人口数据来源于广西扶贫信息网,采用2016年公布的数据;行政村数据来源于中华人民共和国国家统计局,采用2016年公布的行政分区;海拔高程来源于地理空间数据云网站;气温、降水数据来源于中国地面气候资料日数据集;人文因子如地区生产总值(GDP)、人均GDP、耕地面积等数据来源于《广西统计年鉴(2017年)》。
1.2 方法 1.2.1 贫困发生率对贫困的度量有多种方法,如用贫困发生率进行表征[14]。贫困发生率是以研究区贫困人口总数占研究区总人口的比重来进行评估,用比值的大小来解释研究区贫困程度,其计算公式如下:
$ H = \frac{q}{N} \times 100\% , $ |
式中,q为研究区贫困人口总数,N为研究区总人口数,H为贫困发生率。贫困发生率即H值越大说明该地区越贫困,反映研究区总人口中有多少人处于贫困线以下,真实反映研究区人口的生活状态。
1.2.2 空间基尼系数空间基尼系数主要用来描述地理要素区域离散程度及空间分布。空间基尼系数于1991年提出,克鲁格曼最先用此方法研究美国制造业的空间集聚程度,后不断被应用于经济、资源等研究领域[15-16]。空间基尼系数能对多地理要素的空间分布特征进行描述,本文采用空间基尼系数对广西西江流域县域贫困村的空间分布进行研究。空间基尼系数值(G)为0~1,G越大表明广西西江流域贫困村在地理空间上越集中,计算公式如下:
$ \begin{array}{l} {G_{{\rm{ini}}}} = \frac{H}{{{H_m}}} = \frac{{ - \sum\limits_{i = 1}^n {{P_i}} \log {P_i}}}{{\log N}}, \\ C = 1 - {G_{{\rm{ini}}}}, \end{array} $ |
式中,Pi为贫困村占总行政村的百分比,N为地级市的个数,C为空间均匀度。
1.2.3 空间自相关空间自相关分析是常用的地理信息研究方法,用于贫困空间分布的自相关分析,揭示广西西江流域不同区域的贫困发生率空间关联和空间差异特征,其原理及运用步骤详细见文献[17]。
1.2.4 地理探测器分析模型地理探测器分析模型由王劲峰提出并不断优化,主要用来定量探测各因子之间的相互关系,常用于致贫因子探测研究,具体原理及运用见文献[18]。广西西江贫困发生率的大小受自然因子和人文因子的双重影响。海拔、土壤类型、坡度、气温、降水等自然因子不仅影响人口的空间分布,而且影响人类生产活动。为探究自然因子对广西西江流域贫困分布的影响,查阅相关文献,选取海拔、坡向、坡度、气温、降水、土壤等6个自然因子;为定量分析广西西江流域贫困的人文因子影响力,选取耕地面积、农作物总播种面积、粮食总产量、地区生产总值(GDP)、人均生产总值、规模以上工业企业(年主营业务收入在2 000万元及以上的工业企业)个数、规模以上工业企业从业人员年平均人数、公路里程等16项涵盖经济、社会、农业、医疗、社会福利等人文因子,采用地理探测器分析模型进行定量研究,其中因子探测用来分析各因子对贫困影响的相对重要程度,识别主要的自然、人文影响因子。
2 结果与分析 2.1 广西西江流域贫困村分布基于县域尺度分析广西西江流域的贫困村空间分布格局,在ArcGIS 10.2软件中根据贫困村数量的多少,将其划分为3类:贫困村数超过76个的县域有12个,属于贫困村较多的区域,这些区域零星分布在研究区东南、中部;贫困村数为0~33的县域有32个,占县域总数的33.67%,主要分布在东北部;贫困村数为34~75的县域数量最多,主要集中在流域的西北部(图 1)。对流域内不同地级市的贫困村数量进行分析,各地级市按照贫困村数由多到少排序为百色>河池>桂林>玉林>南宁>贵港>柳州>崇左>贺州>梧州>来宾。其中百色市贫困村最多,数量达到754个,占流域总贫困村的16.61%;来宾市贫困村数量最少,为247个,占流域总数的5.44%。
![]() |
图 1 广西西江流域贫困村空间分布 Fig.1 Spatial distribution of poor villages in Xijiang River Basin, Guangxi |
对广西西江流域11个地市贫困村进行空间基尼系数计算,得出G为0.969 3,空间均匀度C为0.030 7,表明广西西江流域各区域的贫困村数差异较大,贫困村在空间分布上很集中,流域东北部贫困村数较少,西北部较多,东南部贫困村最集中。广西西江流域的西北部地区,喀斯特面积广,人口多,石漠化严重,生态系统脆弱,地表水缺乏,农业发展受到限制,贫困人口多。广西西江流域北部和西北部地区,国家扶贫开发工作重点县的个数比较多,而且处于国家14个集中连片特殊困难区之一的滇桂黔石漠化区。因此流域西北部贫困村数量多,扶贫开发难度大,脱贫再返贫现象严重。
广西西江流域贫困村数量多,面积广,贫困村占广西西江流域行政村总数的35.89%。贫困村占总村数的比重在50%以上的县域有11个,贫困村占总村数的比重为45%~50%的县域有23个。研究表明,在广西西江流域贫困村占总村数比重较高的县域有资源县、三江县、罗城县、融水县,分别为59.15%、53.75%、53.60%、50.75%。西北部贫困村占总村数比重较高的县域有上林县、马山县、隆安县、乐业县、都安县、凌云县、隆林县,贫困村占总村数比重均在50%以上。广西西江流域东南部贫困村占总村数比重较高的县域有兴业县,为45.77%。广西西江流域的北部和西北部,地形崎岖,喀斯特面积分布广,其中三江县、融水县、罗城县及资源县,地形以山地丘陵为主,地势起伏大,交通较落后,滑坡、泥石流等自然灾害频发,人地关系紧张。
2.2 广西西江流域贫困户分布在ArcGIS 10.2中采用自然断点法,将广西西江流域各县贫困户数量分成5级(图 2),第一级贫困户数量在3 591户及以下,主要为各市市辖区,如南宁市的西乡塘区等。除市辖区外,凭祥市、合山市、兴安县、阳朔县等贫困户数量也较少,属于第一级;第二级贫困户数量为3 592~9 937户,广西西江流域有大约34%的县域属于第二级,主要分布在东北部和西北部,如桂林市的临川县、资源县等,河池市的金城江区,百色市的乐业县等;第三级贫困户数量为9 938~15 465户,主要集中分布在流域西部和东部,如百色市的田东县、田阳县、平果县等,玉林市的容县等;第四级贫困户数量为15 466~23 658户,主要分布在中部地区,特别是喀斯特面积分布较广的区域,如大化县、环江县、隆林县等;第五级贫困户数量为23 659~33 815户,集中分布在5个县,具体包括靖西市、都安县、融水县、桂平市和博白县,呈散点状分布。对流域内不同地级市的贫困户分析,各地级市贫困户数均超过5万户,其中河池市贫困户最多,为176 870户。贫困户数量最少的是梧州市,为58 663户。研究表明广西西江流域县域贫困户在空间分布上呈现较大的差异性,市区附近贫困户少,喀斯特地区的贫困户多。
![]() |
图 2 广西西江流域贫困户空间分布 Fig.2 Spatial distribution of poor households in Xijiang River Basin, Guangxi |
2.3 广西西江流域贫困发生率空间格局 2.3.1 贫困发生率空间分布
对流域内各市的贫困发生率进行分析(图 3),流域贫困发生率在15%以上的有百色市、河池市,贫困发生率分别为16.34%、16.13%;贫困发生率为10%~15%的有崇左市、贺州市、来宾市,贫困发生率分别为13.65%、12.10%、10.16%;贫困发生率为5%~10%的有柳州市、梧州市、桂林市、玉林市、贵港市、南宁市,贫困发生率分别为8.83%、7.00%、6.14%、6.03%、5.34%、5.27%。广西西江流域县域贫困发生率在空间分布上具有明显的集聚,高值区集中分布在流域北部和西部,低值区主要分布在南宁市、柳州市、桂林市、梧州市、玉林市等市辖区。广西西江流域贫困发生率较高,为8.84%,贫困发生率高于全国平均水平4.50%(根据国家统计局、国务院扶贫办网站公布数据整理得出)的县域有73个,贫困发生率为10%~20%的有41个,贫困发生率在20%以上的有11个,贫困面广,贫困深度深,脱贫难。贫困发生率在10%以上的县域大部分属于喀斯特地区,自然条件恶劣,经济发展困难,是扶贫开发重点帮扶地。
![]() |
图 3 广西西江流域贫困发生率空间分布 Fig.3 Spatial distribution of poverty incidence in Xijiang River Basin, Guangxi |
2.3.2 贫困发生率空间关联分析
根据广西西江流域各县域的贫困发生率值,运用ArcGIS 10.2软件计算其贫困发生率的全局Moran's I值为0.566,并且Moran's I值的正态统计量Z值为8.79,大于0.01置信水平的临界值2.58。研究表明整体上广西西江流域贫困发生率存在显著的空间自相关特征,贫困发生率高的区域趋于集聚,贫困发生率低的区域也集聚。用Getis-OrdGi*指数的冷热点方法进一步揭示贫困发生率高值区和低值区在空间上发生聚类的具体位置,统计量Z≥1.65的区域为热点地区,而小于-1.65的区域为冷点地区。由图 4可知,热点地区主要分布在百色市、河池市、崇左北部和柳州北部,冷点地区主要集中在南宁市、柳州南部和桂林西南,整体上呈现西北部热、中南部冷的空间发展格局。
![]() |
图 4 广西西江流域贫困发生率热点和冷点空间分布 Fig.4 Spatial distribution of hot and cold spots of poverty incidence in Xijiang River Basin, Guangxi |
运用Geoda软件的局部自相关(Multivariate LISA)模块对广西西江流域贫困发生率的空间关联进行分析。由图 5可知,第一类为高-高集聚区(H-H),表示该区域与周围区域的贫困发生率都很高,两者之间的空间差异较小,呈正相关关系,主要分布在大化县、都安县、巴马县、凤山县、东兰县等;第二类为高-低集聚区(H-L),表示该区域的贫困发生率较高,而周边区域较低,两者之间的空间差异很大,呈负相关关系,主要分布在凌云县、右江县、田阳县等;第三类为低-低集聚区(L-L),表示该区域与周边的贫困发生率都很低,两者空间差异小,呈正相关关系,主要集中于恭城县、富川县、钟山县、平桂县等;第四类为低-高集聚区(L-H),这些区域的贫困发生率较低,而周边区域很高,两者之间的空间差异大,呈负相关关系,显著性较强的是扶绥县、南宁江南区、南宁西乡塘区、南宁兴宁区等。
![]() |
图 5 广西西江流域贫困发生率空间集聚分布 Fig.5 Spatial agglomeration distribution of poverty incidence in Xijiang River Basin, Guangxi |
2.4 致贫因子地理探测 2.4.1 地理因子的贡献率
在ArcGIS 10.2中利用工具将研究区划分为若干个5 km×5 km网格,提取网格中心点相应的贫困发生率、自然因子数据以及人文因子数据,利用地理探测器进行运算,得到贫困发生率与地理因子之间的贡献率,确定地理因子对贫困分布的相对重要性。研究结果表明,自然因子影响流域贫困分布的贡献率从大到小排序为海拔(27.21%)>土壤类型(22.90%)>降水(13.74%)>气温(12.65%)>坡度(8.67%)>坡向(0.05%)。从自然因子对贫困发生的贡献率来看,海拔的贡献率值最大,而且海拔和土壤类型的贡献率都在20%以上,是影响广西西江流域贫困发生的主要因子;降水和气温的贡献率值都在10%以上,是影响广西西江流域贫困发生的次要因子。
人文因子对广西西江流域贫困发生率影响程度各不相同,按大小排序为GDP(60.98%)>城镇居民人均可支配收入(60.14%)>农村居民人均纯收入(57.58%)>规模以上工业企业数(47.07%)>规模以上工业企业人员(41.67%)>人均生产总值(37.23%)>生活用电量(36.03%)>农作物面积(29.90%)>社会用电量(29.25%)>卫生机构床位数(27.93%)>新型农村养老参保人数(17.77%)>新型农村医疗参保人数(16.24%)>粮食总产量(16.12%)>耕地面积(15.66%)>公路里程(10.04%)>普通中学数(2.62%)。从人文因子对广西西江流域贫困分布的贡献率来看,GDP的贡献率最大,而且GDP、城镇居民人均收入、农村居民人均纯收入、规模以上工业企业数、规模以上工业企业从业人员、人均生产总值、生活用电量、农作物面积、社会用电量、卫生机构床位数等的贡献率(解释力)都在25%以上,是影响广西西江流域贫困分布的主要人文因子;新型农村养老参保人数、新型农村医疗参保人数、粮食总产量、耕地面积的贡献率都在15%以上,是影响广西西江流域贫困分布的次要人文因子;普通中学数虽然影响人们接受教育的程度和确保九年义务教育的全面完成,但对贫困发生率的影响很小,贡献率在10%以下。
2.4.2 自然因子对贫困发生率的交互影响地理探测器中的交互作用模块可以对影响因子进行交互探测,大部分自然因子之间具有双协同作用(表 1),说明自然因子叠加可以增强对贫困发生的影响,其解释力较大的自然因子依次为海拔∩土壤(0.340 0)、降水∩土壤(0.338 4)、海拔∩降水(0.335 7)、气温∩降水(0.311 6)、海拔∩气温(0.294 3)、气温∩土壤(0.284 2)、海拔∩坡度(0.276 9)、海拔∩坡向(0.273 5)、坡度∩土壤(0.255 5)。坡向与海拔、土壤、降水、气温、坡度的交互为非线性协同作用,说明坡向增强海拔、土壤、降水、气温、坡度对贫困发生率的影响。气温与降水也为非线性协同作用,说明气温增强了降水对贫困发生率的影响。坡度与降水、气温的交互也为非线性协同作用,说明坡度增强降水、气温对贫困发生率的影响。因此,坡向、坡度和气温可以作为辅助因子用于贫困发生监测。
影响因子Impact factor C1 ∩ C2 | E=PD (C1 ∩ C2) | PD (C1) | PD (C2) | F=PD (C1)+ PD (C2) |
E与F比较 E and F comparison |
海拔∩土壤Altitude ∩ Soil | 0.340 0 | 0.272 1 | 0.229 0 | 0.501 1 | E<F |
降水∩土壤Precipitation ∩ Soil | 0.338 4 | 0.137 4 | 0.229 0 | 0.366 4 | E<F |
海拔∩降水Altitude ∩ Precipitation | 0.335 7 | 0.272 1 | 0.137 4 | 0.409 5 | E<F |
气温∩降水Temperature ∩ Precipitation | 0.311 6 | 0.126 5 | 0.137 4 | 0.263 9 | E>F |
海拔∩气温Altitude ∩ Temperature | 0.294 3 | 0.272 1 | 0.126 5 | 0.398 6 | E<F |
气温∩土壤Temperature ∩ Soil | 0.284 2 | 0.126 5 | 0.229 0 | 0.355 5 | E<F |
海拔∩坡度Altitude ∩ Gradient | 0.276 9 | 0.272 1 | 0.086 7 | 0.358 8 | E<F |
海拔∩坡向Altitude ∩ Slope direction | 0.273 5 | 0.272 1 | 0.000 5 | 0.272 6 | E>F |
坡度∩土壤Gradient ∩ Soil | 0.255 5 | 0.086 7 | 0.229 0 | 0.315 7 | E>F |
坡向∩土壤Slope direction ∩ Soil | 0.232 9 | 0.000 5 | 0.229 0 | 0.229 5 | E>F |
坡度∩降水Gradient ∩ Precipitation | 0.201 8 | 0.086 7 | 0.137 4 | 0.224 1 | E>F |
坡度∩气温Gradient ∩ Temperature | 0.181 7 | 0.086 7 | 0.126 5 | 0.213 2 | E>F |
坡向∩降水Slope direction ∩ Precipitation | 0.138 5 | 0.000 5 | 0.137 4 | 0.137 9 | E>F |
坡向∩气温Slope direction ∩ Temperature | 0.127 6 | 0.000 5 | 0.126 5 | 0.127 0 | E>F |
坡向∩坡度Slope direction ∩ Gradient | 0.087 9 | 0.000 5 | 0.086 7 | 0.087 2 | E>F |
注:C为影响因子;PD为贡献率,即影响因子对贫困发生率的解释力;E>F为非线性协同作用,E<F为双协同作用 Note:C is the impact factor; PD is the contribution rate, which is the explanatory power of the impact factor on poverty incidence;E>F is a nonlinear synergy,E<F is a double synergy |
2.4.3 人文因子对贫困发生率的交互影响
对影响广西西江流域贫困发生率的人文因子进行交互探测,解释力较大的人文因子交互作用PD值在0.73以上按大小排序如表 2所示。各人文因子间都具有较强的双协同作用,其中解释力大的人文因子有:社会用电量∩农村居民人均纯收入(0.752 9)、GDP∩城镇居民人均可支配收入(0.752 3)、规模以上工业企业数∩城镇居民人均可支配收入(0.751 0)、规模以上工业企业从业人员∩农村居民人均纯收入(0.741 9)。通过对比PD(C1)、PD(C2)与F,可知人文因子间的叠加比单一人文因子对贫困发生率更有解释力。
影响因子Impact factor C1 ∩ C2 | E=PD (C1 ∩ C2) | PD (C1) | PD (C2) | F=PD (C1)+ PD (C2) |
E与F比较 E and F comparison |
社会用电量∩农村居民人均纯收入 Total consumption of electricity ∩ Annual per capita net income of rural residents |
0.752 9 | 0.292 5 | 0.575 8 | 0.868 3 | E<F |
GDP ∩城镇居民人均可支配收入 GDP ∩ Per capita annual disposable income of urban households |
0.752 3 | 0.609 8 | 0.601 4 | 1.211 2 | E<F |
规模以上工业企业数∩城镇居民人均可支配收入 Number of industrial enterprises above designated size ∩ Per capita annual disposable income of urban households |
0.751 0 | 0.470 7 | 0.601 4 | 1.072 1 | E<F |
规模以上工业企业从业人员∩农村居民人均纯收入 Number of employed persons ∩ Annual per capita net income of rural residents |
0.741 9 | 0.416 7 | 0.575 8 | 0.992 5 | E<F |
GDP ∩农村居民人均纯收入 GDP ∩ Annual per capita net income of rural residents |
0.737 1 | 0.609 8 | 0.575 8 | 1.185 6 | E<F |
城镇居民人均可支配收入∩农村居民人均纯收入 Per capita annual disposable income of urban households ∩ Annual per capita net income of rural residents |
0.730 0 | 0.601 4 | 0.575 8 | 1.177 2 | E<F |
注:C为影响因子;PD是贡献率,即影响因子对贫困发生率的解释力;E>F为非线性协同作用,E<F为双协同作用 Note:C is the impact factor; PD is the contribution rate, which is the explanatory power of the impact factor on poverty incidence; E>F is a nonlinear synergy; E<F is a double synergy |
2.4.4 自然因子与人文因子交互对贫困发生率的影响
自然因子中的降水、土壤、海拔、气温与人文因子交互作用的PD值都比较大,其中PD>0.6的交互结果如表 3所示。自然因子与人文因子交互表现出双协同作用,其中解释力较大的有:GDP∩降水(0.689 8)>农村居民人均纯收入∩降水(0.669 8)>GDP∩土壤(0.667 5)>城镇居民人均可支配收入∩土壤(0.663 3)>城镇居民人均可支配收入∩海拔(0.662 5)。自然因子与人文因子的叠加比单一的自然因子或人文因子对广西西江流域贫困发生率更具有解释力。
影响因子Impact factor C1 ∩ C2 | PD (C1 ∩ C2) | PD (C1) | PD (C2) | F=PD (C1)+ PD (C2) |
E与F比较 E and F comparison |
GDP ∩降水 GDP ∩ Precipitation |
0.689 8 | 0.609 8 | 0.137 4 | 0.747 2 | E<F |
农村居民人均纯收入∩降水 Annual per capita net income of rural residents ∩ Precipitation |
0.669 8 | 0.575 8 | 0.137 4 | 0.713 2 | E<F |
GDP ∩土壤 GDP ∩ Soil |
0.667 5 | 0.609 8 | 0.229 0 | 0.838 8 | E<F |
城镇居民人均可支配收入∩土壤 Per capita annual disposable income of urban households ∩ Soil |
0.663 3 | 0.601 4 | 0.229 0 | 0.830 4 | E<F |
城镇居民人均可支配收入∩海拔 Per capita annual disposable income of urban households ∩ Altitude |
0.662 5 | 0.601 4 | 0.272 1 | 0.873 5 | E<F |
GDP ∩气温 GDP ∩ Temperature |
0.652 4 | 0.609 8 | 0.126 5 | 0.736 3 | E<F |
城镇居民人均可支配收入∩降水 Per capita annual disposable income of urban households ∩ Precipitation |
0.651 7 | 0.601 4 | 0.137 4 | 0.738 8 | E<F |
GDP ∩海拔 GDP ∩ Altitude |
0.643 2 | 0.609 8 | 0.272 1 | 0.881 9 | E<F |
农村居民人均纯收入∩气温 Annual per capita net income of rural residents ∩ Temperature |
0.641 4 | 0.575 8 | 0.126 5 | 0.702 3 | E<F |
农村居民人均纯收入∩土壤 Annual per capita net income of rural residents ∩ Soil |
0.636 3 | 0.575 8 | 0.229 0 | 0.804 8 | E<F |
农村居民人均纯收入∩海拔 Annual per capita net income of rural residents ∩ Altitude |
0.635 9 | 0.575 8 | 0.272 1 | 0.847 9 | E<F |
城镇居民人均可支配收入∩气温 Per capita annual disposable income of urban households ∩ Temperature |
0.635 6 | 0.601 4 | 0.126 5 | 0.727 9 | E<F |
GDP ∩坡度 GDP ∩ Gradient |
0.618 9 | 0.609 8 | 0.086 7 | 0.696 5 | E<F |
城镇居民人均可支配收入∩坡度 Per capita annual disposable income of urban households ∩ Gradient |
0.618 8 | 0.601 4 | 0.086 7 | 0.688 1 | E<F |
GDP ∩坡向 GDP ∩ Slope direction |
0.610 2 | 0.609 8 | 0.000 5 | 0.610 3 | E<F |
城镇居民人均可支配收入∩坡向 Per capita annual disposable income of urban households ∩ Slope direction |
0.601 7 | 0.601 4 | 0.000 5 | 0.601 9 | E<F |
注:C为影响因子;PD为贡献率,即影响因子对贫困发生率的解释力;E>F为非线性协同作用,E<F为双协同作用 Note:C is the impact factor; PD is the contribution rate,which is the explanatory power of the impact factor on poverty incidence; E>F is a nonlinear synergy; E<F is a double synergy |
3 结论
广西西江流域各区域的贫困村数差异较大,贫困村在空间分布上很集中,流域东北部贫困村数较少,西北部较多,东南部贫困村最集中。流域内贫困户在空间分布上呈现较大的差异性,市区附近贫困户少,喀斯特地区的贫困户多。流域各市贫困发生率均高于国家平均水平,喀斯特区域贫困现象依然严重,是广西扶贫开发重点帮扶地区。
对广西西江流域致贫的地理因子进行探测发现,海拔、地区生产总值对贫困发生率的贡献值较大,其次还有土壤、城镇居民人均可支配收入、农村居民人均纯收入、规模以上工业企业数、规模以上工业企业从业人员等;自然因子交互作用中,海拔∩土壤的PD值最大;人文因子的交互作用中,社会用电量∩农村居民人均纯收入的PD值最大;自然因子与人文因子的交互作用中,GDP∩降水的PD值最大。因此可见,地区生产总值、海拔、降水、城镇居民人均可支配收入、农村居民人均纯收入、规模以上工业企业数等是广西西江流域致贫重要因子。
[1] |
杨秀丽, 朱荣嘉, 姜涛, 等. 黑龙江省贫困片区耕地生态安全及影响因子研究[J]. 生态经济, 2018, 34(8): 150-155. |
[2] |
杨红娟, 张成浩. 云南少数民族贫困地区生态效率研究[J]. 生态经济, 2018, 34(3): 112-116. |
[3] |
袁媛, 王仰麟, 马晶, 等. 河北省县域贫困度多维评估[J]. 地理科学进展, 2014, 33(1): 124-133. |
[4] |
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. |
[5] |
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. |
[6] |
贾林瑞, 刘彦随, 刘继来, 等. 中国集中连片特困地区贫困户致贫原因诊断及其帮扶需求分析[J]. 人文地理, 2018(1): 85-93, 151. |
[7] |
郑瑞强, 王英. 精准扶贫政策初探[J]. 财政研究, 2016(2): 17-24. |
[8] |
岳娅, 王国贤. 云南农村电子商务扶贫的对策建议[J]. 宏观经济管理, 2018(7): 73-78. |
[9] |
李伶俐, 刘小华, 王定祥. 论我国农村扶贫金融制度的完善与创新[J]. 上海经济研究, 2017(5): 82-90, 97. |
[10] |
胡继亮, 陈瑶. 精准扶贫之特色产业培育探析——以秦巴山区竹溪县为例[J]. 中南民族大学学报:人文社会科学版, 2018, 38(4): 166-170. |
[11] |
葛志军, 邢成举. 精准扶贫:内涵、实践困境及其原因阐释——基于宁夏银川两个村庄的调查[J]. 贵州社会科学, 2015, 305(5): 157-163. |
[12] |
胡宗义, 唐李伟, 苏静. 农村正规金融与非正规金融的减贫效应——基于PVAR模型的经验分析[J]. 统计与信息论坛, 2014, 29(11): 52-58. DOI:10.3969/j.issn.1007-3116.2014.11.009 |
[13] |
刘盛和, 兰肖雄, 樊杰. 广西西江黄金水道开发与西江经济带城镇体系空间结构重构[J]. 地理研究, 2012, 31(8): 1365-1374. |
[14] |
曹惠敏, 骆华松. 云南农村贫困人口空间结构分析[J]. 云南地理环境研究, 2012, 24(1): 68-74. DOI:10.3969/j.issn.1001-7852.2012.01.013 |
[15] |
熊建练, 吴茜, 任英华. 文化产业空间集聚特征与动态规律的实证分析[J]. 统计与决策, 2016(19): 84-88. |
[16] |
于艳邱, 赵山星. 新疆阿克苏地区旅游产业集聚效应研究[J]. 企业改革与管理, 2016(15): 213-214. |
[17] |
王维, 张涛, 陈云. 长江经济带地级及以上城市"五化"协调发展格局研究[J]. 地理科学, 2018, 38(3): 385-393. |
[18] |
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1): 116-134. |