高寒地区生态贫困评价及影响因素分析——以色林错地区为例

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

杨定^,¹^,²^,³, 杨振山^,¹^,²

1.中国科学院地理科学与资源研究所,北京 100101

2.中国科学院区域可持续发展分析与模拟实验室,北京 100101

3.中国科学院大学,北京 100049

Ecological poverty and its influencing factors in an alpine area: Case study of the Selinco area

YANG Ding^,¹^,²^,³, YANG Zhenshan^,¹^,²

1. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

2. Key Laboratory of Regional Sustainable Development Modeling, CAS, Beijing 100101, China

3. University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 杨振山,男,新疆博乐人,博士,研究员,研究方向为城市和区域规划。E-mail: yangzs@igsnrr.ac.cn

收稿日期:2020-01-12修回日期:2020-07-31网络出版日期:2021-02-25

基金资助:

中国科学院战略性先导科技专项(A类).XDA20020302
中国科学院青年创新促进研究会优秀会员项目.Y201815

Received:2020-01-12Revised:2020-07-31Online:2021-02-25
作者简介 About authors
杨定,男,陕西商洛人,硕士研究生,研究方向为城市与区域可持续发展。E-mail: yangding18@126.com

摘要
生态贫困研究对于理解生态环境恶劣地区生态环境与贫困作用机制、支撑巩固减贫成果的政策制定具有重要意义,然而对高寒地区的生态贫困评价和影响因素探索较少。本文以藏北深度贫困区色林错地区为例,构建生态贫困评价体系,将BP神经网络模型和DEMATEL方法相结合,对该地区生态贫困水平及其影响因素进行分析。研究表明：①色林错地区各乡镇生态贫困指数平均值为2.97,多数乡镇生态贫困等级集中在三级（最贫困为五级）,且生态贫困等级较高的乡镇处于地理环境恶劣的山区,生态贫困等级较低的乡镇处于湖盆附近自然条件较好的区域;②各因素对生态贫困的影响方向存在差异,地面坡度、地形起伏度、平均气温与平均海拔对生态贫困有正向作用,河网密度、平均降水、土壤质地结构与植被指数对生态贫困有负向作用;应引导居民尽量减少在生态系统抗干扰能力弱的区域活动,加强优良草场和水源地保护,发展现代畜牧业和旅游服务业等特色产业,推动社区发展以降低生计脆弱性;③平均海拔、地形起伏度和地面坡度是影响生态贫困的关键因素,并与平均气温和降水等因素相关联;应以海拔、地形等为主要考虑因素,优化居民点布局,积极应对生态贫困。研究结果不仅可为从生态环境角度出发制定长期有效的减贫策略提供参考,还可为其他地区生态贫困监测提供借鉴。
关键词： 生态贫困;BP神经网络;影响因素;MIV值;DEMATEL方法;高寒地区;色林错地区

Abstract

Ecological poverty research is of great significance for understanding the mechanism of interaction between the ecological environment and poverty in areas with formidable ecological environments, and for giving support to formulating policy measures to consolidate the achievements of poverty alleviation. However, there exist only few studies on the evaluation of ecological poverty and analysis of its influencing factors in alpine areas with harsh ecological environments. Taking the Selinco area of Tibet as an example, this study constructed an index system of ecological poverty. By using the BP neural network and the Decision Making Trial and Evaluation Laboratory (DEMATEL) method, the ecological poverty level and influencing factors of ecological poverty of 30 township-level administrative units in the Selinco area were evaluated and analyzed. The results show that: (1) The average level of ecological poverty of the townships is 2.97, and most townships are in the third level. Townships with a higher level of ecological poverty are located in mountainous areas with harsh natural conditions, while townships with lower levels are located in areas with better natural conditions near the lakes. (2) There are differences in the impact direction of the factors on ecological poverty. Slope, relief, mean temperature, and elevation have a positive effect on ecological poverty, while drainage density, average precipitation, soil texture structure, and vegetation are the opposite. Therefore, residents should be guided to reduce the interference to highly ecologically fragile areas, strengthen the protection of pastures and water sources, develop characteristic industries such as modern animal husbandry and tourism service industry, and further promote community development to reduce livelihood vulnerability. (3) Altitude, slope, and relief are the key factors that affect ecological poverty and are correlated with other factors such as average temperature and precipitation. Considering the key factors such as altitude and topography, it is recommended to optimize the layout of residential areas and actively respond to ecological poverty. These results not only provide some references for formulating long-term effective poverty reduction strategies from the perspective of the ecological environment but also provide a reference for ecological poverty monitoring in other areas.

Keywords：ecological poverty;BP neural network;influencing factors;mean impact value (MIV);decision making trial and evaluation laboratory (DEMATEL);alpine area;Selinco area

PDF (4150KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
杨定, 杨振山. 高寒地区生态贫困评价及影响因素分析——以色林错地区为例. 资源科学[J], 2021, 43(2): 293-303 doi:10.18402/resci.2021.02.08
YANG Ding, YANG Zhenshan. Ecological poverty and its influencing factors in an alpine area: Case study of the Selinco area. RESOURCES SCIENCE[J], 2021, 43(2): 293-303 doi:10.18402/resci.2021.02.08

1 引言

生态贫困是地区资源环境要素耦合失调导致居民基本生产生活条件被剥夺而形成的特殊贫困类型^[1,2,3]。生态贫困反映了区域生态环境和资源禀赋的情况^[1,4]。资源环境的优劣状况直接影响个人和社会的发展,因而在资源环境要素长期作用下,生态环境恶劣地区极易形成生态贫困与经济贫困、社会贫困等叠加的多重贫困^[1,2,5]。随着脱贫攻坚战获得全面胜利,中国进入相对贫困时期,持续巩固脱贫攻坚成果推动相对贫困地区高质量发展成为重要任务。而资源环境条件较差的地区,自然资本匮乏,对巩固扶贫成果提出了更高的要求。因而,生态贫困研究有助于理解贫困与资源环境要素的关系以及空间贫困陷阱的形成机制,对巩固减贫成果与可持续发展具有实践指导意义。

20世纪50年代以来,国内外****对与资源环境有关的贫困问题开展了研究。研究重点由贫困与地理位置关系^[6,7,8]、贫困与生态环境复杂关系^[9,10,11],逐渐扩展到生态扶贫^[12]、生态贫困的内涵界定^[1,4,13,14]、生态贫困影响因素及形成机制^[15,16]、生态贫困评价^{[15,16,17,18]}等问题上。由此来看,学界对生态贫困的研究正不断深化和走向定量化,但在生态贫困内涵、界定、成因方面还存在较多争议。在生态贫困评价方面,因资源环境要素间往往存在相互影响、相互作用的非线性复杂关系^[19],传统评价模型在设置权重和加权时,较难刻画这种复杂关系,且简单的加权忽略了各指标间的不可完全替代关系^[20]。在构建生态贫困评价指标体系时,往往根据自身对生态贫困的界定或要达到的减贫目标进行设计^[21],加之数据可得性的限制,****们在多方面权衡和取舍后构建的评价体系很难做到真正的系统和规范。评价方法包括定性描述分析^[22]、资源环境与贫困耦合分析^{[23,24,25,26]}、主成分分析法和层次分析法^[18,27]、神经网络模拟分析^[28,29,30]等。其中,神经网络较好地刻画了资源环境要素间的非线性复杂关系。然而,现有研究中设置生态贫困评价等级时往往以资源环境要素与经济指标的相关性为依据^[28,30]。生态贫困是对资源环境状况的综合反映,以经济指标为设定标准在揭示生态贫困发生机制方面难免有失偏颇。在研究区域方面,国内研究集中在西北地区^[24-26,31]、全国尺度^[1,32],而对贫困程度较深的青藏高原高寒地区分析较少。

生态贫困评价及其影响因素研究是理解生态贫困形成机制和指导减贫的重要依据。面向国家推动相对贫困地区高质量发展和生态文明建设的现实需要,为拓展生态贫困研究,资源环境条件较差、贫困问题突出和全球气候变化敏感的青藏高原地区值得深入探索。本文基于生态贫困的内涵,以藏北色林错地区为例,运用BP神经网络构建生态贫困评价模型,测算生态贫困指数,并运用平均影响值（Mean Impact Value,MIV）、决策试验和评价实验法（Decision Making Trial and Evaluation Laboratory,DEMATEL）对生态贫困各影响因素的作用程度、影响因素间的交互作用进行分析,以期为高寒地区生态贫困监测和减贫策略制定提供参考。

2 文献综述

生态贫困是区域资源环境要素耦合失调的结果,表达了贫困地区在资源禀赋、生态环境方面的先天性劣势。资源环境条件与贫困发生率存在着关联,资源环境条件的变化关系着贫困发生的可能^[32],资源环境要素影响着贫困的空间分布^[33]。

资源环境要素对贫困发生的影响是人与自然、自然与社会相互作用的动态过程,呈现出系统影响整体性,路径方向多样性和作用机制复杂性特征^[34],这种动态过程导致“空间贫困陷阱”形成^[35]。各要素在贫困发生中存在地域性和作用方式差异性特点^[36]。周蕾等^[37]研究发现,复杂的地形条件对贫困县的空间分布具有相当强度的正向驱动作用。杜国明等^[38]研究黑龙江贫困空间格局及其影响因素发现,气候和地貌等资源环境条件对贫困发生具有间接性与长期性的影响。唐梦莹^[39]认为海拔与贫困有一定的相关性,随着海拔的升高,贫困程度加深。此外,灾害与贫困具有重合性和一致性,灾害、脆弱性、贫困等要素间具有相对的继替性和循环性,脆弱性越大的地区越贫困^[40]。旱灾、风灾和冷冻灾等区域自然灾害,一方面,导致居民用于抵御灾害的家庭支出增加,而用于再生产和自身发展的支出减少;另一方面,促使居民不得不缩小生产规模,导致居民收入增长缓慢,从而更容易使居民陷入贫困状态或加深贫困^[41]。对于小尺度区域,自然灾害因素数据较难获取,因而本文对自然灾害不作考虑。

生态贫困评价及其影响因素识别和评估是减贫的基础。现有研究中较多的是对资源环境与贫困耦合关系的定性解释和描述,以定量、客观的评价模型综合评价生态贫困水平的研究较少^[18]。生态贫困的致贫因子间往往存在相互影响、相互作用的复杂动态关系^[19,42],因而如何客观刻画这种复杂关系,并定量评价生态贫困水平成为关键问题。在多维贫困评价和资源环境致贫效应研究中,部分****通过设计生态贫困维度尝试定量评价生态贫困,如王艳慧等^[18]根据各贫困县的资源环境条件运用层次分析法和熵值法得到的权重的最优组合,加权计算自然致贫指数,表示其可能的贫困程度;张芷蔧^[27]与Zhang等^[43]通过主成分分析方法提取自然要素主成分,进行生态贫困评价。从这些研究来看,权重确定是关键,简单加权综合评价结果易受主观因素影响。许月卿等^[17]、李双成等^[29]将神经网络引入生态贫困评价中,建立资源环境要素与生态贫困等级间的联系,较好描述了资源环境要素间的复杂关系,但以人均生产总值、人均农业产值等经济指标与资源环境要素间的相关关系为依据设置贫困等级^[44],未能直接揭示生态贫困与资源环境要素间的关联。

人工神经网络为生态贫困研究提供了新的技术与方法。人工神经网络是大量简单神经元连接而成的非线性复杂网络系统,在模式识别^[45,46]、土地分类^[47,48]、预测与模拟^[49,50,51]等方面得到了广泛的应用,并逐渐扩展到生态适宜性^[52]、城市可持续发展^[53]、贫困特征分析^[28,29,30]等领域。BP神经网络作为应用最广泛的人工神经网络之一,在复杂逻辑操作和非线性关系实现方面具有突出优势,与传统统计模型相比具有较强的容错性、自适应性和鲁棒性。

3 研究区与研究方法

3.1 研究区概况

色林错地区属藏北地区,地处青藏高原腹地,包括尼玛、班戈、申扎3县（图1）。面积约3万 km²,包括30个乡镇8.8万人。地貌以中高山为主,平均海拔4984 m;气候属高原亚寒带半干旱季风气候,植被主要有高寒草原草地、高寒草甸草地、高寒荒漠草地。该地区是中国深度贫困区之一,2016年贫困发生率为31%;也是重要的高寒牧区和生态脆弱区。脆弱的生态环境限制了当地居民的生活生产活动,居民处于深度贫困状态。而长期贫困促使居民扩大放牧,导致生态环境恶化,进一步限制畜牧业的发展和加深贫困,最终形成恶性循环。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区概况

Figure 1The study area

3.2 研究数据

研究数据包括30 m分辨率DEM数据、2011—2016年MODIS NDVI 250 m分辨率栅格数据、2011—2016年色林错地区降水、气温、土壤质地结构栅格数据以及各乡镇河网密度、乡镇边界数据、2016年各乡镇贫困人口数据。其中,30 m分辨率DEM数据、MODIS NDVI 250 m分辨率栅格数据来源于地理空间数据云（http://www.gscloud.cn/）,降水、气温、土壤质地结构栅格数据以及河网密度、乡镇边界数据来源于中国科学院资源环境科学数据中心（http://www.resdc.cn/）,贫困人口数据来源于各县扶贫办。运用ArcGIS10.4软件从DEM数据中提取海拔、地形起伏度、坡度,用于表征地形因子;提取和计算各乡镇多年平均降水量和平均气温,用于表征气候状况;提取和计算各乡镇多年平均植被指数,用于表征地表植被状况;计算研究区土壤中黏土和沙土含量百分比的比值并进行提取,用于表征土壤质地结构。计算各乡镇内河流总长度与其面积的比值,用于表征各乡镇的水文状况。各乡镇数据统计特征值见表1。

Table 1
表1
表1变量描述性统计
Table 1Descriptive statistics of the variables

	平均海拔/m	地形起伏度/m	地面坡度/°	平均降水量/mm	平均气温/℃	植被指数	土壤质地结构	河网密度 /（km/km²）	贫困发生率/%
平均值	4934	27.11	9.87	136.50	-0.36	0.11	0.32	0.09	31
最大值	5187	37.68	13.36	208.12	6.71	0.14	0.46	0.32	40
最小值	4731	17.45	6.51	74.19	-8.97	0.08	0.24	0.02	23

新窗口打开|下载CSV

3.3 模型构建

3.3.1 生态贫困评价指标体系构建

根据数据可得性和生态贫困内涵,参考既有研究^[16,18,54]以及《中国农村扶贫开发纲要（2011—2020年）》^[55]构建指标,并以贫困发生率与资源环境要素间的相关性为依据,筛选出平均海拔、地形起伏度、地面坡度、平均气温、平均降水、植被指数、土壤质地结构、河网密度等关键因子构建生态贫困评价指标体系。平均海拔、地形起伏度、地面坡度与贫困发生率成正相关关系,平均气温、平均降水、植被指数、土壤质地结构、河网密度与贫困发生率成负相关关系。通过相关性分析,一方面,检验所选指标与贫困间的相关性,保证指标选取的合理性;另一方面,为生态贫困BP神经网络模型提供评价等级设置的依据。

3.3.2 生态贫困评价等级构建

生态贫困评价等级与范式目前没有通用的标准,本文参考现有研究中线性设定贫困等级的方法^[28,30],根据各资源环境要素与贫困发生率间的相关性、各资源环境要素指标值的范围,来构建色林错地区生态贫困评价等级。将生态贫困等级分为5级：1表示生态贫困水平低,2表示生态贫困水平较低,3表示生态贫困水平中等,4表示生态贫困水平较高,5表示生态贫困水平高,评价等级如表2所示。

Table 2
表2
表2生态贫困评价标准
Table 2Evaluation standard of ecological poverty

海拔/m $x_{1}$	地形起伏度/m $x_{2}$	地面坡度/° $x_{3}$	平均降水量/mm $x_{4}$	平均气温/℃ $x_{5}$	平均植被指数 $x_{6}$	土壤质地结构 $x_{7}$	河网密度/（km/km²） $x_{8}$	生态贫困等级 EPI
4731	17.45	6.51	208.12	6.71	0.14	0.46	0.32	1
4845	22.51	8.22	174.64	2.79	0.12	0.40	0.24	2
4959	27.57	9.94	141.15	-1.13	0.11	0.35	0.17	3
5073	32.62	11.65	107.67	-5.05	0.09	0.29	0.10	4
5187	37.68	13.36	74.19	-8.97	0.08	0.24	0.02	5

新窗口打开|下载CSV

为了提高生态贫困模型的精确度,对评价等级数据进行等距内插以扩大样本量;并在训练数据输入神经网络前进行归一化处理,即每一指标数据除以各指标中的最大值,最终获得BP神经网络模型的训练数据。

3.3.3 生态贫困评价模型构建

本文运用Python语言实现BP神经网络,构建资源环境要素和生态贫困等级间复杂的内在对应联系。训练数据中资源环境要素指标作为神经网络输入数据,生态贫困等级数据作为神经网络输出数据,反复训练生成生态贫困模型。最后将各乡镇的资源环境要素指标数据输入模型,获得生态贫困指数。

若有

n

个输入神经元,

m

个输出神经元和

p

个隐藏层神经元的BP神经网络,隐藏层和输出层神经元的输出分别为：

（1）

x_{j} = σ (\sum_{i = 1}^{n} x_{i}^{} w_{ij} + b_{j}^{}), j = 1, 2, ?, p

（2）

y_{k} = \sum_{j = 1}^{p} x_{j}^{} w_{jk}^{}, k = 1, 2, ?, m

式中：

w_{ij}^{}

、

w_{jk}^{}

分别为输入层与隐藏层神经元间权重矩阵

W

{(w_{ij}^{})}_{n \times p}

、隐藏层与输出层神经元间权重矩阵

w

{(w_{jk}^{})}_{p \times m}

的元素;

b_{j}^{}

为偏置值;

σ

为激励函数,本文采用对数sigmoid函数

σ (x) = \frac{1}{1 + e^{- x}}

作为激励函数;

x_{i}^{}

、

x_{j}

、

y_{k}

分别为输入层神经元标准化后的输入值、隐藏层神经元的输出值、输出层神经元的输出值。

本文采用三层神经网络进行生态贫困评价。在不限制隐藏层节点数的情况下,只有一个隐藏层的三层BP神经网络可以实现任意函数的逼近^[56]。隐藏层神经元个数由公式

p = \sqrt[]{n + m} + a

确定（

a

为1~10之间的常数）。神经网络中输入层节点数由生态贫困评价指标体系的指标个数确定,即输入层节点为8个;神经网络输出为生态贫困指数（EPI）,即输出节点数为1个。运用收敛速度确定神经网络隐藏层神经元个数,经反复实验确定本文中隐藏层节点数为5个。最终确定拓扑结构为8×5×1的训练网络（图2）。生态贫困BP神经网络模型的学习率为0.05,最大训练次数为10000次,矫正率为0.01,作为训练终止的条件,并运用均方误差MSE（Mean-Square Error）性能函数判定模型的有效性。

图2

新窗口打开|下载原图ZIP|生成PPT
图2生态贫困BP神经网络模型拓扑结构

Figure 2Architecture of the BP neural network for ecological poverty

MIV值是用于确定神经网络中输入神经元对输出神经元影响大小的重要指标之一,其符号代表相关的方向,绝对值大小代表对结果的影响程度。参考既有研究^[57],将训练数据中每一自变量在其原值的基础上分别加（减）10%,输入BP神经网络计算各参数对生态贫困指数的MIV值,定量测度地理因素对生态贫困指数的影响程度大小和方向。

3.3.4 生态贫困影响因素间交互关系测度模型构建

将DEMATEL方法与BP神经网络相结合,对生态贫困测度指标间的复杂关系进行分析。DEMATEL方法是基于图论和矩阵论确定复杂系统影响因素相互关系的方法,基于神经网络的权重矩阵,确定生态贫困各影响因素间的直接影响矩阵,计算出各影响因素的中心度和原因度,以此确定各因素间的交互关系。

（1）计算整体权重向量

根据生态贫困BP神经网络模型输出的权重矩阵

W

{(w_{ij}^{})}_{n \times p}

、

w

{(w_{j k}^{})}_{p \times m}

计算整体权重向量

ω

：

（3）

ω = |W| \times |w|

式中：

|W|

和

|w|

表示取权重矩阵的元素的绝对值;

ω

取每列的平均值,即

ω = (ω_{1}, ω_{2}, \dots, ω_{n})

。

（2）计算直接关联矩阵、直接影响矩阵、综合影响矩阵

根据整体权重向量计算生态贫困各测度指标的直接关联矩阵

B

b_{tg} = \frac{ω_{t}}{ω_{g}}

为测度指标t对于测度指标g的直接影响程度,规定

b_{tt} = 0

,且

ω_{g} = 0

时

b_{tg} = 0

,则

（4）

B = (b_{tg})_{n \times n}

将直接关联矩阵

B

归一化处理,可得到归一化后的直接影响矩阵

M

：

（5）

M = B / s

（6）

s = \max [\max_{1 \leq t \leq n} \sum_{g = 1}^{n} b_{tg}, \max_{1 \leq g \leq n} \sum_{t = 1}^{n} b_{tg}]

计算生态贫困测度指标的综合影响矩阵H：

（7）

H = (h_{uv})_{n \times n} = M {(I - M)}^{- 1}

式中：

h_{uv}

为影响因素u对于影响因素v的综合影响程度,

I

为同维度的单位矩阵。

（3）计算影响度、被影响度、中心度和原因度

影响度

f

为矩阵

H

的各行之和,表示影响因素u对其他所有影响因素的直接影响和间接影响之和：

（8）

f_{u} = {(\sum_{v = 1}^{n} h_{uv})}_{n \times 1} = (f_{1}, f_{2}, ?, f_{n})

被影响度

e

为矩阵

H

的各列之和,表示其他所有影响因素对影响因素

u

的直接影响和间接影响之和：

（9）

e_{u} = {(\sum_{u = 1}^{n} h_{uv})}_{n \times 1}^{T} = (e_{1}, e_{2}, ?, e_{n})

中心度

C

表示影响因素

u

在生态贫困测度体系中位置及其所起作用的大小,值越大表明该影响因素所起作用越大：

（10）

C = f_{u} + e_{u}

原因度

R

表示影响因素

u

与其他影响因素间的因果逻辑关系,原因度为正数,表明该因素对其他因素影响大;原因度为负数,表明该因素受其他因素影响大：

（11）

R = f_{u} - e_{u}

4 结果与分析

4.1 色林错地区生态贫困特征

4.1.1 色林错地区整体生态贫困特征

生态贫困BP神经网络模型的均方误差MSE达到0.000159,拟合效果良好,最终生态贫困指数,并采用自然间断点分级法将生态贫困水平划分为一级（1.54~2.32）、二级（2.33~2.78）、三级（2.79~3.11）、四级（3.12~3.55）、五级（3.56~4.61）。

色林错地区整体生态贫困指数平均值为2.97,高于平均值的乡镇占47%;生态贫困等级为二、三、四级的乡镇占所有乡镇数量的83%,生态贫困等级数量呈现中间多、两头少的分布特征。生态贫困等级为一级的乡镇有2个;二级的乡镇有9个,占所有乡镇数量的30%;三级的乡镇有13个,占所有乡镇数量的43%,说明多数乡镇生态贫困水平集中在平均值附近;而生态贫困等级为四级的3个乡镇均位于尼玛县境内,五级的3个乡镇巴扎乡、恰乡、塔尔玛乡均位于申扎县境内,为生态贫困等级最高的乡镇（图3）。

图3

新窗口打开|下载原图ZIP|生成PPT
图3色林错地区生态贫困指数空间分布

Figure 3Spatial distribution of ecological poverty index in the Selinco area

色林错地区生态贫困由其资源环境要素和全球气候变化等多种因素造成。一方面,色林错地区高峻的海拔和特殊的地理区位,导致该地区氧气稀薄、降水稀少、年均气温较低,植被以高寒草甸为主且稀少;土壤以河相沙土为主,在冰雪消融、短暂强降水、秋冬大风影响下,沙土极易流失,草原生态系统易受破坏。在这样的生态环境中,居民基本生态需求难以满足,以传统畜牧业为主的经济活动发展受限。另一方面,在全球气候变化影响下,草场退化,冰川融化淹没草场或产生如冰湖溃坝等新型自然灾害,强化了生态环境对居民生产生活活动的限制,特别是对传统畜牧业发展影响较大。

4.1.2 色林错地区分县生态贫困特征

色林错地区内各县生态贫困空间分异明显。申扎县各乡镇生态贫困指数平均为3.20,空间上呈现南高北低的分布格局;尼玛县各乡镇生态贫困指数平均值为2.94,生态贫困等级较高的乡镇位于北部,较低的乡镇位于昂孜错湖盆区域;班戈县各乡镇生态贫困指数为2.83,各乡镇生态贫困等级集中在二级和三级,较低的乡镇处于色林错和纳木错附近。

色林错地区3县生态贫困差异与其资源环境条件有关。尼玛县平均海拔在5000 m以上,多风雪天气,年降水量仅150 mm,年均气温为-4 ℃,积温不足,空气稀薄,植被稀疏,不利于居民个体生存和畜牧业发展。尼玛县北部和西部为无人区,分布着高山和冰川;南部和东部为当惹雍错、孜桂归错、戈芒错、昂孜错等构成的湖盆区域,海拔相对较低,较适宜居民生存和畜牧业生产,加之区域内居民活动强度的差异,各乡镇生态贫困水平表现出差异性。因而,处于西部和北部的荣马乡、中仓乡生态贫困等级较高;靠近南部湖盆的甲谷乡、卓尼乡、吉瓦乡生态贫困等级较低;中部的文布乡虽然靠近湖泊,但海拔高峻,资源环境条件较差,生态贫困等级较高;同样位于中部的俄久乡因海拔较低,资源环境条件较好,生态贫困等级较低。申扎县地势南高北低,甲岗山突居中南部,终年积雪,资源环境条件较差;北部为色林错湖盆地带,地势平坦,河网密布,较适合居住和经济活动,居民生境条件相对较好。因而申扎县生态贫困等级较高的乡镇分布在南部,生态贫困等级较低的乡镇分布在北部。班戈县中部为中高山地,地形起伏度较小;南北分别为纳木错和色林错湖盆,资源环境条件较好且相似,各乡镇生态贫困等级较为相近。

4.2 色林错地区生态贫困影响因素分析

4.2.1 影响因素对生态贫困影响程度分析

通过生态贫困影响因素分析,可发现不同因素对生态贫困的影响方向和程度存在差异（表3）。从影响方向来看,各因素对各县生态贫困影响方向与地区整体的影响方向一致;海拔、地形起伏度、坡度、气温对生态贫困具有正向作用,即随着各因素程度提升,生态贫困等级提高;河网密度、土壤质地、植被指数与降水则对生态贫困具有负向作用,即随着各因素的提高,生态贫困等级降低。从影响程度来看,对于班戈县,坡度与地形起伏度对生态贫困具有较大的正向作用,土壤质地结构与降水量则对生态贫困具有较大的负向作用;对于尼玛县,坡度与地形起伏度对生态贫困具有较大的正向作用,河网密度对生态贫困具有较大的负向作用;对于申扎县,各因素对生态贫困影响程度较低,其中气温对生态贫困的正向作用较突出。

Table 3
表3
表3基于MIV值的各影响因素对生态贫困影响程度
Table 3Influence degree of influencing factors on ecological poverty based on the mean impact value (MIV)

影响因素	MIV
影响因素	地区整体	班戈县	尼玛县	申扎县
平均海拔	0.0292	0.1080	0.0513	0.0220
地形起伏度	0.0400	0.3335	0.1408	0.0268
地面坡度	0.0520	0.3659	0.1518	0.0413
平均降水量	-0.0255	-0.5315	-0.0724	-0.0315
平均气温	0.0379	0.0101	0.0339	0.0527
植被指数	-0.0006	-0.0082	-0.0022	-0.0001
土壤质地结构	-0.0104	-0.1427	-0.0184	-0.0114
河网密度	-0.0496	-0.0867	-0.2209	-0.0086

新窗口打开|下载CSV

对于色林错地区,高峻的海拔对地形、气候、河流分布、土壤发育等造成影响,导致资源环境极为恶劣,严重影响居民的生存与生产。随着地形起伏度和坡度的增加,植被生长条件变差,加之风雪和短暂强降水等灾害影响,土壤和土壤养分更容易流失,致使土地生产力低。因而,地形条件复杂的班戈县和尼玛县,海拔、地形起伏度和坡度对生态贫困影响较大,资源环境条件较好的申扎县生态贫困受三者影响较小。而气温提升虽然有利于人体机能运行、牧草和牲畜的生长,但也有利于害虫、细菌繁殖以及冰川融化淹没草场,影响人的生存和畜牧业发展。

河网密度是衡量区域内河流密集程度的重要参数。色林错地区居民较难利用湖泊和冰川水,更多是依靠河流,且优良草场主要分布在河漫滩,因而河流直接影响着居民活动空间和畜牧生产,对生态贫困具有负向作用。土壤质地结构在一定程度上决定着对水土流失状况和牧场的好坏。土壤质地结构较好则意味着黏土比例较高,土壤持水能力和保持养分的能力较强,适宜牧草生长,草场不易受水和风侵蚀,利于畜牧业发展和居民生存。降水一方面可补给河流和湖泊,另一方面有利于牧草生长。但色林错地区降水稀少,牧草生长所需的水分主要来自冰川融水和湖泊,因而降水对生态贫困的影响较小。该地区的植被指数主要由牧草体现,牧草影响着畜牧业的发展,间接影响地区经济状况和居民收入。

4.2.2 影响因素在生态贫困形成中的交互关系分析

如表4所示,平均海拔、地形起伏度、地面坡度的中心度最大,表明三者为影响生态贫困的关键因素。平均海拔、地面坡度、地形起伏度的原因度较大且均大于零;平均降水量、平均气温、植被指数、土壤质地结构、河网密度原因度小于零,其中平均气温和降水的原因度小于零且绝对值最大,表明平均海拔、地面坡度、地形起伏度在生态贫困发生中起着关键作用,且与平均气温和降水、植被指数、土壤质地结构、河网密度相关联。

Table 4
表4
表4基于DEMATE的生态贫困影响因素相互关系
Table 4Correlation of influencing factors of ecological poverty based on the Decision Making Trial and Evaluation Laboratory (DEMATEL) method

资源环境要素	影响度	被影响度	中心度	原因度
平均海拔	0.4483	0.3489	0.7972	0.0994
地形起伏度	0.4136	0.3787	0.7922	0.0349
地面坡度	0.4110	0.3048	0.7159	0.0862
平均降水量	0.2627	0.4093	0.6719	-0.1466
平均气温	0.1040	0.4010	0.4050	-0.2970
植被指数	0.1858	0.2225	0.4083	-0.0367
土壤质地结构	0.1588	0.2228	0.3816	-0.0640
河网密度	0.2568	0.3310	0.5878	-0.0742

新窗口打开|下载CSV

5 结论与展望

5.1 结论

本文在探讨生态贫困内涵及影响因素的基础上,利用BP神经网络模型和DEMATEL方法探究了色林错地区的生态贫困水平及其各影响因素的作用机制。得到如下结论：

（1）色林错地区各乡镇生态贫困指数平均值为2.97,高于平均值的乡镇占47%;生态贫困水平为二、三、四级的乡镇占所有乡镇数量的83%,生态贫困等级数量呈现中间多、两头少的分布特征。

（2）色林错地区生态贫困空间分异明显。申扎县生态贫困水平较低的乡镇分布在地理条件较好的色林错湖盆附近,生态贫困等级较高的乡镇分布在地理环境恶劣的南部甲岗山地区;尼玛县生态贫困等级较高的乡镇位于北部,较低的乡镇处于昂孜错湖盆区;申扎县各乡镇生态贫困等级差别较小,较低的乡镇处于色林错和纳木错附近。

（3）地面坡度、地形起伏度、平均气温与平均海拔对生态贫困具有正向作用,而河网密度、平均降水、土壤质地结构与植被指数对生态贫困具有负向作用;各因素对各县生态贫困影响方向与对地区整体的影响方向一致。因而,应引导居民尽量减少在生态系统抗干扰能力弱的区域活动,加强优良草场和水源地保护,减少水土流失;同时因地制宜发展现代畜牧业和旅游服务业等具有地域特色的产业,带动社区发展,降低居民生计脆弱性。

（4）平均海拔、地形起伏度、地面坡度是影响生态贫困的关键因素,并与平均气温和降水、植被指数、土壤质地结构、河网密度相关联;各因素对不同县生态贫困的影响程度存在差异。鉴于此,应以海拔、地形等为主要考虑因素,优化居民点结构,引导游牧民定居,建设重点村和特色村,积极应对生态贫困。

5.2 展望

生态贫困揭示了贫困陷阱中生态环境与贫困的关系,为提升生态系统稳定性和促进生态脆弱区绿色发展提供了应对视角。生态贫困是资源环境要素相互作用的结果,本文未考虑生态恢复能力、全球变化等因素对生态贫困的影响,可能致使高寒地区生态贫困水平评价出现偏差;同时,高寒地区生态贫困可能与其他贫困存在复杂的联系。因而,未来需强化以下方面研究：

（1）受限于研究数据,本文未能考虑生态恢复能力、自然灾害与气候等因素,仅从资源环境方面对高寒地区的生态贫困进行了评价。今后还需要综合各种因素,构建较为全面的生态贫困评估体系,深入揭示该地区生态贫困水平与格局,为科学应对这一区域复杂的贫困问题提供依据。

（2）生态贫困与社会贫困可能存在复杂的联系。生态贫困与社会贫困问题常常交织在一起。鉴于青藏高原区资源环境和问题的复杂性,本文仅分析了其生态贫困,后续研究还需深入探究生态贫困与社会贫困之间的关系。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

李寻欢, 周扬, 陈玉福. 区域多维贫困测量的理论与方法
[J]. 地理学报, 2020,75(4):753-768.

[本文引用: 5]

[Li X

, Zhou

, Chen Y

. Theory and measurement of regional multidimensional poverty
[J]. Acta Geographica Sinica, 2020,75(4):753-768.]

[本文引用: 5]

[2]

李虹. 中国生态脆弱区的生态贫困与生态资本文
[D]. 成都: 西南财经大学, 2011.

[本文引用: 2]

[Li

. Study on Ecological Poverty and Ecological Capital in Chinese Ecologically Fragile Areas
[D]. Chengdu: Southwestern University of Finance and Economics, 2011.]

[本文引用: 2]

[3]

Coward W

, Oliver M

, Conroy M

. Building Natural Assets Re-Thinking the Centers’ Natural Resources Agenda and Its Links to Poverty Alleviation
[R]. San Jose: Assessing the Impact of Agricultural Research on Poverty Alleviation, 1999.

[本文引用: 1]

[4]

龙先琼. 关于生态贫困问题的几点理论思考
[J]. 吉首大学学报(社会科学版), 2019,40(3):108-113.

[本文引用: 2]

[Long X

. Some theoretical reflections on ecological poverty
[J]. Journal of Jishou University(Social Sciences), 2019,40(3):108-113.]

[本文引用: 2]

[5]

周扬, 李寻欢, 童春阳, 等. 中国村域贫困地理格局及其分异机理
[J/OL]. 地理学报, (2020-07-07) [2020-07-21]. https://kns.cnki.net/KCMS/detail/11.1856.P.20200707.1315.002.html.

URL [本文引用: 1]

[Zhou

, Li X

, Tong C

, et al. The geographical pattern and differentiational mechanism of rural poverty in China
[J/OL]. Acta Geographica Sinica, (2020 -07-07) [2020-07-21]. https://kns.cnki.net/KCMS/detail/11.1856.P.20200707.1315.002.html.]

URL [本文引用: 1]

[6]

Partridge M

, Rickman D

. Distance from urban agglomeration economies and rural poverty
[J]. Journal of Regional Science, 2008,48(2):285-310.

DOI:10.1111/j.1467-9787.2008.00552.x URL [本文引用: 1]

[7]

Jalan

, Ravallion

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

DOI:10.1002/(ISSN)1099-1255 URL [本文引用: 1]

[8]

Daimon

. The spatial dimension of welfare and poverty: Lessons from a regional targeting programme in Indonesia
[J]. Asian Economic Journal, 2001,15(4):345-367.

DOI:10.1111/asej.2001.15.issue-4 URL [本文引用: 1]

[9]

丁建军, 冷志明. 区域贫困的地理学分析
[J]. 地理学报, 2018,73(2):232-247.

DOI:10.11821/dlxb201802003 URL [本文引用: 1]

贫困的多维属性和空间属性意味着具备综合性和区域性优势且以“人地关系”为研究核心的地理学在贫困研究和扶贫实践指导方面应大有作为。本文在回顾国内外地理学关注的贫困主题及其研究进展基础上,尝试从地理学视角阐释区域贫困的本质、构成要素、格局、形成过程及应对方案。主要结论为：① 区域贫困的本质是特定时空情境下“人”（贫困主体）、“业”（生计活动）、“地”（自然和社会环境）维度上的剥夺或三者之间耦合失调的过程与状态。② 区域贫困的构成要素包括主体性要素“人”、中介性要素“业”和客体性要素“地”,各要素层面的剥夺以及三要素“人业地”耦合失调形成区域贫困格局类型。③ 区域贫困格局的形成既是主体性要素“人”、中介性要素“业”和客体性要素“地”之间非线性“负向循环累积”过程,也是人类文明进程中主体性要素“人”和客体性要素“地”未与中介性要素“业”的变化相协调在特定地域的表现。④ 区域贫困的系统化干预既需要各要素层面的“靶向干预”,还需要各措施之间的协同,而仿效医院的会诊制度是一种可行的制度安排。

[Ding J

, Leng Z

. Regional poverty analysis in a view of geography science
[J]. Acta Geographica Sinica, 2018,73(2):232-247.]

[本文引用: 1]

[10]

Jahan

, Umana

. Environment-poverty nexus
[J]. Development Policy Journal, 2003, (3):53-70.

[本文引用: 1]

[11]

Aluko M A

. Sustainable development, environmental degradation and the entrenchment of poverty in the Niger Delta of Nigeria
[J]. Journal of Human Ecology, 2006,13(2):181-188.

DOI:10.1080/09709274.2002.11905531 URL [本文引用: 1]

[12]

陈甲, 刘德钦, 王昌海. 生态扶贫研究综述
[J]. 林业经济, 2017,39(8):31-36.

[本文引用: 1]

[Chen

, Liu D

, Wang C

. Research review of ecological poverty alleviation
[J]. Forestry Economics, 2017,39(8):31-36.]

[本文引用: 1]

[13]

张洪伟. 我国区域生态贫困问题探析
[J]. 中共南昌市委党校学报, 2018,16(4):43-46.

[本文引用: 1]

[Zhang H

. Analysis of regional ecological poverty in China
[J]. Journal of the Party School of CPC Nanchang Municipal Committee, 2018,16(4):43-46.]

[本文引用: 1]

[14]

程蹊, 陈全功, 程兵. 工业化引致生态贫困的基本过程与形式浅析
[J]. 生态经济, 2015,31(5):166-169.

[本文引用: 1]

[Cheng

, Chen Q

, Cheng

. Analysis on the basic forms and processes of ecological poverty resulted from industrialization
[J]. Ecological Economy, 2015,31(5):166-169.]

[本文引用: 1]

[15]

陈阿江, 闫春华. 从生态贫困到绿色小康: 生态脆弱区的乡村振兴之路
[J]. 云南社会科学, 2020, (1):24-31.

[本文引用: 2]

[Chen A

, Yan C

. From ecological poverty to green and well-off: The road to rural revitalization in ecologically fragile area
[J]. Social Sciences in Yunnan, 2020, (1):24-31.]

[本文引用: 2]

[16]

Cao S

, Wang Y

, Duan F

, et al. Coupling between ecological vulnerability and economic poverty in contiguous destitute areas, China: Empirical analysis of 714 poverty-stricken counties
[J]. The Journal of Applied Ecology, 2016,27(8):2614-2622.

[本文引用: 3]

[17]

许月卿, 李双成, 蔡运龙. 基于GIS和人工神经网络的区域贫困化空间模拟分析: 以贵州省猫跳河流域为例
[J]. 地理科学进展, 2006,25(3):79-85.

DOI:10.11820/dlkxjz.2006.03.010 URL [本文引用: 2]

我国西南喀斯特地区山高坡陡，地形破碎，生境脆弱，水土流失严重，是我国典型的极贫困代表区域之一。本文选择贵州省猫跳河流域作为研究区，以乡镇为基本单元，应用GIS 和ANN 技术，模拟区域自然致贫因子和消贫因子的空间分布，计算各乡镇的贫困度，揭示区域贫困的空间分布格局，以期为指导研究区早日脱贫及生态重建提供科学依据。结果表明，地形、土壤侵蚀等自然要素是主要的致贫因子，而社会经济要素是缓解贫困的因子。贫困度较小的乡镇主要分布在研究区的中部和东部，贫困度较大的乡镇主要分布在研究区的南部和北部边缘。可见，应用人工神经网络模拟区域贫困化简便、实用，避免了传统的单纯依靠统计数据进行贫困化研究的做法，是一种可行的方法与技术途径。

[Xu Y

, Li S

, Cai Y

. Spatial simulation using GIS and artificial neural network for regional poverty: A case study of Maotiaohe Watershed, Guizhou Province
[J]. Progress in geography, 2006,25(3):79-85.]

[本文引用: 2]

[18]

王艳慧, 钱乐毅, 陈烨烽, 等. 生态贫困视角下的贫困县多维贫困综合度量
[J]. 应用生态学报, 2017,28(8):2677-2686.

[本文引用: 5]

[Wang Y

, Qian L

, Chen Y

, et al. Multidimensional and comprehensive poverty measurement of poverty-stricken counties from the perspective of ecological poverty
[J]. Chinese Journal of Applied Ecology, 2017,28(8):2677-2686.]

[本文引用: 5]

[19]

曲玮, 涂勤, 牛叔文, 等. 自然地理环境的贫困效应检验: 自然地理条件对农村贫困影响的实证分析
[J]. 中国农村经济, 2012, (2):21-34.

[本文引用: 2]

[Qu

, Tu

, Niu S

, et al. Test of the poverty effect of natural geographical environment: An empirical analysis of the effects of natural geographical conditions on rural poverty
[J]. Chinese Rural Economy, 2012, (2):21-34.]

[本文引用: 2]

[20]

刘艳华, 徐勇. 中国农村多维贫困地理识别及类型划分
[J]. 地理学报, 2015,70(6):993-1007.

DOI:10.11821/dlxb201506012 URL [本文引用: 1]

发展多维贫困度量方法和提高贫困识别精准度是近年国际贫困研究中的热点领域,也是中国未来提高农村扶贫实践质量和效率所面临的关键问题。本文借鉴国际上关于脆弱性—可持续生计框架模型在贫困研究中的学术思想,通过建立农村多维贫困测度指标体系和地理识别方法,对中国农村开展了县域尺度的贫困地理识别,并与单维度收入贫困以及国家最新认定的扶贫开发重点县进行了对比分析,最后对识别的多维贫困县按扶贫措施相似性进行了类型划分。研究结果表明：655个县级单元被识别为多维度贫困县,涉及农村人口1.41亿人;空间分布集中连片特征显著,青藏高原及其周边的南疆三地州、黄土高原西部、滇西—川西高山峡谷区为最大的连片贫困区;有71.79%的国家重点贫困县与识别结果重叠,与国家重点贫困县对比,识别的多维贫困县在各单维度和综合维度都处于更劣势水平;多维贫困县被划分为金融资本缺乏型、人力资本缺乏型、基础建设缺乏型、金融基建兼缺型、人力基建兼缺型、生计途径缺乏型、生存条件缺乏型和发展条件缺乏型8种类型。

[Liu Y

, Xu

. Geographical identification and classification of multi-dimensional poverty in rural China
[J]. Acta Geographica Sinica, 2015,70(6):993-1007.]

[本文引用: 1]

[21]

王艳慧, 钱乐毅, 段福洲. 县级多维贫困度量及其空间分布格局研究: 以连片特困区扶贫重点县为例
[J]. 地理科学, 2013,33(12):1489-1497.

URL [本文引用: 1]

贫困人口及其分布区域的有效瞄准和识别是新阶段连片特困区农村扶贫开发需要解决的首要问题。从多维角度把握贫困的实质并进行多维贫困的具体度量和分析成为近年来国内外研究的焦点。在系统设计多维贫困识别指标体系及多维贫困测算算法流程的基础上，以河南省南阳市连片特困区扶贫重点县为研究区域，构建基于“双临界值”的“维度加总/分解”算法进行了“县级-村级”的贫困人口多维贫困量算和分析；借助Kriging 法对村级多维贫困测算结果进行空间插值处理，系统分析研究区多维贫困状况空间分布格局。结果显示：研究区多维贫困发生率和多维贫困指数都呈现“西高东低”趋势，其中，内乡县和淅川县的综合贫困指数MPI最大，镇平县MPI最小。其主要致贫因素为收入和健康，收入指标对贫困的贡献度在空间上呈现“西北-东南”条带状分布，健康问题集中在镇平县；次要致贫因素为教育年限、儿童入学率以及燃料类型。此外，淅川县山区地区多维贫困发生率最高，县城附近的MPI相对较低。

[Wang Y

, Qian L

, Duan F

. Multidimensional poverty measurement and spatial distribution pattern at the country scale: A case study on key country from national contiguous special poverty-stricken areas
[J]. Scientia Geographica Sinica, 2013,33(12):1489-1497.]

[本文引用: 1]

[22]

张慧芝, 刘月. 滦河流域民族聚居区生态贫困的脱贫路径
[J]. 民族学刊, 2018, 9(6): 11-17, 98-100.

[本文引用: 1]

[Zhang H

, Liu

. Exploration of the path of anti-ecological poverty in the ethnic areas of the Luanhe River Basin
[J]. Journal of Ethnology, 2018, 9(6): 11-17, 98-100.]

[本文引用: 1]

[23]

王睿, 洪菊花, 骆华松, 等. 典型生态脆弱区生态环境与贫困耦合分析: 以四川省藏区为例
[J]. 水土保持通报, 2020,40(3):125-132.

[本文引用: 1]

[Wang

, Hong J

, Luo H

, et al. Coupling analysis of ecological environment and poverty in typical ecologically fragile areas: A case study of Tibetan area, Sichuan Province
[J]. Bulletin of Soil and Water Conservation, 2020,40(3):125-132.]

[本文引用: 1]

[24]

李响, 齐文平, 谭畅, 等. 生态环境脆弱性与多维贫困的耦合关系: 基于广西河池市1586个贫困村的实证分析
[J]. 应用生态学报, 2019,30(12):4303-4312.

[本文引用: 2]

[Li

, Qi W

, Tan

, et al. Coupling between ecological environment vulnerability and multidimensional poverty: An empirical analysis from 1586 poverty-stricken villages in Hechi City, Guangxi, Southwest China
[J]. Chinese Journal of Applied Ecology, 2019,30(12):4303-4312.]

[本文引用: 2]

[25]

程欣, 帅传敏, 王静, 等. 生态环境和灾害对贫困影响的研究综述
[J]. 资源科学, 2018,40(4):676-697.

DOI:10.18402/resci.2018.04.03 URL [本文引用: 1]

集中连片特困地区已成为中国扶贫攻坚的主战场,贫困与生态环境、灾害等诸多因素交织在一起,是中国新时期扶贫开发最难啃的硬骨头。本文分别对生态环境与贫困、灾害与贫困的关系进行了分析,探索了贫困人口的减贫诉求和扶贫模式,最后提出了兼顾环保、减灾和减贫的系统性扶贫理论模型和分析框架,以期为中国政府制定系统性减贫策略奠定理论基础。分析发现：① 生态环境与贫困存在复杂关联,关键影响因子包括环境恶化因素、资源因素和多维贫困因素;② 灾害与贫困的关系研究主要关注脆弱性、直接关系和农户生计三个视角;③ 贫困人口的诉求呈现多元化趋势,但扶贫模式却较少综合考虑环境和灾害等因素。因此,在未来研究中：① 生态环境和贫困关系的研究应该更加重视可持续发展问题;② 灾害对贫困的间接影响因素值得关注,贫困农户的脆弱性和灾后修复等问题也不容忽视;③ 应关注创新性扶贫模式开发,积极促进可再生能源与精准扶贫的有机结合;④ 应该综合地考虑生态环境、灾害和贫困关联的关键因素提出系统性减贫策略。

[Cheng

, Shuai C

, Wang

, et al. The impact of eco-environment and disaster factors on poverty: A review
[J]. Resources Science, 2018,40(4):676-697.]

[本文引用: 1]

[26]

牛亚琼, 王生林. 甘肃省脆弱生态环境与贫困的耦合关系
[J]. 生态学报, 2017,37(19):6431-6439.

DOI:10.5846/stxb201607191469 URL [本文引用: 2]

保持生态环境与经济建设的协调发展是新阶段国家扶贫开发的重要策略之一。以甘肃省为例，运用系统耦合协调度理论，构建双系统发展多指标综合评价体系，对研究区2000-2014年脆弱生态环境与贫困评价得分、两者耦合协调度及时空分异进行测度和分析。结果表明：从时序角度看，甘肃省脆弱生态环境和贫困耦合协调度整体呈上升状态，受政策调整等因素的影响呈现低水平耦合协调、耦合协调度增长、高水平耦合协调生态环境滞后3个不同阶段；从空间分异角度看，甘肃省脆弱生态环境和贫困耦合协调度由东南向西北递增，耦合协调度空间分布不均衡，脆弱生态环境与贫困共生共存，需充分重视和保护贫困地区生态环境。

[Niu Y

, Wang S

. Research of the coupling relationship between the vulnerable ecological environment and poverty in Gansu Province
[J]. Acta Ecologica Sinica, 2017,37(19):6431-6439.]

[本文引用: 2]

[27]

张芷蔧. 武陵山片区生态贫困测度与空间格局
[J]. 知识经济, 2017, (24):11-12.

[本文引用: 2]

[Zhang Z

. Measurement and spatial pattern of ecological poverty in Wuling Mountain Area
[J]. Knowledge Economy, 2017, (24):11-12.]

[本文引用: 2]

[28]

曾永明, 张果. 基于GIS和BP神经网络的区域农村贫困空间模拟分析: 一种区域贫困程度测度新方法
[J]. 地理与地理信息科学, 2011,27(2):70-75.

[本文引用: 4]

[Zeng Y

, Zhang

. Spatial simulating in regional rural poverty based on GIS and BP neural network: A new appraisement method on regional rural poverty
[J]. Geography and Geo-Information Science, 2011,27(2):70-75.]

[本文引用: 4]

[29]

李双成, 许月卿, 傅小锋. 基于GIS和ANN的中国区域贫困化空间模拟分析
[J]. 资源科学, 2005,27(4):76-81.

URL [本文引用: 3]

中国区域贫困化产生的主导因素经历了制度因素、政策因素到自然因素的变化。本文在定量分析中国区域贫困化与自然要素关系的基础上，利用GIS和ANN（人工神经网络）技术模拟了1999年中国区域自然贫困化的空间分布。研究结果表明：地形因素如地形高程、地形破碎度、平均坡度与区域贫困化有显著的负相关关系。中国区域自然贫困化空间分布格局具有明显的空间集聚特性，自然致贫指数较高的区域集中分布在西部干旱和高寒地区、西南喀斯特地区、中部的燕山、太行山、秦巴山地。ANN模拟结果与现在中国主要贫困县分布相比较，其空间构型大体一致。

[Li S

, Xu Y

, Fu X

. Spatial simulation using GIS and ANN for regional pauperization in China
[J]. Resources Science, 2005,27(4):76-81.]

[本文引用: 3]

[30]

刘一明, 胡卓玮, 赵文吉, 等. 基于BP神经网络的区域贫困空间特征研究: 以武陵山连片特困区为例
[J]. 地球信息科学学报, 2015,17(1):69-77.

DOI:10.3724/SP.J.1047.2015.00069 URL [本文引用: 4]

随着国家新一轮区域发展和扶贫攻坚战略的实施,连片特困地区成为新时期扶贫开发工作的主战场。本文以武陵山连片特困区县级行政区划为例,从自然和社会因素中选取主要贫困影响因子,构建评价指标体系,利用GIS 和BP 神经网络,模拟区域自然致贫指数、社会经济消贫指数,分析贫困的内在成因,探究贫困的空间分布特征,旨在为扶贫开发政策的制定和区域协调发展提供辅助决策。结果表明,研究区自然因素是主要的致贫原因,而社会因素在一定程度上起到了缓解作用。大部分县的自然致贫程度在中等以上,其中,铜仁、湘西地区程度较为严重,绝大多数贫困地区的社会经济水平不高,缓解贫困的能力不强;黔江地区、张家界地区的贫困程度较低,铜仁地区和湘西地区的贫困程度较高。各县的贫困状况和贫困程度存在较大差异,古丈、龙川,务川、正安,隆回、新化及道通、城步共同构成武陵山片区“大分散、小聚集”的贫困分布格局。今后的扶贫开发过程中,应充分考虑自然致贫因素,深入挖掘区域资源优势,加强区域间的交流与协作。

[Liu Y

, Hu Z

, Zhao W

, et al. Research on spatial characteristics of regional poverty based on BP neural network: A case study of Wuling Mountain Area
[J]. Journal of Geo-Information Science, 2015,17(1):69-77.]

[本文引用: 4]

[31]

刘玥, 帅传敏, 程欣, 等. 基于DSR模型的三峡库区贫困的时空演变分析: 生态减贫视角
[J]. 经济地理, 2017,37(7):156-165.

[本文引用: 1]

[Liu

, Shuai C

, Cheng

, et al. Spatiotemporal changes of poverty in the Three Gorges Reservoir Region: Perspective of ecological poverty reduction
[J]. Economic Geography, 2017,37(7):156-165.]

[本文引用: 1]

[32]

Liu Y

, Liu J

, Zhou

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

DOI:10.1016/j.jrurstud.2017.04.002 URL [本文引用: 2]

[33]

Okwi P

, Ndeng’e

, Kristjanson

, et al. Spatial determinants of poverty in rural Kenya
[J]. Proceedings of the National Academy of Sciences of the United States of America, 2007,104(43):16769-16774.

DOI:10.1073/pnas.0611107104 URLPMID:17942704 [本文引用: 1]

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.

[34]

黄国勇, 张敏, 夏咏, 等. 新疆边境贫困县自然地理环境影响因素实证分析
[J]. 干旱区地理, 2015,38(4):814-820.

URL [本文引用: 1]

运用新疆17个边境重点贫困县市的面板数据,比较OLS与分位数回归方法验证自然地理环境对边境县(市)农民收入和农村贫困率的影响,结果表明:一定生产力背景下,自然地理环境对收入和贫困仍具有一定的负向影响,而作用机理非常复杂。同时,社会、经济发展措施也能从不同方向、水平上缓解自然地理条件的负面作用。

[Huang G

, Zhang

, Xia

, et al. Poor effect test of natural geographical environment in arid areas quantile regression method based on panel data
[J]. Arid Land Geography, 2015,38(4):814-820.]

[本文引用: 1]

[35]

Bird

, McKay

, Shinyekwa

. Isolation and Poverty: The Relationship between Spatially Differentiated Access to Goods and Services and Poverty
[R]. London: Overseas Development Institute, 2010.

[本文引用: 1]

[36]

高军波, 喻超, 戈大专, 等. 不同地理环境下农户致贫机理的多尺度比较: 以河南省为例
[J]. 资源科学, 2019,41(9):1690-1702.

DOI:10.18402/resci.2019.09.10 URL [本文引用: 1]

不同地理环境下农户致贫因素的多尺度探索,对揭示乡村贫困成因规律、提升减贫成效具有重要意义。本文基于分层线性模型和多维贫困数据,从户-村-县三级尺度研究了河南省及其平原、丘陵、山地3种地理环境下农户致贫因素的尺度差异及机理比较。结果表明：①河南省农户致贫因素存在显著的尺度差异特征,农户尺度总体上解释了82.0%的农户致贫方差变异,村和县尺度分别为10.6%和7.4%。平原、丘陵、山地地区农户尺度的致贫方差变异占比分别为85.4%、89.7%和74.7%,村域尺度分别为14.6%、10.3%和25.3%,表明不同地理环境下农户的主要致贫因素均聚集在农户尺度,村级尺度对农户致贫也有一定的作用,而县级尺度因素影响相对较小。②不同地理环境下的农户致贫因素显著不同。未成年抚养负担、种植业收入占比高和转移性收入依赖是贫困农户的主要致贫因素,其中平原地区的直接致贫因素是较高医疗支出及未成年人抚养负担,而种植业收入依赖是丘陵和山地地区的关键致贫因素。③县域地形地貌条件及涉农投资是农户致贫的宏观背景,传统农业种植收入依赖及较重的家庭负担是农户致贫的个体因素,村平均高程及人均耕地规模加剧了个体因素的致贫作用。区域减贫政策制定不但要强调县域尺度的区域差异性,更须重视农户及村域尺度的微观特征,发挥农户脱贫主体地位,完善农户需求导向的减贫政策体系,提升减贫政策实施成效。

[Gao J

, Yu

, Ge D

, et al. Multiscale analysis of poverty creation for farming households in different geographical environments: A case study of Henan Province
[J]. Resources Science, 2019,41(9):1690-1702.]

[本文引用: 1]

[37]

周蕾, 熊礼阳, 王一晴, 等. 中国贫困县空间格局与地形的空间耦合关系
[J]. 经济地理, 2017,37(10):157-166.

[本文引用: 1]

[Zhou

, Xiong L

, Wang Y

, et al. Spatial distribution of poverty-stricken counties in China and their natural topographic characteristics and controlling effects
[J]. Economic Geography, 2017,37(10):157-166.]

[本文引用: 1]

[38]

杜国明, 姜莹莹, 孙晓兵, 等. 黑龙江省县域贫困空间格局及其影响因素分析
[J]. 农业现代化研究, 2018,39(3):460-467.

[本文引用: 1]

[Du G

, Jiang Y

, Sun X

, et al. County level poverty pattern and influencing factors in Heilongjiang Province
[J]. Research of Agricultural Modernization, 2018,39(3):460-467.]

[本文引用: 1]

[39]

唐梦莹. 苍溪县贫困特征及影响因素研究
[D]. 成都: 成都理工大学, 2018.

[本文引用: 1]

[Tang M

. A Study of Characteristics and Influencing Factors of Poverty in Cangxi County
[D]. Chengdu: Chengdu University of Technology, 2018.]

[本文引用: 1]

[40]

张大维. 集中连片少数民族困难社区的灾害与贫困关联研究: 基于渝鄂湘黔交界处149个村的调查
[J]. 内蒙古社会科学, 2011,32(5):127-132.

[本文引用: 1]

[Zhang D

. A study on the relationship between disaster and poverty in a concentrated and contiguous minority community based on a survey of 149 villages at the juncture of Chongqing, Hubei, Hunan and Guizhou
[J]. Inner Mongolia Social Sciences, 2011,32(5):127-132.]

[本文引用: 1]

[41]

杨浩, 庄天慧, 蓝红星. 气象灾害对贫困地区农户脆弱性影响研究: 基于全国592个贫困县53271户的分析
[J]. 农业技术经济, 2016, (3):105-114.

[本文引用: 1]

[Yang

, Zhuang T

, Lan H

. Study on the impact of meteorological disasters on the vulnerability of farmers in poverty-stricken areas based on the analysis of 53271 households in 592 poverty-stricken counties in China
[J]. Journal of Agrotechnical Economics, 2016, (3):105-114.]

[本文引用: 1]

[42]

Schleicher

, Schaafsma

, Burgess N

, et al. Poorer without it? The neglected role of the natural environment in poverty and wellbeing
[J]. Sustainable Development, 2017, DOI: 10.1002/sd.1692.

URLPMID:25605779 [本文引用: 1]

The root meristem (RM) is a fundamental structure that is responsible for postembryonic root growth. The RM contains the quiescent center (QC), stem cells and frequently dividing meristematic cells, in which the timing and the frequency of cell division are tightly regulated. In Arabidopsis thaliana, several gain-of-function analyses have demonstrated that peptide ligands of the Clavata3 (CLV3)/embryo surrounding region-related (CLE) family are important for maintaining RM size. Here, we demonstrate that a plant U-box E3 ubiquitin ligase, PUB4, is a novel downstream component of CLV3/CLE signaling in the RM. Mutations in PUB4 reduced the inhibitory effect of exogenous CLV3/CLE peptide on root cell proliferation and columella stem cell maintenance. Moreover, pub4 mutants grown without exogenous CLV3/CLE peptide exhibited characteristic phenotypes in the RM, such as enhanced root growth, increased number of cortex/endodermis stem cells and decreased number of columella layers. Our phenotypic and gene expression analyses indicated that PUB4 promotes expression of a cell cycle regulatory gene, CYCD6;1, and regulates formative periclinal asymmetric cell divisions in endodermis and cortex/endodermis initial daughters. These data suggest that PUB4 functions as a global regulator of cell proliferation and the timing of asymmetric cell division that are important for final root architecture.

[43]

Zhang H

, Xu Z

, Wu

, et al. Multi-dimensional poverty measurement for photovoltaic poverty alleviation areas: Evidence from pilot counties in China
[J]. Journal of Cleaner Production, 2019, DOI: 10.1016/j.jclepro.2019.118382.

URLPMID:33071476 [本文引用: 1]

The devastating impact of the ripple effect increases the importance of the reverse supply chain (RSC) design to ensure sustainability in the long-term. That being the case, in this study, a two-stage stochastic mixed-integer optimization model is proposed to design an RSC network under uncertainty sourcing from the ripple effect (i.e. external side of RSC) by considering the environmental and economic dimensions of sustainability. The environmental and economic disruptions of the ripple effect are represented by the increase in the carbon emission levels and the distance of roads, and the decrease in the capacity of facilities, respectively. Accordingly, a set of scenarios is considered based on the disruption levels (low- and high-impact) in case of the ripple effect. Furthermore, an alpha -reliability constraint is integrated into the model to further analyze the occurrence of scenarios. The model allows us to make integrated operational and strategic decisions by placing an emphasis on the carbon emission levels (i.e. environmental dimension) and the total cost (i.e. economic dimension). To obtain some remarkable insights, the proposed model is validated through computational experiments based on data extracted from a real case. The computational results show that the ripple effect increases the emission level and total cost up to 40%. For this reason, it suggested that the regulations regarding WEEE (Waste Electrical and Electronic Equipment) should be prepared by considering sustainability in the entire RSC network. Besides, it is realized that the centralized distribution strategy leads to a more resilient RSC network design.

[44]

李静怡, 王艳慧. 吕梁地区生态环境质量与经济贫困的空间耦合特征
[J]. 应用生态学报, 2014,25(6):1715-1724.

URL [本文引用: 1]

保持贫困地区生态环境与经济发展的基本平衡是新时期扶贫开发的重要战略之一.本文以国家连片特困区——吕梁片区20县及其周边36县为多类型、多尺度典型研究区,研究连片特困区生态环境质量与经济贫困之间的关系.首先系统建立该地区生态贫困角度下的指标体系,利用主客观一体化赋权法评价自然环境视角下的生态环境质量;然后与各县人均可支配收入进行耦合,计算耦合协调度;最后分别在片区-省-市-县尺度上对其耦合特征进行空间分异分析.结果表明：研究区整体耦合协调度的空间自相关系数较高,东部耦合协调度高于西部;山西省境内研究区整体耦合协调度稍高于陕西省境内研究区;国家级贫困县整体呈现衰退失调,协调发展程度远低于非国家级贫困县.]]>

[Li J

, Wang Y

. Spatial coupling characteristics of eco-environment quality and economic poverty in Luliang area
[J]. The Journal of Applied Ecology, 2014,25(6):1715-1724.]

[本文引用: 1]

[45]

Gao Y

, Li

. A segmented particle swarm optimization convolutional neural network for land cover and land use classification of remote sensing images
[J]. Remote Sensing Letters, 2019,10(12):1182-1191.

DOI:10.1080/2150704X.2019.1671633 URL [本文引用: 1]

[46]

Jaffe

, Zelinski

, Sakla

. Remote sensor design for visual recognition with convolutional neural networks
[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, DOI: 10.1109/TGRS.2019.2925813.

URLPMID:18270555 [本文引用: 1]

Searching for relevant knowledge across heterogeneous geospatial databases requires an extensive knowledge of the semantic meaning of images, a keen eye for visual patterns, and efficient strategies for collecting and analyzing data with minimal human intervention. In this paper, we present our recently developed content-based multimodal Geospatial Information Retrieval and Indexing System (GeoIRIS) which includes automatic feature extraction, visual content mining from large-scale image databases, and high-dimensional database indexing for fast retrieval. Using these underpinnings, we have developed techniques for complex queries that merge information from heterogeneous geospatial databases, retrievals of objects based on shape and visual characteristics, analysis of multiobject relationships for the retrieval of objects in specific spatial configurations, and semantic models to link low-level image features with high-level visual descriptors. GeoIRIS brings this diverse set of technologies together into a coherent system with an aim of allowing image analysts to more rapidly identify relevant imagery. GeoIRIS is able to answer analysts' questions in seconds, such as

[47]

Park K

, Zhao Y

, Lin Y

. Deep learning based land cover classification using convolutional neural network: A case study of Korea
[J]. Journal of the Korean Geographical Society, 2019,54(1):1-16.

[本文引用: 1]

[48]

Stathakis

, Kanellopoulos

. Global elevation ancillary data for land-use classification using granular neural networks
[J]. Photogrammetric Engineering and Remote Sensing, 2008,74(1):55-63.

DOI:10.14358/PERS.74.1.55 URL [本文引用: 1]

[49]

Azadi

, Karimi-Jashni

. Verifying the performance of artificial neural network and multiple linear regression in predicting the mean seasonal municipal solid waste generation rate: A case study of Fars Province, Iran
[J]. Waste Management, 2016,48:14-23.

DOI:10.1016/j.wasman.2015.09.034 URLPMID:26482809 [本文引用: 1]

Predicting the mass of solid waste generation plays an important role in integrated solid waste management plans. In this study, the performance of two predictive models, Artificial Neural Network (ANN) and Multiple Linear Regression (MLR) was verified to predict mean Seasonal Municipal Solid Waste Generation (SMSWG) rate. The accuracy of the proposed models is illustrated through a case study of 20 cities located in Fars Province, Iran. Four performance measures, MAE, MAPE, RMSE and R were used to evaluate the performance of these models. The MLR, as a conventional model, showed poor prediction performance. On the other hand, the results indicated that the ANN model, as a non-linear model, has a higher predictive accuracy when it comes to prediction of the mean SMSWG rate. As a result, in order to develop a more cost-effective strategy for waste management in the future, the ANN model could be used to predict the mean SMSWG rate.

[50]

陆琳, 张虹. 城市短时交通流预测仿真研究
[J]. 计算机仿真, 2012,29(5):326-328.

[本文引用: 1]

[Lu

, Zhang

. Simulation of city short-time traffic flow forecasting
[J]. Computer Simulation, 2012,29(5):326-328.]

[本文引用: 1]

[51]

马慧强, 廉倩文, 论宇超, 等. 基于BP神经网络的旅游经济系统脆弱性省际空间分异
[J]. 资源科学, 2019,41(12):2248-2261.

[本文引用: 1]

[Ma H

, Lian Q

, Lun Y

, et al. Spatial differentiation of tourism economic system vulnerability based on BP neural network in different provinces of China
[J]. Resources Science, 2019,41(12):2248-2261.]

[本文引用: 1]

[52]

孙世军, 严晓飞, 崔朋, 等. 基于BP人工神经网络的小城镇生态规划研究: 以梅河口市中和镇为例
[J]. 经济地理, 2010,30(9):1473-1477, 1491.

[本文引用: 1]

[Sun S

, Yan X

, Cui

, et al. Ecological planning for small town based on BP artificial neural networks: Taking Zhonghe Town of Meihekou City as an example
[J]. Economic Geography, 2010,30(9):1473-1477, 1491.]

[本文引用: 1]

[53]

孙湛, 马海涛. 基于BP神经网络的京津冀城市群可持续发展综合评价
[J]. 生态学报, 2018,38(12):4434-4444.

[本文引用: 1]

[Sun

, Ma H

. Assessment of the sustainable development of the Beijing-Tianjin-Hebei urban agglomeration based on a back propagation neural network
[J]. Acta Ecologica Sinica, 2018,38(12):4434-4444.]

[本文引用: 1]

[54]

Yu B

, Lu C

. Assessment of ecological vulnerability on the Tibetan Plateau
[J]. Geographical Research, 2011,30(12):2289-2295.

[本文引用: 1]

[55]

国务院扶贫开发领导小组办公室. 中国农村扶贫开发纲要(2011-2020)
[R]. 北京: 国务院扶贫开发领导小组办公室, 2011.

[本文引用: 1]

[State Council Leading Group Office of Poverty Alleviation and Development. New Framework for China Rural Poverty Alleviation and Development(2011-2020)
[R]. Beijing: The State Council Leading Group Office of Poverty Alleviation and Development, 2011.]

[本文引用: 1]

[56]

周开利. 神经网络模型及其MATLAB仿真程序设计[M]. 北京: 清华大学出版社, 2005.

[本文引用: 1]

[Zhou K

. Neural Network Model and MATLAB Simulation Program Design[M]. Beijing: Tsinghua University Press, 2005.]

[本文引用: 1]

[57]

李双成, 郑度. 人工神经网络模型在地学研究中的应用进展
[J]. 地球科学进展, 2003,18(1):68-76.

URL [本文引用: 1]

近年来，随着人工神经网络（ANNs）自身技术的不断完善，应用ANNs模型成功解决各类地学问题的案例大量出现。通过对其发展历程进行分析发现，20世纪80年代末国际地学分析中已开始融入ANNs技术，国内则滞后 1～2年。在地学分析中使用的各类人工神经网络类型中，BP模型应用最广，占到85％以上。在10余年的应用过程中，虽然地学的各个分支学科都移植了一种或数种ANNs模型作为其分析工具，但水文、地质、大气、遥感等领域应用较为广泛。传统地学定量分析中的单变量或多变量预测成为人工神经网络地学模型的主要应用客体。同时，诸如模式识别和过程模拟等也是ANNs模型求解的对象。目前，随着建模经验和知识的积累，地学ANNs模型的发展呈现出多种技术综合集成的态势，遗传算法、小波转换、模拟退火算法以及模糊逻辑等方法与ANNs模型融合，成为解决地学分析中非线性问题的利器。

[Li S

, Zheng

. Applications of artificial neural networks to geosciences: Review and prospect
[J]. Advance in Earth Sciences, 2003,18(1):68-76.]

[本文引用: 1]