, 施琳娜, 王永生Spatial heterogeneity of multidimensional poverty at the village level: Loess Plateau
WENQi, SHILinna, WANGYongsheng通讯作者:
收稿日期:2017-10-9
修回日期:2018-05-30
网络出版日期:2018-10-20
版权声明:2018《地理学报》编辑部本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:
作者简介:
-->
展开
摘要
关键词：
Abstract
Keywords：
-->0
PDF (4464KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
精准扶贫是新时期中国扶贫开发理论与实践的重大创新,是实现“两个一百年”奋斗目标和中国梦的战略保障[1]。2013-2016年4年间,中国农村累计脱贫5564万人,贫困发生率从10.2%下降到4.5%[2],对全球减贫贡献率超过70%[3]。但截止2016年底,中国仍有4335万贫困人口,且主要集中在中西部革命老区、民族地区、边疆地区等深度贫困地区[4],其致贫原因复杂,脱贫难度大,往往因不同规模、群体性的能力被剥夺而导致,表现为整个村庄甚至更大范围的地域性、群体性贫困[5],属于典型的多维贫困。如何科学分析和系统研究中国特定地域、特定群体贫困的空间异质性对于分区域、分类别实施扶贫具有重要引导作用[6]。在脱贫攻坚拔寨阶段,从多维贫困角度聚焦深度贫困地区的贫困问题,对于确保2020年全面脱贫具有现实意义。当前贫困已从收入、支出等单一的经济概念向教育、健康、居住、社会保障等多维视角转变。2016年,中国政府提出的贫困户退出标准强调,需稳定实现“两不愁、三保障”。学术界对于贫困的评价标准亦由单一收入线转向多维贫困评价。多维贫困是诺贝尔奖获得者阿玛蒂亚·森（Amartya·Sen）在“能力贫困”理论基础上建立,他认为贫困不仅局限于农户收入的低下,还应包括其在健康、教育等多方面能力的缺失,这是对贫困认识质的飞跃[7,8]。2007年,Alkire和Foster提出A-F多维贫困理念,创立了多维贫困识别、加总和分解的测算方法,用多维贫困指数（Multidimensional Poverty Index, MPI）表征多维贫困综合状况[9,10],MPI不仅可以从个体角度反映不同个体或家庭在不同维度上的贫困程度,还可以从整体上反映多维贫困发生率以及贫困深度,有助于揭示各维度匮乏程度及其相互联系,从而确定主要致贫维度。A-F法开创了贫困多维综合评估的先河,自提出至今在学术界得到了广泛应用[11,12]。Castro等测度了2004-2008年秘鲁多维贫困情况,并与收入维度贫困进行了比较[13]。Battiston等评价了拉美地区各国多维贫困水平,并对1992-2006年间减贫效果进行了追 踪[14]。王小林等利用中国健康与营养调查数据,从住房、教育、饮用水等8个维度计算了中国多维贫困指数,开启了中国多维贫困研究的先河[15]。另外,****们分别从国家、区域、省域、县域、村域等不同尺度评价了多维贫困程度[16,17,18,19]。总的来看,多维贫困研究侧重于对农户多维贫困的评价[20,21,22],而对多维贫困深层次机理的研究相对较少;针对多维贫困测度结果空间差异和影响因素定性分析的成果丰富[23,24],定量分析的成果相对较少;研究宏观、中观尺度的成果较多[25,26,27],村域尺度较少且现有研究仅从单个或若干独立村来测度,地域系统性有待完善。在精准扶贫攻坚期,村域尺度的贫困研究相对县域、镇域尺度更有利于精准到户,更具执行力和操作性。因此,如何深入分析村域尺度多维贫困的致贫原因、探索其空间分异规律,挖掘多维贫困的深层次机理,成为破解深度贫困地区发展瓶颈的重要命题。
黄土高原属于生态环境脆弱和农村经济贫困的复合区域。生态脆弱与经济落后往往具有孪生性,这是人与自然环境长期作用的结果。1994年,黄土高原地区47%的县被列入“国家八七扶贫计划”,约有一半的乡村人口人均纯收入低于贫困线[28]。2001年,国务院批准的592个国家扶贫开发重点县中,黄土高原地区有115个,占比19.43%。长期以来,黄土高原地区因水土流失、生态退化、自然灾害等因素导致贫困呈现地域性集中态势。自然条件约束致使生产力水平低下,而贫困和低水平的生产力又造成了较低水平的固定资产的积累和生产技术的提升缓慢,进而造成当地对资源的过度开采,使得生态环境进一步恶化,形成恶性循环。可见,黄土高原地区的贫困在很大程度上影响了当地可持续发展。而收入、住房、健康状况、教育、地理区域、资源环境承载力等多种维度因素都可能对该地区贫困的发生具有至关重要的作用。本文选择位于黄土高原的宁夏彭阳县,从村域视角出发,测度黄土高原地区多维贫困,分析其空间分异规律和发生机理,以期为该类地区脱贫攻坚提供理论指导与实践决策参考。
2 研究区概况
黄土高原地区生态环境脆弱、农村经济落后、贫困程度深,脱贫攻坚难度大。宁夏彭阳县位于黄土高原西北部,六盘山东麓,是典型的黄土丘陵沟壑区,自然灾害频发,是以农业经济为主的国家扶贫开发重点县,地理位置介于106°32E'~106°58'E、35°41'N~36°17'N（图1）。彭阳县下辖4镇8乡,156个行政村、4个居民委员会,农村人口19×104人,占户籍总人口的75.59%。年降水量450~550 mm,属温带半干旱大陆性季风气候。地形由西北向东南呈坡状倾斜。红河、茹河、蒲河纵横东西,境内5条大沟,100多条小沟形成了群山迭起,沟壑纵横的复杂地貌。全县分3个自然类型区：北部为黄土丘陵区,约占全县总面积57.9%,位于黄土高原中部,海拔1294~1992 m,地势起伏,沟壑纵横,水土流失严重;中部为河谷残塬区,约占28.9%,海拔1286~1873 m,地势平坦,川塬相间,灌溉便利,自然条件相对较好;西南部为土石质山区,靠近六盘山山麓,约占13.2%,海拔1900~2416 m,地势陡峭。
显示原图|下载原图ZIP|生成PPT图1宁夏彭阳县区位图
-->Fig. 1Location of Pengyang in Ningxia
-->
3 数据来源与研究方法
研究所用的30 m DEM数据为ASTR GDEM数据;农户受教育程度、健康状况、家庭人均纯收入、房屋状况、饮水情况等社会经济数据来源于调查问卷数据。依照95%的置信水平、容许的抽样误差为3.5%的要求下进行抽样,全面覆盖了彭阳县12个乡镇,并按分层抽样的原则在12个乡镇抽取行政村,同一乡镇中抽取不同地理条件（海拔、地理位置等）的行政村,在村中遵循随机性原则抽取农户,共计调研50个行政村、完成有效问卷830份（表1）。Tab. 1
表1
表1样本选择结果
Tab. 1Sample selection scheme
| 自然类型区 | 样本村数量(个) | 抽样户数(户) |
|---|---|---|
| 北部黄土丘陵区 | 25 | 390 |
| 中部河谷残塬区 | 16 | 352 |
| (西)南土石质山区 | 9 | 88 |
| 合计 | 50 | 830 |
新窗口打开
3.1 多维贫困的测算
3.1.1 维度和指标的确定 MPI是由联合国开发计划署（UNDP）与英国牛津大学人类发展中心（OPHI）合作开发的评价多维贫困的参数。本文结合中国贫困人口退出“两不愁、三保障”的标准对多维贫困维度和指标进行了适当调整,具体如下：① 选取UNDP所确定的教育、健康和生活水平3个维度,另外还增加了收入、住房安全和资产状况3个维度。② 结合UNDP的指标、国家贫困人口退出标准及参与式调查的结果建立如下评价指标体系（表2）。因所调研农户家中不存在适龄儿童义务教育阶段因贫辍学的现象,因此教育维度中该项指标更换为家庭劳动力平均受教育年限。③ 确定各维度每项指标的剥夺临界值。④ 确定各指标权重。本文在等权重法的基础上结合专家打分结果确定各指标权重。⑤ 维度加总包括2个步骤：先计算多维贫困人口发生率H;再计算多维贫困平均剥夺份额A。多维贫困指数MPI = H×A。Tab. 2
表2
表2多维贫困测量的维度、指标、临界值和指标描述
Tab. 2Description of dimensions, indicators, and thresholds of multidimensional poverty measure
| 维度 | 指标 | 权重 | 临界值Z | 指标描述 | |
|---|---|---|---|---|---|
| a收入维度 | a1家庭人均纯收入 | 1/5 | 1/10 | 2800元 | ≤ 2800元,赋值为1,否则为0 |
| a2贷款额度 | 1/10 | 10000元 | ≥ 10000元,赋值为1,否则为0 | ||
| b教育维度 | b1家庭劳动力平均受教育年限 | 1/5 | 1/5 | 6年 | ≤ 6年,赋值为1,否则为0 |
| c健康维度 | c1购买农村新农合保险 | 1/5 | 1/10 | 1 | 家庭成员中未购买赋值为1,否则为0 |
| c2家中患病人数 | 1/10 | 1 | 家中有1人为大病或长期慢性病患者或残疾人赋值为1,否则为0 | ||
| d住房安全维度 | d1安全住房 | 1/5 | 1/5 | 1 | 无安全住房或人均住房面积≤ 9 m2赋值为1,否则为0; |
| e生活维度 | e1饮水安全 | 1/10 | 1/20 | 1 | 安全饮水有困难赋值为1,否则为0 |
| e2冬季取暖保障情况 | 1/20 | - | 冬季取暖有困难赋值为1,否则为0 | ||
| f资产状况 | f1家中大型耐用消费品 | 1/10 | 1/20 | 1 | 没有大型农机具,轿车、客车、大型货车等赋值为1,否则为0 |
| f2人均耕种土地面积 | 1/20 | 1 | 人均耕种面积≤ 1亩,赋值为1,否则为0 | ||
新窗口打开
3.1.2 多维贫困测算方法 本文沿用Alkire-Foster以剥夺临界值Z及贫困临界值K对农户进行多维贫困识别的测算方法。即当农户某个指标得分达到Z时,表明农户该指标被剥夺,被剥夺的指标数量大于等于K时,该农户属性识别为贫困（多维）。在分析多维贫困程度和各维度贫困特征时,采用维度“加总—分解”的方法,“加总”指通过各维度加总,得到评价农户多维贫困程度的MPI;“分解”是通过维度分解得到各指标的贡献度C,进而分析农户的主要贫困指标（表3）。
Tab. 3
表3
表3多维贫困测算变量释义
Tab. 3Variable definitions of multidimensional poverty measure
| 变量名 | 释义 |
|---|---|
| Z剥夺临界值 | Z(1×d)是测定各维度相应指标是否被剥夺的阈值,d表示指标数量。 |
| g0剥夺矩阵 | g0(m×d)是用来存储贫困m个农户被剥夺的情况。若贫困个体某个指标被剥夺则赋值为1,否则为0 |
| K贫困临界值 | K表示农户家庭贫困维度,0 ≤ K ≤ d,多维贫困测算K一般取值2~d之间 |
| H多维贫困发生率 | H=p/P,式中,p表示多维贫困人口,P表示研究区域总人口 |
| A平均剥夺份额 | |
| MPI多维贫困指数 | MPI是表示一个地方贫困状况的综合性指标,公式为MPI = H×A |
| C指标贡献度 | C = wh×CHh/MPI,式中,wh表示第h指标的权重值;CHh表示第h指标被剥夺的人口率 |
新窗口打开
3.2 空间异质性分析
3.2.1 空间局域异质性分析 空间自相关可以分析空间局域异质性,即区域内某村与相邻村贫困指数的空间相关程度。在给定显著性水平下,Moran's I介于（-1, 1）。I值越趋近于1,表示研究单元正相关性越显著;I值越趋近于-1,负相关性越强;Moran's I接近0时,呈随机分布。式中：I为Morans' I指数;n为研究区村个数;Yi和Yj分别i村和j村的观测值;Wij为空间权重矩阵;S2为观测值的方差;
3.2.2 空间分层异质性分析 地理探测器由王劲峰等[29]创建,被广泛应用于土地利用[30,31]、区域经济[32,33]、精准扶贫[1]等领域,是一种新型空间分异性分析工具[34]。本文借助地理探测器探讨影响研究区50个行政村多维贫困空间异质性的因子,若某因子和多维贫困的强度在空间上具有显著一致性,则说明其对多维贫困空间分异格局的形成具有影响。各因子的地理探测力值可表示为：
式中：q为探测因子X的探测力值,q∈[0, 1],q值的大小可探测出影响多维贫困空间分异的主导因子,q值越大,则X对多维贫困分异的影响越大。设要素X离散化后有M级分类,则nX,i表示在因子X的i级内的样本数;n为在整个研究区域内所有样本数,n所有i级（i = 1, 2, 3…, M）的nX,i和σ2为整个区域的离散方差。
4 测算结果与分析
4.1 研究区多维贫困测算结果分析
4.1.1 单维贫困测算结果 K=1时多维贫困发生率H = 0.806,即80.6%的农户至少有1项指标被剥夺。在精准扶贫政策实施1年后,农户收入维度贫困发生率降至较低水平,收入维度中人均纯收入指标的贫困发生率仅为0.54%,贫困的主要致贫维度为健康、住房、教育,收入维度排第4位,生活和资产维度分别位于第5、6位（表4）。健康维度贡献率为0.324,18.99%被访家庭成员中患有大病、慢性病或残疾;住房安全维度贡献率为0.246,17.74%被访者住房为土坯房、彩钢房或安全住房尚未入住;教育维度贡献率为0.183,14.79%的被访家庭劳动力平均受教育年限低于6年;收入维度贫困贡献率为0.127,0.50%的家庭收入水平低于国家扶贫标准线,20.72%的家庭贷款金额超过1万元;生活维度贡献率为0.087,20.10%的农户表示村庄安全饮水困难,1.23%的农户表示冬季取暖有困难;资产维度剥夺程度相对来说较低,但10.60%的受访农户表示家庭耕地不足。说明精准扶贫背景下农户收入贫困的比例已大幅下降,但农户健康问题短期内无法解决、人畜饮水工程、安全住房等建筑工期较长,使研究区农户健康、生活和住房安全维度的剥夺情况仍较严重。Tab. 4
表4
表4不同K值下的多维贫困测算结果和各维度贡献率
Tab. 4Measurements and index contribution of each dimension under different K-values
| K | H | A | MPI | 收入维度 | 教育维度 | 健康维度 | 住房维度 | 生活维度 | 资产状况 |
|---|---|---|---|---|---|---|---|---|---|
| 1 | 0.806 | 0.189 | 0.152 | 0.127 | 0.183 | 0.324 | 0.246 | 0.087 | 0.034 |
| 2 | 0.421 | 0.264 | 0.111 | 0.127 | 0.201 | 0.290 | 0.257 | 0.091 | 0.034 |
| 3 | 0.126 | 0.361 | 0.045 | 0.130 | 0.227 | 0.245 | 0.263 | 0.090 | 0.046 |
| 4 | 0.026 | 0.454 | 0.012 | 0.147 | 0.215 | 0.220 | 0.283 | 0.082 | 0.054 |
| 5 | 0.007 | 0.473 | 0.004 | 0.135 | 0.269 | 0.192 | 0.269 | 0.077 | 0.058 |
新窗口打开
4.1.2 多维贫困测算结果 单维度分析显示研究区明显存在着多个维度被剥夺的现象。当贫困剥夺临界值K = 2时,H = 0.421,即42.1%的农户至少存在2项指标被剥夺;K = 3时,12.6%的农户有3项指标被剥夺;K ≥ 4时农户同时存在4项及以上指标被剥夺的情况并不多见,且不存在农户有6个项指标被剥夺的情况。因K值较小时,贫困指标不能充分覆盖多个维度;K值较大时,多维贫困人口数量少、代表性弱,无法表征研究区整体多维贫困特征。根据《人类发展报告》规定,多维贫困为农户家庭≥ 33%的指标被剥夺,在此基础上本文进行村域多维贫困分析。K = 3时,研究区多维贫困发生率H = 0.126,总体MPI为0.045,平均剥夺份额A为0.361,研究区多维贫困程度较深（图2）。
显示原图|下载原图ZIP|生成PPT图2彭阳县村域多维贫困指数MPI测算结果
-->Fig. 2MPI at the village level of Pengyang
-->
此外,为揭示研究区主要贫困维度,本文在UNDP-MPI等权重赋值的基础上结合专家打分法[22],将6个维度权重确定为0.2、0.2、0.2、0.2、0.1、0.1,计算6个维度对总体MPI的贡献度（表2）。结果发现,研究区各维度指数和对MPI贡献率由高到低依次均为住房、健康、教育、收入、生活和资产维度。其中住房维度贡献率高达0.263、健康维度贡献率达0.245、教育维度贡献率达0.227,最低为资产维度,贡献率为0.046（图3）。说明K = 3时,主要致贫维度是住房、健康和教育,这与本文单维度的贫困测算结果吻合。可见,精准扶贫背景下彭阳县贫困已不再是单纯的收入贫困,健康维度的剥夺和安全住房的缺失等是现阶段面临的主要问题。因此,巩固精准扶贫成果还需在改善贫困户健康状况、落实住房安全、保障基本生活（饮水安全、冬季取暖）等方面入手。其次,从各维度分别来看（图4）,K = 3时不论是整体MPI还是各维度均表现出连片性,村域间的贫困存在异质性。本文提取了研究区各村相关数据,将对多维贫困综合指标MPI空间异质性进行深入分析。
显示原图|下载原图ZIP|生成PPT图3各维度的指数贡献度
-->Fig. 3Index contribution of each dimension
-->
显示原图|下载原图ZIP|生成PPT图4彭阳县各维度贫困空间分布
-->Fig. 4Spatial distribution in each dimension of Pengyang
-->
4.2 村域多维贫困空间异质性分析
4.2.1 基于Moran's I的空间局域异质性分析 对研究区村域的MPI进行空间自相关分析,得到Moran's I值为0.2,Z值高于2.5且通过1%置信检验,表明研究区MPI呈现出较显著正相关,空间集聚较强、存在异质性。因样本村未能完全覆盖研究区,故采用Kriging法进行插值,以模拟多维贫困空间格局,剖析多维贫困空间局域异质性。将村域MPI数据进行K-S检验,sig值大于0.05,数据符合正态分布,因此村域MPI数据可以用Kriging进行模拟,半变异函数R2 = 0.949,RSS = 4.106×10-8,C0+C=1.440×10-3。结合图2、图4和图5,可以看出研究区MPI及其各维度贫困程度在空间上均呈现“南北高,中部低”的格局,MPI越高多维贫困程度越深,表明南北多维贫困程度比中部深。从图5中可以看出北部峰值高、范围广,即彭阳县北部多维贫困程度要略高于南部,与****划分的彭阳县强、中、弱三级限制开发区结果基本一致[35,36]。强限制开发区的贫困程度往往比中、低限制开发区更深,限制开发区居民生活和村庄发展等极易受环境条件限制,而这些因素对农户多维贫困的影响难以进行定量研究,为此本文引入地理探测器探测多维贫困和环境因素在空间分异上的深层次联系。
显示原图|下载原图ZIP|生成PPT图5彭阳县村域MPI克里金插值3D模拟图
-->Fig. 53D simulation of Kriging interpolation of MPI at village level of Pengyang
-->
4.2.2 基于q-statistic的空间分层异质性分析 为分析村域MPI空间异质性,本文综合考虑资源禀赋、区位等地理因素,选取行政村到主要河流距离（x1）、行政村到主要干道距离（x2）、村所在镇到县城中心距离（x3）、村到乡镇中心距离（x4）、行政村平均坡度（x5）、行政村平均高程（x6）、行政村人口规模（x7）,因彭阳县少数民族人口超过30%,且各村比例相差较大,故加入调查农户回族比例（x8）,共计8个因子。利用SPSS进行了离散化分类,采用风险探测器探测调节至最适分级（表5）。
Tab. 5
表5
表5地理探测器的变量和指标说明
Tab. 5Description of variables and measures of Geodetector
| 影响因子 | 数据获得途径 | 单位 | 分级 | q值 | p-value |
|---|---|---|---|---|---|
| x1村委会到主要河流的距离 | ArcGIS距离工具 | km | 19 | 0.326 | 0.871 |
| x2村委会到主干道路的距离 | ArcGIS距离工具 | km | 10 | 0.334 | 0.153 |
| x3村委会到镇中心的距离 | ArcGIS距离工具 | km | 19 | 0.552 | 0.570 |
| x4镇中心到县城的距离 | ArcGIS距离工具 | km | 13 | 0.414 | 0.197 |
| x5行政村平均坡度 | ArcGIS坡度分析,栅格统计 | 度 | 8 | 0.100 | 0.820 |
| x6行政村平均高程 | ArcGIS栅格统计 | m | 22 | 0.396 | 0.949 |
| x7行政村人口规模 | 直接获得 | % | 8 | 0.302 | 0.075 |
| x8调查农户回族比例 | 直接获得 | % | 4 | 0.020 | 0.826 |
新窗口打开
因子探测器探测单个因子对MPI变化的贡献量排列顺序如下：x3 > x4 > x6 > x2 > x1 >x7 > x5 >x8,通过对q值、p-value数值较低的因子进行筛选,去掉x2、x7、x8。筛选后的排序为x3 > x4 > x6 > x1 > x5,对应的q值分别为0.552、0.414、0.396、0.326、0.100,x3、x6、x1对MPI空间分异起主导作用,但因x4对应的p-value不高即其产生作用的可能性略低,x5对应q值略低,说明x4与x5起次要作用。利用交互探测器探测因子间交互作用发现：两因子交互作用要大于单因子作用（表6）。（x1∩x3）的影响力q值最大,达0.999,其次是（x2∩x6）的影响力q值,为0.998,而（x5∩x8）的影响力q值最小,为0.204。因子间相互作用形成了研究区MPI特定空间格局,利用回归分析进一步探究各因子相互作用下多维贫困发生机理。
Tab. 6
表6
表6多维贫困空间异质性影响因子之间的交互作用
Tab. 6Interaction between the heterogeneity factors of multidimensional poverty spatial heterogeneity
| C | A+B | 结果 | 解释 |
|---|---|---|---|
| x1∩x2 = 0.674 | x1(0.326)+x2(0.334) | C>A+B | 非线性增强 |
| x1∩x3 = 0.999 | x1(0.326)+x3(0.552) | C>A+B | 非线性增强 |
| x1∩x4 = 0.896 | x1(0.326)+x4(0.236) | C>A+B | 非线性增强 |
| x1∩x5 = 0.926 | x1(0.326)+x5(0.100) | C>A+B | 非线性增强 |
| x1∩x6 = 0.674 | x1(0.326)+x6(0.396) | C>Max(A, B) | 双因子增强 |
| x1∩x7 = 0.974 | x1(0.326)+x7(0.302) | C>A+B | 非线性增强 |
| x1∩x8 = 0.568 | x1(0.326)+x7(0.020) | C>A+B | 非线性增强 |
| x2∩x3 = 0.674 | x2(0.334)+x3(0.552) | C>Max(A,B) | 双因子增强 |
| x2∩x4 = 0.951 | x2(0.334)+x4(0.237) | C>A+B | 非线性增强 |
| x2∩x5 = 0.625 | x2(0.334)+x5(0.100) | C>A+B | 非线性增强 |
| x2∩x6 = 0.998 | x2(0.334)+x6(0.396) | C>A+B | 非线性增强 |
| x2∩x7 = 0.628 | x2(0.334)+x7(0.302) | C>Max(A,B) | 双因子增强 |
| x2∩x8 = 0.393 | x2(0.334)+v8(0.020) | C>A+B | 非线性增强 |
| x3∩x4 = 0.947 | x3(0.552)+x4(0.236) | C>A+B | 非线性增强 |
| x3∩x5 = 0.965 | x3(0.552)+x5(0.100) | C>A+B | 非线性增强 |
| x3∩x6 = 0.989 | x3(0.552)+x6(0.396) | C>A+B | 非线性增强 |
| x3∩x7 = 0.817 | x3(0.552)+x7(0.302) | C>Max(A,B) | 双因子增强 |
| x3∩x8 = 0.678 | x3(0.552)+x8(0.020) | C>A+B | 非线性增强 |
| x4∩x5 = 0.503 | x4(0.236)+x5(0.100) | C>A+B | 非线性增强 |
| x4∩x6 = 0.899 | x4(0.236)+x6(0.396) | C>A+B | 非线性增强 |
| x4∩x7 = 0.860 | x4(0.236)+x7(0.302) | C>A+B | 非线性增强 |
| x4∩x8 = 0.463 | x4(0.236)+x8(0.020) | C>A+B | 非线性增强 |
| x5∩x6 = 0.927 | x4(0.100)+x6(0.396) | C>A+B | 非线性增强 |
| x5∩x7 = 0.444 | x4(0.100)+x7(0.302) | C>A+B | 非线性增强 |
| x5∩x8 = 0.204 | x4(0.100)+x8(0.020) | C>A+B | 非线性增强 |
| x6∩x7 = 0.989 | x6(0.396)+x7(0.302) | C>A+B | 非线性增强 |
| x6∩x8 = 0.901 | x6(0.396)+x8(0.020) | C>A+B | 非线性增强 |
| x7∩x8 = 0.359 | x7(0.302)+x8(0.020) | C>A+B | 非线性增强 |
新窗口打开
4.3 多维贫困空间异质性发生机理分析
4.3.1 MPI影响因子的回归分析 利用地理探测器对影响MPI地域分异的主导因子进行诊断,得到各因子q值,由高到低依次为x3（0.552）、x4（0.414）、x6（0.396）、x1（0.326）、x5（0.100）,且交互探测器探测发现因子间的交互作用对空间异质性的影响远超过单因子作用。本文利用最小二乘线性回归（OLSR）和分位数回归（QR）探究因子间交互作用对MPI的影响。OLS回归分析结果显示各因子的VIF值均远<5,说明各因子间不存在多重共线性,符合回归分析条件,0 < DW系数< 2,因此x1、x3、x4、x5、x6与MPI呈正向相关,模型拟合度的调整R2值为0.789,表明各该模型中的因子能解释MPI全部变异的78.9%,模型的拟合度好（表7）,与地理探测器探测结果吻合。Tab. 7
表7
表7回归分析结果
Tab. 7Regression analysis results
| OLSR | QR-10 | QR-25 | QR-50 | QR-75 | QR-90 | |
|---|---|---|---|---|---|---|
| x1 | -0.033*** | -0.022*** | -0.021*** | -0.026*** | -0.036*** | -0.038*** |
| (-11.230) | (-4.014) | (-3.593) | (-4.005) | (-5.569) | (-11.473) | |
| x2 | 0.000 | 0.000 | 0.000 | 0.000 | 0.002 | 0.002 |
| (0.303) | (0.869) | (0.332) | (0.050) | (0.628) | (0.975) | |
| x3 | 0.002*** | 0.002*** | 0.002*** | 0.002** | 0.002** | 0.002** |
| (3.235) | (4.059) | (3.088) | (2.178) | (2.249) | (2.380) | |
| x4 | 0.002*** | 0.002*** | 0.002*** | 0.002*** | 0.002*** | 0.002** |
| (7.231) | (4.018) | (4.077) | (3.429) | (3.107) | (2.452) | |
| x5 | 0.011*** | 0.005 | 0.004 | 0.008 | 0.015** | 0.019*** |
| (3.258) | (1.187) | (0.973) | (1.365) | (2.546) | (3.336) | |
| x6 | 0.001*** | 0.000*** | 0.000*** | 0.000*** | 0.001*** | 0.001*** |
| (8.161) | (3.661) | (3.245) | (3.525) | (4.921) | (6.802) | |
| x7 | 0.000 | 0.000*** | 0.000 | 0.000 | 0.000 | 0.000 |
| (1.622) | (2.289) | (1.670) | (1.241) | (1.303) | (0.825) | |
| x8 | -0.113*** | -0.085*** | -0.082*** | -0.087*** | -0.116*** | -0.141*** |
| (-8.549) | (-4.280) | (-3.760) | (-3.459) | (-4.138) | (-7.094) | |
| 常数 | -1.058*** | -0.722*** | -0.645*** | -0.828*** | -1.168*** | -1.383*** |
| (-7.216) | (-3.308) | (-2.898) | (-3.120) | (-4.389) | (-6.238) | |
| N | 50 | 50 | 50 | 50 | 50 | 50 |
新窗口打开
此外,受研究条件、研究对象等限制,收集到的数据可能存在偏态、异常值等情况,无法完全满足OLSR的前提假定,QR则提供了一种新的统计方法和视野,当自变量确定时,在因变量的不同水平上可以挖掘出更多的数据信息,从而更真实、准确地反映自变量和因变量之间的相互关系,因此本文将QR作为OLSR方法的有效补充,分析结果如表6所示。可以看出,在分位数1/5、1/4、1/2、3/4、4/5的回归结果中各项因子和常数项的系数波动不大,模型稳定性较好,但该模型仅用于分析研究区影响MPI分异的因子。模型为：
地理探测器筛选出的x3、x6、x1、x4在OLSR和QR分析结果中均有较显著水平,x5在1/5、1/4、1/2分位的显著性不高。但综合地理探测器、回归分析结果可知,研究区MPI受多种因子影响,其中x3、x6、x1起主要作用,x4、x5起次要作用。这与研究区南北部海拔和坡度较大,乡镇内部行政村相对分散,以及中部海拔相对较低、地形平坦、人口居住集中等地域特征相符。
4.3.2 发生机理分析 由以上研究可知黄土高原地区村域多维贫困具有空间异质性,多种因子相互作用造成多维贫困空间分异,致贫因子作用程度决定了MPI高低。影响研究区MPI空间异质性的主导因子为x3、x6、x1,次要因子为x4、x5。基于上述分析结果,本文遵循“因子—作用对象—作用路径—作用结果”的思路,探究了黄土高原多维贫困空间异质性发生机理（图6）,不同因子作用于不同对象,通过不同的路径,产生了不同的作用结果,最终总结为图7所示的形成机制。
显示原图|下载原图ZIP|生成PPT图6多维贫困空间异质性发生机理
-->Fig. 6Formation process of multidimensional poverty spatial heterogeneity
-->
显示原图|下载原图ZIP|生成PPT图7宁夏彭阳多维贫困空间异质性形成机制
-->Fig. 7Mechanism of multidimensional poverty spatial heterogeneity, Ningxia, Pengyang
-->
（1）公共物品的缺失导致了农户群体性福利被剥夺。行政村远离乡镇中心、海拔高、坡度大,村卫生室、幼儿园、小学、硬化路、水利基础设施等公共物品数量短缺,质量不高。而村庄公共物品供给的缺失进一步引发了村庄农户群体性福利缺失,农户获得教育、医疗和购物等的成本要高于其他群体,这极大地消耗了他们原本有限的收入,相对支出更大,增加了农户负担,使一些农户被迫放弃该种福利,导致农村劳动力健康状况差、教育水平低等,造成农户健康、教育等维度的贫困。
（2）自然资源禀赋差使得产业发展和基础设施建设受阻。自然资源禀赋差导致村庄各类资源缺失是黄土原地区贫困的根源。彭阳县海拔在1248~2418 m,山多川少,沟壑纵横,属全国重点水土流失区,生态环境脆弱。地域内海拔高、坡度陡、水土流失严重,粮食产出难以保证。经过当地相关部门30余年的水土保持工作使其生态建设取得了显著成效,但退耕还林（草）使耕地资源进一步减少,限制了当地村庄农业产业的发展。在工业方面,坡度较大和海拔较高的村庄在建设厂房、道路、灌溉设施、甚至安全住房的时候受自然条件约束大、施工难,农村产业发展受限。
（3）村、镇可达性差造成乡镇政府管理和服务职能被削弱。乡镇政府是国家行政管理设置的基层政府,其与行政村、县政府的可达性直接影响了乡镇政府职能作用。镇政府与行政村距离过远、行政村海拔过高,造成镇村交流不便,乡镇政府在政策传达和项目落实、发展地方经济,招商引资时均受到影响,对教育、文化、卫生、社会福利、环境保护等公共事业的服务管理职能也被削弱。而政府职能被削弱、农村经济发展慢又造成了乡镇政府凝聚力、号召力降低,形成恶性循环。同时,距离县政府过远亦在一定程度上造成与上级政府联络不便,进一步弱化了乡镇政府的职能。
5 结论与讨论
5.1 结论
本文以宁夏彭阳县为例,测度了黄土高原地区贫困县村域尺度的多维贫困,探讨了其空间异质性,并定量分析了影响多维贫困空间差异的因子。（1）黄土高原地区表现出显著的多维贫困特征。通过计算不同维度对总体MPI的贡献度可以看出,收入维度对MPI的贡献率仅为0.130,可见,精准扶贫背景下研究区农户收入维度的贫困并不是最深的,而住房、健康、教育维度的贡献率分别高达0.263、0.245和0.227,住房、健康和教育是研究区主要致贫维度。
（2）多维贫困在村域尺度上存在空间异质性。空间自相关分析结果显示MPI的Moran's I值为0.2,Z值高于2.5且均通过了1%的置信检验,说明彭阳县多维贫困呈现出较显著地正相关,空间集聚较强,其MPI和分维度的测算结果均呈现出“南北高,中部低”的格局。这是因为彭阳县南北部自然禀赋相对中部地区较差,容易出现农村群体性福利被剥夺的现象,农户自身发展能力弱,多维贫困问题较中部突出。
（3）行政村到镇中心的距离、村平均高程、村委会到主要河流的距离是影响研究区MPI空间异质性的主要因子,镇中心距离县城的距离、村平均坡度为次要因子。回归分析与地理探测器的结果一致。彭阳县位于黄土高原地区,自然灾害发生率高、生态环境变化激烈,居民经济和村庄发展等易受自然地理因素的影响。各因子间存在复杂的相互作用关系,形成公共物品的缺失导致村庄群体性福利被剥夺,自然资源禀赋差使产业发展和基础设施建设受阻,村、镇可达性差造成乡镇政府管理和服务职能被削弱的村域多维贫困空间分异机制。
（4）解决黄土高原地区的多维贫困应集中投入公共资源,弥补农户福利的缺失。微观方面,需要加强农村公共物品的建设和维护。升级村庄医疗服务设备、配备乡村医务员,重视农村学前教育,补齐农村健康、教育维度的短板。适当整合居民人数偏少的村落,加大乡镇和行政村沟通力度,使得农户、农村、乡镇紧密结合,缩短偏远农村与政府“距离”。宏观方面,农村公共物品缺失、群体福利被剥夺导致的多维贫困现象是典型的城乡二元结构特征,这种问题难以通过单纯的补贴政策和孤立的扶贫项目的而妥善解决,应结合新型城镇化战略、乡村振兴战略,以精准扶贫为基础,推动城乡融合发展,实现研究区城乡基础设施一体化和公共服务均等化[37,38,39,40,41],提升农村内生发展动力,促进贫困村可持续发展。
5.2 讨论
本文以宁夏彭阳县为例测度了黄土高原村域多维贫困状况,运用地理探测器揭示了其空间异质性特征[42],并深入探讨了其发生机理,分析了其致贫维度、影响因子。但测算指标的选取、权重的确定因地域差异而不同,指标选取、权重设定可能会对结果产生一定的影响。同时,影响因子的选取不同也会造成误差。譬如,分析结果中行政村（以村委会为标准）到主干道路的距离对MPI影响并不显著。这是因为精准扶贫政策实施以来,彭阳县行政村基本实现全部行政村通柏油路,但事实上行政村内部的（各自然村）道路差距较大,村内存在道路未硬化现象。所以虽然识别各村到主干道路的距离差距很小,对MPI影响不显著,但实际上其对农户、农村发展也存在较大影响,诸如此类误差,需要后续研究进一步探讨。The authors have declared that no competing interests exist.
