基于社会网络分析法的脱贫人口空间关联特征研究

王怡 周晓唯

摘 要：精准扶贫攻坚战中的区域脱贫人口并不独立存在，在空间上呈现出一定的关联性。为了考察脱贫人口空间关联网络特征，本文基于社会网络分析法对脱贫人口空间关联特征进行量化处理，得出以下主要结论：（1）我国脱贫人口的空间关联关系属于典型的网络结构形态。（2）网络密度和网络关联度不断上升，脱贫人口空间关联网络联系还具有较大的提升空间。（3）脱贫人口空间关联网络的控制能力流动性较强，中介和桥梁作用随不同情境的变化发生明显变动，存在无支配和控制能力的可能。（4）脱贫人口空间关联网络的空间聚类主要以地理分布为框架，同时与省份之间的交通、经济和人文因素相关。

关键词：脱贫人口;有向空间关联网络;网络密度;网络关联度;点度中心度;空间聚类

中图分类号：F304.8  文献标识码：A

文章编号：1000-176X（2019）10-0019-09

一、问题的提出

自2015年中央政治局释放坚决打赢脱贫攻坚战的减贫新信号后，各区域为破解脱贫攻坚困境，制定了更为高效的攻坚措施，并且将脱贫人口数量设定为脱贫攻坚战的完成目标[1]。如果脱贫人口之间互为独立，则各区域脱贫人口数量为该区域攻坚战完成量，加成后为脱贫攻坚战完成量。然而由于各种因素影响，区域之间脱贫人口并不独立存在，既具流动性又具重复性，在空间上呈现出一定的空间关联性[2]。在区域空间关联存在的实际情境下，脱贫人口空间关联不可避免，区域为打赢脱贫攻坚战必须考虑脱贫人口空间关联问题。要求区域除完成自身脱贫人口目标外，另需充分考虑并有效“牵制”与之关联的脱贫人口[3]。传统理论认为，脱贫人口空间关联就是单纯的地理位置关联，但随着脱贫攻坚战的实施，脱贫人口呈现出多线路复杂网络结构新状态，区域位置和结构形态都在不断地演变过程中。因此，有效反映脱贫攻坚战中脱贫人口空间关联网络结构特点及变化趋势，对进一步完善脱贫攻坚战具有重要的理论依据和指导价值。

当前对空间关联的研究方法主要有聚类分析、因子分析、相关分析和方差分析等[4]，笔者通过研究发现，上述方法并不能完美解释脱贫人口的空间关联性问题，主要原因是：首先，上述方法在解释空间关联性问题时仅考虑地理位置空间关联，对其他因素的空间关联无法体现，不能从整体上解读脱贫人口的空间关联特征[5]。其次，上述方法在数据处理上仅利用属性数据，对脱贫人口空间关联中的关系数据无法考察，不能反映脱贫人口空间关联的整体网络特征[6]。最后，上述方法无法对脱贫人口空间关联的结构形态和聚类方式进行解读，只能解释脱贫人口空间关联“量”的属性，而无法揭示脱贫人口空间关联中的“关系”属性[7]。为摆脱传统空间关联计算方法的局限性，本文基于社会网络分析法对脱贫人口空间关联网络进行分析，对关联网络的整体性、中心性及空间聚类性特征进行全方位解读，以确定我国实行脱贫攻坚战后脱贫人口的空间关联分布特征。

相对传统方法，本文研究具有以下优势及创新点：首先，除考虑地理因素外，本文增加了人口、经济和交通等因素，能够从整体上体现脱贫人口的空间关联特征。第二，社会网络分析法以“关系”为解释对象，采用数学和图论的方法描述“关系”对网络结构或网络个体的影响程度，能够对脱贫人口中各因素的关联属性进行量化处理，有利于梳理脱贫人口空间关联属性。第三，研究脱贫攻坚战的完成目标时，多数文献一般以贫困人口数量为考察对象，贫困人口和脱贫人口为相对指标，但贫困人口数量变化并不能完全反映脱贫攻坚战完成量，如贫困人口有可能将死亡人口计入指标内，本文从脱贫人口视角解读，更能准确反映脱贫攻坚战的效率。

二、方法的构建和数据的处理

社会网络起源于物理学中的适应性网络，物理学通过网络关系将微观网络、个体网络与宏观网络系统结合，从而解读微观网络和个体网络中的复杂性问题。后来社会学家根据物理学社会网络理念，结合数学和图论等方法将社会网络分析发展成为一种定量分析方法。从20世纪70年代起，社会网络分析法被广泛运用于心理学、数学和人类学等领域，随着社会网络分析法的逐步成熟，经济学和管理学等领域开始借鉴社会网络分析法来解决自身复杂性问题。脱贫人口作为一类特殊的社会结构群体，通过社会网络分析法能够将脱贫人口中的个体关系、“微观”网络与大规模社会系统的“宏观”网络结合起来，从而确定脱贫人口结构中的空间关联关系。

（一）脱贫人口空间关联网络关系的构建

社会网络分析法以“关系”为解释对象，采用数学和图论的方法描述“关系”对网络结构或网络个体的影响程度。由此可见，社会网络分析法的关键是确定“关系”。对脱贫人口空间关联关系的确立方法一般有VAR检验法或引力模型法，对比文献后发现引力模型法是“关系”确立的不二之选，原因是引力模型法能够刻画脱贫人口空间关联网络的演变趋势，并且在不依赖数据滞后阶数的条件下可精确刻画脱贫人口的网络特征。相比VAR检验法，引力模型法可在考虑经济地理位置的前提下，对总量数据进行截面处理，对脱贫人口空间关联关系进行多面性趋势演练。因此，本文采用引力模型法对脱贫人口空间关联网络结构的动态演变趋势进行分析，由于引力模型法的广泛性，为使其适应脱贫人口研究，对其进行一定的优化，修正后的脱贫人口引力模型为：

yij=kijPiCiGiPjCjGjD2ij，D2ij=dijgi-gj2，kij=CiCi+Cj（1）

其中，yij表示区域i与区域j之間的脱贫人口空间关联关系，本文的区域主要以省域为研究对象，所以i和j表示不同的省份，值得注意的是脱贫人口空间关联关系yij与yji代表不同的意义，不可混淆使用。Pi和Pj表示省份i和省份j年度总人口数;Ci和Cj表示省份i和省份j的脱贫人口数，Gi和Gj表示省份i和省份j的实际生产总值，为便于计算以GDP为解释变量;kij表示省份i对省份i和省份j间脱贫人口空间关联的贡献率。依据托达罗人口迁移模型，计算脱贫人口空间关联关系需要将经济距离和地理距离纳入摩擦距离Dij中[8]，因此，用dij表示省份i和省份j省会城市之间的球面距离，用球面距离dij除以GDP差值（gi-gj）的平方表示省份i和省份j之间的摩擦距离。由式（1）可得出脱贫人口的省域引力矩阵（A）。取矩阵（A）中每一行的平均值为该行的临界值，当该行的某个值大于临界值时，则表示该行省份i与该列省份j的脱贫人口具有空间关联关系，用1表示。相反当该行的某个值小于临界值时，则表示该行省份i与该列省份j的脱贫人口不存在空间关联关系，用0表示。通过上述步骤可以得到省域脱贫人口的空间关联网络矩阵（B），由于脱贫人口的省域引力矩阵（A）为一个非对称的矩阵，因此，省域脱贫人口的空间关联网络矩阵（B）是一个有向的空间关联网络。

（二）脱贫人口空间关联网络特征指标

空间关联网络特征指标一般有整体网络特征、节点网络特征和空间聚类特征三大类：

第一类为整体网络特征。描述整体网络特征通常用网络密度、网络关联度、网络效率和网络等级度等指标。网络密度表示脱贫人口空间关联网络的紧密性，密度越小则表示省域脱贫人口间联系相对独立，空间关联网络对各省域脱贫人口影响不大，反之，密度越大空间关联网络对各省域脱贫人口影响越大。网络关联度表示脱贫人口空间关联网络的稳健性和脆弱性。若脱贫人口空間关联网络中任意两个省份都存在直接或间接关联，则表示该网络具有较强的稳健性和关联度;若脱贫人口空间关联网络需通过某个省份链接，排除该省份则整个空间关联网络存在崩溃的可能性，则表示该空间关联网络的关联度非常脆弱。网络效率表示脱贫人口空间关联网络的联系效率，若网络效率低则表示省域之间的连线越多，脱贫人口之间的联系越紧密，越能促进脱贫人口在省域之间的流动，缩小省域之间的脱贫差距。网络等级度表示脱贫人口空间关联网络中省份之间在多大程度上非对称可达，其反映的是一种等级结构，若网络等级度越高，说明脱贫人口空间关联网络中的等级结构越森严，更多的省份处于空间关联网络的从属或边缘位置。由于网络密度和网络关联度可以考察脱贫人口的整体特征，故本文不再研究网络效率和网络等级。

第二类为节点网络特征。描述节点网络特征通常用点度中心度、中介中心度和接近中心度等指标。点度中心度表示各省份处于脱贫人口空间关联网络的中心位置程度，一般用连接数量作为点度中心度的衡量指标。连接数量越多则点度中心度越高，表示该省份与其他省份脱贫人口空间关联联系越多，省份更加处于网络中心地位。中介中心度表示某省份在多大程度上控制其他省份间的空间关联关系，中介中心度越高则说明该省份控制其他省份空间关联关系的能力越强，该省份越能处于空间关联网络的中心。接近中心度与中介中心度相反，表示某省份在空间关联网络中不受其他省份控制的能力，接近中心度越高说明该省份更多地直接关联其他省份，属于空间关联网络中的中心行动者。

第三类为空间聚类特征。描述空间聚类一般采用块模型方法。空间关联网络属于复杂网络，为直观可将复杂网络简化为块模型和像矩阵，再研究各块在网络中的聚类作用，脱贫人口空间关联网络分块后可从整体上分析其内部结构。借鉴Wassermans[9]的设定，将脱贫人口空间关联网络划分为4板块，第1板块为净受益板块，该板块既接收内部关系也接收外部关系，但接收内部关系明显多于外部关系，且对其他板块的溢出效应较少。第2板块为净溢出板块，该板块既向其他板块发出关系也接收其他板块发出的关系，但向其他板块发出的关系明显多于接收其他板块发出的关系。第3板块为双向溢出板块，该板块既向本板块发出关系也向其他板块发出关系，既接收本板块发出关系也接收其他板块发出关系，但接收本板块的关系多于接收外部板块的关系，该板块对其他板块具有双向溢出效应。第4板块为经纪人板块，该板块主要对其他板块发出或接收关系，在网络中起到中介效应，而对本板块的关联关系较少。

（三）数据来源与处理

本文各省份的年度人口总数来源于2014—2017年《中国卫生和计划生育统计年鉴》报告，脱贫人口数以2014年为基数，n+1年的脱贫人口数用n+1年贫困人口数量减去n年贫困人口数量表示，贫困人口总量来源于2014—2017年的《人口与计划生育常用数据手册》，贫困人口辅助数据来源于2014—2017年的《中国统计年鉴》，由于城镇贫困人口统计数据不足，因此，以农村贫困人口为研究对象。各省份的实际生产总值GDP由2014—2016年的GDP获得。省会城市球面距离参考樊东卫等[10]三维直角坐标系计算方法，并结合中国34个城市之间的球面距离数据表，最终由软件ARCGIS10.2计算得出。由于部分或全部数据的缺失，本文最终研究对象为我国31个省份或直辖市，数据来源不包括中国香港、澳门和中国台湾地区。另外，由于数据受收集时间点不同和人工采集能力的限制，数据来源可能存在一定的片面性和误差性，因此，本文的计算结果以样本数据为基础。

三、脱贫人口空间关联网络的整体性特征

（一）脱贫人口的空间关联关系网络图

由修正脱贫人口引力模型法可确定脱贫人口的省域引力矩阵（A），按照模型构建原理，通过省域引力矩阵（A）最终得出脱贫人口的空间关联关系矩阵（B）。取各省份省会城市空间关联关系为考察对象，考察数据以年度为单位，各年度的脱贫人口空间关联关系用一个矩阵表表示，考虑幅度原因，各年份脱贫人口的空间关联关系矩阵（B）不再罗列。从数据关联度来看，2014年起我国脱贫人口的空间关联度逐渐增强，不同省份之间的关联度也开始相关，甚至一些地理位置距离较远的省份也开始出现关联关系。为展现脱贫人口空间关联网络的结构形态，将矩阵（B）数据导入软件UCINET中，并利用其可视化工具Netdraw得出脱贫人口空间关联网络图，为进行对比分析，分别绘出了2014—2016年的脱贫人口空间关联网络图，受篇幅限制图未列出。由脱贫人口空间关联网络图可知，自2013年实行精准扶贫政策以来，我国脱贫人口的空间关联关系属于典型的网络结构形态，但是2015年与2014年网络结构分布具有明显区别，2014年各省份的空间关联度明显少于2015年，自2015年起脱贫人口空间关联关系急速增加，说明中央释放坚决打赢脱贫攻坚战的减贫新信号后，各省份的脱贫工作联系更加紧密。2016年的空间关联关系在2015年的基础上并无明显增加，进一步说明脱贫人口空间关联网络关系受政策影响较大，较好的政策实施能够促进脱贫工作的有效实现。

（二）脱贫人口空间关联网络的网络密度和网络关联度

网络密度和网络关联度是描述脱贫人口空间关联网络形态结构的两个重要指标，网络密度表示脱贫人口空间关联网络的紧密程度，网络密度越大则表示各省份之间的联系越紧密。网络关联度表示脱贫人口空间关联网络的稳健程度及空间关联网络对关键省份的依赖程度。为得到网络密度和网络关联度，将数据导入软件UCINET中Network菜单下的Density，得出2014—2016年脱贫人口空间关联网络的网络密度和网络关联度，如表1所示。

由表1可知，网络密度在逐渐上升，2014年的网络密度为0.2108，而到2015年网络密度突然增加到0.4086，表明我国脱贫人口空间关联网络的联系越来越紧密。脱贫人口空间关联网络的网络密度不断上升，该结论正好与方大春和

魏巍[11]的研究结论相反，究其原因，方大春和魏巍[11]的研究对象为贫困人口数量，随着脱贫工作的不断进行贫困人口数量逐渐减少，因此，贫困人口空间关联网络密度不断下降，而本文研究对象为脱贫人口，脱贫工作的进行会导致脱贫人口不断增加，因此，脱贫人口空间关联网络密度不断上升，符合客观事实。尽管网络密度在逐渐增加，但网络关联度并不高，2014年网络关联度仅为196个，而全部数据的最大可能关联关系为930（31×30）个，2014年只占据21.08%，2015年网络关联度为380个，增加明显，但也只占据到40.86%，因而脱贫人口空间关联网络的联系还存在较大空间。

综上所述，我国脱贫人口空间关联网络的网络密度在不断上升，而脱贫人口空间关联网络的联系还具有较大的提升空间，对于网络密度而言，我们期望越大越好，网络密度越大则表明脱贫人口的空间关联越来越密切，但是网络密度不断增加的同时也会增加冗余连线，冗余连线一旦超过脱贫人口空间关联网络的容纳能力，则会降低脱贫工作效率。

匹配合适的网络密度和提升网络关联度，将脱贫人口空间关联网络的网络密度和网络关联度绘制成图表形式，并利用线性趋势预测的方式对网络密度和网络关联度进行预测，结果见图1。

由图1可知，脱贫人口的网络密度在2015年出现了一波增加高潮，2016年开始平稳，但是按照线性趋势预测的方式，网络密度在之后将出现高速增长的可能，到2020年左右网络密度值可能达到0.9以上。网络密度0.9是否超过脱贫人口空间关联网络的容纳能力，暂时无从论证，但是该数值与精准扶贫战略中“到2020年如期全部脱贫”的计划不谋而合。同样网络关联度在2015年开始急速增长，2016年趋于平稳，但根据线性趋势预测，到2020年左右网络关联度将趋于饱和，数值将接近930，该预测的结果是在2015年实行打赢脱贫攻坚战的政策基础上，政策刺激效果明显，后期如果无更有效的刺激政策，那么网络关联度将很难达到预测结果。

四、脱贫人口空间关联网络的中心性处理

考察空间关联网络的节点中心性，能够揭示各省份在脱贫人口空间关联网络中的地位和作用，通常用社会网络分析法中的点度中心度、中介中心度和接近中心度等指标表述。点度中心度表示节点的中心地位，数值越大说明该省份与其他省份的脱贫人口联系越多。中介中心度表示节点的控制能力，数值越大说明该省份对其他省份脱贫人口的控制程度越高。接近中心度表示节点是否为中心行动者，数值越大说明该省份直接与其他省份关联，是脱贫人口空间关联网络的中心行动者。下面运用社会网络分析法分别计算2014年和2016年我国脱贫人口空间关联网络的点度中心度、中介中心度和接近中心度。

（一）脱贫人口空间关联网络的点度中心度

点度中心度的分析路径为：Network-Centrality-Degree，通过软件分析得出2014年和2016年脱贫人口空间关联网络的点度中心度结果。值得注意的是，本文的研究对象为省域，但省份之间的球面距离以各省份的省会城市计算而得，故部分结果以各省份的省会城市名为标注，实际代表省份。由计算结果可知，2014年点度中心度高于全国均值0.032的有13个省份，按从高到低的顺序依次是广东、北京、上海、重庆、四川、湖北、安徽、天津、江西、河北、山东、湖南和广西，这些省份对脱贫人口空间关联具有较强的溢出效应，处于整个脱贫人口空间关联网络的中心位置。从地理分布和经济发展水平来看，这些省份大多为经济强省或是位于沿海地区，对脱贫人口具有较强的吸引力，中部地区相对发达的省份同样也位于高点度中心度范围，说明脱贫人口空间关联网络的点度中心度与经济发展水平和地理位置有一定的关系。2016年点度中心度高于全国均值0.032的省份下降到12个，按从高到低的顺序依次是北京、重庆、上海、天津、广东、河南、四川、湖北、湖南、江西、贵州和河北。对比2014年，2016年点度中心度值高于全国均值的省份减少了1个，说明随着脱贫攻坚战政策的实施，各省份脱贫能力正在进一步缩小，脱贫人口空间受限于某些省份的现象正在逐渐退出。从省份变化情况来看，2016年广西、安徽和山东退出高于均值点度中心度行列，贵州和河南加入高于均值点度中心度行列，但是这些省份的点度中心度值变化并不大。广东从2014年的第1名退居2016年的第5名，北京从2014年的第2位位居2016年的第1名，可能原因是北京作为首都城市，对脱贫人口具有较强的吸引力，而广东作为外来人口大省，随着产业水平的逐渐饱和，脱贫人口可能出现了返乡创业或其他外流现象。

从点出度和点入度的角度分析，2014年点出度大于均值6.323的有14个省份，分别是北京、上海、广东、天津、重庆、河北、陕西、安徽、四川、甘肃、宁夏、江苏、浙江和福建;2016年点出度大于均值13.226的有11个省份，分别是北京、上海、天津、重庆、河南、广东、湖北、河北、山东、新疆和福建，点出度大于均值省份脱贫人口对其他省份具有较强的溢出效应。2014年点入度大于均值6.323的有10个省份，分别是广东、安徽、江西、湖北、四川、重庆、湖南、河南、甘肅和新疆;2016年点入度大于均值13.226的有5个省份，分别是广东、湖北、河南、天津和上海，点入度大于均值一般为发达省份，这些省份本身贫困人数较少，因此，脱贫人口相对少于其他省份，另外有一些偏远省份的点入度也大于均值，如甘肃和新疆等，原因可能是由于这些省份2014年脱贫工作效果不佳，导致脱贫人口数量减少，但在脱贫攻坚战实施后，点入度高于均值的行列中并未见到这些省份，说明政策的有效性。为了进一步分析脱贫人口空间关联网络的点度中心度，对脱贫人口空间关联网络图的结果进行系统的统计性描述，结果如表2所示。

由表2可知，2014年和2016年的点出度均值等于点入度均值，说明脱贫人口空间关联网络的溢出效应和溢入效应存在均衡性，二者是一种类似质量守恒定律的准则关系。2014年的点度中心度均值等于2016年的点度中心度均值，表明目前脱贫人口空间关联网络属于一种均衡状态，脱贫人口并未发生大规模的迁移，仅在中心性位置的省份发生细微变化。该结论可以从标准离差角度进一步论证，2014年点度中心度的标准离差为0.013，2016年下降到0.007，说明脱贫人口空间关联网络的波动率并不高，即脱贫人口的迁移率并不高。统计描述中2014年和2016年的点度中心度方差均为0.000，原因是省域脱贫人口的空间关联网络矩阵（B）由省域引力矩阵（A）变换而来，空间关联关系矩阵（B）中的有效值统一为1，计算方差时并未将无效值0计入。

（二）脱贫人口空间关联网络的中介中心度和接近中心度

2014年和2016年各省份脱贫人口空间关联网络的中介中心度和接近中心度如表3所示。表3的描述性统计结果如表4所示。

由表3和表4可知，脱贫人口空间关联网络的中介中心度均值2014年为37.935，2016年下降到17.806，均值下降表示各省份的脱贫自主能力正在增强，高中介中心度省份控制其他省份的能力正在减退。2014年中介中心度大于均值的省份有10个，其中最大值广东为247.658，2016年中介中心度大于均值的省份有11个，其中最大值上海为58.468。尽管中介中心度大于均值的省份数量在增加，但这些省份对其他省份脱贫人口的控制能力越来越弱，广东的控制能力下降最为明显，从2014年的247.658下降到2016年的44.471。说明脱贫空间关联网络中的控制能力流动性较强，中介和桥梁作用随着不同情境的变化发生明显变动。2014年内蒙古的中介中心度为0.000，说明在脱贫人口空间关联网络中存在无支配和控制能力的可能。根据表3中的接近中心度数值，2014年的接近中心度均值为43.260，2016年的接近中心度均值为63.676，该现象正好与中介中心度相反，接近中心度的增加表示省份中心行动者地位正在提升，能够更加快速地与其他省份产生相关联系，2014年接近中心度大于均值的有16个，其中最大值广东为66.667，2016年接近中心度大于均值的同样有16个，其中最大值还是广东为83.333，说明广东是我国脱贫人口空间关联网络中的中心行动者，且处于绝对地位。为了进一步分析脱贫人口空间关联网络的中介中心度和接近中心度，对表3的结果进行系统的统计性描述，统计结果如表4所示。

在表4中，脱贫人口空间关联网络中的中介中心度和接近中心度具有一定的互补性，当中介中心度的均值减少时接近中心度的均值增加，这与二者自身特性具有直接关联，中介中心度反应节点的控制能力，接近中心度反应节点的被控制能力，当控制能力增强则被控制的可能性减少，相反，当控制能力下降则被控制能力的可能性增强。从标准离差可以看出，中介中心度的标准离差较大且变化较明显，说明中介中心度具有较强的流动性，而接近跨度的标准离差相关较少，且变化较平稳，说明脱贫人口空间关联网络的被控制能力处于平稳的变化过程中。

五、脱贫人口空间关联网络的空间聚类分析

空间聚类分析可直观地将复杂网络简化为块模型和像矩阵，从而从整体上分析脱贫人口空间关联网络的内部结构。按前文块模型处理方式，本文将脱贫人口空间关联网络的块角色划分为四种类型，使用UCINETL软件中的CONCOR方法，最大切分深度（非块）选择2，集中标准选择0.200，最大重复次数选择25，得出2014年和2016年脱贫人口空间关联网络的聚类图分别如图1和图2所示。

从图1和图2的比较中可以看出，脱贫人口空间关联网络中的板块分布发生了变化，除各省份所处的板块发生变化外，不同板块中的省份数量也有所变化。具体的分布情况如下：板块1中2014年的省份为8个，分别为北京、河北、天津、辽宁、黑龙江、吉林、山西和河南，2016年的省份为8个，分别为北京、黑龙江、天津、山东、吉林、辽宁、河南和山西，这些省份主要集中在华北和东北地区;板块2中2014年的省份为13个，分别为湖北、江苏、山东、上海、海南、广西、江西、福建、四川、安徽、浙江、湖南和广东，2016年的省份为12个，分别为上海、湖北、江苏、四川、海南、广西、江西、福建、浙江、安徽、湖南和广東，这些省份主要集中在华中、华南和华东地区;板块3中2014年的省份为3个，分别为云南、贵州和重庆，2016年的省份为2个，分别为河北和重庆，这些省份主要集中在西南地区;板块4中2014年的省份为7个，分别为宁夏、内蒙古、新疆、陕西、甘肃、青海和西藏，2016年的省份为9个，分别为宁夏、青海、贵州、内蒙古、新疆、陕西、甘肃、云南和西藏，这些省份主要集中在西北地区。从空间聚类分布特征发现，脱贫人口空间关联聚类主要以地理分布为框架，同时与省份之间的交通、经济和人文因素相关。

表5为脱贫人口空间关联网络板块的溢出效应结果，具体过程参考刘华军等[12]的计算方法，板块内接收关系数（发出关系数）为关系矩阵中各板块内的关系数，板块外接收关系数（发出关系数）为关系矩阵中板块所在列（行）的关系合计（除自身板块外）。期望内部关系比重的计算公式为（板块内省份个数-1）/（网络中所有省份个数-1），实际内部关系比重的计算公式为板块内部关系数/板块的溢出关系总数。根据前文推算，2014年脱贫人口空间关联网络存在196个关联关系，2016年存在410个关联关系，2014年板块内部间的关联关系为137个，2016年为212个，说明空间关联网络板块间脱贫人口存在明显的空间关联和溢出效应。以2014年板块1为例，板块1中的溢出关系有51个，其中板块内部关系为30个，接收其他板块溢出效应关系为11个，期望内部关系比重为23%，而实际内部关系比重为59%，按照脱贫人口空间关联网络中块模型的板块划分原则，2014年板块1属于第4板块“经纪人”。同理，2014年板块2属于第2板块“净溢出”，板块3属于第1板块“净受益”，板块4属于第3板块“双向溢出”。2016年板块1属于第4板块“经纪人”，板块2属于第2板块“净溢出”，板块3属于第1板块“净受益”，板块4属于第3板块“双向溢出”。

为进一步考察脱贫人口空间关联网络板块间的关联关系，依据表5中的分布情况，计算出板块之间的密度矩阵和关系矩阵如表6所示。此外，前文已计算得到2014年脱贫人口空间关联网络的整体网络密度为0.211，2016年整体网络密度为0.441，根据表6中的板块密度值，2014板块密度值大于0.211的赋值1，2016年板块密度值大于0.441的赋值1，否则赋值0，得到脱贫人口空间网络的像矩阵，其中，“1”表示行指向列存在关联关系，“0”表示没有关联关系。由此可见，2014年和2016年四大板块自身内部都存在脱贫人口的关联关系，说明精准扶贫实施后脱贫程度较高，全国的脱贫效果明显。2014年板块1和板块2同时接收板块4的溢出，板块4接收板块1和板块3的溢出。2016年板块1接收板块2和板块3的溢出，板块3接收板块1、板块2和板块4的溢出，板块4接收板块3的溢出。因此，为进一步扩大精准扶贫中脱贫人口数量，需要各板块间发挥各自优势，进一步形成高效的空间关联效应。

六、结 论

精准扶贫攻坚战中的区域脱贫人口并不独立存在，由于种种因素影响，区域之间脱贫人口或具流动性又或具重复性，在空间上呈现出一定的空间网络关联性。在区域空间关联存在的实际情境下，脱贫人口空间关联不可避免，区域为打赢脱贫攻坚战必须考虑脱贫人口空间关联问题。因此，本文基于2013—2017年31个省份数据，利用社会网络分析法从网络关联的角度量化脱贫人口空间关联网络，以确定脱贫空间关联网络的特征。通过社会网络分析法中的关联网络图、点度中心度、中介中心度、接近中心度和空间聚类等指标方法分析，我们得到以下主要结论：第一，自2013年实行精准扶贫政策以来，我国脱贫人口的空间关联关系属于典型的网络结构形态，这种网络结构形态具有联系紧密的特点，但受政策的影响也较大，较好的政策实施能够促进脱贫工作的有效实现。2014年、2015年和2016年脱贫人口空间关联网络的网络密度值分别为0.211、0.409和0.441，网络关联度分别为196、380和410，表明我国脱贫人口空间关联网络的联系越来越紧密，同時脱贫人口空间关联网络的联系还具有较大的提升空间。第二，从地理分布和经济发展水平来看，点度中心度高于全国均值的省份一般为经济强省或位于沿海地区省份，说明脱贫人口空间关联网络的点度中心度与经济发展水平和地理位置有一定的关系，并且随着脱贫攻坚战政策的实施，各省份脱贫能力正在进一步减弱，脱贫人口空间受限于某些省份的现象正在逐渐退出。第三，点出度大于均值省份脱贫人口对其他省份具有较强的溢出效应，点入度大于均值一般为发达省份，这些省份脱贫人口相对少于其他省份，同时一些偏远省份的点入度也大于均值，原因是这些省份脱贫工作效果不佳，导致脱贫人口数量减少。尽管脱贫人口分布不均衡，但目前我国脱贫人口空间关联网络的溢出效应和溢入效应存在均衡性，脱贫人口并未发生大规模性的迁移，仅在中心性位置的省份发生细微变化。第四，从中介中心度和接近中心度均值变化过程可知，脱贫人口空间关联网络的控制能力流动性较强，中介和桥梁作用随着不同情境的变化发生明显变动，甚至存在无支配和控制能力的可能，广东是我国脱贫人口空间关联网络中的中心行动者，处于绝对性地位。第五，脱贫人口空间关联网络的空间聚类主要以地理分布为框架，同时与省份之间的交通、经济和人文因素相关，31个省份可划分为4个板块，其中华北和东北地区扮演“经纪人”身份，华中、华南和华东地区扮演“净溢出”身份，西南地区扮演“净受益”身份，西北地区扮演“双向溢出”身份。

参考文献：

[1] 杨英杰.“精准扶贫、精准脱贫”重要思想是打赢脱贫攻坚战的根本指针[J].前线，2017，（12）：13-17.

[2] 郑瑞强，曹国庆.脱贫人口返贫：影响因素、作用机制与风险控制[J].农林经济管理学报，2016，（6）： 6-11.

[3] 凌经球.可持续脱贫：新时代中国农村贫困治理的一个分析框架[J].广西师范学院学报（哲学社会科学版），2018，（2）： 103-117.

[4] 吴士健，孙专专，刘新民. 知识治理、组织学习影响组织创造力的多重中介效应研究[J]. 中国软科学，2017，（6）：174-183.

[5] 张雪玲，吴明.中国31个地区信息化发展空间关联影响因素研究[J].生产力研究，2017，（12）： 128-131.

[6] 林春艳，孔凡超.中国产业结构高度化的空间关联效应分析——基于社会网络分析方法[J].经济学家，2016，（11）：45-53.

[7] 王俊，夏杰长.中国省域旅游经济空间网络结构及其影响因素研究——基于QAP方法的考察[J].旅游学刊，2018，（9）：13-25.

[8] 杨桂元，吴齐，涂洋.中国省际碳排放的空间关联及其影响因素研究———基于社会网络分析方法[J].商业经济与管理， 2016，（4）：56-68.

[8] 钟世虎，唐娟.基于托达罗人口流动模型的湖南省城乡教育差距与农村劳动力转移实证研究[J].中国市场，2015，（39）： 215-216.

[9] Wassermans， F. Social Network Analysis： Methods and Applications[M].London：Cambridge University Press，1994.40-186.

[10] 樊东卫，何勃亮，李长华，等.球面距离计算方法及精度比较[J]. 天文研究与技术，2019，（1）： 69-76.

[11] 方大春，魏巍.中国农村贫困人口的空间关联网络结构特征及其影响因素研究[J].统计与信息论坛，2017，（12）：52-57.

[12] 刘华军，刘传明，孙亚男.中国能源消费的空间关联网络结构特征及其效应研究[J].中国工业经济，2015，（5）：83-95.