陕西省相对贫困区域识别及其时空变化特征分析

张 君， 薛 亮， 白子怡

（1.西安财经大学管理学院，西安 710110； 2.陕西师范大学地理科学与旅游学院，西安 710119）

贫困是人类长期面临的困境，这种困境是一种复杂、综合的社会现象，长期以来困扰着人类社会，是社会各界关注的热点之一. 消除贫困依然是当今世界所面临的最大的全球性挑战［1］. 同时，消除贫困，逐步实现共同富裕是社会主义的本质特征，也是国家实现全面发展必不可少的举措. 改革开放40年来，我国扶贫工作取得了世人瞩目的成就，贫困人口较1978 年减少了6.7 亿人［2］. 但是，贫困状况依然严峻，现存的7000 多万贫困人口生存环境更为恶劣、致贫因素更为复杂，到2020 年全面建成小康社会仍然任务艰巨［3］.2013 年，习近平主席首次提出“精准扶贫”重要思想，这标志着原有的扶贫机制必须修改完善，“扶贫”贵在“精准”. 一般而言，精准扶贫主要是就贫困人口而言的，谁贫困就扶持谁，科学制定扶贫、减贫、脱贫政策达到消除贫困的目的尤为重要［4］. 但从学术研究角度来看，贫困有绝对贫困和相对贫困之分，绝对贫困即将消除，但相对贫困依然存在；另外，贫困也有个体贫困和区域贫困之分. 为了避免“只见树木，不见森林”情况发生，县域贫困识别和归因分析仍具有一定的研究意义，是对“精准扶贫”工程的有机补充.

国内外学者对贫困的识别和测评研究已取得许多优秀的研究成果. 1887年，英国社会学家布斯首先提出“贫困线”的概念，以居民的收入作为衡量贫困的标准. 此后，不少学者对这一概念进行了量化研究，但很快人们发现单维的贫困识别指标难以反映实际的贫困状况. 1999年，印度经济学家阿马蒂亚·森提出多维贫困理论，这标志着贫困识别研究由单维转向多维. 在此基础上，联合国开发署（UNDP）引入了能力贫困指数和人类贫困指数的概念［5］. 2007 年，Alkire 和Foster 合作构建了多维贫困指数（MPI，Multidimensional Poverty Index），并提出A-F多维贫困识别方法［6-7］，得到了学者们的广泛关注和应用［8-10］. 同时，国内学者依据上述方法并结合实际情况，从国家、地区、省域、市域、县域、村域等不同空间尺度上以及不同的贫困对象等方面进行贫困相关研究［11-16］. 在地球科学研究领域，夜光遥感技术能够用于有效的社会经济参数估算，可表征区域内经济发展水平，进而用来测度区域的经济发展不平衡性以及贫困程度［4］. 夜间灯光数据作为人类活动的一种有效表征形式，已被部分专家学者应用于多维贫困识别研究［1，17-18］.

纵观前人研究成果，多集中在区域绝对贫困识别方面，即以选定的贫困指标是否达到给定的判断标准（包括贫困发生率）来识别贫困，而对于区域相对贫困识别的探讨却不多，并且结合地理学相关数据和方法对多维相对贫困识别的结果进行验证和分析的研究成果较少. 因此，本研究提出以下针对区域相对贫困识别和归因分析的研究思路：在确定待识别区域后，选取社会、经济、健康和自然四个维度上的8个指标进行归一化处理，测算多维贫困指数（MPI），并通过夜间灯光数据和贫困县名录及贫困发生率对测算结果（MPI）进行验证，得出该区域贫困现状及特点.

1 研究区概况

陕西省地处我国西北内陆腹地，地势呈南北高、中间低，由高原、山地、平原和盆地等多种地貌构成，地跨黄河、长江两大水系，横跨三个气候带，陕北北部长城沿线属中温带季风气候，关中及陕北大部属暖温带季风气候，陕南属亚热带季风气候. 独特的地形与气候条件在一定程度上决定了陕西是一个贫困面积大、贫困人口多的省份，是我国20世纪80年代确定的扶贫开发工作18个贫困区域之一. 经过各级政府和人民群众的多年努力，贫困状况和社会经济发展有了明显改变，但贫困问题仍然是制约社会经济可持续发展的突出问题，新一轮的扶贫工作任务艰巨. 由于自然资源禀赋、经济发展缓慢等原因，陕西在全国14个集中连片特困地区中，涉及秦巴山片区、六盘山片区、吕梁山片区，贫困人口大多分布在生态脆弱、灾害频发、交通不便且发展相对滞后的地区，脱贫成本高、难度大，返贫问题比较突出. 根据中国县域统计年鉴2018（县市卷）中陕西省各县（市）名录，陕西共有84个县（市）为本研究中实证分析的基本单元.

2 数据与方法

2.1 数据来源

本研究所需的数据有：陕西基础地理信息数据、陕西各县（市）相应指标的统计数据、陕西夜间灯光遥感数据、陕西各县（市）贫困发生率数据. 其中，陕西基础地理信息数据来源于全国地理信息资源目录服务系统网站（http：//www.webmap.cn/commres.do？method=dataDownload），经拼接、裁剪后得到陕西省境内的县级行政区数据；陕西各县（市）统计数据来源于对应年份的中国县市社会经济统计年鉴（2008年、2013年、2018年）、各县（市）统计局网站及市级统计年鉴；陕西夜间灯光数据来源于美国国家海洋与大气管理局官网（https：//www.ngdc.noaa.gov/），涉及DMSP-OLS Nighttime Lights 数据（下载地址为https：//www.ngdc.noaa.gov/eog/dmsp/downloadV4composites.html）和Nighttime VIIRS 数据（https：//ngdc.noaa.gov/eog/viirs/download_dnb_composites.html）两种，由于DMSP-OLS Nighttime Lights 在时间序列上只到2013 年，因此2017 年的夜间灯光数据采用Nighttime VIIRS，但由于官网上仅有月份的数据，没有年份的，因此，将每月的数据进行平均，并剔除异常值后得到该年的数据，并为了保持数据的一致性，在对比2013年的DMSP-OLS Nighttime Lights 数据和Nighttime VIIRS数据后，确定了这两种数据的对应关系，然后对2017年的Nighttime VIIRS数据做差分映射后得到所需数据.

2.2 研究方法

1）维度、指标及权重确定

贫困识别一直以来是贫困研究和扶贫实施的重要内容和环节，不同学科的专家学者提出了大量的贫困识别指标和方法，并且经历了从单维识别到多维识别的发展历程，如MPI 等多维贫困识别指标得到广泛应用. 阿玛蒂亚·森提出权利贫困理论，认为消除贫困的终极目标应该是实现人的自由发展. 丁建军等［19］提出，区域贫困是特定地域综合体中“人”、“业”、“地”要素耦合与演化的自然结果和外在表现. 其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. 2013年以来，我国扶贫领域采取“两不愁、三保障”多维贫困标准实施精准扶贫、实现精准脱贫，由单一的经济指标转变为经济、教育、医疗、住房等多维指标，更关注贫困人口的民生状况，给予了贫困人口平等发展的权利［20］.

区域贫困不同于个体贫困，既存在着一些家庭和个体因不同原因导致生活困难的个体性贫困问题，也存在着因自然条件和社会条件等因素导致区域贫困的区域性贫困问题［20］. 区域贫困识别，必须考虑社会状况、经济水平、健康状况、自然条件等四个维度，原因如下：①社会状况反映了区域内社会财富积累程度，财富积累越少，基础越薄弱，越容易导致贫困，并且贫困还会代际传递. 这一认识源于美国哥伦比亚大学教授拉格纳·纳克斯在1953年出版的《不发达国家的资本形成问题》一书中提出的“贫困的恶性循环”理论. 他考察了发展中国家长期贫困的根源后发现，资本匮乏是阻碍发展中国家发展的关键因素. 由于发展中国家的人均收入水平低，投资的资金供给（储蓄）和产品需求（消费）都不足，这就限制了资本形成，使发展中国家长期陷于贫困之中. ②经济水平反映了区域内经济发展层次和阶段，一个区域的经济水平高低与该区域的贫困程度成反比，即经济水平越高，贫困程度越低. ③健康状况在此泛指区域内人口的整体健康情况、可享有的医疗条件等，床位是医疗卫生服务体系的核心资源要素，因病返贫人口增多，整体医疗条件低下甚至缺乏，病人无法在当地就医，都会促使区域贫困发生. ④自然条件包括地形条件、气候条件、土壤条件、动植物资源、矿产资源、水土资源等. 诸多研究表明，自然条件越差的区域，越容易陷入贫困. 土地是万物之母、创造财富的源泉，土地资源在一个区域内相当重要，属于自然条件中最重要的条件之一.

结合上述解释说明，考虑到数据的可获得性及研究的可行性，本研究选取社会、经济、健康和自然四个维度涉及的8个指标来测算区域贫困程度. 除了指标选取，指标权重确定对于多维贫困指数测算结果也会产生影响. 本研究在总结前人研究中对多维贫困指数中的指标权重确定［21-22］，从等权重出发，综合多个专家意见，考虑到贫困的根源首先还是经济水平，其次是社会状况，再次是健康状况，最后是自然条件. 兼顾这四个维度相辅相成，形成一个有机整体，从而得出区域多维贫困程度评价指标体系（见表1）.

表1 区域多维贫困程度评价指标体系Tab.1 Indexes system of estimating multidimensional poverty indexes of region

2）区域多维贫困指数（MPI）计算

结合贫困的绝对性和相对性，并参考相关文献［18］，本研究采用归一化方法进行无量纲化处理上述8个指标，即把有量纲指标变成无量纲指标，便于不同单位或量级的指标能够进行比较和加权. 上述指标均为可表征贫困程度的负向指标，即数值越大，贫困程度越低，则区域多维贫困指数（MPI）指标计算公式如下：

式中：MPIj的大小可表征区域多维贫困程度，值越大，表示该区域越贫困；Nij表示j 区域第i 个指标的归一化结果；Wi即为i 指标权重，i 为从1到8某个指标；maxij表示j 区域的第i 个指标的最大值；minij表示j 区域的第i 个指标的最小值；Xij表示j 区域的第i 个指标的数值.

3）区域相对贫困程度的方向分布特征分析

该方法是由平均中心作为起点对x坐标和y坐标的标准差进行计算，从而定义椭圆的轴，因此该椭圆被称为标准差椭圆. 利用该椭圆或椭圆体可以查看要素的分布是否为狭长形以及是否因此具有特定方向. 正如通过在地图上绘制要素，可以感受到要素的方向性一样，计算标准差椭圆则可使这种趋向变得更为明确.也可以根据要素的位置点或受与要素关联的某个属性值影响的位置点来计算标准差椭圆，称为加权标准差椭圆. 标准差椭圆计算公式如下所示：

其中：x 和y 是i 要素的坐标；{xˉ，}yˉ表示要素的平均中心；n 为要素总数.

值得说明的是，椭圆的长半轴表示的是数据分布的方向，短半轴表示的是数据分布的范围，长短半轴的值差距越大（扁率越大），表示数据的方向性越明显；反之，如果长短半轴越接近，表示方向性越不明显. 如果长短半轴完全相等，就等于是一个圆，表示没有任何的方向特征. 短半轴越短，表示数据呈现的向心力越明显；反之，短半轴越长，表示数据的离散程度越大. 同样，如果短半轴与长半轴完全相等了，就表示数据没有任何的分布特征. 中心点表示了整个数据的中心位置，一般来说，只要数据的变异程度不是很大，这个中心点的位置大约与算数平均数的位置基本上是一致的.

3 结果与分析

3.1 相对贫困区域识别结果

运用上述多维贫困指数MPI测算模型，以县域为单位，代入相关数据，即可计算得到2007年、2012年和2017年陕西各县（市）的MPI测算结果见表2.

表2 陕西各县（市）多维贫困指数列表Tab.2 The result of MPI of every county in Shaanxi Province

本研究认为，多维相对贫困区域识别，可以用MPI的平均值作为衡量标注来实施，即在某一年，MRDI高于平均值的县（市），就是该年的贫困区域. 由此，对表2中的数据进行统计可得，陕西84个县（市）中在2007年有50个县（市）为相对贫困区域，在2012年有56个县（市）为相对贫困区域，在2017年有55个县（市）为相对贫困区域. 其中，46个县（市）在这三个年份均为扶贫办公布的贫困县（市），且2007年还有麟游县、子长县、富县、横山区等4个贫困县（市），2012年还有周至县、千阳县、永寿县、长武县、旬邑县、淳化县、武功县、富县、紫阳县、旬阳县等10个贫困县（市），2017年还有蓝田县、周至县、永寿县、长武县、旬邑县、淳化县、绥德县、紫阳县、旬阳县等9个贫困县（市）.

为了形象直观地表达上述表格数据，本研究利用ArcGIS地理信息系统软件对其进行空间可视化表达，制作陕西2007年、2012年、2017年县（市）MPI空间分布图（见图1）.

图1 陕西2007年、2012年、2017年县（市）MPI空间分布图Fig.1 Spatial distribution of MPI of Shaanxi Province in 2007，2012 and 2017

3.2 相对贫困区域识别结果验证

1）与夜间灯光数据比对

夜光遥感能够有效进行社会经济参数估算，表征区域内经济发展水平，用来测度区域的贫困程度以及发展不平衡性［4］. 夜间灯光数据中的夜间灯光指数（NLI，Night Light Index）表征的是夜间人造光源的强度，作为现代社会评估经济实力的一项重要指标，与贫困分布存在一定的负相关性. 夜间的人造光源匮乏，被认为是地区相对贫困的一个信号，即夜间灯光强度越强，经济发展水平越好，贫困程度较低；夜间灯光强度越弱，经济发展水平相对越差，贫困程度越高. 因此，将MPI与NLI进行比对，做相关性分析. 结果显示，二者确实存在一定的负相关，2007年、2012年、2017年的相关系数依次为-0.613 6，-0.629 8，-0.694 3. 并且，识别出的2007年、2012年、2017年贫困县与对应年份的夜间灯光指数数据显示的贫困县（夜间灯光强度较暗地区）基本保持一致. 由此表明，基于多维贫困指数（MPI）的区域识别结果较好，有一定的可靠性，且适用于陕西多维相对贫困识别.

2）与扶贫办公布的贫困县比对

根据陕西省扶贫办公布的贫困县名单，全省共有56个贫困县，其中，国家级贫困县50个，集中连片特殊贫困困难县43个. 从数字来看，本研究识别出的贫困县个数与之相近，其中，2007年差6个县，2012年个数相对，2017年差1个县. 从名单来看，本研究识别出的贫困县与国家公布的贫困县在2007、2012、2017年分别有39个、46个、47个贫困县能对应上，吻合率分别为69.4%、82.1%、83.9%. 当然，公布的贫困县是从绝对贫困角度来确定，而本研究识别的贫困县是从相对贫困角度来确定，在没有全面脱贫的情况下，相对贫困中也包括绝对贫困. 并且，也说明这些县既相对贫困，又绝对贫困. 本研究还搜集到2017年部分贫困县的贫困发生率数据，可用于定量检验，涉及宝鸡市千阳县、麟游县、岐山县3个县，汉中市城固县、洋县、宁强县3个县，榆林市府谷县1个县，安康市旬阳县1个县，商洛市洛南县、丹凤县2个县，共10个贫困县. 通过回归分析，拟合度为0.736 4. 以上比对情况再次表明，基于MPI的区域相对贫困识别结果较好，有一定的可靠性，且适用于陕西多维相对贫困识别.

3.3 相对贫困区域特征分析

1）相对贫困时空分异特征分析

根据表2，在2007—2017年间，随着时间的推移，各县（市）多维贫困指数值普遍有所减小，表明扶贫工作的效果是显而易见的，也显现出贫富差异先增后减的特征. 具体表现在2007年MPI的平均值为84.49，方差为8.54；2012年MPI的平均值为77.92，方差为13.20；2017年MPI的平均值为68.14，方差为11.13. 由此可见，MPI的平均值在2007—2017年间持续减小，方差在2007—2012年间增大，在2012—2017年间减小. 以上数据还表明，在2007年，陕西各县（市）整体较为贫困，贫富差距较小，在之后的10年里，随着地方社会经济的发展，扶贫工作的深入和精准脱贫的攻坚，特困县（市）的贫困程度有所减轻，整体向好，但各县（市）经济发展速度差异较大，从而拉大贫富差距.

由图1 可得，陕西省贫困县整体较多，贫困区域较广，这反映出陕西省贫困问题的突出. 陕西84 个县（市）在相对贫困程度方面总体呈现出“南部连片集中且深度贫困，东部黄河沿岸次之，其他区域零星分布”的空间分布格局，在2012年和2017年表现得尤为明显. 集中连片分布的贫困县在秦巴山区、六盘山区和吕梁山区等集中连片特困地区，少许呈分散分布，且多分布在关中与陕北陕南过渡地带或属于陕北革命老区.从年际变化来看（2007—2017），整个陕西省脱贫效果明显，陕北脱贫态势较好，而陕南脱贫状况变化较小，这跟陕南自然禀赋的局限性、经济发展等的滞后性有关，因此贫困县较多、且集中连片分布.

2）相对贫困方向分布特征分析

为了进一步分析陕西多维贫困在这三个不同年份的空间分布特征及变化情况，本研究在ArcGIS地理信息系统软件支持下，运用方向分布（标准差椭圆）特征分析工具，对2007年、2012年、2017年这三个年份的陕西各县（市）多维贫困指数（MPI）进行分析，得到对应年份的标准差椭圆及相关参数，见方向分布特征分析图（图1）和标准差椭圆特征信息表（表3）.

表3 标准差椭圆特征信息表Tab.3 Feature information of standard deviational ellipse

据图1 和表3 可得，随着时间的推移，标准差椭圆的大小随着时间的变化而变化，面积从2007 年的11.12万km2减小到2012年的10.73万km2，再增加到2017年的11.04万km2，并且年份越大，椭圆越大，覆盖的县（市）越多，并且方向分布特征为从“西南—东北”向“正南正北”旋转，与陕西省形状（南北长，东西窄）基本一致，表现在X向标准差距离和Y向标准差距离均呈现增大的特征以及旋转角度从2007年的26.21°增大到2012年的26.77°，再减小到2017年的25.79°. 从标准差椭圆面积变化来看，2007年的为最大，到2012年有所减小，再到2017年有所增大. 根据上述情况可得，在2007年，陕西县域多维相对贫困现象较为普遍，且贫富差距较小；到了2012年，各县（市）经过5年的发展，贫困程度差距略有增加；2012—2017年间，“精准扶贫”工程全面实施，各贫困县（市）减贫的成效已显现，差距缩小.

4 结论

本研究结论如下：

1）贫困是一个复杂的综合体，有绝对贫困和相对贫困之分，也有个体贫困和区域贫困之分，在扶贫攻坚中需要有全局眼光和长远眼光，通盘考虑. 2020年年底，我国消除的贫困是绝对贫困，但相对贫困依然会长期存在，并且绝对贫困人口脱贫后还会有返贫的可能. 因此，需要从区域贫困的研究角度来认识个体贫困，并持续在多种扶贫方式共同作用下，进一步减弱相对贫困程度.

2）实践表明，从经济、社会、健康、自然等四个维度确定8个指标测算区域贫困程度指数来进行县域贫困识别的方法可行，结果有一定的可信度. 选取的这8个指标，都在各级统计局发布的统计年鉴中有相应的统计数据，且在时间序列上有保证，这为开展县域贫困识别和跟踪识别提供可能，方法简单易行. 从本研究中的实证分析还可以看出，该方法所得结果与学术界广为关注和应用的夜间灯光数据识别区域贫困结果有一定的相关性，与国家和当地政府公布的贫困县名录和贫困发生率拟合度较高.

3）陕西县域相对贫困区域时空变化特征明显. 识别结果在时间上呈现出相对贫困程度逐步缩小差距的态势，在空间上呈现出“贫困县连片集中分布在南部，其次分布在东部黄河沿岸，零星分布在其他区域”的空间分布格局. 即陕南地区和陕北地区的多维贫困程度比关中地区更高，贫困县多呈聚集性连片分布在秦巴山区、六盘山区和吕梁山区，少许呈分散分布，且多分布在和关中与陕北陕南过渡地带或属于陕北革命老区.

当然，贫困是一个受自然和社会因素共同影响的复杂综合体，贫困问题还是一种复杂的、动态的、绝对性与相对性兼具的社会问题和发展问题. 这导致本研究还存在指标选取不完备、部分难以量化等方面不足，例如各维度选取的指标还不够全面，多措并举的扶贫政策实施效果等因素较难量化分析，将在以后的研究工作中进一步探究和完善.