合并新村脆弱性决定因子识别

2022-05-15 01:15刘学武,王仲梅
关键词:脆弱性结构方程模型

刘学武,王仲梅

摘要:村庄合并是对传统村镇空间结构与组织形态的重大变革,是村民生计方式与社会结构的重大调整。合并新村建设初期因为居住环境、公用基础设施、公共服务体系不够完善,常表现出一定程度的脆弱性。脆弱性扰动、敏感性、适应力是抽象概念,不可直接观测。通过构建合并新村脆弱性结构方程模型对潜在变量对应的15个观测变量进行估计,有效排除了主观性判断影响,识别出5个重要影响因子。低保水平、政民互动因子是扰动的重要影响因子,养老保险、政策兑现因子是敏感性的重要影响因子,对外交通是适应力的重要影响因子。灰色定权聚类模型克服了结构方程模型能识别重要与次要因子但无法判断影响状态的不足之处。对上述重要影响因子与县域人均GDP指标进行再评估,最终识别出4个脆弱性决定因子,其中低保水平是脆弱性的扰动决定因子,养老保险、政策兑现是脆弱性的敏感性决定因子,县域人均GDP值是脆弱性的适应力决定因子。

关键词:合并新村;脆弱性;结构方程模型; 灰色定权聚类模型;决定因子

中图分类号:F302.5  文献标识码:A 文章编号:1009-9107(2022)01-0066-11

党的十七大后,山东、江苏、湖南、河南等东中部经济发达省份大规模推进村庄合并[1-2],村庄合并是对传统村镇空间结构与组织形态的重大变革,是村民生计方式与社会结构的重大调整[3-4],村庄合并初期因为居住环境、公共基础设施、公共服务体系不够完善,合并新村常表现出一定程度的脆弱性[5-6]。西部地区于2012年在宁夏永宁县建立合并新村试验区,以探索西部地区合并新村的可持续发展路径。永宁县村庄合并腾出大量村舍用地,释放众多体力劳动者,促进了当地现代农业及二、三产业发展,但是由于农村转移劳动力的生产能力、发展能力不足,且支撑合并新村发展的经济、社会支撑体系尚在不断完善之中,因此脆弱性也是永宁县试验区合并新村的基本属性。Yohe G[7]、Mc Carthy等[8]认为脆弱性是客观主体与其所处的不稳定环境相互作用后表现出的一种属性;Gallop'in[9]、Young等[10]、史培军等[11]则认为脆弱性是人地关系系统、生态社会系统等耦合系统的基本属性,这些系统受到外部扰动时其脆弱性就会显现出来;李鹤等人则明确提出脆弱性是源于系统内部的与生俱来的一种属性,是系统受内外部扰动后,因为敏感性和适应能力不足,从而使系统的结构和功能容易发生改变的基本特性[12-15]。

现阶段村庄合并已经成为新的乡村治理模式[16],学界对村庄合并驱动力[17]、村落空间重构[18]、合并村庄社区治理的行政化导向及其矫正问题进行了有效探索[19-20]。魏璐瑶等人还对县域乡村集聚的脆弱性进行了评价[21-22],这些研究成果对识别永宁县合并新村脆弱性决定因子有重要的参考价值。

一、研究模型及数据来源

本文将宁夏永宁县村庄合并试验区定为研究区域,该试验区实行政府主导型的新乡村治理模式。村庄合并过程中各级党政部门主导的住房建设、环境改造、产业发展、社会事业建设等工作本质上是施加在合并新村上的脆弱性扰动因素,新村居民对于生活成本上升、就业行情波动、补偿政策兑现及社会保障问题的反应当属合并新村脆弱性敏感性的具体表现,村民生产能力、发展能力及合并新村对外交通条件等因素体现的则是合并新村的适应力。进行合并新村脆弱性决定因子识别有利于防范脆弱性风险,从而有效促进合并新村可持续发展。

(一)研究模型选择

1.模型选择理论依据。脆弱性扰动、敏感性、适应力是一组抽象概念,不能直接观测,用来识别脆弱性决定因子的数学模型须具备通过可观测变量估算潜在变量(不可观测变量)的数理特性。结构方程模型(以下简称SEM)是基于统计分析技术的多变量统计研究方法,可用来处理复杂的多变量研究数据的探究与分析[23],该模型整合了因素分析与路径分析两种统计方法,通过模型中包含的可观测变量、潜在变量、干扰或残差项间的关系,估算出观测变量的因素负荷值,以及自变量对因变量的直接影响、间接影响或总效果值,并依据因素负荷值、影响效果值判断出重要或次要影响因子,完全排除了人为主观判断的不利影响[24] 。SEM在分析合并新村脆弱性扰动、敏感性、适应力潜在变量之间的相互作用关系,以及观测变量的因素负荷值方面有独到优势[25],不足之处则在于只能区分出脆弱性重要影响因子和次要影响因子,无法判断影响因子的具体影响状态[26]。由脆弱性概念可知,合并新村脆弱性的决定因子一方面是重要影响因子,另一方面是其影响效果处于差或较差的状态,因此运用SEM识别出合并新村脆弱性重要影响因子之后还需要做进一步的评估,将重要影响因子中影响状态差或较差的脆弱性决定因子識别出来[27]。灰色定权聚类模型对于指标含义不同、量纲差异悬殊的评估对象进行定量分析时,可依据其指标观测值、指标权重及预先设定的灰类(评估等级)将评估对象、可观测指标归到不同等级[28]。该模型的优势在于可以清晰地掌握每个评估对象的发展状态以及每个评估指标的影响状态,不足之处在于评估指标及指标权重如果都是人为设定时评估结果客观性较差。综合运用SEM与灰色定权聚类模型进行合并新村脆弱性决定因子识别,可以最大限度地减少个人主观性对合并新村脆弱性决定因子识别的影响。

2.SEM与灰色定权聚类模型的综合应用。SEM与灰色定权聚类模型数理意义各不相同,但在应用层面上却优势互补。SEM擅长筛选重要影响因子,定权聚类模型可对重要影响因子的积极或消极影响状态做出精准评估。构建合并新村脆弱性SEM与灰色定权聚类模型时,首先构建系列化的合并新村脆弱性SEM,通过模型估计与品鉴,保留适配性最佳的脆弱性SEM,掌握合并脆弱扰动、敏感性、适应力之间的相互作用关系,估算出观测变量的因素负荷值,筛选出脆弱性重要影响因子;其次构建合并新村脆弱性灰色定权聚类模型,从脆弱性扰动、敏感性、适应力三个维度进行评估,最终识别出合并新村脆弱性决定因子。

(二)数据来源

1.研究区概况。宁夏永宁县村庄合并试验区始建于2012年,原计划建设19个合并新村。至2015年累计投资88.34亿元建成了15个合并新村后因资金问题暂停其余新村建设。新村全部按城镇社区模式建设,配套建设了供电、供水、天然气、学校、医务所、商业网点、社区、文化体育活动中心等公共服务基础设施,安置了4.27万户13.6万人,安置对象均为永宁县合并村庄试验区的农村户籍人口。已经建成的15个合并新村区位、资源环境及经济社会条件都有所不同。本文从中选择了8个各具特色的合并新村作为研究对象,分别是 YH新村、LJ新村、 NH新村、 LT新村、WH新村、JY新村、XH新村、 SL新村。

2.原始数据的获取。本文研究采取随机抽样问卷调研的方法,问卷内容涵盖了村民家庭结构、教育、劳动力素养、就业、薪酬待遇、新村环境卫生、公共基础设施建设、对外交通、文化娱乐、医疗养老保险、公共管理等方面,问答形式有填空题、单项选择、多项选择题。选择题中的满意度调查类问题选项采用五级分类法,非满意度调查类问题选项多少及设问方式依据问题的实际需要设定。每个合并新村获取有效调查问卷200份,共获得有效问卷1 600份。

二、基于SEM的脆弱性重要影响因子识别

(一)脆弱性SEM构建

完整的SEM通常包括一个结构模型和数个测量模型。进行合并新村脆弱性重要影响因子识别所构建的SEM须全面呈现潜在变量的相互作用关系,因此构建合并新村脆弱性SEM时将结构模型板块设定为一阶验证性因素分析——多因素斜交叉模型。合并新村脆弱性决定了因子识别旨在防范脆弱性风险,促进合并新村可持续发展,因此建立结构模型板块时要充分考虑合并新村脆弱性对可持续发展的影响,将脆弱性潜在变量与可持续发展潜在变量的相互作用关系在结构模型板块中体现出来。建立测量模型旨在呈现潜在变量与观测变量的对应关系,该板块建立了4个测量模型,分别是扰动测量模型、敏感性测量模型、适应力测量模型,以及可持续发展测量模型。

按照SEM基本原理,SEM构建过程中观测变量越多对潜在变量的解释越准确[29],但是对于完整的SEM,观测变量过多会造成残差项相应增多,可能导致模型修正与估计阶段残差项共变关系过于复杂, 导致SEM与观测数据不能拟合或不能通过适配性验证。为确保假设模型与观察数据可拟合且尽可能多地保留观测变量,合并新村脆弱性SEM构建过程中要在保持结构模型板块不变的前提下,按照观测数量由多到少的策略建立一系列有待验证的假设模型。

(二)脆弱性SEM估计与品鉴

SEM估计就是调取观测数据估算假设模型各项参数的过程,品鉴则是依据估算出的假设模型参数进行竞争性比较,以获得最佳假设模型的过程[30]。本文运用AMOS对模型构建阶段建立的一系列合并新村脆弱性假设模型进行修正、参数估计及因素负荷值估算,然后对假设模型进行卡方检验,依据显著性概率P判断假设模型与观测数据是否拟合,通过模型基础性适配度指标CMIN/DF值,绝对适配度指标GFI、AGFI、RMR、RMSEA、NCP值进一步判断可拟合假设模型与观测数据的适配程度。

图1是通过SEM估计与品鉴,筛选出的最符合研究要求的合并新村脆弱性SEM。该模型的卡方检验显著性概率值P=0.294,未达到0.05显著性水平,接受虚无假设,表明该模型与观察数据有效拟合。模型基础性适配度指标CMIN/DF=1.087<2.000;模型绝对适配度指标GFI=0.992>0.900、AGFI=0.983>0.900、RMR=0.021<0.05、RMSE=0.007<0.050、NCP=0.00,均在模型适配度参数阈值之内,表示合并新村脆弱性SEM与观测数据适配性较佳。

该模型在修正与估计阶段还挖掘出了模型建构初期未曾考虑到关联情况,如潜在变量扰动与观测变量环境对比、敏感性与生计适应、适应力与工资拖欠、环境对比等因素之间的关联情况,新挖掘出的潜在变量与观测变量的对应关系将为合并新村建设与管理提供有益参考。

(三)脆弱性重要影响因子识别

图1显示,脆弱性扰动、敏感性、适应力3个潜在变量之间的关联度均大于0.75,表明3个潜在变量之间高度相关,因而构建多因素斜交叉模型进行合并新村脆弱性决定因子识别是适宜的。因素负荷值是观测变量与对应的潜在变量的关联强度,因素负荷值大于0.5时表示观测变量与对应的潜在变量关联性较强,是重要的影响因子。

脆弱性扰动、敏感性、适应力所对应的观测变量及因素负荷值分别是:

脆弱性扰动→低保水平(0.715)、政民互动(0.453)、环境对比(0.147)、基础设施(0.007)、义务教育(-0.057)。

脆弱性敏感性→养老保险(0.817)、政策兑现(0.492)、生活成本(0.255)、就业忧虑(0.204)、工资拖欠(-0.135)、生计适应(-0.102)。

脆弱性适应力→对外交通(0.523)、工资拖欠(0.301)、打工路耗(0.267)、教育年限(0.152)、受挫應对(0.06)、环境对比(-0.182)。

综合考虑上述脆弱性潜在变量与其对应的观测变量的因素负荷值,初步判断:

脆弱性扰动的重要影响因子是低保水平、政民互动因子;

脆弱性敏感性的重要影响因子是养老保险、政策兑现因子;

脆弱性适应力的重要影响因子是对外交通因子。

三、基于灰色定权聚类模型的脆弱性决定因子识别

(一)灰色定权聚类模型构建

1.评估指标的选择。基于上文构建的合并新村脆弱性SEM,从脆弱性潜在变量对应的15个观测变量中识别出5个重要影响因子, 5个因子即为合并新村脆弱性灰色定权聚类模型的评估指标。经文献归纳与理论推演,永宁县经济发展水平对合并新村建设与发展至关重要,虽然反映永宁县经济发展水平的县域人均GDP统计数据与SEM观测变量的数理特性不符,不能作为合并新村脆弱性SEM的观测变量进行估算,但是该指标数理特性与灰色定权聚类模型评估指标的数理特性相符,可用作灰色定权聚类模型的评估指标,因此各灰色定权聚类模型的评估指标最终确定为:扰动的评估指标是低保水平、政民互动;敏感性的评估指标是养老保险、政策兑现;适应力的评估指标是对外交通、县域人均GDP。

2.评估指标权重的确定。(1)扰动评估指标权重。扰动的重要影响因子因素负荷值分别是低保水平(0.715)、政民互动(0.453),标准处理后其权重分别是低保水平(0.612)、政民互动(0.388)。(2)敏感性评估指标权重。敏感性的重要影响因子因素负荷值分别是养老保险(0.817)、政策兑现(0.492),标准处理后其权重分别是养老保险(0.624)、政策兑现(0.376)。(3)适应力评估指标权重。潜在变量适应力的重要影响因子对外交通因子的因素负荷值为0.523,县域人均GDP指标的因素负荷值由课题组赋值为0.5,标准处理后其权重分别是对外交通(0.511)、县域人均GDP(0.489)。

3.评估指标观测数据提取。用于合并新村脆弱性SEM观测变量的问卷调研数据与灰色定权聚类模型评估指标的数理特性不一致,须按照灰色定权聚类模型评估指标的数理特性进行转换。本文对8个合并新村1 600份问卷调查数据进行SPSS频数统计分析,从合并新村整体及个体的视角获取低保水平 、政民互动、养老保险、政策兑现、对外交通评估指标的观测数据,县域人均GDP数据来源于《2019年宁夏统计年鉴》。

4.评估指标灰类及白化权函数阈值的确定。(1)扰动评估指标灰类及白化权函数阈值。扰动评估灰类设置5级:好、较好、一般、较差、差。扰动对应的低保水平、政民互动评估指标是用村民对两项工作的满意度来体现,观测数据为越大越好型,其中低保水平评估指标的灰类及白化权函数阈值分别是:好,[0.8,0.9,-,-];较好,[0.7,0.8,-,0.9];一般,[0.6,0.7,-,0.8];较差,[0.5,0.6,-,0.7];差,[-,-,0.5,0.6]。政民互动评估指标的灰类及白化权函数阈值分别是:好,[0.6,0.75,-,-];较好,[0.45,0.6,-,0.75];一般,[0.3,0.45,-,0.6];较差,[0.15,0.3,-,0.45];差,[-,-,0.15,0.3]。(2)敏感性评估指标灰类及白化权函数阈值。敏感性评估灰类设置5级:弱、较弱、一般、较强、强。敏感性对应的养老保险、政策兑现评估指标是用村民对两项工作的满意度来体现,观测数据为越大越好型,其中养老保险评估指标的灰类及白化权函数阈值分别是:弱,[0.8,0.9,-,-];较弱,[0.7,0.8,-,0.9];一般,[0.6,0.7,-,0.8];较强,[0.5,0.6,-,0.7];强,[-,-,0.5,0.6]。政策兑现评估指标的灰类及白化权函数阈值分别是:弱,[0.8,0.9,-,-];较弱,[0.7,0.8,-,0.9];一般,[0.6,0.7,-,0.8];较强,[0.5,0.6,-,0.7];强,[-,-,0.5,0.6]。(3)脆弱性适应力评估指标灰类及白化权函数阈值。脆弱性适应力评估灰类设置5级:强、较强、一般、较弱、弱。适应力对应的对外交通评估指标是用村民对该项建设的满意度来体现,观测数据为越大越好型,其中对外交通评估指标的灰类及白化权函数阈值分别是:强,[0.8,0.9,-,-];较强,[0.7,0.8,-0.9];一般,[0.6,0.7,-0.8];较弱,[0.5,0.6,-0.7];弱,[-,-,0.5,0.6]。县域人均GDP指标是越大越好型,其5个节点的人均GDP值是江苏(95 257)、银川市(74 288)、全国(53 980)、宁夏(47 194)、宁南山区(27 102),该评估指标的灰类及白化权函数阈值分别是:强,[74 288,95 257,-,-];较强,[53 980,74 288,-,95 257];一般,[47 194,53 980,-,74 288];较弱,[27 102,47 194,-,53 980];弱,[-,-,27 102,47 192]。

(二)合并新村脆弱性重要影响因子评估

灰色定权聚类模型特性之一是确定了评估灰类及评估指标灰类白化权函数阈值。进行灰类白化权函数值运算时,运算结果并非简单的归于某一灰类,而是依据评估指标观测数据及白化权函数阈值将其归入某一灰类或相邻的两个灰类之中,但一個评估指标的灰类白化权函数值的总和必定为1。

1.扰动的重要影响因子评估。(1)扰动的低保水平因子评估。表1显示合并新村整体性的低保水平评估指标的灰类白化权函数值对应于灰类“差”的值为1,表明该因子对于合并新村整体性的扰动效果差。8个合并新村中扰动效果差的是YH新村、LJ新村、NH新村、WH新村、XH新村,较差的是JY新村、SL新村,较好的是LT新村。(2)扰动的政民互动因子评估。表2显示合并新村整体性的政民互动评估指标的灰类白化权函数值对应于灰类“一般”(0.833)、“较差”(0.167),表明该因子对于合并新村整体性的扰动效果一般。8个合并新村中政民互动扰动效果好的是LT新村,扰动效果较好的是XH新村,扰动效果一般的是LJ新村,扰动效果较差的是YH新村、NH新村、WH新村、SL新村。

2.敏感性重要影响因子评估。(1)敏感性之养老保险因子评估。表3显示合并新村整体性的养老保险评估指标的灰类白化权函数值对应于敏感性灰类“一般”(0.075)、“较强”(0.925),表明合并新村整体性对该因子敏感性较强。8个合并新村中对养老保险因子敏感性强的是LJ新村、NH新村、WH新村、XH新村,敏感性较强的是YH新村,敏感性一般的是JY新村,敏感性弱的是LT新村、SL新村。(2)敏感性之政策兑现因子评估。表4显示合并新村整体性的政策兑现评估指标的灰类白化权函数值对应于敏感性灰类“较强”(0.962)、“强”(0.038),表明合并新村整体性对该因子敏感性强。8个合并新村中村民对政策兑现敏感性强的是NH新村、WH新村、JY新村,敏感性较强的是LT新村,敏感性较弱的是YH新村、XH新村,敏感性弱的是LJ新村、SL新村。

3.适应力重要影响因子评估。(1)适应力的对外交通因子评估。表5显示合并新村整体性的对外交通评估指标的灰类白化权函数值对应于灰类“较强”(0.156)、“一般”(0.844),表明合并新村整体性对对外交通条件的适应力一般。8个合并新村在对外交通条件方面适应力强的有YH新村、LJ新村、LT新村、SL新村,适应力一般的是JY新村,适应力弱的是NH新村、WH新村、XH新村。(2)适应力的县域人均GDP因子评估。表6显示8个合并新村整体性的县域人均GDP评估指标的灰类白化权函数值对应于灰类“一般”(0.843)、“较弱”(0.157),表明永宁县县域经济发展水平一般,对合并新村适应力的促进作用一般。

(三)脆弱性决定因子识别

脆弱性决定因子识别是依据灰色定权聚类模型评估结果,对合并新村脆弱性SEM初次识别出的重要影响因子的再次评估,如果重要影响因子的灰类白化权函数值落在评估灰类的理想区间,表明该因子处于积极影响状态,是非脆弱性决定因子;灰类白化权函数值落在评估灰类的不利区间,表明该因子处于不利影响状态,是脆弱性决定因子。

1.脆弱性扰动决定因子识别。表1评估结果显示,低保水平因子对合并村庄整体上的扰动效果差,即就合并村庄整体而言,低保水平因子是合并村庄脆弱性的扰动决定因子。具体到8个合并新村影响效果略有差异,其中低保水平因子对于LT新村的扰动效果比较理想,不是该村脆弱性的扰动决定因子,但依然是其他7个合并新村脆弱性的扰动决定因子。表2评估结果显示,政民互动因子对合并村庄整体上的扰动效果一般,即就合并村庄整体而言,政民互动因子不是合并村庄脆弱性的扰动决定因子。具体到8个合并新村影响效果有较大不同,其中LT新村、XH新村政民互动因子影响呈积极状态,不是这2个合并新村脆弱性的扰动决定因子;YH新村、NH新村、WH新村、JY新村、SL新村政民互动因子影响呈不利状态,所以是这5个合并新村脆弱性的扰动决定因子。

2.脆弱性敏感性决定因子识别。表3评估结果显示,合并村庄整体上对养老保险因子敏感性较强,即就合并村庄整体而言,养老保险因子是合并村庄脆弱性的敏感性决定因子。具体到8个合并新村对养老保险因子的敏感性略有差异,其中LT新村、SL新村敏感性弱,养老保险因子不是这2个合并新村脆弱性的敏感性决定因子;YH新村、LJ新村、NH新村、WH新村、XH新村敏感性较强,甚至强烈,养老保险因子是这5个合并新村脆弱性的敏感性决定因子;JY新村敏感性一般,甚至较强,可将养老保险因子视之为该合并新村脆弱性的敏感性决定因子。表4评估结果显示,合并村庄整体上对政策兑现因子敏感性较强,即就合并村庄整体而言,政策兑现因子是合并村庄脆弱性的敏感性决定因子。具体到8个合并新村对政策兑现因子的敏感性有较大差异,其中LJ新村、SL新村敏感性弱,YH新村、XH新村敏感性较弱,政策兑现因子不是这4个合并新村脆弱性的敏感性决定因子;LT新村敏感性较强,NH新村、WH新村、JY新村敏感性强烈,政策兑现因子是这4个合并新村脆弱性的敏感性决定因子。

3.脆弱性适应力决定因子识别。表5评估结果显示,合并村庄整体上对对外交通因子适应力一般,即就合并村庄整体而言,对外交通因子不是合并村庄脆弱性适应力的决定因子。具体到8个合并新村对适应力因子的适应性有差异,其中YH新村、LJ新村对外交通适应性强,LT新村、SL新村对外交通适应性介于强与较强之间,对外交通因子不是这4个合并新村脆弱性的适应力决定因子;NH新村、WH新村、XH新村适应力较弱,对外交通因子是这3个合并新村脆弱性的适应力决定因子;JY新村适应力一般,甚至较弱,可将对外交通因子视之为该合并新村脆弱性的适应力决定因子。表6评估结果显示,合并村庄整体上对县域人均GDP因子适应力一般,甚至较弱,因此就合并村庄整体而言,县域人均GDP因子是合并村庄脆弱性的适应力决定因子。8个合并新村的县域人均GDP评估指标均采用2018年永宁县的人均GDP值,即县域人均GDP因子是各合并新村脆弱性的适应力决定因子。

四、结论

(一)基于模型运算结果的脆弱性决定因子识别结论

1.合并新村脆弱性重要影响因子识别结果。构建合并新村脆弱性SEM进行合并新村脆弱性影响因子识别,全面地显现了脆弱性潜在变量扰动、敏感性、适应力两两之间的相关状况,深度挖掘了在测量模型构建阶段不曾考虑到的潜在变量与观测变量的关联情况,估算了观测变量与其对应的潜在变量之间的关联状态。该模型通过分析潜在变量之间的关联状态,以及观测变量残差之间的共变关系抑扬观测变量的因素負荷值,使观测变量因素负荷值无限接近最真实状态。观测变量因素负荷值大于0.5时表示该观测变量与对应的潜在变量关联性强,即该观测变量是重要影响因子。合并新村脆弱性SEM是经过估计与品鉴后留存的最符合研究要求且适配度佳的模型,该模型运算结果显示合并新村脆弱性重要影响因子及其因素负荷值如下:(1)脆弱性的扰动重要影响因子及因素负荷值:低保水平(0.715)、政民互动(0.453);(2)脆弱性的敏感性重要影响因子及因素负荷值:养老保险(0.817)、政策兑现(0.492);(3)脆弱性的适应力重要影响因子及因素负荷值:对外交通(0.523)。

2.合并新村脆弱性决定因子识别结果。合并新村脆弱性SEM识别出了脆弱性扰动、敏感性、适应力的重要影响因子,但是受该模型数学原理限制,不能进一步确定重要影响因子的具体影响状态,灰色定权聚类模型正好弥补了SEM的不足之处。(1)脆弱性扰动决定因子识别。从合并新村整体性评估结果分析,低保水平因子是脆弱性的扰动决定因子,政民互动因子是非脆弱性的扰动决定因子。具体到8个合并新村影响效果略有差异,低保水平因子不是LT新村脆弱性的扰动决定因子,是其他7个合并新村脆弱性的扰动决定因子;政民互动因子是YH新村、NH新村、WH新村、JY新村、SL新村脆弱性的扰动决定因子,不是LT新村、XH新村脆弱性的扰动决定因子。(2)脆弱性敏感性决定因子识别。从合并新村整体性评估结果分析,养老保险、政策兑现因子是脆弱性的敏感性决定因子。具体到8个合并新村影响效果略有差异,养老保险因子是YH新村、LJ新村、NH新村、WH新村、JY新村、XH新村脆弱性的敏感性决定因子,不是LT新村、SL新村脆弱性的敏感性决定因子;政策兑现因子是LT新村、NH新村、WH新村、JY新村脆弱性的敏感性决定因子,不是LJ新村、SL新村、YH新村、XH新村脆弱性的敏感性决定因子。(3)脆弱性适应力决定因子识别。从合并新村整体性评估结果分析,县域人均GDP因子是脆弱性的适应力决定因子,对外交通因子不是合并新村脆弱性的适应力决定因子。具体到8个合并新村人均GDP因子的影响效果有较大差异,是NH新村、WH新村、XH新村、JY新村脆弱性的适应力决定因子,不是YH新村、LJ新村、LT新村、SL新村脆弱性的适应力决定因子。

(二)先驗结论与模型运算结果的差异化分析

山东、江苏、河南、湖南等省市村庄合并中社区环境改造、公用基础设施建设、医疗卫生、义务教育及合并新村转移劳动再就业方面的问题较多,一直困扰着当地合并新村的建设与发展[31-32],合并新村脆弱性SEM及灰色定权聚类模型的评估结果显示,在宁夏永宁县试验区,上述5个方面的问题并非合并新村脆弱性的决定因子。关于永宁县试验区的问卷调查数据显示,合并新村环境改造满意度96.9%,公用基础设施建设满意度95.7%,农村新型合作医疗保险参保率96.4%,义务教育的满意度88.4%,90.4%的家庭有劳动力转移性收入,87.4%的村民比较适应合并新村的生产生活,这些数据说明永宁县合并新村的硬件建设比较完善,有利于合并新村的建设与发展。

前文识别出的合并新村整体性或个别新村的脆弱性决定因子反映的主要是社会保障与村庄治理方面的问题,问卷调查数据显示低保水平的满意度44.75%,养老保险的满意度60.75%,政策兑现的满意度 59.62%,政民互动的满意度42.5%,这些数据表明合并新村软环境建设较差;人均GDP只占银川市人均GDP的59.1%,表明永宁县经济发展水平一般,但是永宁县紧邻银川市,乡村劳动力转移就业问题不大;对外交通的满意度71.56%,LJ新村、NH新村中心区位偏远,对外交通条件一定程度上限制了2个合并新村的发展。

(三)脆弱性风险防范策略

基于上述分析建议永宁县合并新村未来建设中需要从两个层面进行脆弱性风险防范:

1.村庄合并试验区层面风险防范策略。合并新村试验区层面的脆弱性决定因子是低保水平、养老保险、政策兑现、县域人均GDP水平因子,进行村庄合并试验区层面的风险防范需要针对上述4个脆弱性风险决定因子所对应的实际情况采取措施,以加强脆弱性扰动效果,降低村民敏感性,整体提升合并新村的适应力。

2.合并新村层面的风险防范策略。政民互动、对外交通影响因子不是村庄合并试验区层面的脆弱性决定因子,却是个别合并新村脆弱性决定因子,需要在新村层面针对这两个影响因子所对应的实际情况采取措施,防范脆弱性风险发生。其中YH新村、LJ新村、SL新村需要政民互动因子所对应的软环境建设;XH新村需要对外交通因子所对应的交通方面软硬环境建设;NH新村、WH新村、JY新村需要同时针对政民互动因子、对外交通因子所对应的实际情况,加强新村软硬环境建设,有效防范上述新村脆弱性风险的发生。

参考文献

[1]刘越山.浙鲁苏推行村庄合并 中国农村出现大村庄发展趋势[J].山西农业,2008(03):27.

[2]邓燕华.村庄合并、村委会选举与农村集体行动[J].管理世界,2012(07):76-82.

[3]侯颖.撤村并居迁村并点村庄合并填空补实——对山东省菏泽市村庄改造试点工作的调查与思考[J].中国土地,2011(06):46-48.

[4]聂玉霞,宋明爽.国内外关于“村庄合并”研究述评[J].山东农业大学学报(社会科学版),2015,17(01):73-78.

[5]林聚任.村庄合并与农村社区化发展[J].人文杂志,2012(01):160-164.

[6]檀学文,李成贵.贫困的经济脆弱性与减贫战略述评[J].中国农村观察,2010(05):85-96.

[7]YOHE G,TOL R S J.Indicators for Social and Economic Coping Capacity-moving Toward A Working Definition of Adaptive Capacity[J].Global Environmental Change,2002,12(01):25-40.

[8]MCCARTHY J J,CANZIANI O F,LEARY N A,et al. Climate Change 2001:Impacts,Adaptation and Vulnerability,Third Assessment Report of the IPCC[M].Cambridge UK:University Press,2001:127.

[9]GALLOPIN G C.Linkages Between Vulnerability,Resilience,and Adaptive Capacity[J].Global Environmental Change,2006,16(03):293-303.

[10]YOUNG O R,BERKHOUT F,GALLOPIN G C,et al.The Globalization of Socio-ecological Systems:An Agenda for Scientific Research[J].Global Environmental Change,2006,16(03):304-316.

[11]史培军,王静爱,陈婧,等.建当代地理学之人地相互作用研究的趋向——全球变化人类行为计划(IHDP)第六届开放会议透视[J].地理学报,2006(02):115-126.

[12]李鹤,张平宇,程叶青.脆弱性的概念及其评价方法[J].地理科学进展,2008(02):18-25.

[13]TIMMERMAN P.Vulnerability,Resilience and the Collapse of Society:A Review of Models and Possible Climatic Applications[M].Toronto Canada:Institute for Environmental Studies,University of Toronto,1981:281-284.

[14]ADGER W N,KELLY P M.Social Vulnerability to Climate Change and the Architecture of Entitlements[J].Mitigation and Adaptation Strategies for Global Change,1999,4(03-04):253-266.

[15]BOGARD W C.Bringing Social Theory to Hazards Research:Conditions and Consequences of the Mitigation of Environmental Hazards[J].Sociological Perspectives,1988,31(02):147-168.

[16]闵锐,孙孝建.郭慎伟.“大村庄制”——新的乡村治理模式[J].村委主任,2009(12):4-5.

[17]尹亮.“村庄合并”的驱动力和利与弊分析——基于村民自治的视角[J].西部学刊,2019(19):63-65.

[18]郭占锋,李琳,吴丽娟.村落空间重构与农村基层社会治理——对村庄合并的成效、问题和原因的社会学阐释[J].学习与实践,2017(01):85-95.

[19]李冉,聂玉霞.村庄合并后新型农村社区治理的行政化导向及其矫正[J].中国行政管理,2017(09):48-51.

[20]唐皇凤,冷笑非.村庄合并的政治、社会后果分析:以湖南省AH县为研究个案[J].社会主义研究,2010(06):91-96.

[21]魏璐瑶,陆玉麒.江苏省县域乡村集聚与脆弱性评价[J].地球信息科学学报,2020,22(02):218-230.

[22]贾珊珊,杨菲,冯振环.区域社会系统脆弱性评价——以京津冀都市圈为例[J].商业时代,2014(32):131-132.

[23]邱皓政,林碧芳.结构方程模型的原理与应用[M].北京:中国轻工业出版社,2012:10.

[24]吴明隆.结构方程模型——AMOS的操作与应用[M].重庆:重庆大学出版社,2009:1.

[25]林嵩,姜彦福.结构方程模型理论及其在管理研究中的应用[J].科学学与科学技术管理,2006(02):38-41.

[26]安祥生,陈园园,凌日平.基于结构方程模型的城镇化农民可持续非农生计分析——以晋西北朔州市为例[J].地理研究,2014,33(11):2021-2033.

[27]王文略,朱永甜,黄志刚,等.风险与机会对生态脆弱区农户多维贫困的影响——基于形成型指标的结构方程模型[J].中国农村观察,2019(03):64-80.

[28]刘思峰,党耀国,方志耘,等.灰色系统理论及其应用[M].5版.北京:科学出版社,2014:107.

[29]黄芳铭.结构方程模式理论与应用[M].北京:中国税务出版社,2005:76.

[30]程开明.结构方程模型的特点及应用[J].统计与决策,2006(10):22-25.

[31]孙建欣,吕斌,陈睿,等.城乡统筹发展背景下的村庄体系空间重构策略——以怀柔区九渡河镇为例[J].城市发展研究,2009,16(12):75-81.

[32]李芹芳,许晓婷,杨成斌,等.新农村建设中村庄合并规划研究——以宝鸡市金台区为例[J].农村经济,2008(09):32-34.

Identification of Vulnerability Determinants for Merged Villages

——Based on the Exploratory Research of Experimental Area of Yongning County in NingxiaLIU Xuewu1,WANG Zhongmei2

(1.School of Economics and Management/Research Center for Western Development,Ningxia University;

2.School of Economics and Management,Ningxia University,Yinchuan750021,China)Abstract:The construction of the new merged villages is a major change in the spatial structure and organizational form of traditional villages and towns,and a major adjustment in the livelihood and social structure of villagers. At the initial stage of the merger,the new villages often showed a certain degree of vulnerability due to the inadequate living environment,public infrastructure and public service system.The perturbation,sensitivity and adaptability of vulnerability are potential variables,which cannot be directly observed.The structural equation model is used to estimate the 15 observed variables corresponding to the three potential variables,which effectively eliminates the adverse effects caused by researchers’ subjective judgment,and finally identifies 5 important impact factors.Among them,the level of subsistence allowances and the interaction between the government and the people are important influencing factors of disturbance,pension insurance and policy implementation are important influencing factors of sensitivity,and external transportation is an important influencing factor of adaptability.The gray fixed weight clustering model overcomes the shortcomings of the structural equation model that can only identify important and minor factors,but cannot judge the impact level.The above 5 important impact factors and the county per capita GDP indicator were reevaluated,and finally 4 were identified.Vulnerability determinants,among which the minimum guarantee level is the perturbation determinant of vulnerability,and pension insurance and policy implementation are the sensitive determinants of vulnerability,and the per capita GDP value of the county is the determinant of the adaptability of vulnerability.

Key words:merged villages;vulnerability;structural equation model;grey fixed weight clustering model;determinant

(责任编辑:王倩)

收稿日期:2021-05-17DOI:10.13968/j.cnki.1009-9107.2022.01.08

基金项目:国家自然科学基金项目(41761035);国家社会科学基金项目(17BMZ107);理论经济学西部一流学科建设资金支持项目(NXYLXK2017B04)

作者簡介:刘学武,男,宁夏大学经济管理学院/西部发展研究中心副研究员,博士,主要研究方向为区域经济学。

猜你喜欢
脆弱性结构方程模型
区域生态脆弱性与贫困的耦合关系
基于PSR模型的上海地区河网脆弱性探讨
陕西省资源型城市社会—生态系统脆弱性评价
陕西省资源型城市社会—生态系统脆弱性评价
胶州湾海岸带生态脆弱性时空变化分析
中国西部区域基础设施综合效益评价指标体系构建
学习动机对大学生学习投入的影响:人际互动的中介效应
我国信托业资本配置效率影响因素研究
基于结构方程模型改进ARMA模型参数估计
消费者网络购物行为决策影响因素实证分析