結(jié)合隨機(jī)森林與地理探測器的村域貧困分布格局及其分異機(jī)制分析

葉志超 胡盈盈 羅淑儀 林錦耀 馮艷芬

摘要 鄉(xiāng)村貧困是我國經(jīng)濟(jì)發(fā)展過程中的重要問題，很多相關(guān)研究從定性或定量角度出發(fā)，分析地方或區(qū)域貧困問題，對扶貧脫貧的理論及實(shí)踐產(chǎn)生了重要的意義。運(yùn)用定量研究方法，結(jié)合機(jī)器學(xué)習(xí)與地理探測器分析村級(jí)貧困問題。以廣東省重點(diǎn)扶貧地區(qū)連州市星子鎮(zhèn)為例，選取12個(gè)對星子鎮(zhèn)的貧困發(fā)生率產(chǎn)生影響的潛在因素，基于隨機(jī)森林算法和地理探測器，對該鎮(zhèn)21個(gè)行政村貧困分異的影響因素及其影響程度進(jìn)行分析。結(jié)果表明：隨機(jī)森林算法與地理探測器由于原理的差異，在分析各因子影響力這同一目的的前提下，得出數(shù)據(jù)結(jié)果存在差異;星子鎮(zhèn)的貧困分異是多因子間的共同正向促進(jìn)作用，具有復(fù)雜性，致貧需多模式綜合并行;對于星子鎮(zhèn)這個(gè)自然約束較大的地區(qū)，脫貧更需要著重降低社會(huì)阻隔，通過政策、資源的傾斜減緩社會(huì)阻隔，從而進(jìn)一步促進(jìn)自然約束力的降低，最終達(dá)到脫貧目的。

關(guān)鍵詞 貧困分異;隨機(jī)森林;地理探測器;連州市星子鎮(zhèn)

中圖分類號(hào) K.902文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 0517-6611（2021）02-0248-09

doi：10.3969/j.issn.0517-6611.2021.02.065

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Analysis on the Distribution Pattern and Differentiation Mechanism of Rural Poverty by Combining Random Forest and Geographical Detector

YE Zhichao， HU Yingying， LUO Shuyi et al

（School of Geographical Sciences，Guangzhou University， Guangzhou， Guangdong 510006）

Abstract Rural poverty is an important issue in the process of Chinas economic development. Many related studies analyze the local or regional poverty issues from a qualitative or quantitative perspective， which has important implications for the theory and practice of poverty alleviation.This article mainly used quantitative research methods， combined with machine learning and geographic detectors to analyze villagelevel poverty.Taking Xingzi Town， Lianzhou， a key poverty alleviation area in Guangdong Province as an example， and selecting 12 potential factors that affect the incidence of poverty in Xingzi Town，based on random forest algorithm and geographic detectors， the influencing factors and degree of poverty differentiation of 21 administrative villages in Xingzi Town， Lianzhou City were analyzed. The results indicated： due to the difference in principle between the random forest algorithm and the geographic detector， on the premise of analyzing the influence of various factors， the results are different; poverty differentiation in Xingzi Town is a common positive promoting effect among multiple factors， which means poverty differentiation is complex， and multimode integration is needed to get rid of poverty; for Xingzi Town， a region with greater natural constraints， poverty alleviation needs to focus on reducing social barriers. Through the tilting of policies and resources， social barriers are slowed down， which further promotes the reduction of natural constraints and ultimately achieves the goal of poverty reduction.

Key words Poverty differentiation;Random forest;Geographical detector;Xingzi Town in Lianzhou City

我國尚處于社會(huì)主義初級(jí)階段，區(qū)域經(jīng)濟(jì)分化較為嚴(yán)重，貧富差距較大，且貧困人口多分布在偏遠(yuǎn)的山區(qū)和農(nóng)村。改革開放以來，我國的減貧以消除絕對貧困為目標(biāo)，經(jīng)歷了農(nóng)村改革推動(dòng)減貧，工業(yè)化、城鎮(zhèn)化與開發(fā)式扶貧推動(dòng)減貧，補(bǔ)齊全面建成小康社會(huì)短板推動(dòng)減貧3個(gè)階段[1]，精準(zhǔn)扶貧、鄉(xiāng)村振興戰(zhàn)略正有條不紊地開展。國家提出“精準(zhǔn)扶貧”戰(zhàn)略，旨在運(yùn)用科學(xué)方法對扶貧對象實(shí)施精確識(shí)別、精確幫扶與精確管理[2]。隨后黨的十九大報(bào)告進(jìn)一步提出“鄉(xiāng)村振興”戰(zhàn)略，集中力量堅(jiān)決打贏脫貧攻堅(jiān)戰(zhàn)。扶貧工作要自上而下從“貧困區(qū)域—貧困村—貧困戶”逐步細(xì)化扶貧對象，真正做到“精準(zhǔn)化”。

為實(shí)現(xiàn)精準(zhǔn)扶貧，國內(nèi)外許多學(xué)者聚焦我國農(nóng)村貧困識(shí)別及分異機(jī)制問題。研究方向主要集中在中國貧困化特征與貧困化主導(dǎo)因素識(shí)別上[3]。在數(shù)據(jù)處理與運(yùn)用上，比較常見的處理方法是主成分分析法，該方法被運(yùn)用在發(fā)展中國家公共衛(wèi)生的相關(guān)研究上[4]，而在地理信息方面，結(jié)合夜間燈光數(shù)據(jù)對區(qū)域貧困展開探討也較為常見[5-6]。

地理探測器由王勁峰和徐成東等提出[7]，目前學(xué)者對地理探測器的相關(guān)研究主要包括其原理以及應(yīng)用，地理探測器的應(yīng)用領(lǐng)域十分廣泛并且較為成熟，如公共健康、自然災(zāi)害、旅游、生態(tài)環(huán)境等。在貧困研究上也得到較多應(yīng)用，其內(nèi)容主要涉及農(nóng)村貧困化分異機(jī)制的地理探測與優(yōu)化決策[8-9]、生態(tài)脆弱區(qū)貧困化的特征識(shí)別[10]、鄉(xiāng)村反貧困績效評(píng)估等[11]。在機(jī)器學(xué)習(xí)方面，相關(guān)學(xué)者大多使用神經(jīng)網(wǎng)絡(luò)模型研究貧困問題，常見的模型為BP神經(jīng)網(wǎng)絡(luò)，該模型可運(yùn)用在研究集中連片特困區(qū)的區(qū)域貧困空間特征[12-13]。隨機(jī)森林是近幾年發(fā)展起來的一種新算法，在分類與回歸方面比神經(jīng)網(wǎng)絡(luò)具有更優(yōu)異的表現(xiàn)。尤其隨機(jī)森林預(yù)測精度較高，不易過度擬合、具有較好的容噪聲能力，能處理海量數(shù)據(jù)且對高維數(shù)據(jù)無需進(jìn)行變量篩選[14]。但目前隨機(jī)森林模型多用于生物信息、醫(yī)學(xué)、遺傳學(xué)以及經(jīng)濟(jì)領(lǐng)域，主要是進(jìn)行預(yù)測、建模和算法的內(nèi)部優(yōu)化研究，在社會(huì)現(xiàn)象尤其貧困方面運(yùn)用較少。

從現(xiàn)有研究成果來看，國內(nèi)農(nóng)村貧困化的相關(guān)研究仍以定性居多，主要包括農(nóng)村貧困化機(jī)理、原因、政策等方面，而對農(nóng)村貧困化地域分異機(jī)制的定量研究較少。原因主要是我國農(nóng)村貧困統(tǒng)計(jì)數(shù)據(jù)缺乏，現(xiàn)有定量研究仍主要以較大尺度（如省級(jí)和縣級(jí)）為研究單元，難以精準(zhǔn)揭示鄉(xiāng)村貧困的地理分布狀況。而恰恰村鎮(zhèn)是城鄉(xiāng)地域系統(tǒng)的重要組成部分，村鎮(zhèn)建設(shè)對于實(shí)現(xiàn)城鄉(xiāng)統(tǒng)籌、促進(jìn)城鄉(xiāng)要素有序流動(dòng)和鄉(xiāng)村轉(zhuǎn)型發(fā)展具有重要意義[15]。因此，筆者綜合隨機(jī)森林模型與地理探測器，擬診斷出鎮(zhèn)域農(nóng)村貧困化分異的主導(dǎo)因素，揭示農(nóng)村貧困化分異特征及其動(dòng)力機(jī)制，同時(shí)使兩模型運(yùn)行結(jié)果互相驗(yàn)證，分析兩種算法的異同。

1 研究區(qū)概況與數(shù)據(jù)說明

1.1 研究區(qū)概況

該研究區(qū)域?yàn)閺V東省連州市星子鎮(zhèn)（圖1），其位于連州市東北部，是廣東的“北大門”，處于小北江的上游，地理坐標(biāo)23°51′30″～25°08′00″N，112°25′00″～112°47′00″E。連州市地形以山地丘陵居多，由五大山脈連成一體且?guī)r系構(gòu)造復(fù)雜，土地肥瘠不勻。其中星子鎮(zhèn)以農(nóng)業(yè)生產(chǎn)為主，耕地資源東西分布不均，鎮(zhèn)區(qū)地處小盆地，東北部為大東山脈。星子鎮(zhèn)屬亞熱帶季風(fēng)氣候，全年雨量充沛，平均年總雨量達(dá)1 612.2 mm。區(qū)域內(nèi)礦藏分布廣泛、電力資源豐富。全鎮(zhèn)總面積462.5 km2，下轄1個(gè)社區(qū)居委會(huì)，20個(gè)村委會(huì)，總?cè)丝?.82萬。但受自然與社會(huì)雙重因素限制，星子鎮(zhèn)新時(shí)期省定相對貧困人口村達(dá)11個(gè)，其中有貧困戶1 443戶，共3 478人，低保戶593戶，共1 352人，五保戶279戶，共295人。目前星子鎮(zhèn)面臨較為嚴(yán)峻的貧困問題，因此理清主要致貧因素，對區(qū)域開展精準(zhǔn)扶貧具有重要意義。

1.2 指標(biāo)選取與數(shù)據(jù)來源

貧困的影響因素具有復(fù)雜多變性，依據(jù)其屬性分為自然環(huán)境和社會(huì)經(jīng)濟(jì)兩大類。但其構(gòu)成要素各異，沒有統(tǒng)一的標(biāo)準(zhǔn)。圍繞以農(nóng)業(yè)發(fā)展為主的貧困地區(qū)應(yīng)形成“公共政策-農(nóng)業(yè)發(fā)展-減貧效應(yīng)”復(fù)合減貧系統(tǒng)，協(xié)調(diào)系統(tǒng)發(fā)展態(tài)勢，實(shí)現(xiàn)減貧[16];參考中國農(nóng)村多維貧困相關(guān)研究[17];考慮數(shù)據(jù)的可獲取性;遵循因素選擇可空間量化原則、主導(dǎo)性原則、因地制宜原則[18]，筆者選取12個(gè)指標(biāo)作為模型的自變量因子，具體選取的影響因素及其數(shù)據(jù)來源見表1。表1簡述的影響因素，在影響機(jī)制上部分表現(xiàn)為雙向互為因果關(guān)系，部分表現(xiàn)為共線性特征[19]，由于反映的側(cè)重點(diǎn)不同，且地理探測器和隨機(jī)森林模型均不受共線性影響，故允許其共存。此外，選取星子鎮(zhèn)村級(jí)單位的貧困發(fā)生率作為衡量研究區(qū)域村鎮(zhèn)尺度貧困程度的指標(biāo)，即模型的因變量。該指標(biāo)由2017年村內(nèi)已知貧困人口數(shù)與村內(nèi)總?cè)丝跀?shù)比產(chǎn)生。

1.3 數(shù)據(jù)預(yù)處理

為了數(shù)據(jù)空間尺度的統(tǒng)一，首先應(yīng)結(jié)合實(shí)際情況進(jìn)行相關(guān)的數(shù)據(jù)預(yù)處理。其中屬性數(shù)據(jù)需要通過公共字段關(guān)聯(lián)到空間數(shù)據(jù)中，空間數(shù)據(jù)統(tǒng)一采用Xian_1980_3_Degree_GK_Zone_38投影坐標(biāo)系，最終利用ArcGIS10.2軟件處理得到12個(gè)尺度一致的柵格數(shù)據(jù)，每一數(shù)據(jù)柵格單元設(shè)定為10 m×10 m。各指標(biāo)見圖2。

DEM 數(shù)據(jù)來源于地理空間數(shù)據(jù)云網(wǎng)站（http：//www.gscloud.cn/）提供的SRTMDEM數(shù)據(jù)集，空間分辨率為90 m。NDVI數(shù)據(jù)來源于地理空間數(shù)據(jù)云網(wǎng)站的MODIS陸地產(chǎn)品數(shù)據(jù)集（MYD13Q1），空間分辨率為250 m，覆蓋星子鎮(zhèn)全境。獲取上述數(shù)據(jù)后，利用ArcGIS 10.2軟件進(jìn)行拼接、重投影、裁剪等操作得出結(jié)果。土地利用矢量數(shù)據(jù)通過連州市土地利用數(shù)據(jù)庫獲得。采用歐氏距離算法求解村莊各像元點(diǎn)中心與水域、道路、采礦用地、鄉(xiāng)鎮(zhèn)中心的距離以獲得像元點(diǎn)到目標(biāo)像元的最短距離，運(yùn)行后生成對應(yīng)柵格數(shù)據(jù)。此外，在ArcGIS 10.2軟件將人口統(tǒng)計(jì)、貧困人數(shù)、耕地面積、勞動(dòng)力比重、醫(yī)保覆蓋比重、養(yǎng)老保險(xiǎn)覆蓋比重、美麗鄉(xiāng)村建設(shè)數(shù)量等相關(guān)屬性數(shù)據(jù)與對應(yīng)村空間數(shù)據(jù)進(jìn)行關(guān)聯(lián)，并將所需空間數(shù)據(jù)轉(zhuǎn)為柵格數(shù)據(jù)。其中政策量化數(shù)據(jù)是通過柵格計(jì)算器對3個(gè)指標(biāo)（美麗鄉(xiāng)村建設(shè)數(shù)量、醫(yī)保覆蓋比重、養(yǎng)老保險(xiǎn)覆蓋比重）各賦值1/3權(quán)重疊加得到。POI數(shù)據(jù)通過百度地圖（http：//lbsyun.baidu.com/）提供的Place API接口獲取，利用歐氏距離計(jì)算工具，經(jīng)裁剪處理獲得。

2 研究方法

2.1 隨機(jī)森林算法

隨機(jī)森林（random forest）是一種基于分類樹的算法，通過產(chǎn)生多個(gè)分類樹來生成結(jié)果，即在特征的選取和數(shù)據(jù)的選取上進(jìn)行隨機(jī)化，生成分類樹并匯總其結(jié)果[20]。該算法需要模擬和迭代，是目前最為先進(jìn)的機(jī)器學(xué)習(xí)方法之一，例如有學(xué)者提出其用于遙感分類的精度較高[21]。隨機(jī)森林是以K個(gè)決策樹{h（X，k，k= 1，2，…，K}為基本分類單元，進(jìn)行集成學(xué)習(xí)后得到的一個(gè)組合分類器。通過隨機(jī)選擇樣本和隨機(jī)選擇特征子集來生成大量的樹，最終的分類決策可用式（1）表示。

H（x）=argmaxYkiI（hi（x）=Y）（1）

式中，H（x）表示分類組合模型，hi是單個(gè)決策樹分類模型，I（·）為示性函數(shù)（示性函數(shù)是指一個(gè)函數(shù)使得當(dāng)集合內(nèi)有此數(shù)時(shí)值為1，當(dāng)集合內(nèi)無此數(shù)時(shí)值為 0），Y表示目標(biāo)變量（或稱輸出變量）。

筆者在Matlab平臺(tái)上構(gòu)建隨機(jī)森林回歸模型，設(shè)置樹的數(shù)量（ntree），并根據(jù)袋外誤差（out-of-bag error）衡量各因子的重要性。采用兩項(xiàng)評(píng)價(jià)指標(biāo)檢驗(yàn)?zāi)Ｐ徒Y(jié)果的精度：其一為平均絕對誤差MAE，全稱Mean absolute error，它表示預(yù)測值和觀測值之間絕對誤差的平均值。MAE的值越小，說明預(yù)測模型擁有更好的精確度;其二為誤差平方和SSE，全稱The sum of squares due to error，該統(tǒng)計(jì)參數(shù)計(jì)算的是擬合數(shù)據(jù)和原始數(shù)據(jù)對應(yīng)點(diǎn)的誤差的平方和，SSE越接近于0，說明模型選擇和擬合更好，數(shù)據(jù)預(yù)測也越成功。綜上MAE和SSE的值越小，模型的可用性越高，以此判斷結(jié)果的可信程度。

SSE=Ni=1wi（yi-i）2（2）

MAE=Ni=1|（yi-i）|n（3）

式（2）和式（3）中，N為樣本觀察值的數(shù)量，yi表示實(shí)測數(shù)據(jù)即第i個(gè)村莊的實(shí)測貧困發(fā)生率，i表示擬合的數(shù)據(jù)即第i個(gè)村莊的擬合貧困發(fā)生率，其中wi>0。

2.2 地理探測器

地理探測器是王勁峰等提出的一種評(píng)價(jià)樣本空間分異性和自變量分異對因變量分異影響力的統(tǒng)計(jì)學(xué)方法，其核心思想是基于以下假設(shè)：如果某個(gè)自變量對因變量有重要影響，那么該自變量和因變量的空間分布應(yīng)該具有相似性[7]。地理探測器共分為4個(gè)部分，筆者所用的探測器主要為分異及因子探測器、交互作用探測器。

分異及因子探測器：探測變量Y的空間分異性，以及探測某變量X在多大程度上解釋了變量Y的空間分異性。分異性強(qiáng)度用q值度量，表達(dá)式為：

q=1-Lh=1NhNσ2σ2h=1-SSWWWT（4）

SSW=Lh=1Nhσ2h（5）

SST=Nσ2（6）

式中，h=1，…，L為因素X的分層;Nh和N分別為層h和研究區(qū)的單元數(shù);σh2和σ2分別為層h和研究區(qū)的貧困發(fā)生率水平（Y）的方差，SSW為層內(nèi)方差之和，SST為研究區(qū)總方差。q的值域?yàn)閇0，1]，值越大說明Y的空間分異性越明顯;如果分層是由自變量X生成的，則q值越大表示自變量X對變量Y的解釋力越強(qiáng)，反之則越弱。極端情況下，q值為1表明變量 X完全控制了Y的空間分布，q值為0則表明變量X與Y沒有任何關(guān)系，q值表示X對Y的解釋率為 100×q%。

交互作用探測器：識(shí)別不同風(fēng)險(xiǎn)變量Xs之間的交互作用，即評(píng)估變量 X1和X2共同作用時(shí)是否會(huì)增加或減弱對因變量Y的解釋力，或這些變量對Y的影響是否為相互獨(dú)立的，變量的關(guān)系分為5類，見圖3。

3 結(jié)果與分析

3.1 貧困現(xiàn)狀

根據(jù)貧困發(fā)生率衡量連州市星子鎮(zhèn)的貧困空間分布狀況。貧困發(fā)生率，是指貧困人口數(shù)占總?cè)丝跀?shù)的比率。由圖4可觀察，連州市星子鎮(zhèn)的貧困發(fā)生率從空間格局上看，不具有明顯分布特征。其中貧困高發(fā)區(qū)主要分布在3個(gè)區(qū)域，即以周聯(lián)、姜聯(lián)為主的西北部地區(qū);清江、東上、沈家、上莊為主的西部地區(qū)和以星子社區(qū)、聯(lián)西、新村為界的以北和以東部分地區(qū)。貧困發(fā)生率大于等于10%的有2個(gè)行政村，分別是貧困發(fā)生率最高的四方村，為13.03%，和貧困發(fā)生率為10%的清江村。貧困發(fā)生率最低的為1.61%的星子社區(qū)，也是星子鎮(zhèn)鎮(zhèn)政府的所在地。

3.2 隨機(jī)森林回歸分析

3.2.1 隨機(jī)森林運(yùn)行。

通過ArcGIS 10.2創(chuàng)建1 300個(gè)隨機(jī)點(diǎn)，采樣提取數(shù)值，將未提取出的邊緣值進(jìn)行刪除后，最終得到1275個(gè)有效樣本數(shù)據(jù)，作為選取測試樣本和訓(xùn)練樣本的初始數(shù)據(jù)。為避免偶然現(xiàn)象的發(fā)生，從初始數(shù)據(jù)中隨機(jī)選取5組測試樣本與訓(xùn)練樣本。分別在Matlab進(jìn)行隨機(jī)森林模型的構(gòu)建，得出相應(yīng)因子的重要性以及模型精度（表2）。并采用MAE、SSE兩個(gè)參數(shù)（式2和3）來衡量隨機(jī)森林模型對于樣本的擬合程度，來確定隨機(jī)森林模型的可用性。MAE和SSE的值越小，模型的可用性越高，以此判斷結(jié)果的可信程度。

在進(jìn)行隨機(jī)森林運(yùn)行前，先采用初始數(shù)據(jù)調(diào)試決策樹的數(shù)量，將樹的數(shù)量分別設(shè)置為10、100、1 000，發(fā)現(xiàn)隨機(jī)森林結(jié)果未見明顯差別，最終將決策樹數(shù)量設(shè)置為100。由表2可知，MAE和SSE的值均小于0.1，說明5組訓(xùn)練樣本的擬合程度較好，預(yù)測精度較高，即隨機(jī)森林模型的可用性高。圖5展示了5組隨機(jī)森林模型得出的因子重要性，結(jié)果表明該研究所選取的12個(gè)因子重要性均為正值，均對貧困發(fā)生率起正向作用。其中勞動(dòng)力比、政策因素和人均耕地面積這3個(gè)因子對研究區(qū)域的貧困發(fā)生率影響較大，而距道路距離、距水域距離和距政府機(jī)構(gòu)距離則對研究區(qū)域的貧困發(fā)生率具有較小的決定力。

3.2.2 隨機(jī)森林結(jié)果分析。

通過5組隨機(jī)森林結(jié)果的平均值（圖6）可知，筆者選取的12個(gè)因子均對貧困發(fā)生率有正向作用，決定力由大到小為人均耕地面積（X5）>政策因素（X12）>勞動(dòng)力比（X6）>高程（X9）>距鄉(xiāng)鎮(zhèn)中心距離（X7）>距教育機(jī)構(gòu)距離（X8）>距采礦用地距離（X11）>距醫(yī)療機(jī)構(gòu)距離（X3）>NDVI（X1）>距政府機(jī)構(gòu)距離（X2）>距水域距離（X4）>距道路距離（X10）?？梢?，人均耕地面積、政策因素、勞動(dòng)力比和高程對星子鎮(zhèn)的貧困發(fā)生率有較大的正向決定力，而距政府機(jī)構(gòu)距離、距水域距離和距道路距離則對星子鎮(zhèn)的貧困發(fā)生率有較小的正向影響。

3.3 地理探測器分析

3.3.1 地理探測器運(yùn)行。

地理探測器與隨機(jī)森林運(yùn)用同一份隨機(jī)點(diǎn)數(shù)據(jù)，通過采樣工提取數(shù)值。對于樣本提取，兩者在因子處理上略有不同，隨機(jī)森林所使用的數(shù)據(jù)均為連續(xù)變量，地理探測器所使用的數(shù)據(jù)均為類型變量。將未提取出的邊緣值刪除后，得到1 275個(gè)有效樣本數(shù)據(jù)。由于地理探測器結(jié)果穩(wěn)定，只對這1 275個(gè)樣本數(shù)據(jù)運(yùn)行一次得出結(jié)果。

3.3.2 因子影響力分析。

通過因子探測器得出因子探測結(jié)果（表3）。從結(jié)果可知各因子對貧困分異的解釋力各不相同，按其q值排序?yàn)槿司孛娣e（X5）>政策因素（X12）>距教育機(jī)構(gòu)距離（X8）>高程（X9）>距鄉(xiāng)鎮(zhèn)中心距離（X7）>NDVI（X1）>距醫(yī)療機(jī)構(gòu)距離（X3）>距道路距離（X10）>

勞動(dòng)力比（X6）>距政府機(jī)構(gòu)距離（X2）>距水域距離（X4）>距采礦用地距離（X11）。其中人均耕地面積、政策因素、距教育機(jī)構(gòu)距離、高程的q值相對較大，是對貧困分異影響最大的4個(gè)因子，距政府機(jī)構(gòu)距離、距水域距離及距采礦用地距離的q值相對較小，對貧困分異的影響最不明顯。

3.3.3 因子交互作用分析。

從交互探測的結(jié)果（表4）可以看出，兩因子相交的作用力普遍大于單因子的作用力，在該研究中交互作用類型有非線性增強(qiáng)和雙因子增強(qiáng)兩種，這也體現(xiàn)出一個(gè)地區(qū)的貧困分異往往是多方面的因素共同造成，而非某個(gè)單因子起決定作用。如X2與除X5和X10外的所有因子呈非線性增強(qiáng)，X4與任意因子交互都呈非線性增強(qiáng)。且結(jié)合表3與表4，可知即使X4與X11因子的q值不高，單個(gè)因子解釋力很小，但是與其他因子進(jìn)行交互作用后呈現(xiàn)非線性增強(qiáng)效應(yīng)，對貧困分異的解釋力明顯增強(qiáng)。此外，在68對交互因子中（除去因子與其自身交互的情況），X5∩X12的q值為0.78，是所有交互因子中q值最大的一對，說明X5與X12的共同作用會(huì)比其他兩兩因子組合對貧困分異的影響更大。X4∩X11 q值最小，僅為0.062，說明X4與X11的共同作用影響力較小。

3.4 隨機(jī)森林結(jié)果與地理探測器結(jié)果對比

隨機(jī)森林通過袋外誤差來確定因子的重要性，地理探測器通過因子探測的q值來確定因子重要性。對兩者因子結(jié)果進(jìn)行對比，如表5所示，大多數(shù)因子排序較為一致，其中重要性完全一致的因子共有6個(gè)。無論隨機(jī)森林還是地理探測器最為重要的因子均為X5（人均耕地面積）和X12（政策因素），說明這兩個(gè)因子對星子鎮(zhèn)的貧困分異影響較大，且較為穩(wěn)定。在其他非一致因子中，部分因子排序較近，相差位數(shù)不大，僅X6（勞動(dòng)力比）存在明顯不一致現(xiàn)象。在隨機(jī)森林結(jié)果中勞動(dòng)力比排列在第3位，但在地理探測器中，勞動(dòng)力比排列在第9位。

3.5 貧困分異機(jī)制分析

結(jié)合隨機(jī)森林算法與地理探測器結(jié)果可知，星子鎮(zhèn)貧困分異的主導(dǎo)因子主要有5個(gè)：人均耕地面積、政策因素、距教育機(jī)構(gòu)距離、勞動(dòng)力比以及高程。而距水域距離及距政府機(jī)構(gòu)距離的重要性在2種結(jié)果中都較靠后，屬于非重要因子。

3.5.1 自然約束。

地區(qū)的貧困很大程度上取決于其自身的先天條件，如資源的豐欠、地勢的高低、水源的遠(yuǎn)近等都與貧困緊密相關(guān)。筆者通過隨機(jī)森林算法與地理探測器的分析，發(fā)現(xiàn)對星子鎮(zhèn)貧困分異影響較大的自然因子為高程。此外人均耕地雖不能嚴(yán)格當(dāng)作自然因子，但在農(nóng)村地區(qū)，耕地的水準(zhǔn)與地區(qū)土壤肥沃度、地勢起伏度等自然因子關(guān)聯(lián)性更大，在一定程度上也可作為自然因子考慮。雖然貧困地區(qū)先天帶有的自然約束在貧困分異上往往起著重大的作用，但卻難以得到有效根除。

對于星子鎮(zhèn)而言，東南部及西北部地勢較高，中部最低。復(fù)雜的地理環(huán)境對貧困的空間分布一般具有相當(dāng)強(qiáng)的正向驅(qū)動(dòng)作用[22]，但是由于其他因子的中和作用，使得高程因子的作用力得到一定減弱。此外，星子鎮(zhèn)目前仍以發(fā)展第一產(chǎn)業(yè)為主，人均耕地對星子鎮(zhèn)的貧困發(fā)生率有較大的影響，在數(shù)據(jù)處理過程中發(fā)現(xiàn)其全鎮(zhèn)耕地面積占全鎮(zhèn)土地總面積的13.81%，有效耕地面積卻僅占總耕地面積的15.97%，能夠得到有效利用的耕地資源并不多，這也使得星子鎮(zhèn)的貧困進(jìn)一步的加深。

3.5.2 社會(huì)阻隔。

除地區(qū)的先天性因素外，后天的社會(huì)經(jīng)濟(jì)因素對貧困分異同樣有著較強(qiáng)的影響力，有時(shí)甚至能成為主導(dǎo)因素。如政府權(quán)力的最大有效影響半徑，社會(huì)資源分配的均衡性等，都往往會(huì)產(chǎn)生一定的社會(huì)阻隔[23]，難以顧及所有地區(qū)。該研究中影響最大的社會(huì)因子為政策因素，此外教育資源也是影響較大的社會(huì)因子。從圖2政策因子中可看出，中部距離鎮(zhèn)中心較近的村，受到的政策幫扶明顯高于西北部地區(qū)，東部地區(qū)考慮到水庫的存在，會(huì)有一定政策的偏重。同政策因子一樣的原理，越接近鎮(zhèn)中心，教育機(jī)構(gòu)數(shù)量越多，對地區(qū)的脫貧也就更有幫助。該結(jié)果中不難得知，距地區(qū)經(jīng)濟(jì)中心越遠(yuǎn)，其經(jīng)濟(jì)約束越大。而距市中心較遠(yuǎn)的星子鎮(zhèn)，由于在接受社會(huì)資源分配的時(shí)候，處于一個(gè)稍劣勢的地位，所分配的資源有限，也就造成了整體的相對貧困。

綜合來看，自然約束與社會(huì)阻隔往往是相互促進(jìn)、相輔相成的，共同作用于貧困。對于此案例而言，高程越大的地區(qū)社會(huì)資源輸入也較為不便，除去政策因子這個(gè)幫扶性主觀性較強(qiáng)的因子來看，高程越大其教育資源與醫(yī)療資源等也相對欠缺;而教育資源與醫(yī)療資源的欠缺，也無形中使得人們改變自然約束的能力減弱，增強(qiáng)了自然約束的影響力。

4 結(jié)論與討論

筆者通過隨機(jī)森林算法與地理探測器，以廣東省連州市星子鎮(zhèn)21個(gè)村為例，探討了村級(jí)貧困分異的主導(dǎo)因素及其機(jī)制，揭示了貧困分異的復(fù)雜性，在精準(zhǔn)扶貧背景下具有一定的指導(dǎo)意義，主要結(jié)論與分析如下：

4.1 隨機(jī)森林與地理探測器結(jié)果存在一定差異

這2種分析方法均可衡量12個(gè)因子對星子鎮(zhèn)貧困發(fā)生率的影響程度，但從表5可知所得結(jié)果存在一定差異。這種差異存在很多原因，對于地理探測器而言，不同的離散化方法和分類數(shù)量都會(huì)影響到地理探測器的分析精度[24]。且地理探測器的分析基礎(chǔ)是統(tǒng)計(jì)關(guān)系，而非因果關(guān)系，這就使得其結(jié)果存在一定局限性[25];對于隨機(jī)森林而言，數(shù)據(jù)的不平衡會(huì)造成少數(shù)類樣本識(shí)別率低的問題，不同的參數(shù)設(shè)置會(huì)影響模型的精度。兩者各有優(yōu)劣，但與地理探測器相比，隨機(jī)森林不僅僅可以衡量因子的重要性，還可以基于所構(gòu)建的數(shù)學(xué)模型，進(jìn)一步實(shí)現(xiàn)貧困發(fā)生率的預(yù)測和貧困戶的識(shí)別，在這一方面筆者未作深入研究。

4.2 地區(qū)的貧困分異具有復(fù)雜性

對于單一主導(dǎo)因子來說，貧困發(fā)生與治理都較為明確，易于分析處理。但多數(shù)情況下，地區(qū)的貧困是多種因素共同發(fā)生作用，情況復(fù)雜。根據(jù)地理探測器中交互探測結(jié)果可知，星子鎮(zhèn)的致貧因子基本都為相互增強(qiáng)的關(guān)系，不存在單一因子發(fā)生作用的情況。因子的共同作用，使得星子鎮(zhèn)貧困分異更加明顯，也加大了扶貧的難度。在實(shí)際工作過程中，治貧也需要綜合各個(gè)因子的重要程度及其相互作用，發(fā)展不同的治貧模式。

4.3 對于自然約束較大的地區(qū)，脫貧需要著重降低社會(huì)阻隔

在研究中，自然約束與社會(huì)阻隔相互作用，共同影響著星子鎮(zhèn)的貧困分異。但自然約束往往很難進(jìn)行改變，長期的存在不斷加強(qiáng)著貧困地區(qū)的社會(huì)阻隔，使得貧困度越來越嚴(yán)重;而對于社會(huì)阻隔來說，只要有足夠的人力物力財(cái)力的投入，可以在特定時(shí)間特定空間較大程度上改善貧困。如該研究結(jié)果中可以直觀地發(fā)現(xiàn)政策因子的重要性，對于星子鎮(zhèn)這

個(gè)距離連州市中心較遠(yuǎn)的鄉(xiāng)鎮(zhèn)來說，很多社會(huì)資源難以輸

入。對于它的脫貧，若著重于解決自然約束，將會(huì)導(dǎo)致資金花費(fèi)大而治理效果低的局面。相反，通過加大政策的傾斜與資源的輸入，來降低社會(huì)阻隔，如教育扶持、基礎(chǔ)設(shè)施建設(shè)等，對星子鎮(zhèn)的脫貧會(huì)有很大幫助。

參考文獻(xiàn)

[1] 葉興慶，殷浩棟.從消除絕對貧困到緩解相對貧困：中國減貧歷程與2020年后的減貧戰(zhàn)略[J].改革，2019（12）：5-15.

[2] 王瑞芳.精準(zhǔn)扶貧：中國扶貧脫貧的新模式、新戰(zhàn)略與新舉措[J].當(dāng)代中國史研究，2016，23（1）：82-85.

[3] LIU Y S，LIU J L，ZHOU Y.Spatiotemporal patterns of rural poverty in China and targeted poverty alleviation strategies[J].Journal of rural studies，2017，52：66-75.

[4] SU S L，GONG Y，TAN B Q，et al.Area social deprivation and public health：Analyzing the spatial nonstationary associations using geographically weighed regression[J].Social indicators research，2017，133（3）：819-832.

[5] WANG W，CHENG H，ZHANG L.Poverty assessment using DMSP/OLS nighttime light satellite imagery at a provincial scale in China[J].Advances in space research，2012，49（8）：1253-1264.

[6] YU B L，SHI K F，HU Y J，et al.Poverty evaluation using NPPVIIRS nighttime light composite data at the county level in China[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015，8（3）：1217-1229.

[7] 王勁峰，徐成東.地理探測器：原理與展望[J].地理學(xué)報(bào)，2017，72（1）：116-134.

[8] 劉彥隨，李進(jìn)濤.中國縣域農(nóng)村貧困化分異機(jī)制的地理探測與優(yōu)化決策[J].地理學(xué)報(bào)，2017，72（1）：161-173.

[9] 蔣潞遙，廖和平，曾于珈，等.山區(qū)農(nóng)村貧困化分異機(jī)制探討[J].湖北農(nóng)業(yè)科學(xué)，2018，57（19）：28-34.

[10] 夏四友，趙媛，文琦，等.喀斯特生態(tài)脆弱區(qū)貧困化時(shí)空動(dòng)態(tài)特征與影響因素：以貴州省為例[J].生態(tài)學(xué)報(bào)，2019，39（18）：6869-6879.

[11] 譚雪蘭，蔣凌霄，米勝淵，等.湖南省縣域鄉(xiāng)村反貧困績效評(píng)價(jià)與空間分異特征[J].地理科學(xué)，2019，39（6）：938-946.

[12] 劉一明，胡卓瑋，趙文吉，等.基于BP神經(jīng)網(wǎng)絡(luò)的區(qū)域貧困空間特征研究：以武陵山連片特困區(qū)為例[J].地球信息科學(xué)學(xué)報(bào)，2015，17（1）：69-77.

[13] 曾永明，張果.基于GIS和BP神經(jīng)網(wǎng)絡(luò)的區(qū)域農(nóng)村貧困空間模擬分析——一種區(qū)域貧困程度測度新方法[J].地理與地理信息科學(xué)，2011，27（2）：70-75.

[14] 嚴(yán)夢佳，鐘平安，閆海濱，等.基于隨機(jī)森林的水電站發(fā)電調(diào)度規(guī)則研究[J].水力發(fā)電，2018，44（1）：85-89.

[15] 屠爽爽，龍花樓，李婷婷，等.中國村鎮(zhèn)建設(shè)和農(nóng)村發(fā)展的機(jī)理與模式研究[J].經(jīng)濟(jì)地理，2015，35（12）：141-147，160.

[16] 蔣輝，劉兆陽.貧困地區(qū)公共政策、農(nóng)業(yè)發(fā)展與減貧的耦合協(xié)調(diào)分析：基于貴州、云南、安徽三省數(shù)據(jù)的實(shí)證分析[J].經(jīng)濟(jì)地理，2016，36（11）：132-140.

[17] LI G E，CAI Z L，LIU J，et al.Multidimensional poverty in rural China：Indicators，spatiotemporal patterns and applications[J].Social indicators research，2019，144（3）：1099-1134.

[18] 常敏.貧困村致貧因素探測及其土地資源利用[D].廣州：廣州大學(xué)，2018.

[19] 王超，闞璦珂，曾業(yè)隆，等.基于隨機(jī)森林模型的西藏人口分布格局及影響因素[J].地理學(xué)報(bào)，2019，74（4）：664-680.

[20] BREIMAN L.Random forests[J].Machine learning，2001，45（1）：5-32.

[21] PAL M.Random forest classifier for remote sensing classification[J].International journal of remote sensing，2005，26（1）：217-222.

[22] 周蕾，熊禮陽，王一晴，等.中國貧困縣空間格局與地形的空間耦合關(guān)系[J].經(jīng)濟(jì)地理，2017，37（10）：157-166.

[23] 劉小鵬，李偉華，王鵬，等.發(fā)展地理學(xué)視角下欠發(fā)達(dá)地區(qū)貧困的地方分異與治理[J].地理學(xué)報(bào)，2019，74（10）：2108-2122.

[24] CAO F，GE Y，WANG J F.Optimal discretization for geographical detectorsbased risk assessment[J].GIScience & Remote Sensing，2013，50（1）：78-92.

[25] 通拉嘎，徐新良，付穎，等.地理環(huán)境因子對螺情影響的探測分析[J].地理科學(xué)進(jìn)展，2014，33（5）：625-635.