县域财政扶贫影响因素及时空变化分析

黄长江 周亮广 邓凯 袁慧慧

摘要：以安徽省舒城县为例，利用GIS地图制图和空间分析功能，动态展示贫困地区脱贫进程，运用空间分析、时空地理加权回归和地理探测器等方法分析脱贫的影响力因素。研究发现：舒城县的脱贫人口在空间上西南多东北少，在时间上2014—2017年大致呈逐年递增的趋势，且2017年的增幅最高;财政资金投入对脱贫人口数量影响较为显著，且在2014—2017年中β系数在不断地增大，同时地理探测因子影响力：基础设施建设投入>医疗卫生投入>城乡建设投入>农林水利投入>公共服务投入>教育文化投入。

关键词：贫困化;财政资金分配;时空地理加权回归模型;地理探测器;舒城县

中图分类号：TP273文献标志码：A

文章编号：2095-5383（2018）04-0094-07

对财政资金投入及扶贫效果的时空变化进行研究，对于提高扶贫的速度与质量具有重要的意义。随着我国经济的发展，财政资金对扶贫支持力度不断提高，使成千上万的人摆脱了贫困[1]，经济新常态的发展背景要求新时期扶贫工作应重视财政资金配置效率以及扶贫质量的提高[2]。众多学者对于扶贫的资金及效果进行了研究，王建平以西藏为例，建立了财政资金与贫困人口数量和贫困人口收入模型，证明财政资金投向不同产生差异较大[3]。张全红利用回归模型对我国财政投入与贫困变化进行了长期研究，发现财政資金短期扶贫效果明显[4]。宋邻西利用层次分析法从投入、运行和结果3个层次对财政资金的扶贫效果进行研究[5]。倪志良[6]、高波[7]、肖唯楚[8]等都对财政资金和扶贫效果进行了分析探究。

目前对于财政资金扶贫效果的研究以定性为主，并未对扶贫资金类别与投向对贫困人口数量变化的影响进行系统定量分析，因而难以对扶贫资金的分配和投资方向提供更加具有建设性的意见和建议。在实际工作中我们会发现，时空尺度的变化会直接影响财政对扶贫效果的判定，从而会给扶贫政策的制定带来不确定性，增加财政资金使用的难度[9]，因此，对贫困地区财政资金及其扶贫效果进行研究，寻找其内在演化规律和驱动力因素，对于提高财政资金减贫的质量和效率具有重要的意义。

自国家“八七”扶贫攻坚以来，舒城县被列入国家贫困县。以舒城县为例，以乡镇为单位，利用ArcGIS制图和空间分析功能，展示和分析2014—2017年扶贫的时空动态变化情况;采用时空地理加权回归（GTWR）对2014—2017年贫困人口减少数量及其影响因子进行分析，探索了不同因子的时空影响变化，然后利用地理探测器中因子探测方法，将脱贫人数作为因变量，各项指标作为自变量，分别与贫困人口数量进行空间探测，得出各项财政指标因子对贫困人口数量的影响力，最终诊断出舒城县乡镇财政扶贫的主导力因素。

1研究区域与数据来源

1.1研究区域

舒城县隶属安徽省六安市，位于长三角纵深腹地，是合肥经济圈重要的组成部分。舒城县下辖15个镇，394个行政村。全县总人口103万，其中农业人口87.4万，2017年末确定的建档立卡贫困人口3.7万人，贫困发生率为4.19%，地理位置如图1所示。

1.2数据来源

研究所需资料主要包括两个方面：经济社会数据：2014—2017年 《舒城统计年鉴》、舒城县政府相关部门统计公报以及舒城县各乡镇网站。基础地理数据：GIS矢量化和地理空间数据云平台。

2研究方法与评价指标体系

2.1研究方法

1）地理探测器（Geodetector），包括4个探测器：生态探测、风险区探测、交互作用探测、分异及因子探测[10]。该方法最早应用于医疗健康领域[11]，也有学者研究宜居度[12]和经济发展[13]等问题。本文运用到的是分异及因子探测。

分异及因子探测原理：探测Y的空间分异性，以及探测某因子A多大程度上解释了属性Y的空间分异。度量值q表达为：

为因子A的分类或分区;Nh和N分别为区h和全区的单元数;σ2 h和σ2分别为区h和全区Y的方差。q的取值范围为0～1，值越大，即每个类型内的方差较小，类型之间的方差较大，说明自变量A对Y的影响力力越强，反之则越弱，当q=1时，因子A对Y的空间分布其决定性影响力;q=0，表示A对Y没有任何影响。

2）

时空地理加权回归模型（GTWR）：时空地理加权回归模型是Huang等人[14]在传统的地理加权回归模型[15]和的基础上将时间维度纳入到地理空间中，该模型能够解决回归关系的时空特性以和时空非平稳性问题[16]，相对于OLS和GWR来说，GTWR具有更好的拟合度[17]，近些年来，在经济学、统计学中得到了广泛的应用[18]，GTWR模型表达式如下：

）为独立随机误差项，均值为0，方差为δ2。此外，带宽的选择对于回归的影响较大[19]，因此本文选择交叉确认法作为空间和时间带宽。

2.2财政扶贫评价指标体系

随着经济社会与扶贫的不断深入发展，扶贫逐步形成了以政府为主导、社会力量参与的扶贫发展格局[20]，财政资金越来越成为脱贫的至关重要的因素，因此对于财政资金的划分以及使用对地区高效率、高质量脱贫起着至关重要的作用。参考相关学者构建的财政资金支出和脱贫指标体系[21-22]，本文确定的因变量是2014—2017每年贫困人口减少的数量，自变量有X1（城乡建设投入）、X2（农林水利投入）、X3（基础设施建设）、X4（公共服务投入）、X5（文化教育投入）、X6（医院卫生投入）（除脱贫人口数量单位为“人”之外，其他因子单位均为“万元”）。指标体系如图2所示。

3结果分析

3.1县域贫困人口时空变化分析

在ArcMap10.2平台上，对舒城县2014—2017年乡镇脱贫人数进行制图以及分析，如图3所示。

a.2014年脱贫人口数量b.2015年脱贫人口数量

由图3可知，2014—2017年脱贫人口的数量在不断增加，因此4年贫困人口数量总体上呈减少状态，但是在不同时空因素影响下，贫困人口减少的数量存在着时空差异。从时间上看，贫困人口的减少总体上呈逐年递增的趋势，但是部分地区存在着脱贫速度减缓的趋势，同时在2017年份各个地区贫困人口的减少数量是这4年中最多的。又由图3可知：2014—2017每年贫困人口减少最多的几个乡镇是：万佛湖镇、汤池镇、河棚镇，每年减少的贫困人口分别是1 467、1 734、1 731和4 427人。2014—2017每年贫困人口减少最少的乡镇是桃溪镇，每年减少的贫困人口是143、113、130和328人。

从空间上看，脱贫人口数量由县城的西南向东北区呈递减趋势，贫困人口减少数量较多的乡镇分布在舒城县的西部和西南部山地和丘陵地带，贫困人口减少较少的几个乡镇分布在舒城县的东部平原地区，四年脱贫人口数量较多的乡镇是汤池镇、三七镇、河棚镇和阙店乡;脱贫较少的几个乡镇是桃溪镇、舒茶镇和城关镇。

3.2县域脱贫影响主导因素分析

区域贫困人口数量的减少受到多种因素的影响[23]，选取包括经济发展、生活保障、文体卫生在内的6个因子作为分析点，以乡镇为分析单元，对2014—2017年脱贫驱动力主导因子进行分析。首先检验因子是否符合正态分布规律，并通过皮尔森相关性检验、拟合优度检验、F检验。回归分析结果如图4所示。

由回归结果可知公共服务投入、文化教育投入、医疗卫生投入、城乡建设投入等存在着不同类型的个体差异，计算结果βk（ui、vi、ti）

如图4所示，在计算的过程中将数据的时空信息纳入到模型计算中，从而利用回归系数函数在各时空位置的估计值，分析时空关系的变化特征，深刻揭示出扶贫发展的差距及其影响因子的复杂变化，再次利用ArcGIS进行数据可视化，用地图的形式来展示财政分配对各地区脱贫影响情况。

1）从时空维度来看，各区域间脱贫人口数量的影响因素在空间和时间上呈现不平稳的分布状况，由图4可以看出，X3、X5、X6这3个因子对脱贫人口数量在一些地区作用效果并不明显，而X1、X2、X4这几个因子对脱贫人口数量作用比较显著。从时间维度上看，各项财政资金和脱贫人口数量的关系从2014—2017年β在不断地增大，说明通过财政资金的合理分配对脱贫人口的数量的增加起到了很大的作用。

2）从因子角度来看，因子对于地区脱贫人口数量的影响在发生着改变，X1、X2、X3、X4、X5、X6这6个因子的β值在不同的时空条件下出现的值不同，如图5所示。在医疗卫生方面晓天镇、山七镇、高峰乡以及五显镇β值较高，尤其是晓天镇和山七镇。但是庐镇乡、河棚镇以及汤池镇β值较低，其中庐镇乡最低。由2015年时空地理加权得出，在公共服务方面高峰乡、河棚镇以及汤池镇β值较高。但是在医疗卫生方面晓天镇、山七镇、高峰乡、五显镇、庐镇乡、河棚镇以及春秋乡β值都较低，且晓天镇和山七镇以及庐镇乡3个镇最低。由2016年时空地理加权得出，湯池镇和河棚镇在公共服务方面β值较高。但是在医疗卫生方面晓天镇、山七镇、高峰乡、五显镇、庐镇乡、河棚镇以及春秋乡β值都较低，尤其是晓天镇、山七镇和庐镇乡。由2017年时空地理加权得出，在公共服务方面汤池镇和河棚镇在公共服务方面值较高。但是在医疗卫生方面晓天镇、山七镇、高峰乡、五显镇、庐镇乡、河棚镇以及河棚镇β值都较低尤其是晓天镇、山七镇和庐镇乡。

由地理探测器模型可知，风险因子对脱贫人口数量的影响强度通过因子探测来实现[24]， q值越大， 说明该风险因子对脱贫人口数量的影响强度越大，以下采用地理探测器对每个区域的影响因子进行探测，探测结果如图6所示。

1）在分区探测后，特定的因子决定力有所凸显。造成这种结果的原因一方面在于脱贫人口数量所依托的经济社会条件在各个乡镇内相似性强，地区间差异较大。另一方面，脱贫人口数量影响因子时序性较强。各个地区间影响脱贫人口数量的主导因子

在不断发生改变，具有明显的区域化特征，从2014—2017探测结果：城乡建设投入>基础设施建设投入>医疗设施投入>农林水利投入>公共服务投入>文化教育投入，其中公共服务投入因子对山七镇影响较为显著，文化教育投入因子对高峰乡影响较为明显，医疗卫生投入因子对桃溪镇、五显镇影响较为明显，城乡建设投入因子对干汊河镇、百神庙镇和张母桥镇影响较为显著，农林水利投入因子对杭埠镇、河棚镇影响较为显著，基础设施建设投入作为影响力较大的因子对晓天镇、庐镇乡和汤池镇等乡镇影响较为显著。

较大，说明就整个县域来看，财政资金和脱贫人口数量是正相关关系，且值从2014—2017年在不断地上升，说明财政资金对脱贫人口数量的影响程度在加大，财政资金在扶贫的过程中取得了重大成果。风险因子的q值在全局中对脱贫贡献率较高，2014—2017年间对乡镇脱贫人口数量起主导作用的因素为：基础设施建设投入（0.83）>医疗卫生投入（0.78）>城乡建设投入（0.68）>公共服务投入（0.53）>农林水利投入（0.27）>教育文化投入（0.23）。随着时空的不断改变，主导因子也在发生改变，一方面说明，随着扶贫开发的不断深入扶贫的格局不断发生改变，其阶段性致贫因素也在不断更新变化;另一方面，说明扶贫措施对于脱贫有着积极的作用。

根据时空地理加权回归和地理探测结果，在对全局和局部地区进行模拟的过程中，其代表的影响因子和脱贫人口数量的关系在不断发生着变化，在对局部进行模拟的过程中，财政资金分配因子对脱贫人口数量影响力较小，而对于全局模拟中财政资金分配因子对脱贫人口数量影响力较大，这主要与其所处的时空影响因素联系密切，舒城县东部杭阜镇、城关镇、桃溪镇等靠近合肥都市圈，受到辐射带动作用较强，经济发达基础设施建设完善，而舒城县西部的河棚镇、晓天镇、山七镇等，其所处的位置远离都市圈，且处在大别山地区，地形复杂基础设施覆盖率较低，贫困人口基数较大，因此东部地区所拥有的贫困人口总量在时空上远远低于西部地区，因此在局部模拟中出现财政资金分配因子和脱贫人口数量正是受到这种因素的影响，因此在对于财政资金分配的过程中，要加强对财政资金的统筹力度，加大对深度贫困地区投资力度，利用东部地区资金优势加强东西协作，尽力促成协调发展的局面形成。根据地理探测结果显示，财政资金分配因子总体对脱贫人口数量影响力较强，同时诊断出基础设施建设投入、医疗卫生投入、城乡建设投入和公共服务为其主要影响因子，因此要着力解决医疗卫生问题，推进精准健康扶贫。坚持精准扶贫、精准脱贫基本方略，与深化医药卫生体制改革紧密结合，根据探测结果显示，舒城县西部晓天镇、庐镇乡、河棚镇等区域医疗资金的投入对该地区的脱贫有着重要的推动作用，因此对于该地区，应该加强统筹协调和资源整合，进一步提高医疗卫生投入对扶贫的作用，基础设施建设对舒城县中部和东北部晓天镇、汤池镇、万佛湖镇等地区脱贫有较大的影响力，因此对该地区基础设施（包括村村通、电力网络、通信网络等）进行建设和完善，有利于该地区脱贫。

4结论

1）2014—2017年安徽省舒城县脱贫人口数量呈逐年递增趋势，且脱贫人口数量的增速在提高，在2017年中脱贫人口数量增加趋势突出。脱贫人口区域分布差异明显，脱贫人口数量从舒城县的西南往东北地区递减，呈现出大聚集，小分散的状态，各乡镇贫困人口数量差距明显缩小。其中脱贫人口最多的几个乡镇是汤池镇、山七镇、河棚镇，脱贫人口数量最少的是桃溪镇、舒茶镇、城关镇。

2）根据时空地理加权回归分析，财政分配因子和脱贫人口数量的关系随着时空组合因素的变化而变化，在局部时空回归中，医疗卫生投入、城乡建设投入、农林水利投入和基对脱贫人口数量影响较大，在全局时空回归分析中，各要素和脱贫人口数量之间呈正相关关系，且相关性基础设施建设投入>农林水利投入>医疗卫生投入>文化教育投入>城乡建设投入>公共服务投入。

3）在局部探测中，地区间主要影响力因子随着空间发生改变而改变，其中基础设施建设投资因子影响的乡镇数量最多，教育文化因子影响的乡镇数量最少。在全局探测中，对乡镇脱贫主导力因素影响为：基础设施建设投入>医疗卫生投入>城乡建设投入>公共服务投入>农林水利投入>教育文化投入。

参考文献：

[1]高波，王善平.财政扶贫资金综合绩效评价体系研究[J].云南社会科学，2014（5）：8689.

[2]郑瑞强，陈燕，张春美，等.连片特困区财政扶贫资金配置效率测评与机制优化：以江西省罗霄山片区18个县（市、区）为分析样本[J].华中农业大学学报（社会科学版），2016（5）：6369.

[3]王建平.连片特困地区政府扶贫资金的减贫效果评价：以川西北藏区为例[J].决策咨询，2015（2）：4042.

[4]张全红.中国农村扶贫资金投入与贫困减少的经验分析[J].经济评论，2010（2）：4250.

[5]宋邻西.基于层次分析法的扶贫资金绩效的影响因素[J].环球市场信息导报，2015（11）：2426.

[6]倪志良，郝志景.财政扶贫支出与减贫的实证分析[J].山西财经大学学报，2007，29（4）：1922.

[7]高波，王善平.财政扶贫资金综合绩效评价体系研究[J].云南社会科学，2014（5）：8689.

[8]肖唯楚.关于财政教育扶贫投入效率的实证研究：以武陵山连片特困区C县为例[J].华中师范大学研究生学报，2012（3）：2025.

[9]国务院扶贫开发领导小组办公室.中国农村扶贫开发概要[M].北京：中国财政经济出版社，2003：6370.

[10]王劲峰，徐成东.地理探测器：原理与展望[J].地理学报，2017，72（1）：116134.

[11]HU Y，WANG J，LI X，et al.Geographical detectorbased risk assessment of the underfive mortality in the 2008 Wenchuan earthquake，China[J].Plos One，2011，6（6）：e21427.

[12]湛东升，张文忠，余建辉，等.基于地理探测器的北京市居民宜居满意度影响机理[J].地理科学进展，2015，34（8）：966975.

[13]丁悦，蔡建明，任周鹏，等.基于地理探测器的国家级经济技术开发区经济增长率空间分异及影响因素[J].地理科学进展.2014（5）：657666.

[14]HUANG B，WU B，BARRY M.Geographically and temporally weighted regression for modeling spatiotemporal variation in house prices[J].International Journal of Geographical Information Science，2010，24（3）：383401.

[15]HUANG Y，LEUNG Y.Analysing regional industrialisation in Jiangsu province using geographically weighted regression[J].Journal of Geographical Systems，2002，4（2）：233249.

[16]玄海燕，李帥峰.时空地理加权回归模型及其拟合[J].甘肃科学学报，2011，23（4）：119121.

[17]玄海燕，张安琪，蔺全录，等.中国省域经济发展影响因素及其时空规律研究：基于GTWR模型[J].工业技术经济，2016，35（2）：154160.

[18张金牡，刘彪，吴波，等.应用改进的时空地理加权模型分析城市住宅价格变化[J].东华理工大学学报（自然科学版），2010，33（1）：5359.

[19]WU B，LI R，HUANG B.A geographically and temporally weighted

autoregressive model with application to housing prices[J]. International Journal of Geographical Information Science，2014，28（5）： 11861204.

[20]黄妮，浅论习近平的精准扶贫思想[J]，福建省社会主义学院学报，2016，11（1）：8490.

[21]陈薇，杨春河.河北省财政扶贫政策绩效评价实证研究[J].农业经济，2006（7）：5859.

[22]王善平，周盈.反贫能力导向的扶贫资金综合绩效问题研究[J].求索，2011（5）：4748.

[23]刘彦随，李进涛.中国县域农村贫困化分异机制的地理探测与优化决策[J].地理学报，2017，72（1）： 161173.

[24]郭春颖，施润和，周云云，等.基于遥感与地理探测器的长江三角洲空气污染风险因子分析[J].长江流域资源与环境，2017，26（11）：18051814.