結合隨機森林與地理探測器的村域貧困分布格局及其分異機制分析

葉志超 胡盈盈 羅淑儀 林錦耀 馮艷芬

摘要 鄉(xiāng)村貧困是我國經濟發(fā)展過程中的重要問題，很多相關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踐產生了重要的意義。運用定量研究方法，結合機器學習與地理探測器分析村級貧困問題。以廣東省重點扶貧地區(qū)連州市星子鎮(zhèn)為例，選取12個對星子鎮(zhèn)的貧困發(fā)生率產生影響的潛在因素，基于隨機森林算法和地理探測器，對該鎮(zhèn)21個行政村貧困分異的影響因素及其影響程度進行分析。結果表明：隨機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)據結果存在差異;星子鎮(zhèn)的貧困分異是多因子間的共同正向促進作用，具有復雜性，致貧需多模式綜合并行;對于星子鎮(zhèn)這個自然約束較大的地區(qū)，脫貧更需要著重降低社會阻隔，通過政策、資源的傾斜減緩社會阻隔，從而進一步促進自然約束力的降低，最終達到脫貧目的。

關鍵詞 貧困分異;隨機森林;地理探測器;連州市星子鎮(zhèn)

中圖分類號 K.902文獻標識碼 A文章編號 0517-6611（2021）02-0248-09

doi：10.3969/j.issn.0517-6611.2021.02.065

開放科學（資源服務）標識碼（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

我國尚處于社會主義初級階段，區(qū)域經濟分化較為嚴重，貧富差距較大，且貧困人口多分布在偏遠的山區(qū)和農村。改革開放以來，我國的減貧以消除絕對貧困為目標，經歷了農村改革推動減貧，工業(yè)化、城鎮(zhèn)化與開發(fā)式扶貧推動減貧，補齊全面建成小康社會短板推動減貧3個階段[1]，精準扶貧、鄉(xiāng)村振興戰(zhàn)略正有條不紊地開展。國家提出“精準扶貧”戰(zhàn)略，旨在運用科學方法對扶貧對象實施精確識別、精確幫扶與精確管理[2]。隨后黨的十九大報告進一步提出“鄉(xiāng)村振興”戰(zhàn)略，集中力量堅決打贏脫貧攻堅戰(zhàn)。扶貧工作要自上而下從“貧困區(qū)域—貧困村—貧困戶”逐步細化扶貧對象，真正做到“精準化”。

為實現(xiàn)精準扶貧，國內外許多學者聚焦我國農村貧困識別及分異機制問題。研究方向主要集中在中國貧困化特征與貧困化主導因素識別上[3]。在數(shù)據處理與運用上，比較常見的處理方法是主成分分析法，該方法被運用在發(fā)展中國家公共衛(wèi)生的相關研究上[4]，而在地理信息方面，結合夜間燈光數(shù)據對區(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]，目前學者對地理探測器的相關研究主要包括其原理以及應用，地理探測器的應用領域十分廣泛并且較為成熟，如公共健康、自然災害、旅游、生態(tài)環(huán)境等。在貧困研究上也得到較多應用，其內容主要涉及農村貧困化分異機制的地理探測與優(yōu)化決策[8-9]、生態(tài)脆弱區(qū)貧困化的特征識別[10]、鄉(xiāng)村反貧困績效評估等[11]。在機器學習方面，相關學者大多使用神經網絡模型研究貧困問題，常見的模型為BP神經網絡，該模型可運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網絡具有更優(yōu)異的表現(xiàn)。尤其隨機森林預測精度較高，不易過度擬合、具有較好的容噪聲能力，能處理海量數(shù)據且對高維數(shù)據無需進行變量篩選[14]。但目前隨機森林模型多用于生物信息、醫(yī)學、遺傳學以及經濟領域，主要是進行預測、建模和算法的內部優(yōu)化研究，在社會現(xiàn)象尤其貧困方面運用較少。

從現(xiàn)有研究成果來看，國內農村貧困化的相關研究仍以定性居多，主要包括農村貧困化機理、原因、政策等方面，而對農村貧困化地域分異機制的定量研究較少。原因主要是我國農村貧困統(tǒng)計數(shù)據缺乏，現(xiàn)有定量研究仍主要以較大尺度（如省級和縣級）為研究單元，難以精準揭示鄉(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)建設對于實現(xiàn)城鄉(xiāng)統(tǒng)籌、促進城鄉(xiāng)要素有序流動和鄉(xiāng)村轉型發(fā)展具有重要意義[15]。因此，筆者綜合隨機森林模型與地理探測器，擬診斷出鎮(zhèn)域農村貧困化分異的主導因素，揭示農村貧困化分異特征及其動力機制，同時使兩模型運行結果互相驗證，分析兩種算法的異同。

1 研究區(qū)概況與數(shù)據說明

1.1 研究區(qū)概況

該研究區(qū)域為廣東省連州市星子鎮(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系構造復雜，土地肥瘠不勻。其中星子鎮(zhèn)以農業(yè)生產為主，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)屬亞熱帶季風氣候，全年雨量充沛，平均年總雨量達1 612.2 mm。區(qū)域內礦藏分布廣泛、電力資源豐富。全鎮(zhèn)總面積462.5 km2，下轄1個社區(qū)居委會，20個村委會，總人口6.82萬。但受自然與社會雙重因素限制，星子鎮(zhèn)新時期省定相對貧困人口村達11個，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)面臨較為嚴峻的貧困問題，因此理清主要致貧因素，對區(qū)域開展精準扶貧具有重要意義。

1.2 指標選取與數(shù)據來源

貧困的影響因素具有復雜多變性，依據其屬性分為自然環(huán)境和社會經濟兩大類。但其構成要素各異，沒有統(tǒng)一的標準。圍繞以農業(yè)發(fā)展為主的貧困地區(qū)應形成“公共政策-農業(yè)發(fā)展-減貧效應”復合減貧系統(tǒng)，協(xié)調系統(tǒng)發(fā)展態(tài)勢，實現(xiàn)減貧[16];參考中國農村多維貧困相關研究[17];考慮數(shù)據的可獲取性;遵循因素選擇可空間量化原則、主導性原則、因地制宜原則[18]，筆者選取12個指標作為模型的自變量因子，具體選取的影響因素及其數(shù)據來源見表1。表1簡述的影響因素，在影響機制上部分表現(xiàn)為雙向互為因果關系，部分表現(xiàn)為共線性特征[19]，由于反映的側重點不同，且地理探測器和隨機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，即模型的因變量。該指標由2017年村內已知貧困人口數(shù)與村內總人口數(shù)比產生。

1.3 數(shù)據預處理

為了數(shù)據空間尺度的統(tǒng)一，首先應結合實際情況進行相關的數(shù)據預處理。其中屬性數(shù)據需要通過公共字段關聯(lián)到空間數(shù)據中，空間數(shù)據統(tǒng)一采用Xian_1980_3_Degree_GK_Zone_38投影坐標系，最終利用ArcGIS10.2軟件處理得到12個尺度一致的柵格數(shù)據，每一數(shù)據柵格單元設定為10 m×10 m。各指標見圖2。

DEM 數(shù)據來源于地理空間數(shù)據云網站（http：//www.gscloud.cn/）提供的SRTMDEM數(shù)據集，空間分辨率為90 m。NDVI數(shù)據來源于地理空間數(shù)據云網站的MODIS陸地產品數(shù)據集（MYD13Q1），空間分辨率為250 m，覆蓋星子鎮(zhèn)全境。獲取上述數(shù)據后，利用ArcGIS 10.2軟件進行拼接、重投影、裁剪等操作得出結果。土地利用矢量數(shù)據通過連州市土地利用數(shù)據庫獲得。采用歐氏距離算法求解村莊各像元點中心與水域、道路、采礦用地、鄉(xiāng)鎮(zhèn)中心的距離以獲得像元點到目標像元的最短距離，運行后生成對應柵格數(shù)據。此外，在ArcGIS 10.2軟件將人口統(tǒng)計、貧困人數(shù)、耕地面積、勞動力比重、醫(yī)保覆蓋比重、養(yǎng)老保險覆蓋比重、美麗鄉(xiāng)村建設數(shù)量等相關屬性數(shù)據與對應村空間數(shù)據進行關聯(lián)，并將所需空間數(shù)據轉為柵格數(shù)據。其中政策量化數(shù)據是通過柵格計算器對3個指標（美麗鄉(xiāng)村建設數(shù)量、醫(yī)保覆蓋比重、養(yǎng)老保險覆蓋比重）各賦值1/3權重疊加得到。POI數(shù)據通過百度地圖（http：//lbsyun.baidu.com/）提供的Place API接口獲取，利用歐氏距離計算工具，經裁剪處理獲得。

2 研究方法

2.1 隨機森林算法

隨機森林（random forest）是一種基于分類樹的算法，通過產生多個分類樹來生成結果，即在特征的選取和數(shù)據的選取上進行隨機化，生成分類樹并匯總其結果[20]。該算法需要模擬和迭代，是目前最為先進的機器學習方法之一，例如有學者提出其用于遙感分類的精度較高[21]。隨機森林是以K個決策樹{h（X，k，k= 1，2，…，K}為基本分類單元，進行集成學習后得到的一個組合分類器。通過隨機選擇樣本和隨機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是單個決策樹分類模型，I（·）為示性函數(shù)（示性函數(shù)是指一個函數(shù)使得當集合內有此數(shù)時值為1，當集合內無此數(shù)時值為 0），Y表示目標變量（或稱輸出變量）。

筆者在Matlab平臺上構建隨機森林回歸模型，設置樹的數(shù)量（ntree），并根據袋外誤差（out-of-bag error）衡量各因子的重要性。采用兩項評價指標檢驗模型結果的精度：其一為平均絕對誤差MAE，全稱Mean absolute error，它表示預測值和觀測值之間絕對誤差的平均值。MAE的值越小，說明預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)計參數(shù)計算的是擬合數(shù)據和原始數(shù)據對應點的誤差的平方和，SSE越接近于0，說明模型選擇和擬合更好，數(shù)據預測也越成功。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表示實測數(shù)據即第i個村莊的實測貧困發(fā)生率，i表示擬合的數(shù)據即第i個村莊的擬合貧困發(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價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)計學方法，其核心思想是基于以下假設：如果某個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該具有相似性[7]。地理探測器共分為4個部分，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。分異性強度用q值度量，表達式為：

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為層內方差之和，SST為研究區(qū)總方差。q的值域為[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，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沒有任何關系，q值表示X對Y的解釋率為 100×q%。

交互作用探測器：識別不同風險變量Xs之間的交互作用，即評估變量 X1和X2共同作用時是否會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立的，變量的關系分為5類，見圖3。

3 結果與分析

3.1 貧困現(xiàn)狀

根據貧困發(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)占總人口數(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 隨機森林回歸分析

3.2.1 隨機森林運行。

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

在進行隨機森林運行前，先采用初始數(shù)據調試決策樹的數(shù)量，將樹的數(shù)量分別設置為10、100、1 000，發(fā)現(xiàn)隨機森林結果未見明顯差別，最終將決策樹數(shù)量設置為100。由表2可知，MAE和SSE的值均小于0.1，說明5組訓練樣本的擬合程度較好，預測精度較高，即隨機森林模型的可用性高。圖5展示了5組隨機森林模型得出的因子重要性，結果表明該研究所選取的12個因子重要性均為正值，均對貧困發(fā)生率起正向作用。其中勞動力比、政策因素和人均耕地面積這3個因子對研究區(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構距離則對研究區(qū)域的貧困發(fā)生率具有較小的決定力。

3.2.2 隨機森林結果分析。

通過5組隨機森林結果的平均值（圖6）可知，筆者選取的12個因子均對貧困發(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）>勞動力比（X6）>高程（X9）>距鄉(xiāng)鎮(zhèn)中心距離（X7）>距教育機構距離（X8）>距采礦用地距離（X11）>距醫(yī)療機構距離（X3）>NDVI（X1）>距政府機構距離（X2）>距水域距離（X4）>距道路距離（X10）。可見，人均耕地面積、政策因素、勞動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，而距政府機構距離、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 地理探測器運行。

地理探測器與隨機森林運用同一份隨機點數(shù)據，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，隨機森林所使用的數(shù)據均為連續(xù)變量，地理探測器所使用的數(shù)據均為類型變量。將未提取出的邊緣值刪除后，得到1 275個有效樣本數(shù)據。由于地理探測器結果穩(wěn)定，只對這1 275個樣本數(shù)據運行一次得出結果。

3.3.2 因子影響力分析。

通過因子探測器得出因子探測結果（表3）。從結果可知各因子對貧困分異的解釋力各不相同，按其q值排序為人均耕地面積（X5）>政策因素（X12）>距教育機構距離（X8）>高程（X9）>距鄉(xiāng)鎮(zhèn)中心距離（X7）>NDVI（X1）>距醫(yī)療機構距離（X3）>距道路距離（X10）>

勞動力比（X6）>距政府機構距離（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、距教育機構距離、高程的q值相對較大，是對貧困分異影響最大的4個因子，距政府機構距離、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和雙因子增強兩種，這也體現(xiàn)出一個地區(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，X4與任意因子交互都呈非線性增強。且結合表3與表4，可知即使X4與X11因子的q值不高，單個因子解釋力很小，但是與其他因子進行交互作用后呈現(xiàn)非線性增強效應，對貧困分異的解釋力明顯增強。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 隨機森林結果與地理探測器結果對比

隨機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。對兩者因子結果進行對比，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。無論隨機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（勞動力比）存在明顯不一致現(xiàn)象。在隨機森林結果中勞動力比排列在第3位，但在地理探測器中，勞動力比排列在第9位。

3.5 貧困分異機制分析

結合隨機森林算法與地理探測器結果可知，星子鎮(zhèn)貧困分異的主導因子主要有5個：人均耕地面積、政策因素、距教育機構距離、勞動力比以及高程。而距水域距離及距政府機構距離的重要性在2種結果中都較靠后，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、水源的遠近等都與貧困緊密相關。筆者通過隨機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格當作自然因子，但在農村地區(qū)，耕地的水準與地區(qū)土壤肥沃度、地勢起伏度等自然因子關聯(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。復雜的地理環(huán)境對貧困的空間分布一般具有相當強的正向驅動作用[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)的貧困進一步的加深。

3.5.2 社會阻隔。

除地區(qū)的先天性因素外，后天的社會經濟因素對貧困分異同樣有著較強的影響力，有時甚至能成為主導因素。如政府權力的最大有效影響半徑，社會資源分配的均衡性等，都往往會產生一定的社會阻隔[23]，難以顧及所有地區(qū)。該研究中影響最大的社會因子為政策因素，此外教育資源也是影響較大的社會因子。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，教育機構數(shù)量越多，對地區(qū)的脫貧也就更有幫助。該結果中不難得知，距地區(qū)經濟中心越遠，其經濟約束越大。而距市中心較遠的星子鎮(zhèn)，由于在接受社會資源分配的時候，處于一個稍劣勢的地位，所分配的資源有限，也就造成了整體的相對貧困。

綜合來看，自然約束與社會阻隔往往是相互促進、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)社會資源輸入也較為不便，除去政策因子這個幫扶性主觀性較強的因子來看，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，增強了自然約束的影響力。

4 結論與討論

筆者通過隨機森林算法與地理探測器，以廣東省連州市星子鎮(zhèn)21個村為例，探討了村級貧困分異的主導因素及其機制，揭示了貧困分異的復雜性，在精準扶貧背景下具有一定的指導意義，主要結論與分析如下：

4.1 隨機森林與地理探測器結果存在一定差異

這2種分析方法均可衡量12個因子對星子鎮(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是統(tǒng)計關系，而非因果關系，這就使得其結果存在一定局限性[25];對于隨機森林而言，數(shù)據的不平衡會造成少數(shù)類樣本識別率低的問題，不同的參數(shù)設置會影響模型的精度。兩者各有優(yōu)劣，但與地理探測器相比，隨機森林不僅僅可以衡量因子的重要性，還可以基于所構建的數(shù)學模型，進一步實現(xiàn)貧困發(fā)生率的預測和貧困戶的識別，在這一方面筆者未作深入研究。

4.2 地區(qū)的貧困分異具有復雜性

對于單一主導因子來說，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，情況復雜。根據地理探測器中交互探測結果可知，星子鎮(zhèn)的致貧因子基本都為相互增強的關系，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。在實際工作過程中，治貧也需要綜合各個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阻隔

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

個距離連州市中心較遠的鄉(xiāng)鎮(zhèn)來說，很多社會資源難以輸

入。對于它的脫貧，若著重于解決自然約束，將會導致資金花費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，來降低社會阻隔，如教育扶持、基礎設施建設等，對星子鎮(zhèn)的脫貧會有很大幫助。

參考文獻

[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.精準扶貧：中國扶貧脫貧的新模式、新戰(zhàn)略與新舉措[J].當代中國史研究，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].地理學報，2017，72（1）：116-134.

[8] 劉彥隨，李進濤.中國縣域農村貧困化分異機制的地理探測與優(yōu)化決策[J].地理學報，2017，72（1）：161-173.

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

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

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

[12] 劉一明，胡卓瑋，趙文吉，等.基于BP神經網絡的區(qū)域貧困空間特征研究：以武陵山連片特困區(qū)為例[J].地球信息科學學報，2015，17（1）：69-77.

[13] 曾永明，張果.基于GIS和BP神經網絡的區(qū)域農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，2011，27（2）：70-75.

[14] 嚴夢佳，鐘平安，閆海濱，等.基于隨機森林的水電站發(fā)電調度規(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)建設和農村發(fā)展的機理與模式研究[J].經濟地理，2015，35（12）：141-147，160.

[16] 蔣輝，劉兆陽.貧困地區(qū)公共政策、農業(yè)發(fā)展與減貧的耦合協(xié)調分析：基于貴州、云南、安徽三省數(shù)據的實證分析[J].經濟地理，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，2018.

[19] 王超，闞璦珂，曾業(yè)隆，等.基于隨機森林模型的西藏人口分布格局及影響因素[J].地理學報，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系[J].經濟地理，2017，37（10）：157-166.

[23] 劉小鵬，李偉華，王鵬，等.發(fā)展地理學視角下欠發(fā)達地區(qū)貧困的地方分異與治理[J].地理學報，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].地理科學進展，2014，33（5）：625-635.