EN中文

自然资源学报 >

2022 , Vol. 37 >Issue 10: 2703 - 2719

DOI: https://doi.org/10.31497/zrzyxb.20221016

其他研究论文

多尺度网络视角下企业产业扶贫资源跨区域配置及减贫效应

  • 徐维祥 , 1 ,
  • 周建平 1 ,
  • 郑金辉 1 ,
  • 李露 1, 2 ,
  • 刘程军 , 1, 3
展开
  • 1.浙江工业大学经济学院,杭州 310023
  • 2.无锡学院商学院,无锡 210044
  • 3.浙江工业大学之江学院,绍兴 312030
刘程军（1987- ）男,湖南邵阳人,博士,讲师,硕士生导师,研究方向为产业经济与区域发展。E-mail:

徐维祥（1963- ）,男,江浙东阳人,博士,教授,博士生导师,研究方向为乡村振兴及新型城镇化。E-mail:

收稿日期: 2021-09-13

  修回日期: 2022-01-23

  网络出版日期: 2022-12-28

基金资助

国家社会科学基金重大项目(18ZDA045)

收起

Cross-regional allocation of industrial poverty alleviation resources and poverty reduction effects from the perspective of multi-scale network

  • XU Wei-xiang , 1 ,
  • ZHOU Jian-ping 1 ,
  • ZHENG Jin-hui 1 ,
  • LI Lu 1, 2 ,
  • LIU Cheng-jun , 1, 3
Expand
  • 1. School of Economics, Zhejiang University of Technology, Hangzhou 310023, China
  • 2. Business School, Wuxi University, Wuxi 210044, Jiangsu, China
  • 3. Zhijiang college of Zhejiang University of Technology, Shaoxing 312030, Zhejiang, China

Received date: 2021-09-13

  Revised date: 2022-01-23

  Online published: 2022-12-28

Fold

摘要

扶贫网络研究有助于解构扶贫资源的跨区域配置方式,挖掘扶贫要素的空间适配机制,对于巩固拓展脱贫攻坚成果同乡村振兴有效衔接有一定借鉴意义。基于上市公司精准扶贫数据构建了区域间的扶贫关联网络,运用社会网络分析法及地理加权回归（GWR）模型分析了多尺度扶贫网络格局、网络结构及其减贫效应,得到结论如下：（1）多尺度视角下的网络格局的空间异质性明显,企业的扶贫行为趋于空间邻近区域,空间指向性较强,城市间的精准扶贫关联网络呈现由“少核互联”的较稀疏网络向“多核交织”的密集型网络演进。地理距离对企业扶贫的约束仍然存在,但约束性逐渐降低。（2）扶贫关联网络复杂度不断强化,净溢出、经纪人、净受益和双向溢出四个板块间的溢出效应明显。（3）扶贫关联网络中扶贫多元化提升、区域连接数增加、区域联系强度增强及区域节点中介性提升对产业扶贫效应的发挥具有促进作用。

关键词： 乡村振兴; 扶贫网络; 减贫效应; 社会网络分析; GWR模型

本文引用格式

徐维祥 , 周建平 , 郑金辉 , 李露 , 刘程军 . 多尺度网络视角下企业产业扶贫资源跨区域配置及减贫效应[J]. 自然资源学报, 2022 , 37(10) : 2703 -2719 . DOI: 10.31497/zrzyxb.20221016

Abstract

The study of poverty alleviation networks can help deconstruct the cross-regional allocation of poverty alleviation resources and explore the spatial adaptation patterns of poverty alleviation factors, which can be useful for consolidating and expanding the effective linkage between poverty alleviation and rural revitalization. This paper constructs inter-regional poverty alleviation networks based on the data of listed companies on targeted poverty alleviation, and analyses the multi-scale poverty alleviation network pattern, network structure and its poverty alleviation effect by using social network analysis and GWR geographical weighting model. The following conclusions were obtained: (1) The network pattern from a multi-scale perspective is spatially heterogeneous. Enterprises are more willing to help spatially adjacent areas, and the spatial directionality is stronger. The inter-city network of targeted poverty alleviation is evolving from a sparse network with few interconnected nuclei to a dense network with multiple intertwined nuclei, and geographical constraints still exist but the distance to help outward gradually increases. (2) The spatial network for targeted poverty alleviation has been strengthening in terms of concentration and aggregation, with the eastern coastal and more developed inland regions at the core of the network and the remote and less developed central and western regions at the periphery of the network. At the provincial level, the "net spillover" and "two-way spillover" segments are mainly located in the central and western regions, the northeast region, the "net spillover" segments are mainly located in the coastal region and the Yangtze River. The "net spillover" segment is mainly located in the coastal region and the upper and middle reaches of the Yangtze River, while the "broker" segment is mainly located in the Bohai Sea Rim and Xinjiang. At the municipal level, the "net spillover" segment is mainly located in the core cities and regional centers of the provinces, while the "broker" segment is mainly located in the eastern coastal provinces and the sub-core cities of other provinces, and the "net beneficiary" segment is mainly located in the "net benefit" segment. The cities in the "net benefit" segment are mainly located in the central and western regions and some regions in need of poverty alleviation, and the cities in the "two-way spillover" segment are mainly the sub-core cities in the central and western regions. (3) The increase in pro-poor diversification, the increase in the number of regional connections, the strength of regional ties and the increase in the intermediation of regional nodes in the poverty alleviation linkage network have a catalytic effect on the poverty alleviation effect.

Key words： targeted poverty alleviation; spatial network; poverty reduction effect; social network analysis; GWR model

改革开放40年以来,中国式扶贫大致经历了体制扶贫、开发式扶贫、扶贫攻坚、扶贫新开发以及精准扶贫等阶段[1],扶贫工作取得了举世瞩目的成就。特别是习近平于2013年高瞻远瞩地提出了精准扶贫思想,开启了中国精准扶贫战略的新时代[2]。随着精准扶贫制度体系的形成,扶贫工作不断深入,绝对贫困问题在2020年基本得到了解决,但是受自然资源禀赋差、经济发展基础薄弱以及城乡二元结构等多层次问题的影响[3],中国农村相对贫困问题仍然突出。
随着扶贫工作的展开,产业扶贫[4]、教育扶贫[5]、社会保障扶贫[6]以及搬迁扶贫[7]等扶贫模式日渐增多。相比于传统扶贫模式而言,产业精准扶贫更强调贫困区域内源发展[8],能够将扶贫事业嵌入到现代产业链之中,通过产业发展促进企业和贫困户合作共赢[9],为贫困地区注入了市场活力,同时也增强了贫困区域的内生发展动力。产业扶贫也受到了国内学术界的持续关注,相关研究不断增加,主要聚焦于以下几个方面：（1）产业扶贫的理论基础研究。关于这方面研究,部分国内学者借鉴与吸纳了反贫困理论,如借鉴涓滴效应理论[10,11]、财政脱贫理论[12]以及平衡增长理论[13]等经典理论来展开中国问题研究,另一部分学者则进行了具有中国特色的扶贫理论研究,如对精准扶贫思想的论述与深化[14],这均为国内学者展开产业扶贫的研究提供了有益的理论支撑。（2）产业扶贫的模式及机制剖析。针对产业扶贫的模式研究,有学者进行了中国产业扶贫模式演变以及模式比较研究[15,16],也有学者聚焦于具有区域特色优势的产业扶贫模式创新研究[17];而针对产业扶贫的机制研究,学者主要从产业扶贫资源要素配置机制[18]、产业选择机制[19]、运行机制[20]等视角展开。（3）产业扶贫的减贫效应研究。有学者基于贫困户调查数据分析产业扶贫政策对农户的增收效应,发现产业扶贫具有显著增收作用[21],也有学者聚焦于产业扶贫政策的福利效应,得到了“授渔”式产业扶贫政策的福利效应更优的结论[16],还有较多学者从区域发展视角切入,指出产业扶贫可以推动贫困区域经济增长[22],进而达到贫困人群减贫增收的作用。但是由于扶贫瞄准“失靶”、精英俘获、产销失衡等困境约束[23],传统产业扶贫模式的动力逐渐降低,扶贫绩效难以持续提高,突破现有困境并优化产业扶贫模式成为了现有研究的关注重点。
梳理国内外文献后发现,学界对产业扶贫进行了广泛且深入的研究,为产业扶贫的开展提供一定理论支撑,但是现有研究中对产业精准扶贫的空间格局及脱贫成效测度偏重特定区域,在多尺度网络视角下分析产业扶贫资源跨区域配置的研究相对不足。而随着企业帮扶活动的深入拓展,企业扶贫资源由本省内部流动逐渐向跨越不同经济区域的流动转变,形成了多尺度的扶贫资源跨区域配置格局,这就会导致不同尺度下的精准扶贫网络呈现出差异化的网络规模以及资源配置规律性[24],多尺度扶贫网络研究有助于探究企业扶贫要素的跨区域配置方式,挖掘扶贫要素的空间适配模式,而且相关研究表明尺度越小空间可改变的可能性越高[25]。因此,本文在多尺度视角下运用社会网络分析法分析企业产业扶贫资源跨区域配置网络格局以及网络结构,并聚焦于市级尺度分析产业扶贫网络的减贫效应,在识别网络现象及网络结构效应基础上探究产业精准扶贫的空间格局及脱贫成效,以期为巩固脱贫攻坚成果提供决策参考及科学依据。

1 研究方法与数据来源

1.1 研究方法

本文基于中国上市公司精准扶贫数据分析企业产业扶贫资源跨区域配置网络及减贫效应,以“多尺度企业产业扶贫网络格局—企业产业精准扶贫网络结构—网络结构的减贫效应”为研究主线进行分析,研究方法主要基于网络格局、网络结构及减贫效应三个方面展开。

1.1.1 扶贫网络密度测度模型

网络密度可以测度扶贫网络中企业所在区域与扶贫区域之间联系紧密程度,扶贫网络关联的关系数越多,则扶贫网络密度越大,网络越密集。公式[26]如下：
D i = 2 m n ( n - 1 )
式中： D i表示第i个区域的扶贫网络密度;m表示实际拥有的连接关系总数（次）;n表示可能拥有的理论最大关系总数（次）。

1.1.2 扶贫网络中心性分析模型

中心度指数能够反映扶贫网络中区域节点的中心性[27]。其中,度数中心度可以挖掘扶贫网络中的核心扶贫区域及受扶贫区域;接近中心度则可以反映受帮扶区域点与扶贫主体所在区域点的联系程度;中间中心度则可以反映扶贫网络中区域节点对资源控制的能力。相关公式[28]如下：
C D ( c i ) = ∑ a i j ( n - 1 )
C C ( c i ) = ( n - 1 ) ∑ d i j
C B ( c i ) = ∑ D j l ( i ) D j l
式中： C D ( c i )为度数中心度; a i j为区域节点i和区域节点j之间的连接数; C C ( c i )为接近中心度; d i j为区域节点i和区域节点j之间的最短路径; C B ( c i )为中间中心度; D j l为区域节点j和区域节点l之间的最短距离; D j l ( i )为连接区域点j和l并通过节点i的距离。

1.1.3 区域多维贫困水平测度

区域贫困识别的过程较为复杂,本文借鉴相关研究[29⇓⇓-32]的多维贫困指标体系,从经济维度、社会维度及生态维度综合性分析了区域在经济发展支撑、社会资源及公共福利供给、生态资源等方面的优劣程度,同时选取了反映经济发展、人口因素、福利保障、联通水平、治理水平、生活设施、教育设施以及资源环境等方面的30个测量指标,构建了多维贫困的指标体系（表1）,最后利用熵权法测度区域多维贫困水平。
表1 多维贫困测算指标体系

Table 1 Multidimensional poverty measurement index system

目标层 准则层 指标说明 预期方向
经济维度 经济发展 人均地区生产总值/元 +
地区生产总值密度/元 +
每万人固定资产投资总额/万元 +
每万人社会消费品零售总额/万元 +
每万人粮食产量/万t +
职工平均工资/元 +
地方财政一般预算内收支比/% +
规模以上工业总产值/万元 +
社会维度 人口因素 人口密度/(人/km2) +
人口自然增长率/% +
夜间灯光中无光人口占比/% -
福利保障 每万人失业保险参保人数/人 +
卫生、社会保险和社会福利业从业人员数占比/% +
联通水平 移动电话年末用户数/万户 +
国际互联网用户数/户 +
区域路网密度/(km/km2) +
治理水平 生活垃圾无害化处理率/% +
生活污水处理率/% +
生活设施 每平方千米剧场、影剧院数/个 +
每平方千米医院、卫生院数/个 +
每平方千米博物馆数/个 +
教育设施 每平方千米普通中学学校数/所 +
每平方千米普通高等学校学校数/所 +
每平方千米小学学校数/所 +
生态维度 资源环境 每万人水资源总量/万m3 +
河流密度/(km/km2) +
区域海拔平均高度/m -
区域平均地表起伏度/km -
森林覆盖率/% +
区域PM2.5浓度/(μm/m3) -

注：本文测度的区域多维贫困水平数值越大,则表示区域贫困水平越低。预期方向为“+”则表示指标数值越大,贫困水平越低;预期方向为“-”则表示指标数值越小,贫困水平越低。

1.1.4 减贫效应分析模型

为了进一步揭示企业产业扶贫网络结构减贫效应的空间异质性,结合地理空间的概念,本文引入地理加权回归（GWR）模型进行分析,公式[33]如下：
y i = β 0 ( μ i , v i ) + ∑ β k ( μ i , v i ) X i k + ε i
式中： y i为全局因变量; X i k为自变量; ( μ i , v i )为第i个区域的坐标; β 0 ( μ i , v i )为第i个区域统计回归的常数项; β k ( μ i , v i )为第i个区域上的第k个回归参数; ε i为误差项; β 0和 β k为一套参数;k为研究区域总数（个）。同时考虑到研究区域分布的疏密,本文采用自适应带宽,并基于AICc准则法进行确定。

1.2 数据来源

本文基于2016—2018年中国A股上市公司精准扶贫数据构建区域间的精准扶贫关联网络,数据来源于cnrds中国研究数据服务平台（www.cnrds.com）,为保证研究可行性,将企业精准扶贫数据转换至网络数据,数据处理方法为：根据上市公司总部城市及扶贫区域所在城市构建网络,如中国平安银行对海南省儋州市木棠镇兰训村、琼海市万泉镇大雅村、云南省昭通市鲁甸县黑噜村等展开精准扶贫,平安银行总部位于深圳市,则可形成深圳市—儋州市、深圳市—琼海市、深圳市—昭通市的精准扶贫关联网络。此外,本文采用的NPP/VIIRS夜间灯光数据栅格数据来自美国国家地球物理数据中心（ https://www.ngdc.noaa.gov/eog/viirs/download_monthly.html）,worldpop 人口细分栅格数据来源于（ https://www.worldpop.org/）,其他数据均来自于各省市统计年鉴。

2 结果分析

2.1 多尺度企业产业精准扶贫网络格局分析

2.1.1 经济区尺度企业产业精准扶贫网络格局

本文在上市公司精准扶贫活动的基础上,构建区域间的精准扶贫联系网络,结合相关研究的做法[34],在经济区尺度采取和弦图的绘制方法,将各经济区之间的精准扶贫空间联系进行可视化处理,而且为了提高可视化效果,将联系值进行了归一化处理,最终得到图1。由图1可知,各经济区内部的企业精准扶贫活动占比较高,企业的扶贫行为趋于空间邻近区域,空间指向性较强,其中,大西南综合经济区的占比最高,而东北综合经济区的占比最低。基于时间演进视角分析,在2016年,精准扶贫的发出联系量呈现出大西南综合经济区、长江中游综合经济区、东部沿海综合经济区、北部沿海综合经济区、南部沿海综合经济区、黄河中游综合经济区、大西北综合经济区、东北综合经济区的顺序依次降序排列,最高的大西南综合经济区达到了146次,而最低的东北综合经济区则仅有30次。获取精准扶贫的空间联系量则呈现大西南综合经济区、长江中游综合经济区、黄河中游综合经济区、大西北综合经济区、东部沿海综合经济区、南部沿海综合经济区、北部沿海综合经济区、东北综合经济区的顺序依次降序排列,其中,联系量最高的为大西南综合经济区,达到了207次,而联系量最低的东北综合经济区则仅有36次。在2017年,精准扶贫的发出联系量格局变化较大,呈现南部沿海综合经济区、东部沿海综合经济区、长江中游综合经济区、大西南综合经济区、北部沿海综合经济区、大西北综合经济区、黄河中游综合经济区以及东北综合经济区的顺序降序排列,南部及东部沿海综合经济区跃升至精准扶贫联系的头部区域,但获取扶贫的联系量格局变化相对较小。在2018年,精准扶贫发出联系量的前三位分别为东部沿海综合经济区、南部沿海综合经济区以及北部沿海综合经济区,而大西南综合经济区接受扶贫的联系量仍然最高。综上所述,东部、南部以及北部沿海综合经济区中的企业精准扶贫活动逐渐增加,这些经济区的贫困地区较少,能够充分发挥上市公司主体的领衔作用,充分集中人才、资金等生产要素,向其他经济区外溢,帮助其他经济区发展乡村特色产业,建立乡村教育体系,同时强化乡村基础设施建设,在产业扶贫领域占据主导地位。
图1 八大经济区间精准扶贫关联格局

Fig. 1 The correlation pattern of targeted poverty alleviation in the eight economic zones

2.1.2 省级尺度企业产业精准扶贫网络格局

为了更好地展示省级尺度精准扶贫网络格局,本文将各省份间精准扶贫联系值借助R语言热力图的绘制方法进行可视化处理。热力图能够较好地展示省域间的联系强度关系,在展开网络数据的可视化处理及理解区域间的联系动态变化方面具有一定的优势,热力图格子颜色的深浅代表省域间精准扶贫联系量的大小关系,颜色越深则两个省份之间的联系量越大,可视化结果如图2所示。整体而言,企业的省内精准扶贫联系较强,但各省份内部及省份之间的精准扶贫联系在逐渐增加,而且企业的精准扶贫行为从重视本省份贫困区域的发展日益向重视省外贫困区域发展转变。总体来说,2016年热力图中的最浅格子的数量占大部分,其他颜色的格子数量相对较少。到2017年乃至2018年,热力图中其他深色格子逐渐增加,这表明企业跨省份扶贫行为逐渐增多,同时也说明上市公司响应国家战略,参与扶贫活动不断深入,能够充分调动各类资源跨区域帮扶贫困地区。但是对角线的格子颜色仍较深,这表明企业的省内精准扶贫活动仍占据主导地位,地理因素在精准扶贫空间关联网络的形成中仍发挥重要作用。
图2 省域间精准扶贫关联格局

Fig. 2 The correlation pattern of targeted poverty alleviation among provinces

2.1.3 市级尺度企业产业精准扶贫网络格局

为挖掘城市间的扶贫联系特征,本文结合相关研究成果[35]和市级尺度精准扶贫网络的实际情况,将各城市间的精准扶贫联系值统一划为5个等级：1、2~3、3~6、6~9、>9,然后基于ArcGIS 10.2软件绘制了市级尺度精准扶贫网络格局（图3）。由图3可知,城市间的精准扶贫关联网络呈现由“少核互联”的较稀疏网络向“多核交织”的密集型网络演变,网络复杂度不断提升。网络格局最终形成以京津冀城市群、长三角城市群以及粤港澳大湾区为主体的长距离散射状形态,但是网络形态呈现出一定空间异质性,不同层级城市的精准扶贫关联网络形态和联系强度具有显著差异。在2016年,北京、上海、广州、深圳等城市成为扶贫开展的核心城市,可能是由于这些城市上市公司相对较多,城市内部的企业人才及金融要素不断外溢。而从城市间的联系总量上看,广州—清远、北京—铜仁、成都—凉山、深圳—河源、北京—张家口、苏州—泰州等城市间的网络关联较强。在2017年,长距离的精准扶贫关联网络联系仍然仅由少量核心节点发出,但区域性中心城市的短距离空间关联明显增多,从城市间的联系总量上看,深圳—河源、乌鲁木齐—喀什、成都—凉山、武汉—宜昌、西安—安康、长沙—湘西、广州—清远、广州—梅州、北京—张家口、武汉—黄冈、武汉—恩施、乌鲁木齐—和田、深圳—喀什、深圳—赣州、上海—赣州、廊坊—保定、贵阳—安顺等城市间的网络关联较强。在2018年,城市间精准扶贫关联网络逐渐趋于成熟,区域性中心城市开始关注长距离的帮扶,跨区域的帮扶持续增加,这表明地理距离虽然约束了企业的跨区域帮扶,但是随着时间演进,这种约束性在逐渐降低。
图3 市级精准扶贫关联网络格局

注：本图基于自然资源部标准地图服务系统下载的标准地图制作,底图无修改,下同。

Fig. 3 City-level targeted poverty alleviation network structure

2.1.4 精准扶贫企业的产业分布及性质分析

为了更好地揭示企业精准扶贫的内在机理,本文提取了扶贫总量大于90次的产业,并计算出各产业中的国企占比,进行可视化处理,如图4所示。针对各产业的扶贫总量而言,总量排名首位的产业为证券、期货业,该产业主要以金融扶贫为主,金融扶贫将金融资源精准地配置到贫困区域,能够通过减小贫困人群的金融约束、降低金融风险、推动交易等途径使贫困间接获得发展红利而实现增收,也可以为贫困区域产业提供保障,如甘肃省通过苹果“保险+期货”的金融产品创新,提升了贫困地区应对风险的能力。扶贫总量排第二的产业为医疗制造业,医疗制造业一方面可以通过医疗帮扶为贫困地区提供健康保障,另一方面也可以挖掘贫困地区的生态产品优势,可以在全产业链格局下对药材资源富集的贫困区域展开商业化投资,为贫困地区发展创造持续性动力。针对企业性质而言,国有企业因其所属的特殊性承载着较多社会责任,成为政企合力扶贫的重要力量,从上市公司扶贫的国企占比上看,国企占比为52.6%,是企业开展扶贫的重要组成部分;从产业中国企占比上看,电力、蒸汽、热水的生产和供应业的国企占比最高,土木工程建筑业次之,证券、期货业的国企占比也相对较高;从产业中非国企占比上看,医药制造业、电器机械及器材制造业、计算机应用服务业以及食品加工业的占比较高,这些产业中的非国有企业成为扶贫活动中产业力量的重要贡献者。
图4 精准扶贫企业的产业分布及性质分析

Fig. 4 Industry distribution and nature of enterprises involved in targeted poverty alleviation

2.2 企业产业精准扶贫网络结构分析

2.2.1 网络密度分析

精准扶贫网络格局显示出各城市的联系持续增加,为了定量分析精准扶贫网络的整体联结程度,本文运用社会网络分析软件Ucinet进行扶贫网络密度测算。在省级网络尺度,2016年的精准扶贫关联网络为0.176,2017年为0.307,2018年则为0.399,网络密度呈现持续上升趋势,但增速有所减缓。在市级网络尺度,2016年精准扶贫关联网络的密度为0.004,各城市间的精准扶贫联系还较少,关联程度较低,到了2017年,网络密度增长至0.009,说明各城市间的扶贫联系加强明显,要素流出形成的空间联系越发紧密,空间关联也越来越密切,而演进至2018年,网络密度增长至0.013,在政策及其他因素的影响下,空间网络集聚度及聚合度不断加强。

2.2.2 中心性分析

中心性分析可以探究精准扶贫关联网络中各节点的中心地位和联系作用,通过测算出度、入度、度数中心度、中介中心度、接近中心度来分析网络的多重中心性,但由于篇幅受限,仅列出按度数大小排序的前十位。
省级尺度精准扶贫关联网络各中心性前十位如表2所示,由表2可知：（1）针对出度及入度,在数值上,出度整体呈现上升趋势,且前十位格局相对稳定,主要为沿海东部省份及相对发达的省份,入度格局则呈现多变态势,这表明精准帮扶的溢出省份排位变化较小,但是受助省份变化排位变化较大。（2）针对度数中心度,前十位格局变化较大,首位从北京变化至江苏,再演变至广东,表现出从北向南迁移的态势。（3）针对接近中心度,接近中心度前五位的省份排序与度数中心度较为相似,这些省份在精准扶贫关联网络的扶贫活动开展较为频繁,网络的中心地位较高。（4）针对中间中心度,与其他中心度不同的是,大部分省份的中心度从2016—2018年都发生了不同程度的下降,这是由于其他省份的企业参与进扶贫活动的积极性不断提升,前十位省份的中心行动者地位不断被削弱。
表2 省级尺度精准扶贫关联网络各中心性前十位

Table 2 The top ten centralities of the provincial-level targeted poverty alleviation network

出度 入度 度数中心度 接近中心度 中间中心度
2016年 北京（22.000） 江西（10.000） 北京（73.333） 北京（78.947） 广东（14.482）
广东（21.000） 四川（9.000） 广东（70.000） 广东（76.923） 北京（13.698）
上海（16.000） 河南（9.000） 河南（56.667） 河南（69.767） 上海（6.953）
四川（10.000） 江苏（9.000） 江苏（56.667） 江苏（69.767） 河南（5.904）
河南（9.000） 河北（9.000） 上海（53.333） 四川（68.182） 江苏（4.928）
江苏（8.000） 内蒙古（9.000） 四川（53.333） 上海（66.667） 四川（4.771）
湖北（7.000） 安徽（9.000） 湖北（46.667） 湖北（65.217） 湖北（4.242）
湖南（7.000） 贵州（9.000） 湖南（43.333） 湖南（63.830） 湖南（2.995）
山西（7.000） 湖北（8.000） 江西（40.000） 江西（62.500） 江西（2.298）
天津（7.000） 陕西（8.000） 内蒙古（36.667） 内蒙古（61.224） 安徽（1.784）
2017年 北京（23.000） 贵州（18.000） 江苏（76.667） 江苏（81.081） 上海（5.495）
上海（23.000） 河南（16.000） 四川（76.667） 四川（81.081） 北京（4.457）
广东（21.000） 甘肃（15.000） 上海（76.667） 上海（81.081） 陕西（3.902）
江苏（17.000） 江苏（14.000） 北京（76.667） 北京（81.081） 重庆（3.624）
四川（16.000） 云南（14.000） 贵州（73.333） 贵州（78.947） 广东（3.573）
湖北（14.000） 四川（13.000） 广东（73.333） 广东（78.947） 河南（3.317）
福建（13.000） 重庆（13.000） 河南（70.000） 河南（76.923） 湖南（2.8.00）
湖南（13.000） 山东（13.000） 湖南（66.667） 湖南（75.000） 江苏（2.572）
黑龙江（11.000） 山西（13.000） 重庆（63.333） 重庆（73.171） 贵州（2.379）
辽宁（11.000） 陕西（13.000） 陕西（63.333） 陕西（73.171） 四川（2.027）
2018年 上海（29.000） 河北（18.000） 广东（100.000） 广东（100.000） 广东（4.799）
北京（28.000） 河南（18.000） 北京（96.667） 北京（96.774） 上海（4.401）
广东（28.000） 云南（18.000） 上海（96.667） 上海（96.774） 北京（3.577）
浙江（23.000） 四川（17.000） 浙江（86.667） 浙江（88.235） 浙江（3.180）
江苏（21.000） 陕西（17.000） 四川（80.000） 四川（83.333） 江苏（2.586）
四川（21.000） 贵州（16.000） 江苏（80.000） 江苏（83.333） 四川（2.196）
福建（18.000） 湖南（15.000） 贵州（76.667） 贵州（81.081） 湖南（1.777）
湖北（18.000） 山东（14.000） 湖北（76.667） 湖北（81.081） 湖北（1.776）
湖南（18.000） 新疆（14.000） 河南（73.333） 河南（78.947） 贵州（1.726）
贵州（13.000） 山西（14.000） 湖南（73.333） 湖南（78.947） 福建（1.570）
市级尺度精准扶贫关联网络各中心性前十位如表3所示,由表3可知：（1）针对出度及入度,数值上均不断上升,出入度格局稳定但具有一定差异性。出度前十位的格局相对稳定,前三位均为北京、上海、深圳,而在2017年,合肥及南京调整退出前十位,成都及贵阳则上升明显,进入出度排名前十位,2018年的出度前十位则增加了贵阳、南京、福州。入度前十位的格局稳定性较差,前十位由2016年的赣州、铜仁、安庆、吉安、凉山、张家口、清远、临汾、开封及大理,变化至2018年的遵义、凉山、喀什、张家口、广元、甘孜、黔东南、湘西、黔南及安庆,除了凉山、张家口及安庆外,其他均有所不同。（2）针对度数中心度,该中心度格局较为稳定,主要为区域核心城市及省会城市,北京、上海、深圳的度数中心度相对较高,一直位居前几位,且均上升较为明显,北京的中心度从13.514增加至34.054,上海从8.378提升至27.297,深圳从9.189上升至17.568,表明这三个核心城市对其他地区的精准扶贫关联数量有所增加,而且前十位城市均为关系溢出型城市。（3）针对接近中心度,该中心度格局中的前三位变化与度数中心度基本一致,但是四至十位变化较大,在扶贫中溢出及受益的城市均存在,这些城市与其他城市在扶贫联系网络中的联系距离较短。（4）针对中间中心度,排名前十位格局中的城市均为扶贫网络中的核心城市,这些城市处于核心地位,发挥着“中心行动者”的作用,且各城市度数随时间演进而持续上升,这说明随着企业扶贫行为的增多,各类要素在网络中的输送速度不断提升,扶贫网络也逐渐成熟,发达城市与欠发达城市的联结能力也在不断增强。
表3 市级尺度精准扶贫关联网络各中心性前十位

Table 3 The top ten centralities of the city-level targeted poverty alleviation network

出度 入度 度数中心度 接近中心度 中间中心度
2016年 北京（92.000） 赣州（16.000） 北京（13.514） 北京（0.667） 北京（13.970）
上海（51.000） 铜仁（15.000） 深圳（9.189） 深圳（0.667） 深圳（8.163）
深圳（43.000） 安庆（13.000） 上海（8.378） 上海（0.667） 上海（7.585）
长沙（28.000） 吉安（13.000） 武汉（3.784） 赣州（0.667） 成都（3.397）
广州（23.000） 凉山（12.000） 成都（3.784） 昭通（0.667） 赣州（3.228）
成都（23.000） 张家口（10.000） 长沙（3.784） 武汉（0.666） 长沙（3.056）
昆明（20.000） 清远（10.000） 太原（3.243） 成都（0.666） 武汉（2.181）
武汉（19.000） 临汾（8.000） 广州（3.243） 长沙（0.666） 南京（2.020）
南京（18.000） 开封（8.000） 宜昌（2.973） 太原（0.666） 广州（1.886）
合肥（18.000） 大理 （8.000） 天津（2.973） 宜昌（0.666） 西安（1.755）
2017年 北京（128.000） 喀什（34.000） 北京（22.432） 北京（1.206） 北京（18.688）
上海（107.000） 赣州（26.000） 上海（19.730） 上海（1.206） 上海（14.907）
深圳（87.000） 凉山（26.000） 深圳（13.514） 深圳（1.204） 深圳（9.279）
广州（58.000） 重庆（21.000） 广州（8.378） 重庆（1.204） 广州（4.449）
成都（58.000） 河源（19.000） 成都（7.027） 黔南（1.204） 重庆（2.662）
长沙（39.000） 湘西（17.000） 长沙（6.757） 喀什（1.204） 长沙（2.326）
武汉（36.000） 和田（16.000） 重庆（6.216） 广州（1.203） 成都（2.072）
西安（34.000） 安庆（15.000） 西安（5.135） 安庆（1.203） 福州（2.066）
福州（32.000） 张家口（14.000） 福州（5.135） 大理（1.203） 武汉（2.028）
昆明（28.000） 安康（14.000） 哈尔滨（4.865） 百色（1.203） 哈尔滨（2.000）
2018年 北京（224.000） 遵义（40.000） 北京（34.054） 北京（1.766） 北京（25.668）
上海（170.000） 凉山（35.000） 上海（27.297） 上海（1.763） 上海（15.984）
深圳（113.000） 喀什（30.000） 深圳（17.568） 深圳（1.756） 深圳（8.461）
成都（80.000） 张家口（25.000） 成都（11.351） 成都（1.756） 广州（4.664）
长沙（71.000） 广元（25.000） 广州（8.649） 重庆（1.756） 成都（3.871）
贵阳（58.000） 甘孜（24.000） 重庆（8.378） 长沙（1.755） 重庆（3.622）
广州（51.000） 黔东南（24.000） 杭州（8.378） 昆明（1.753） 长沙（2.692）
南京（49.000） 湘西（23.000） 长沙（7.568） 贵阳（1.752） 杭州（2.255）
杭州（48.000） 黔南（22.000） 南京（7.027） 南宁（1.752） 南京（2.014）
福州（47.000） 安庆（22.000） 福州（7.027） 黔东南（1.752） 武汉（1.681）

2.2.3 板块分析

为了进一步揭示精准扶贫关联网络的空间聚类特征,根据相关研究方法[36],采用常见的CONCOR块模型分析方法,最大分割深度为2,收敛标准为0.2,将精准扶贫关联网络划分为四大板块：一是双向溢出板块,表现为板块内外的双向溢出;二是净受益板块,表现为该板块受益远大于溢出;三是经纪人板块,表现为该板块与外部的关系较多,即发挥接受扶贫又向外扶贫的双向作用;四是净溢出板块,表现为该板块成员受益远大于溢出。图5展示了四大板块的区域分布,在省级尺度,第Ⅰ板块主要分布于中西部地区、东北地区,第Ⅱ板块则处于中部地区及东北地区,第Ⅲ板块主要位于沿海地区及长江中上游地区,第Ⅳ板块则主要位于环渤海区域及新疆。在市级尺度,位于第Ⅰ板块的城市有75个,主要为各省份的核心城市及区域中心城市,处于第Ⅱ板块的城市有41个,主要分布于东部沿海省份及其他省份的次核心城市,处于第Ⅲ板块的城市有117个,主要分布于中西部地区及一些需扶贫区域,位于第Ⅳ板块的城市有88个,主要为中西部地区的次核心城市。
图5 精准扶贫关联网络的板块格局

Fig. 5 Sector structure of the targeted poverty alleviation network

为分析四大板块的角色,计算板块内及板块间的关联关系（表4）,由表4可知,在省级尺度,精准扶贫关联网络中存在402个关联关系,板块内部的联结数量为129个,四大板块之间的联结数量为273个。板块Ⅰ的溢出关系数量为39个,板块内部有14个,外部有25个,受益关系数量为99个,板块内部有14个,外部有85个,期望内部关系比例23.33%小于实际内部关系比例35.90%,该板块受益于其他板块的关系较多,因此该板块为“净受益”板块。板块Ⅱ的溢出关系数量为77个,板块内部有26个,外部有51个,受益关系数量为118个,板块内部有26个,外部有92个,期望内部关系比例23.33%小于实际内部关系比例33.77%,该板块对板块内和板块外均产生了较强的溢出效应,因此该板块为“双向溢出”板块。板块Ⅲ的溢出关系数量为240个,板块内部有81个,外部有159个,受益关系数量为131个,板块内部有81个,外部有50个,期望内部关系比例33.33%小于实际内部关系比例33.75%,这表明板块Ⅲ对其他板块的溢出效应较强,因此板块Ⅲ为“净溢出”板块。板块Ⅳ的溢出关系数量为46个,板块内部有8个,外部有38个,受益关系数量为54个,板块内部有8个,外部有46个,期望内部关系比例10.00%,远小于实际内部关系比例17.39%,但是板块Ⅳ受益于其他板块的关系及溢出其他板块的关系较为均衡,中介作用较强,因此板块Ⅳ是“经纪人”板块。
表4 精准扶贫关联网络的板块结构关系

Table 4 Sector structure relationships of the targeted poverty alleviation network

网络尺度 板块 溢出关系 受益关系 期望内部关系比例/% 实际内部关系比例/%
板块内部 板块外部 板块内部 板块外部
省级网络 板块Ⅰ 14 25 14 85 23.33 35.90
板块Ⅱ 26 51 26 92 23.33 33.77
板块Ⅲ 81 159 81 50 33.33 33.75
板块Ⅳ 8 38 8 46 10.00 17.39
市级网络 板块Ⅰ 102 665 102 55 23.44 13.30
板块Ⅱ 38 40 38 91 12.50 48.72
板块Ⅲ 112 93 112 481 36.25 54.63
板块Ⅳ 90 104 90 275 27.19 46.39
在市级尺度,精准扶贫关联网络中存在1244个关联关系,板块内部的联结数量为342个,四大板块之间的联结数量为902个,板块外部联结远大于板块内部,这表明四大板块之间存在明显扶贫关联,亦有明显的板块溢出效应。与省级尺度的网络板块角色判定同理,板块Ⅰ判定为“净溢出”板块,板块Ⅱ是“经纪人”板块,板块Ⅲ为“净受益”板块,板块Ⅳ为“双向溢出”板块,图5展示了四大板块之间的互动关系。各板块之间存在明显的相互溢出关系,这表明各板块之间在扶贫活动中发挥各自优势,扶贫的空间联动效应凸显,这也为后续推动脱贫攻坚成果同乡村振兴有效衔接提供新的借鉴思考,在产业展开跨区域扶贫时,应当关注各板块区域发展的整体联动效应。

2.3 扶贫网络的减贫效应分析

2.3.1 变量说明

本文基于上市公司精准扶贫数据构建了精准扶贫关联网络,在前文分析了关联网络分布格局及结构特征的基础上,试图研究精准扶贫关联网络的网络结构对区域经济会产生何种影响,探究产业扶贫网络的减贫效应。由于网络结构效应对不同区域具有一定的空间异质性,为了更好地揭示网络结构效应,在市级尺度,本文采用地理加权回归模型（GWR）,将区域多维贫困水平作为因变量,将入度、度数中心度、接近中心度以及中间中心度作为自变量展开研究,变量说明如表5所示。
表5 变量说明

Table 5 Description of network structure variables

变量类型 网路结构 变量 变量说明
因变量 多维贫困水平 Poverty 反应区域的多维贫困水平
自变量 入度 InDegree 反映节点的受助多样性
度数中心度 Degree 反映节点在扶贫网络中的连接数
接近中心度 Closeness 反映节点与其他节点的联系程度
中间中心度 Betweenness 反映节点在扶贫网络中的中介性

2.3.2 网络结构的整体效应分析

表6展示了地理加权回归结果的相关参数。由表6可知,入度、度数中心度、接近中心度以及中间中心度的回归系数均值分别为0.035、0.054、0.052以及0.036,这表明精准扶贫关联网络的网络外部性对区域贫困改善会存在一定的作用,区域节点的入度、度数中心度、接近中心度以及中间中心度的提升对于区域发展水平提升有正向效应。总体来看,网络出度能够反映区域节点的受助多样性,其回归结果表明区域接受扶贫的多样性在一定程度上实现了减贫,这可能是因为扶贫的多样性推动了多元扶贫资源适配效应发挥,激发区域的发展潜力,同时强化了多元产业的减贫能力,确保多元主体在产业扶贫中发挥更大作用。度数中心度能够反映节点在扶贫网络中的连接数,其回归结果说明区域与其他区域产生更多联系时,具有更强的减贫作用,究其原因,可能是由于产业扶贫效应的提升主要得益于扶贫网络外部性的发挥,网络关联地区度数中心性的增强推动了区域经济发展水平提升。接近中心度能够反映节点在扶贫网络中与其他节点的联系程度,其回归结果表明联系程度越强,则产业扶贫的作用越强,这能够反映贫困区域与扶贫主体之间的利益共享机制是扶贫效应发挥的关键,也是推动产业扶贫可持续发展的根本。中间中心度能够反映节点在扶贫网络中的中介性,如果某节点处于许多其他点位的最短途径上,可认为该点的资源控制能力较高,中间中心度越大,意味着该区域对扶贫网络中资源控制的能力越强,这在一定程度上提升了扶贫的作用。此外,聚焦于连片特困区的变量系数均值大小发现,网络结构反映的减贫作用更加凸显出来,这可能是因为连片贫困区受到扶贫的概率更大,同时也说明,在连片特困区,增加扶贫的强度对于其贫困发生率的降低具有一定作用。
表6 地理加权回归结果

Table 6 GWR regression results

变量 整体 连片特困区 非连片特困区
均值 最大值 最小值 均值 均值
常数项 0.036 0.076 0.030 0.037 0.034
入度 0.035 0.101 0.028 0.036 0.032
度数中心度 0.054 0.382 0.043 0.056 0.049
接近中心度 0.052 0.268 0.043 0.053 0.048
中间中心度 0.036 0.190 0.029 0.037 0.033
R2 0.118
带宽H 10.031
AIC -502.782

3 结论与建议

本文基于企业精准扶贫数据构建区域间的精准扶贫关联网络,通过分析多尺度精准扶贫网络格局、网络结构及其减贫效应,得到以下结论：（1）网络格局的多尺度异质性明显,在经济区尺度,企业的扶贫行为趋于空间邻近区域,空间指向性较强,东部、南部以及北部沿海综合经济区中的企业精准扶贫活动随时间演进而增加,向其他经济区帮扶溢出作用明显;在省级尺度,扶贫关联的地理约束作用较为明显,但企业精准扶贫行为从重视本省份贫困区域的发展日益向重视省外贫困区域发展转变;在市级尺度,城市间的精准扶贫关联网络呈现由“少核互联”的较稀疏网络向“多核交织”的密集型网络演变,网络复杂度不断提升,长距离的扶贫关联逐渐增加。（2）精准扶贫空间网络集聚度及聚合度不断加强,东部沿海及内陆较发达区域处于网络的核心位置,偏远地区及中西部欠发达区域则处于网络的边缘地位。在省级尺度,“净受益”板块及“双向溢出”板块主要分布于中西部地区、东北地区,“净溢出”板块主要位于沿海地区及长江中上游地区,“经纪人”板块则主要位于环渤海区域及新疆。在市级尺度,位于“净溢出”板块的主要为各省份的核心城市及区域中心城市,处于“经纪人”板块的城市主要分布于东部沿海省份及其他省份的次核心城市,处于“净受益”板块的城市主要分布于中西部地区及一些需扶贫区域,位于“双向溢出”板块的城市主要为中西部地区的次核心城市。（3）精准扶贫的空间关联网络外部性能够产生一定减贫效应,整体上,节点的受助多样性提升、连接数增加、联系强度提升以及节点在扶贫网络中的中介性提升能够强化减贫效应,而聚焦于连片特困区,扶贫网络减贫效应的发挥更加明显。
基于研究结论,有以下建议：（1）深耕产业扶贫可持续性,强化农村低收入人口常态化帮扶。企业要积极寻求扶贫开展的有效路径,为要素的跨区域调配创建通道,要注重扶贫活动与地方财政政策相结合,以贫困区域的需求为导向,依托当地资源优势和特色产业扶贫项目,帮助贫困地区提高内生发展能力。在提升脱贫人口的劳动技能的基础上推动产业扶贫的可持续性,使农村低收入人口获得持续性帮扶。（2）提升扶贫资源流转效率,为巩固脱贫攻坚成果提供外部驱动力。需要进一步发挥政府调控与市场机制两种力量引导企业扶贫活动的开展,促进扶贫的空间联系和空间格局优化,实现城乡要素流转的互联互通,为构建跨区域协同扶贫机制的构建注入新的驱动力。（3）因地施策推动高质量扶贫,助力产业扶贫成果同乡村产业振兴衔接。关注精准扶贫关联网络不同板块的溢出关系及关联关系,开展空间分类管理,因地施策推动高质量扶贫。在保障扶贫资源有效供给的前提下,政府应当制定措施对产业扶贫资源进行控制和管理,减少盲目帮扶,提升扶贫效率,为产业扶贫成果同乡村产业振兴有效衔接注入持续性动力。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李小云, 于乐荣, 唐丽霞. 新中国成立后70年的反贫困历程及减贫机制. 中国农村经济, 2019, (10): 2-18.

[LI X Y, YU L R, TANG L X. The process and mechanism of China's poverty reduction in the past seventy years. Chinese Rural Economy, 2019, (10): 2-18.]

[2]
张俊良, 刘巳筠, 段成荣. 习近平“精准扶贫”理论研究. 经济学家, 2020, (2): 25-32.

[ZHANG J L, LIU S Y, DUAN C R. A study on Xi Jin-ping's precise poverty alleviation theory. Economist, 2020, (2): 25-32.]

[3]
王士君, 田俊峰, 王彬燕, 等. 精准扶贫视角下中国东北农村贫困地域性特征及成因. 地理科学, 2017, 37(10): 1449-1458.

DOI

[WANG S J, TIAN J F, WANG B Y, et al. Regional characteristics and causes of rural poverty in Northeast China from the perspective of targeted poverty alleviation. Scientia Geographica Sinica, 2017, 37(10): 1449-1458.]

DOI

[4]
杨志恒, 黄秋昊, 李满春, 等. 产业扶贫视角下村域空间贫困陷阱识别与策略分析: 以湘西保靖县为例. 地理科学, 2018, 38(6): 885-894.

DOI

[YANG Z H, HUANG Q H, LI M C, et al. Identification and strategy analysis of poverty alleviation traps in village area from the perspective of industry poverty alleviation: A case of Baojing county in Hunan province. Scientia Geographica Sinica, 2018, 38(6): 885-894.]

[5]
孟照海. 教育扶贫政策的理论依据及实现条件: 国际经验与本土思考. 教育研究, 2016, 37(11): 47-53.

[MENG Z H. Theoretical basis and prerequisite of poverty alleviation policy by education: International experiences and native reflections. Educational Research, 2016, 37(11): 47-53.]

[6]
朱俊立. 政府购买社会保障扶贫服务与乡村社会治理创新. 财政研究, 2014, (11): 46-49.

[ZHU J L. The government purchases social security services for poverty alleviation and the innovation of rural social governance. Public Finance Research, 2014, (11): 46-49.]

[7]
李聪, 王磊, 李明来. 鱼和熊掌不可兼得? 易地搬迁, 家庭贫困与收入分异. 中国人口·资源与环境, 2020, 30(7): 140-150.

LI C, WANG L, LI M L. The relocation and settlement program, household poverty and income disparity. China Population, Resources and Environment, 2020, 30(7): 140-150.]

[8]
李志平. “送猪崽”与“折现金”: 我国产业精准扶贫的路径分析与政策模拟研究. 财经研究, 2017, 43(4): 68-81.

[LI Z P. Capital transfer or cash transfer: Path analysis of chinese industry precision poverty alleviation and its policy simulation. Journal of Finance and Economics, 2017, 43(4): 68-81.]

[9]
张玉明, 邢超. 企业参与产业精准扶贫投入绩效转化效果及机制分析: 来自中国A股市场的经验证据. 商业研究, 2019, (5): 109-120.

[ZHANG Y M, XING C. An analysis of the effect and mechanism of enterprise's participation in industrial targeted poverty alleviation input performance conversion: Empirical evidence from China's A-share market. Commercial Research, 2019, (5): 109-120.]

[10]
DOLLAR D, KRAAY A. Growth is good for the poor. Journal of Economic Growth, 2002, 7(3): 195-225.

DOI

[11]
LI Y, SU B, LIU Y. Realizing targeted poverty alleviation in China: People's voices, implementation challenges and policy implications. China Agricultural Economic Review, 2016, 8(3): 443-454.

DOI

[12]
王雨磊, 苏杨. 中国的脱贫奇迹何以造就: 中国扶贫的精准行政模式及其国家治理体制基础. 管理世界, 2020, 36(4): 195-209.

[WANG Y L, SU Y. How to achieve the miracle of China's poverty alleviation: The precise administrative mode of China's poverty alleviation and national governance system foundation. Management World, 2020, 36(4): 195-209.]

[13]
王春萍, 郑烨. 21世纪以来中国产业扶贫研究脉络与主题谱系. 中国人口·资源与环境, 2017, 27(6): 145-154.

[WANG C P, ZHENG Y. The research context and theme content of Chinese industrial poverty alleviation since 21st century. China Population, Resources and Environment, 2017, 27(6): 145-154.]

[14]
檀学文, 李静. 习近平精准扶贫思想的实践深化研究. 中国农村经济, 2017, (9): 2-16.

[TAN X W, LI J. The thoughts of precision-targeted poverty alleviation: A study of its deepening through practice. Chinese Rural Economy, 2017, (9): 2-16.]

[15]
孙久文, 唐泽地. 中国产业扶贫模式演变及其对“一带一路”国家的借鉴意义. 西北师大学报: 社会科学版, 2017, 54(6): 5-10.

[SUN J W, TANG Z D. Poverty alleviation by industry in China and its experience for the countries on the Belt and Road. Journal of Northwest Normal University: Social Sciences, 2017, 54(6): 5-10.]

[16]
朱红根, 宋成校. 产业扶贫政策的福利效应及模式比较研究. 农业经济问题, 2021, (4): 83-98.

[ZHU H G, SONG C X. Comparative study on welfare effect and mode of industrial poverty alleviation policy. Issues in Agricultural Economy, 2021, (4): 83-98.]

[17]
郭晓鸣, 虞洪. 具有区域特色优势的产业扶贫模式创新: 以四川省苍溪县为例. 贵州社会科学, 2018, (5): 142-150.

[GUO X M, YU H. Innovation of industrial poverty alleviation models with regional characteristics and advantages: A case study of Cangxi county, Sichuan province. Guizhou Social Sciences, 2018, (5): 142-150.]

[18]
张志新, 张秀丽, 白海洋. 基于要素资源配置视角的贫困地区“产业项目扶贫”模式研究. 农村经济, 2019, (1): 88-96.

[ZHANG Z X, ZHANG X L, BAI H Y. Research on the model of "industrial project poverty alleviation" in poverty areas based on the perspective of factor resource allocation. Rural Economy, 2019, (1): 88-96.]

[19]
杨艳琳, 袁安. 精准扶贫中的产业精准选择机制. 华南农业大学学报: 社会科学版, 2019, 18(2): 1-14.

[YANG Y L, YUAN A. Industrial accurate selection mechanism in accurate poverty alleviation. Journal of South China Agricultural University: Social Science Edition, 2019, 18(2): 1-14.]

[20]
陈敬胜. 南岭走廊产业扶贫的行动逻辑及运行机制. 江淮论坛, 2019, (4): 35-39.

[CHEN J S. The action logic and operating mechanism of industrial poverty alleviation in Nanling Corridor. Jiang-huai Tribune, 2019, (4): 35-39.]

[21]
沈宏亮, 张佳, 郝宇彪. 乡村振兴视角下产业扶贫政策的增收效应研究: 基于入户调查的微观证据. 经济问题探索, 2020, (4): 173-183.

[SHEN H L, ZHANG J, HAO Y B. The income effects of industrial poverty alleviation policies from the perspective of rural revitalization: Based on microscopic evidence from household survey. Inquiry into Economic Issues, 2020, (4): 173-183.]

[22]
张国建, 佟孟华, 李慧, 等. 扶贫改革试验区的经济增长效应及政策有效性评估. 中国工业经济, 2019, (8): 136-154.

[ZHANG G J, TONG L H, LI H, et al. Evaluation of economic growth effect and policy effectiveness in pilot poverty alleviation reform zone. China Industrial Economics, 2019, (8): 136-154.]

[23]
刘卫柏, 于晓媛, 袁鹏举. 产业扶贫对民族地区贫困农户生计策略和收入水平的影响. 经济地理, 2019, 39(11): 175-182.

[LIU W B, YU X Y, YUAN P J. The impact of industrial poverty alleviation on livelihood strategies and income levels of poor farmers in ethnic areas. Economic Geography, 2019, 39(11): 175-182.]

[24]
徐维祥, 张筱娟, 刘程军. 长三角制造业企业空间分布特征及其影响机制研究: 尺度效应与动态演进. 地理研究, 2019, 38(5): 1236-1252.

DOI

XU W X, ZHANG X J, LIU C J. Spatial distribution pattern and influencing factors of manufacturing enterprises in Yangtze River Delta: Scale effects and dynamic evolution. Geographical Research, 2019, 38(5): 1236-1252.]

DOI

[25]
侯静轩, 张恩嘉, 龙瀛. 多尺度城市空间网络研究进展与展望. 国际城市规划, 2021, 36(4): 17-24.

[HOU J X, ZHANG E J, LONG Y. The progress and prospects of the multi-scale urban space network research. Urban Planning International, 2021, 36(4): 17-24.]

[26]
秦奇, 吴良, 李飞, 等. 基于社会网络分析的东南亚地缘关系研究. 地理学报, 2018, 73(10): 2014-2030.

DOI

[QIN Q, WU L, LI F, et al. A social-network-based study on geo-relations in Southeast Asia. Acta Geographica Sinica, 2018, 73(10): 2014-2030.]

DOI

[27]
李天祥, 刘星宇, 王容博, 等. 2000—2019年全球猪肉贸易格局演变及其对中国的启示: 基于复杂贸易网络分析视角. 自然资源学报, 2021, 36(6): 1557-1572.

[LI T X, LIU X Y, WANG R B, et al. Dynamics of global pork trade networks during 2000-2019 and its implications for China: A complex network analysis. Journal of Natural Resources, 2021, 36(6): 1557-1572.]

DOI

[28]
郑文升, 姜玉培, 卓蓉蓉, 等. 安徽省县际经济联系网络结构演变及影响因素. 地理科学, 2016, 36(2): 265-273.

DOI

[ZHENG W S, JIANG Y P, ZHUO R R, et al. Evolution and influencing factors of the structure of economic linkage network at county level in Anhui province. Scientia Geographica Sinica, 2016, 36(2): 265-273.]

DOI

[29]
潘竟虎, 胡艳兴. 基于夜间灯光数据的中国多维贫困空间识别. 经济地理, 2016, 36(11): 124-131.

[PAN J H, HU Y X. Spatial identification of multidimensional poverty in China based on nighttime light remote sensing data. Economic Geography, 2016, 36(11): 124-131.]

[30]
李寻欢, 周扬, 陈玉福. 区域多维贫困测量的理论与方法. 地理学报, 2020, 75(4): 753-768.

DOI

[LI X H, ZHOU Y, CHEN Y F. Theory and measurement of regional multidimensional poverty. Acta Geographica Sinica, 2020, 75(4): 753-768.]

DOI

[31]
刘新梅, 韩林芝, 郑江华, 等. 贫困县多维综合贫困度时空分异特征及其驱动机制: 以南疆四地州深度贫困地区贫困县为例. 经济地理, 2019, 39(7): 165-174.

[LIU X M, HAN L Z, ZHENG J H, et al. Temporal-spatial characteristics and the driving mechanism of multidimensional comprehensive poverty degree in poverty-stricken counties: A case study of poor counties in deep poverty-stricken areas of Southern Xinjiang. Economic Geography, 2019, 39(7): 165-174.]

DOI

[32]
罗翔, 李崇明, 万庆, 等. 贫困的“物以类聚”: 中国的农村空间贫困陷阱及其识别. 自然资源学报, 2020, 35(10): 2460-2472.

[LUO X, LI C M, WAN Q, et al. "Birds of a feather flock together": China's rural spatial poverty trap and its identification. Journal of Natural Resources, 2020, 35(10): 2460-2472.]

DOI

[33]
徐维祥, 李露, 周建平, 等. 乡村振兴与新型城镇化耦合协调的动态演进及其驱动机制. 自然资源学报, 2020, 35(9): 2044-2062.

[XU W X, LI L, ZHOU J P, et al. The dynamic evolution and its driving mechanism of coordination of rural rejuvenation and new urbanization. Journal of Natural Resources, 2020, 35(9): 2044-2062.]

DOI

[34]
刘承良, 牛彩澄. 东北三省城际技术转移网络的空间演化及影响因素. 地理学报, 2019, 74(10): 2092-2107.

DOI

[LIU C L, NIU C C. Spatial evolution and factors of interurban technology transfer network in Northeast China from national to local perspectives. Acta Geographica Sinica, 2019, 74(10): 2092-2107.]

DOI

[35]
刘程军, 周建平, 蒋建华, 等. 电子商务背景下县域物流的空间联系及其网络结构研究: 以浙江省为例. 地理科学, 2019, 39(11): 1719-1728.

DOI

[LIU C J, ZHOU J P, JIANG J H, et al. County-level logistics spatial linkage and network structure under the electronic commerce environment in Zhejiang province. Scientia Geographica Sinica, 2019, 39(11): 1719-1728.]

DOI

[36]
邵汉华, 周磊, 刘耀彬. 中国创新发展的空间关联网络结构及驱动因素. 科学学研究, 2018, 36(11): 2055-2069.

[SHAO H H, ZHOU L, LIU Y B. Study on the spatial network structure and driving factors of regional innovation development in China. Studies in Science of Science, 2018, 36(11): 2055-2069.]

Options
文章导航

/

〈 〉