嚴瑞

（江蘇省測繪地理信息局信息中心 江蘇省南京市 210013）

黨的十八大以來，黨中央、國務院對扶貧開發工作高度重視，將新時期扶貧開發工作定位為“精準扶貧”。在扶貧工作進入決勝階段的大背景下，面對海量的扶貧大數據，急需創新扶貧工作思路與方法，加強對數據的采集和整合，從繁雜的統計數據中發現更具價值的信息指導扶貧工作。

空間數據在表達上具有直觀、多尺度等特點，采用GIS（地理信息系統）空間分析技術，圍繞地理國情專項監測成果，充分挖掘道路通達、河流分布、耕地占比等重要空間特征信息，結合扶貧業務數據，構建包含地理影響因子的綜合評價模型，將可以更準確的識別區域性貧困特征，為推出定制性政策提供決策輔助，協助地方扶貧主管部門更有針對性地建設幫扶項目。

1 基于地理信息的貧困特征綜合評價模型

建立合理的指標體系，是識別貧困特征的基礎。本研究依據數據的可獲得性以及扶貧開發需要實現的戰略目標，構建基于地理信息的扶貧影響因子指標體系。

1.1 數據來源

傳統上，貧困特征識別的主要數據來源包括扶貧建檔立卡數據、民政統計數據等。本研究在此數據基礎上，充分考慮地理空間特征對貧困現狀的影響，添加了空間數據作為數據源，用于地理位置空間參考及空間分析。空間數據按照不同用途又分為基礎地理信息數據以及扶貧地理信息數據，基礎地理信息數據主要包括DLG（數字線劃圖）、DOM（數字正射影像）、DEM（數字高程模型）和省級基礎地理實體數據；扶貧地理信息數據主要指低收入戶、扶貧項目等信息的空間分布。

1.2 基于地理信息的扶貧影響因子指標體系

基于地理信息的扶貧影響因子指標體系有效融合地理空間特征與經濟社會影響特征，由村經濟發展指標，低收入戶情況指標，地理影響因子指標及動態相關性指標等四個維度的指標構成，每個維度指標下細分為二級指標，村經濟發展指標可以較為客觀而清晰的反映村總體貧困現狀；低收入戶情況指標、地理影響因子指標反映交通、土地利用等宏觀扶貧開發進展對扶貧的影響；關系屬性指標反映了各個經濟薄弱村之間的相似程度。如圖1所示。

扶貧影響因子指標體系中，高中教育程度農戶數量、人口密度、60歲以上農戶數量、從業農戶數量、幫扶產業數量、因病致貧占比、人均收入、有無教育貸款等指標可由建檔立卡數據、民政統計數據等直接計算得到。

圖1：扶貧影響因子指標體系

圖2：多層次扶貧畫像特征關聯

交通通達度是指區域內交通路網的便捷程度，通過交通可達時間測算，數據來源為地理國情監測成果中的國省道路網、鐵路網、鄉村道路等交通專題數據。項目采用GIS柵格分析和網絡分析技術，運用不同尺度的區域時間可達性指標，在此基礎上建立區域交通通達度計算模型，表達式為：

其中，i為柵格成本圖中的任意格網，Ai為i格網的可達性，Tij為i點到j點通過最短路徑所花費的最小時間。

耕地破碎度，表示區域內耕地面積和完整性，可由單位面積內可耕地類面積密度測算，數據來源為地理國情監測成果中地類圖斑成果。

1.3 貧困特征綜合評價模型

參照扶貧影響因子指標體系，可通過計算得到各指標的單項數值，由于指標性質不一，通常具有不同的量綱和數量級，為了消除不同量綱影響，需對各個指標進行標準化處理：

式中，X為區域內指標實際值；X’為區域內指標標準化后的值；Xmax為指標最大值，Xmin為指標最小值。

將各項指標標準化后，可得到貧困特征綜合評價模型：

其中{K1,K2,….Kn}表示每一單項指標均值，{K’1,K’2…K’n}表示區域內各項指標的實際值，V由區域內各項指標的實際值與平均值的差值組成，通過差值的高低，可反映各項指標的影響強弱程度。

2 基于貧困特征綜合評價模型的畫像分析技術

畫像分析作為大數據的根基，完美地抽象出一個對象的信息全貌，為進一步精準、快速地分析該對象的重要特征，提供了足夠的數據基礎，奠定了大數據時代的基石。本研究基于包含地理因子的貧困特征綜合評價模型，建立某個經濟薄弱村的個體畫像及群體畫像。

2.1 個體扶貧畫像

個體扶貧畫像表示經濟薄弱村個體各項指標特征，從中可反映出立產業項目投資、交通建設、教育醫療等民生服務間的關聯，制定針對性政策。如圖2所示。

2.2 群體扶貧畫像

通過多層次扶貧畫像的定義，可對扶貧工作中具有相同、相似特征的經濟薄弱村進行聚類分析，歸類標簽，形成具有共同特征的經濟薄弱村的具象化描述，例如可自定義交通通達度指標、人口密度指標等，形成交通發達村群體、勞動力充足村群體等經濟薄弱村群體特征畫像，為扶貧精準施策找到符合需求的經濟薄弱村。

2.3 基于畫像特征的相似度分析

經濟薄弱村特征識別模型從社會經濟、自然資源條件、交通條件等多方面對經濟薄弱村進行了量化，因此通過選擇薄弱村歷史數據作為樣本，將其他經濟薄弱村與其進行對比，可根據相似度判斷預測其未來的脫貧趨勢。對于每一個待預測的薄弱村,我們首先利用經濟薄弱村特征識別模型作為它的表示,然后計算模型各指標相似度,采用Top-k分析方法，選取出相似度最高的K個樣本經濟薄弱村模型，并求取其脫貧概率平均值,得到待預測經濟薄弱村的脫貧趨勢預測值。

3 貧困村畫像應用分析

本研究基于畫像分析技術，以江蘇省漣水縣為例，對經濟薄弱村扶貧畫像進行了應用。如圖3所示，為當地的某一個經濟薄弱村扶貧畫像，從中可以看出，其交通條件較為落后，同時產業項目建設也較為薄弱，因此通過加大道路建設投入，提高與周邊地區的人力、物資交流，可實現對該村的有效幫扶。

圖4則是采用畫像分析技術，通過畫像特征相似度對比找到的與目標對象類似的經濟薄弱村結果。從圖中可以看出，這兩個村均為年齡結構偏重于老年人，產業項目收入少的村莊，并且在交通、

圖3：經濟薄弱村個體扶貧畫像

圖4：經濟薄弱村相似度畫像

耕地等方面存在一定的劣勢，通過相似度分析，可以對薄弱環節類似的貧困村采用類似的扶貧措施。

4 結語

本研究充分發揮地理信息技術特點，有效融合地理空間特征與經濟社會影響特征，建立了貧困特征綜合判別模型，采用畫像技術實現了空間數據驅動下的經濟薄弱村精準識別和篩選，有效提升了扶貧決策科學化水平，為空間數據在精準扶貧工作中的深層次應用和推廣提供了創新的思路。