دستور کار 2030 سازمان ملل ریشه کنی فقر را به عنوان هدف اولیه توسعه پایدار تعیین می کند. اندازه گیری دقیق فقر یک ورودی حیاتی برای کیفیت و کارایی کاهش فقر در مناطق روستایی است. با این حال، فقر به عنوان یک پدیده جغرافیایی، ناگزیر دارای همبستگی فضایی است. نادیده گرفتن همبستگی فضایی بین مناطق در اندازه‌گیری‌های فقر، تلاش‌ها برای بهبود دقت شناسایی فقر و طراحی سیاست‌ها در مناطق واقعاً فقیر را مختل می‌کند. برای به دست آوردن این همبستگی فضایی، این مقاله یک مدل اندازه‌گیری فقر جدید مبتنی بر یک شبکه عصبی، یعنی شبکه عصبی عمیق بردار فضایی (SVDNN) پیشنهاد می‌کند که مدل شبکه عصبی برداری فضایی (SVNN) و شبکه عصبی عمیق (DNN) را ترکیب می‌کند. ). SVNN برای اندازه گیری همبستگی فضایی استفاده شد، در حالی که DNN از مجموعه داده های بردار خروجی SVNN و متغیرهای توضیحی برای اندازه گیری شاخص فقر چند بعدی (MPI) استفاده کرد. برای تعیین ساختار همبستگی فضایی بهینه SVDNN، این مقاله عملکرد مدل ماتریس فاصله فضایی، ماتریس مجاور فضایی و ماتریس مجاور وزن‌دار فضایی را مقایسه می‌کند و ماتریس فاصله فضایی عملکرد بهینه را به عنوان مجموعه داده ورودی SVNN انتخاب می‌کند. سپس، مدل SVDNN برای اندازه‌گیری MPI کمربند اقتصادی رودخانه یانگ تسه مورد استفاده قرار گرفت، پس از آن نتایج با سه مدل پایه DNN، شبکه عصبی پس انتشار (BPNN) و شبکه عصبی مصنوعی (ANN) مقایسه شد. آزمایش‌ها نشان می‌دهند که مدل SVDNN می‌تواند همبستگی فضایی را از مجموعه داده‌های فاصله فضایی بین شهرستان‌ها به دست آورد و دقت شناسایی فقر آن بهتر از سایر مدل‌های پایه است. ویژگی‌های مکانی-زمانی MPI اندازه‌گیری شده توسط SVDNN نیز با توزیع تجمع‌های شهری و شهرستان‌های فقر در سطح ملی در کمربند اقتصادی رودخانه یانگ تسه بسیار سازگار بود. مدل SVDNN ارائه شده در این مقاله می تواند به طور موثری دقت شناسایی فقر را بهبود بخشد، بنابراین تخصیص نادرست منابع در ردیابی و هدف قرار دادن فقر در کشورهای در حال توسعه را کاهش می دهد.

کلید واژه ها:

اندازه گیری فقر ; شبکه عصبی عمیق برداری فضایی ; همبستگی فضایی ; شاخص چند بعدی فقر ; کمربند اقتصادی رودخانه یانگ تسه

1. مقدمه

دستور کار 2030 مشخص کرد که ریشه کن کردن فقر شدید همچنان بزرگترین چالش در جهان است و “بدون فقر” را در راس 17 هدف توسعه پایدار قرار داد که عزم را برای ریشه کنی فقر و گرسنگی در همه اشکال و مظاهر نشان می دهد [ 1 ، 2 ]. ]. کاهش فقر و ریشه کن کردن آن به شدت بر توسعه اقتصاد جهانی تأثیر می گذارد [ 3 ، 4 ، 5]. کاهش موثر فقر در اندازه‌گیری دقیق فقر نهفته است، که برای سیاست‌ها و تحقیقات صحیح فقرزدایی نیز ضروری است، زیرا چنین اندازه‌گیری‌هایی ممکن است تصمیمات دولت‌ها را در مورد تخصیص منابع انسانی و مادی شکل دهد و پایه‌ای را برای تلاش‌ها برای درک و پیگیری پیشرفت در جهت بهبود ایجاد کند. معیشت انسان [ 6 ، 7 ].
کمبود متغیرهای توضیحی قابل اعتماد و روش‌های اندازه‌گیری فقر، چالش بزرگی را برای شناسایی فقر نشان می‌دهد [ 8 ]. تحت تأثیر مفهوم فقر مطلق، چندین محقق نشان دادند که فقر یک نابرابری است [ 9 ، 10 ]. متغیر توضیحی ضروری برای اندازه گیری این نابرابری، مواد اولیه زندگی مانند درآمد و غذا بود. روش اندازه گیری این نابرابری، اندازه گیری تک بعدی است. برای مثال، برادی فقر را به عنوان طرد اجتماعی تعریف می کند و از داده های مطالعه درآمد لوکزامبورگ برای اندازه گیری شاخص فقر کشورهای پیشرفته سرمایه داری استفاده می کند [ 11 ].
با پیچیدگی فزاینده فقر اجتماعی، این نابرابری که توسط فقر نشان داده می شود به ترتیب در حال افزایش است، مانند توانایی شخصی [ 12 ، 13 ]، سلامت فیزیولوژیکی [ 14 ]، رفاه اقتصادی [ 15 ] و تدوین سیاست [ 16 ]. دستور کار 2030 همچنین بر اهمیت درک چند بعدی از فقر تأکید کرد [ 1 ]. بنابراین فرضیه فقر مطلق که بر اساس مواد اولیه زندگی اندازه گیری می شود توسط محققان مورد سوال قرار گرفته است [ 4 , 17 ].]. فقر که با سلامت، آموزش، توانمندی و عوامل دیگر نیز مرتبط است، چند بعدی است. درک فقر همچنین از فقر مطلق که توسط مواد اولیه زندگی نشان داده می شود تا فقر چند بعدی شامل متغیرهای چند بعدی پیشی گرفته است [ 18 ، 19 ]. روش اندازه گیری فقر از یک اندازه گیری یک بعدی به یک اندازه گیری چند بعدی تغییر کرده است [ 20 ].
رویکردهای مختلفی برای اندازه گیری فقر چند بعدی وجود دارد. در میان آنها، قطع دوگانه A-F [ 21 ]، Foster-Greer-Thorbecke [ 22 ] و تسلط مرتبه اول [ 23 ] به طور گسترده مورد استفاده قرار گرفته اند. در زمینه اندازه‌گیری تعمیم‌یافته Alkire-Faster، بنت وضعیت فقر نسبی را در هند نشان داد، که در غیر این صورت با روش سنتی تک‌بعدی قابل درک نیست [ 24 ]. نواک روش شناسایی Alkire-Faster را اصلاح کرد تا تضمین کند که ابعاد اندک افراد بسیار فقیر در آلمان حذف نمی شوند [ 25 ]. نجویا از شاخص FGT برای اندازه گیری شکاف فقر در کنیا استفاده کرد و دریافت که گسترش گردشگری به کاهش فقر کمک می کند.26]. این رویکردها می‌توانند با ابعاد چند بعدی فقر، اندازه‌گیری وزن شاخص‌های چندبعدی فقر و تعیین محدوده آستانه‌های چند بعدی فقر سازگار بوده و به‌طور خاص محرومیت از فقر را در ابعاد مختلف منعکس کنند. با پیشرفت مداوم تحقیقات در مورد فقر چند بعدی، بسیاری از محققان [ 27 ، 28 ، 29 ، 30 ] ویژگی جغرافیایی فقر چند بعدی را کشف کرده اند.
پس از شناخت ویژگی جغرافیایی فقر، راوالیون [ 31 ] شواهدی از تله های فقر جغرافیایی یافت که نشان می دهد تفاوت جغرافیایی قابل توجهی در سطوح زندگی در چین وجود دارد. این ثابت کرده است که فقر چند بعدی نه تنها تحت تأثیر شرایط اجتماعی-اقتصادی و عوامل سرمایه معیشتی، بلکه تحت تأثیر عوامل جغرافیایی قرار می گیرد [ 32 ]. وقوع و توزیع فقر چند بعدی دارای ناهمگونی جغرافیایی قابل توجهی است [ 7 و 33 ]. عوامل جغرافیایی نیز به یکی از ابعاد مهم در انتخاب متغیر توضیحی تبدیل شده است. 34]. روش های اندازه گیری فقر چند بعدی نیز تغییر کرده است. روش‌های اندازه‌گیری موجود همراه با روش‌های تجزیه و تحلیل GIS مانند تجزیه و تحلیل داده‌های مکانی اکتشافی [ 35 ]، نقشه‌برداری فقر [ 36 ] و geo-dector [ 37 ] به طور گسترده در تحقیقات چند بعدی فقر مورد استفاده قرار گرفته‌اند.
در حالی که اندازه‌گیری‌های چندبعدی فقر موجود در محاسبه خط فقر در مقیاس کوچک (سطح شهرستان، سطح روستا) امیدوارکننده است، به نظر می‌رسد که توانایی تشخیص تفاوت‌های جغرافیایی در مقیاس بزرگ (کل کشور، کل استان) کمتر است. از آنجایی که منابع اصلی داده‌های چنین اندازه‌گیری‌هایی سرشماری یا داده‌های نظرسنجی خانوار جمع‌آوری‌شده توسط دولت‌ها بود، در حالی که کشورهای فقیر هنوز فاقد بودجه و فناوری برای انجام سرشماری منظم هستند [ 38 ، 39 ]. علاوه بر این، بیشتر اندازه‌گیری‌های سنتی چندبعدی فقر از وزن‌دهی دستی استفاده می‌کنند که ممکن است ناگزیر خطاها و اثرات ذهنی را به نتایج برساند.
با توجه به دشواری افزایش تلاش جمع‌آوری داده‌های سنتی و دقت اندازه‌گیری‌های چند بعدی موجود، یک مسیر جایگزین برای اندازه‌گیری فقر ممکن است از روش‌های یادگیری ماشینی در ترکیب داده‌های مکانی-زمانی استفاده کند. این به طور گسترده ای در تحقیقات چند بعدی فقر، از جمله برای تجزیه و تحلیل ویژگی های فضایی فقر، پیش بینی احتمال فقر و شناسایی مناطق فقر عمیق [ 36 ، 37 ، 38 ، 39 ، 40 ] استفاده شده است. این مطالعات به این سوال پاسخ دادند که «جمعیت فقیر یا پدیده فقر کجا توزیع شده است» و ارتباط ذاتی بین عوامل جغرافیایی و فرآیند فقر را آشکار کرد [ 41 ،42، 43 ]. این که این ممکن است مثمر ثمر باشد ناشی از این واقعیت است که روش‌های یادگیری ماشینی می‌توانند به طور دقیق فقر را اندازه‌گیری کنند، نه تنها با حذف عوامل ذهنی ناشی از وزن‌دهی دستی، بلکه همچنین افزایش توانایی برازش غیرخطی متغیرهای توضیحی ابعادی مختلف، بنابراین منعکس‌کننده وضعیت واقعی اشیاء ارزیابی شده تا حد زیادی [ 44 ، 45 ، 46 ].
اگرچه مطالعات زیادی در مورد همبستگی فضایی اندازه‌گیری‌های چند بعدی منتشر شده است، اما این همبستگی تنها در انتخاب متغیرها یا تجزیه و تحلیل نتایج شناسایی منعکس می‌شود. توجه کمی به همبستگی فضایی در فرآیند محاسباتی سنجش فقر شده است. همبستگی فضایی نقش مهمی در توصیف و درک پدیده اجتماعی-اقتصادی فقر ایفا می‌کند و همچنین برای سنجش فقر ضروری است، زیرا همه چیز به هر چیز دیگری مرتبط است، اما چیزهای نزدیک بیشتر به یکدیگر مرتبط هستند. 47 ].]. اگر همبستگی فضایی بین مناطق در فرآیند اندازه‌گیری نادیده گرفته شود، نتیجه اندازه‌گیری فقر باعث می‌شود که نویز از سایر مناطق گرفته شود و نتایج ناپایدار یا نامشخص باشد که منجر به تخصیص نادرست منابع مالی و انسانی در مرحله فقرزدایی بعدی می‌شود. .
برای حل مشکلات فوق، این مقاله یک روش اندازه گیری فقر چند بعدی جدید به نام شبکه عصبی عمیق برداری فضایی (SVDNN) پیشنهاد می کند. با توجه به همبستگی قوی بین مناطق، این مدل این همبستگی را در فرآیند محاسباتی اندازه گیری فقر گنجانده و آن را به صورت بردار بیان می کند. این مدل می تواند به طور موثر دقت شناسایی اندازه گیری فقر را بهبود بخشد، بنابراین از تخصیص نادرست منابع انسانی و مادی ناشی از شناسایی نادرست اهداف کاهش فقر جلوگیری می کند.

2. مواد

2.1. منطقه مطالعه

کمربند اقتصادی رودخانه یانگ تسه (YREB) به عنوان یکی از مناطقی که از نظر استراتژیک پشتیبانی می کند، سه منطقه اصلی شرق، مرکز و غرب را در بر می گیرد. این شامل 1084 شهرستان و همچنین بسیاری از تجمعات شهری مهم است (به عنوان مثال، دلتای رودخانه یانگ تسه، مثلث مرکز چین، و گروه شهر چنگدو- چونگ کینگ). تحت تأثیر تفاوت در شرایط توسعه، مناطق فقر زده هنوز در YREB وجود دارد، مانند چهار منطقه مسکونی تبتی و منطقه بیابان زایی صخره ای یوننان-گوئیژو-گوانگشی. طبق آمار دولت چین در سال 2015، هنوز 346 شهرستان فقیر در سطح ملی در YREB وجود دارد.
شکل 1 موقعیت جغرافیایی YREB و شهرستان های فقیر در سطح ملی در این منطقه را نشان می دهد. با توجه به کفایت نمونه های آموزشی مدل موجود در YREB، YREB به عنوان منطقه مورد مطالعه این مقاله استفاده می شود. علاوه بر این، تضاد آشکاری بین نمونه‌های فقر و نمونه‌های ثروت در این منطقه وجود دارد. علاوه بر این، شهرستان ابتدایی ترین واحد اداری در چین است. شرایط توسعه اقتصادی و الگوی توزیع فضایی این واحد تجلی شهودی وضعیت اقتصادی فعلی در YREB است [ 45 ]. بنابراین، این مقاله شهرستان ها را به عنوان واحد مطالعاتی پایه انتخاب می کند.

2.2. متغیرهای توضیحی

دستور کار 2030 تعیین کرد که برای ریشه کنی فقر و دستیابی به توسعه پایدار با در نظر گرفتن سه جنبه اقتصاد، جامعه و محیط زیست ضروری است [ 1 ]. بنابراین، این مقاله یک جدول متغیرهای تبیین کننده فقر، که شامل سه بعد طبیعی، اقتصادی و اجتماعی است، تهیه کرد ( جدول 1 ). بر این اساس، متغیرهای توضیحی خاص مؤثر بر فقر با استفاده از مرور ادبیات گسترده و دانش تخصصی انتخاب شدند. چندین مطالعه همچنین تأیید کرده اند که متغیرهای جغرافیایی (به عنوان مثال، منابع توپوگرافی، اقلیمی و طبیعی) و اجتماعی-اقتصادی (به عنوان مثال، اقتصادی، سیاسی و جمعیتی) در واقع ارتباط نزدیکی با فقر دارند [ 29 ، 45 ، 48 ]., 49 , 50 , 51 ]. اساس انتخاب خاص به شرح زیر است:
در بعد طبیعی، با توجه به اینکه شیب های تند، به ویژه زمین هایی با شیب بالاتر از 15 درجه، برای استفاده به عنوان زمین کشاورزی نامناسب هستند، میانگین ارتفاع و نسبت مساحت زمین با شیب های بالاتر از 15 درجه به عنوان متغیرهای توضیحی برای اندازه گیری انتخاب شدند. شرایط طبیعی زمین شهرستان میانگین بارندگی سالانه و عملکرد زمین زیر کشت به این دلیل انتخاب شدند که می توانند به طور شهودی اشغال منابع آب منطقه ای و بهره وری زمین زیر کشت را اندازه گیری کنند.
در بعد اقتصادی، تولید ناخالص منطقه ای (GRP) می تواند خطر بازگشت به فقر را برای ساکنان یک منطقه مشخص کند. هر چه ارزش بزرگتر باشد، ریسک کمتر است. در متغیرهای اجتماعی-اقتصادی مانند پس‌انداز سرانه خانوار، نسبت صنایع ثانویه و هزینه‌های مالی سرانه می‌تواند به طور جامع سطح و پتانسیل توسعه اقتصادی منطقه را منعکس کند. شاخص نور شب برای اندازه گیری ظرفیت جذب و انتشار شهرستان ها انتخاب شد.
در بعد اجتماعی نیز با توجه به امنیت آموزش اجباری و امنیت پایه پزشکی در نیازهای اساسی فقر، تعداد تخت های بیمارستانی سرانه و نسبت آموزش اجباری به عنوان معرف ظرفیت عرضه خدمات پزشکی و منابع آموزشی منطقه انتخاب شد. تعداد تخت های موسسات رفاهی سرانه برای اندازه گیری سطح ساخت و ساز خانه های رفاه منطقه ای انتخاب شد. نسبت دسترسی به تلفن به این دلیل انتخاب شد که می تواند نشان دهنده ظرفیت شهرستان برای جمع آوری و انتشار اطلاعات باشد، بنابراین درجه اطلاعات شهرستان را اندازه گیری می کند.

در فرآیند انتخاب متغیر، از ضریب تورم واریانس ( VIF ) برای اندازه‌گیری چند خطی بودن متغیرهای توضیحی استفاده شد. فرمول محاسبه VIF به شرح زیر است:

Ri ضریب همبستگی منفی تحلیل رگرسیون بین متغیر توضیحی دهم (در جدول 1 ) و متغیر توضیحی باقی مانده در جدول 1 است [ 52 ]. بر اساس تحقیقات موجود [ 53 ]، VIF هر متغیر توضیحی کمتر از 7.5 است و توضیح می دهد که هیچ متغیر اضافی وجود ندارد.
داده های مختصات دولت شهرستان، طول و عرض جغرافیایی محل هر دولت شهرستان است که از پلت فرم Baidu Map به دست می آید. داده های مدل رقومی ارتفاع، با وضوح 90 متر، از وب سایت سازمان زمین شناسی ایالات متحده ( https://lta.cr.usgs.gov/HYDRO1K ، در تاریخ 1 سپتامبر 2020) به دست آمد. داده‌های بارندگی از مرکز ملی داده‌های هواشناسی چین ( https://data.cma.cn/ ، قابل دسترسی در 1 سپتامبر 2020) استخراج شده است. داده های نور شب به دست آمده از داده های DMSP/OLS توسط اداره ملی اتمسفر و اقیانوسی ارائه شده است. https://ngdc.noaa.gov/eog/download.html، قابل دسترسی در 20 اکتبر 2020). اطلاعات سرشماری به دست آمده از سالنامه های آماری شهرستان چین (1999-2016) و سالنامه های آماری استانی (1999-2016) توسط دولت چین جمع آوری شد.

3. روش ها

3.1. تعریف مدل

تعریف  1.

بردار فضایی V و مجموعه داده فاصله فضایی D. بردار فضایی V برای توصیف همبستگی فضایی بین شهرستان‌ها استفاده شد که توسط SVNN محاسبه می‌شود. روند محاسبه به شرح زیر است:

ابتدا، برای به دست آوردن مجموعه داده فاصله فضایی D ، از مختصات x و y برای محاسبه فاصله فضایی بین i مین شهرستان p i و سایر شهرستان ها به نوبه خود استفاده شد. مختصات x و y شهرستان p i از طول و عرض جغرافیایی محل حکومت شهرستان بدست می آید. مجموعه داده D را می توان با موارد زیر ارائه کرد:

در معادله (2)، d n,m نشان دهنده فاصله فضایی بین شهرستان n و m شهرستان است. D یک ماتریس متقارن با قطر 0 است، در حالی که روش محاسبه فاصله فضایی فاصله اقلیدسی را اتخاذ می کند. معادله به صورت زیر است:

در رابطه (3)، x n و y n طول و عرض جغرافیایی محل n امین دولت شهرستان هستند. بنابراین، محاسبه بردار فضا را می توان به عنوان یادگیری مدل SVNN با مجموعه داده فاصله فضایی D به عنوان داده ورودی در نظر گرفت. می توان آن را با رابطه (4) بیان کرد:

در معادله (4)، V n = { V n , 1 , V n , 2 , … V n , 6 }، V n بردار فضایی n شهرستان است. از آنجایی که تعداد واحدهای لایه خروجی SVNN شش بود، شش عنصر در V n وجود دارد.

تعریف  2.

مجموعه داده متغیرهای توضیحی P N ×M . P بخش مهمی از مجموعه داده ورودی DNN است که توسط متغیرهای توضیحی شهرستان در جدول 1 ساخته شده است که می تواند به صورت P∈R N ×M بیان شود. در میان آنها، N نشان دهنده شهرستان (N = 1084) و M نشان دهنده متغیرهای توضیحی (M = 15). مجموعه داده ورودی دقیق P در معادله (5) نشان داده شده است:

در معادله (5)، p n,m در P نشان دهنده مقدار مشخصه m امین متغیر توضیحی در شهرستان n است. p n ,1 , p n ,2 , …, p n , and15 مقادیر مشخصه متغیرهای توضیحی جدول 1 را نشان می دهد. بنابراین، محاسبه MPI را می توان با رابطه (6) بیان کرد:

تعریف  3.

نمونه آموزشی برای به دست آوردن MPI پیوسته، خروجی MPI مدل SVDNN به عنوان یک مسئله طبقه بندی باینری تنظیم شد. نمونه آموزشی شامل دو نوع نمونه یعنی نمونه فقر و نمونه ثروت می باشد. انتخاب نمونه فقر بر اساس شهرستان های فقر در سطح ملی تعیین شده توسط دولت چین انجام شد و مقدار نمونه برابر با 1 تعیین شد. انتخاب نمونه ثروت بر اساس مناطق مرکزی دلتای رودخانه یانگ تسه و مقدار نمونه روی 0 تنظیم شده است. هر چه MPI به 1 نزدیکتر باشد، فقر بیشتر خواهد بود.

3.2. ساختار مدل

در حالی که مدل‌های رایج یادگیری ماشینی مانند جنگل تصادفی (RF) به طور گسترده در تحقیقات طبقه‌بندی احتمال فقر و تحقیقات پیش‌بینی [ 44 ، 45 ، 46 ] استفاده می‌شوند، مدل‌های بالا تنها می‌توانند نتایج طبقه‌بندی گسسته را تولید کنند، که ممکن است کمتر به نظر برسد. خروجی نتایج شاخص پیوسته
این مقاله از طریق مدل SVDNN بر این مشکل غلبه می‌کند که به موجب آن یک تابع فعال‌سازی خروجی خاص سیگموئید برای نگاشت MPI به بازه پیوسته [0، 1] استفاده شد. ابتدا ساختار SVDNN در شکل 2 نشان داده شده است . همانطور که در شکل 2 نشان داده شده است، مجموعه داده P به طور تصادفی به یک مجموعه آموزشی، یک مجموعه تست و یک مجموعه اعتبار سنجی تقسیم شد. سپس SVNN بردار فضایی شهرستان را محاسبه کرد. در نهایت، بردار فضایی و متغیرهای توضیحی از طریق تابع تماس ارائه شده توسط تنسورفلو برای محاسبه MPI توسط DNN تجمیع شدند. خروجی Y توسط لایه خروجی MPI است. برای طراحی دقیق الگوریتم SVNN و DNN، بخش 3.2.1 و را ببینید بخش 3.2.2 مراجعه کنید..

3.2.1. SVNN

در مدل SVDNN، مدل SVNN از انتشار خطا به جلو استفاده می کند. شکل 3 فرآیند انتقال یک نورون منفرد را در مدل SVNN نشان می دهد. در شکل 3 ، داده های ورودی m امین نورون در لایه L -1 است، وزن است، عبارت بایاس است، SUM تابع جمع است، تابع فعال سازی است و مقدار خروجی لایه خروجی L است.

فرآیند فوق را می توان با معادله (7) نیز بیان کرد:

3.2.2. DNN
DNN برای ساخت SVDNN به دلیل توانایی مشخص‌سازی قوی آن انتخاب شد که می‌تواند ویژگی‌های چند بعدی و غیرخطی را با روی هم قرار دادن شبکه‌های کاملاً متصل و شبکه‌های فعال‌سازی غیرخطی بیاموزد. به طور گسترده ای در مدل سازی روابط مکانی-زمانی استفاده شده است [ 54 ، 55 ].

در SVDNN، DNN بر اساس یک شبکه چند لایه کاملا متصل بود و از انتشار خطا برای محدود کردن پارامترهای شبکه برای خروجی نتایج استفاده می‌کرد. یک فرآیند به روز رسانی پارامتر به صورت زیر نشان داده شده است:

در معادله (8) تابع ضرر است. این مقاله از آنتروپی متقاطع باینری به عنوان تابع تلفات استفاده می کند که برای شبکه عصبی طبقه بندی باینری با یک واحد لایه خروجی مناسب تر است.

مشتق معادله (8) را بگیرید:

در معادله (9) بردار خروجی لایه خروجی L است، بردار خروجی لایه پنهان l است ( l = 2، …، L -1) و بردار گرادیان است . بردار گرادیان از لایه پنهان بیشتر استنباط می شود ، جایی که به عنوان … تعریف شده است:

در معادله (10) می توان با معادله (11) زیر جایگزین کرد:

رابطه بین و می تواند توسط:

معادلات (11) و (12) را با معادله (10) جایگزین کنید:

در معادله (13) نشان دهنده محصول هادامارد است. بعد از محاسبه ، پارامترهای هر لایه شبکه را به روز کنید که فرمول آن به شرح زیر است:

در معادله (14) بردار گرادیان است و عنصر گرادیان نورون i در لایه پنهان L است. m تعداد کل نورون های لایه پنهان l است. بردار وزن لایه پنهان L است. عبارت بایاس لایه پنهان L است. میزان یادگیری است. و بردار وزن و عبارت بایاس لایه پنهان l پس از اولین تکرار به روز می شوند.

3.3. معیارهای ارزیابی مدل

از آنجایی که خروجی مدل SVDNN به جای نتایج طبقه‌بندی گسسته، MPIهای پیوسته است، معیارهای ارزیابی مانند دقت، یادآوری و امتیاز f1 در این مقاله استفاده نشده است. برای ارزیابی عملکرد مدل از چهار معیار ارزیابی استفاده شد:
  • ریشه میانگین مربعات خطا ( RMSE );
2.
میانگین خطای مطلق ( MAE )؛
3.
امتیاز واریانس توضیح داده شده ( var )
4.
ضریب تعیین ( R 2 ).
در معادلات (15)-(18)، N اندازه نمونه است و و مقدار نمونه و مقدار پیش بینی مدل هستند. و مجموعه داده ارزش نمونه و ارزش پیش بینی مدل هستند. مقدار میانگین است و Var واریانس است. هر چه RMSE و MAE کوچکتر باشند، عملکرد مدل بهتر خواهد بود. حداکثر مقدار var و R 2 1 است و هر چه به 1 نزدیکتر باشد، عملکرد مدل بهتر خواهد بود.

3.4. انتخاب پارامترهای مدل

انتخاب پارامترهای مدل بهینه (یعنی دوره، واحدهای پنهان) برای آموزش مدل شبکه عصبی از اهمیت بالایی برخوردار است زیرا تعداد پارامترها با اعداد مختلف ممکن است تا حد زیادی بر دقت مدل تأثیر بگذارد [ 56 ].
برای تعیین تعداد بهینه دوره‌ها و واحدهای پنهان، از تعداد دوره‌ها و واحدهای پنهان مختلف برای آزمایش استفاده شد و از معیارهای ارزیابی مختلفی برای تعیین استفاده شد ، مانند RMSE ، MAE ، var و R2 . شکل 4 نشان می دهد که زمانی که دوره برابر با 450 باشد، RMSE و MAE کمترین هستند، در حالی که var و R2 بالاترین هستند. دوره SVDNN روی 450 تنظیم شد. تعداد واحدهای پنهان پس از تعیین دوره تعیین شد، همانطور که در شکل 5 نشان داده شده است ، که نشان می دهد وقتی واحدهای پنهان برابر با 64 هستند، RMSE وMAE کمترین، و var و R 2 بالاترین هستند. تعداد واحدهای پنهان SVDNN به 64 تنظیم شد.
با ترکیب شکل 4 و شکل 5 ، می توان دریافت که با افزایش دوره و واحدهای پنهان، RMSE و MAE ابتدا کاهش و سپس افزایش می یابند، در حالی که var و R2 برعکس هستند، که نشان می دهد عملکرد مدل نیز ابتدا افزایش می یابد و سپس کاهش می یابد. . این تغییر ممکن است ناشی از پدیده تناسب بیش از حد در فرآیند تمرین باشد.
برای لایه ورودی، مجموعه داده آموزشی (60٪ از کل مجموعه داده) به عنوان ورودی در فرآیند آموزش استفاده شد، در حالی که داده های باقی مانده به عنوان مجموعه داده آزمون (20٪ از کل مجموعه داده) و مجموعه داده اعتبار (20) استفاده شد. ٪ از کل مجموعه داده). برای بهبود عملکرد محاسباتی مدل، چندین پارامتر آموزشی نیز در فرآیند آموزش مورد استفاده قرار گرفت، مانند بهینه سازی Adam، نرمال سازی دسته ای [ 57 ] و ترک تحصیل [ 58 ]. تابع سیگموئید به عنوان تابع فعال‌سازی لایه خروجی انتخاب شد که می‌تواند به طور پیوسته مقدار خروجی را به [0، 1] ترسیم کند و مقدار خروجی را می‌توان مستقیماً به عنوان MPI استفاده کرد.

4. نتایج

4.1. مقایسه عملکرد مدل

عملکرد مدل SVDNN با مدل های پایه زیر مقایسه شد:
  • شبکه عصبی مصنوعی (ANN) [ 59 ]: لایه‌های شبکه ANN از انتشار خطای رو به جلو استفاده می‌کنند و لایه‌ها کاملاً به هم متصل هستند.
  • شبکه عصبی انتشار برگشتی (BPNN) [ 49 ]: یک شبکه عصبی که بر اساس انتشار خطا آموزش داده شده است. ایده اصلی انتشار خطا، نزول گرادیان است.
  • شبکه عصبی عمیق (DNN) [ 40 ]: DNN به روشی مشابه ANN کار می کند. تفاوت بین DNN و ANN در این است که DNN دارای لایه های پنهان بیشتری بین لایه ورودی و خروجی است که توانایی محاسباتی مدل را افزایش می دهد [ 60 ].

4.1.1. مقایسه ساختار همبستگی فضایی

ساختار همبستگی فضایی یک ورودی حیاتی برای مدل SVDNN است. با این حال، بیان ساختار همبستگی فضایی متنوع است، مانند فاصله فضایی، رابطه توپولوژیکی و غیره. برای تعیین ساختار همبستگی فضایی بهینه، سه نوع ساختار برای آزمایش انتخاب شد و معیارهای ارزیابی آنها محاسبه شد. این سه ساختار عبارتند از: ماتریس فاصله فضایی (SDM)، ماتریس مجاورت فضایی (مقدار مساحت مجاور 1، در حالی که ناحیه غیر مجاور روی 0 تنظیم شد) (SAM) و ماتریس مجاورت وزنی فضایی (مقدار ماتریس مجاور). مساحت فاصله مکانی و ناحیه غیر مجاور صفر بود (SWAM).
شکل 6 معیارهای ارزیابی سه ساختار همبستگی فضایی را نشان می دهد. در سال‌های 2000، 2005 و 2010، SDM بهترین عملکرد را داشت ( RMSE و MAE کمترین ، var و R2 بالاترین بودند). به طور کلی، مدل جامع SDM بهترین عملکرد را داشت و پس از آن SWAM در حالی که SAM بدترین بود.
4.1.2. مقایسه معیارهای ارزیابی
جدول 2 عملکرد مدل SVDNN و سایر مدل های پایه را در محاسبه MPI در سال های 2000، 2005، 2010 و 2015 نشان می دهد.
همانطور که در جدول 2 نشان داده شده است ، مقادیر RMSE و MAE هر مدل از 2 تجاوز نمی کند که در یک محدوده عددی کوچک نگهداری می شوند. این امکان وجود دارد که ارزش نمونه شهرستان فقر 1 و ارزش نمونه ثروت 0 تنظیم شده باشد. در جدول 2 ، مدل SVDNN بهترین عملکرد را در هر سال به دست آورده است که نشان می دهد مدل SVDNN توانایی این را دارد. گرفتن همبستگی فضایی بین شهرستان ها چنین توانایی می تواند به طور قاطع در مقایسه مدل بین SVDNN و DNN منعکس شود زیرا تفاوت بین SVDNN و DNN این است که مدل SVDNN مدل SVNN را قبل از انجام مدل DNN هدایت می کند. در مقایسه با DNN، RMSE SVDNN8.2٪ کاهش یافت، در حالی که R 2 10.9٪ در سال 2015 افزایش یافت ( جدول 2 ).
4.1.3. مقایسه شهرستان فقر در سطح ملی
برای تأیید اینکه آیا مدل SVDNN مستقیماً دقت شناسایی فقر را بهبود می‌بخشد، شکل 6 نتایج شناسایی فقر را برای مدل‌های مختلف نشان می‌دهد و آنها را با شهرستان‌های فقر در سطح ملی تعیین‌شده توسط دولت چین مقایسه می‌کند.
همانطور که در شکل 6 نشان داده شده است ، می توان موارد زیر را مشاهده کرد: در نتایج شناسایی SVDNN ( شکل 7 الف)، 252 شهرستان فقیر به درستی شناسایی شدند، با دقت 72.83٪، و شهرستان های ناشناس و شهرستان های شناسایی نادرست 10.87٪ و 16.30٪ را به خود اختصاص دادند. . در نتایج شناسایی DNN ( شکل 7 ب)، 204 شهرستان فقیر با دقت 58.96 درصد به درستی شناسایی شدند و شهرستان های ناشناس و شهرستان های شناسایی نادرست 11.90 درصد و 29.14 درصد را به خود اختصاص دادند. در نتایج شناسایی BPNN ( شکل 7 ج)، 186 شهرستان فقیر به درستی شناسایی شدند، با دقت 53.76 درصد، در حالی که شهرستان های ناشناس و شهرستان های شناسایی نادرست 19.30 درصد و 26.94 درصد را به خود اختصاص دادند. در نتایج شناسایی ANN (شکل 7 د)، 130 شهرستان فقیر به درستی با دقت 37.57 درصد شناسایی شدند، در حالی که شهرستان های ناشناس و شهرستان های شناسایی نادرست 44.80 درصد و 17.63 درصد را به خود اختصاص دادند.
تجزیه و تحلیل مقایسه ای با شهرستان های فقر در سطح ملی نشان می دهد که مدل SVDNN در مقایسه با سایر مدل های پایه از دقت شناسایی بهتری برخوردار است. این نشان می‌دهد که مدل SVDNN اطلاعات فقر دقیق‌تری را از مجموعه داده‌های فاصله مکانی بین شهرستان‌ها و مجموعه داده متغیر توضیحی نسبت به اقدامات مبتنی بر مجموعه داده متغیر توضیحی به دست می‌آورد.
4.1.4. مقایسه میزان بروز فقر
با توجه به همبستگی قوی بین MPI و بروز فقر، بر اساس آمار بروز فقر در سطح شهرستان در سال 2015، از رگرسیون خطی برای برازش MPI و بروز فقر استفاده شد.
همانطور که در شکل 8 مشاهده می شود ، مدل SVDNN دارای بالاترین خوبی برازش ( R2 = 0.743) بود، در حالی که مدل ANN کمترین خوبی برازش را داشت ( R2 = 0.483). علاوه بر این، SVDNN دارای بالاترین شیب (19.410) و بیشترین غلظت نقاط پراکنده بود، در حالی که ANN برعکس بود، که نشان می‌دهد نتایج MPI مدل SVDNN ممکن است دارای تفاوت‌ها و نظم آشکار باشد.

4.2. ویژگی های توزیع MPI

4.2.1. ویژگی های توزیع آماری

هیستوگرام های فرکانس MPI های 2015 محاسبه شده توسط مدل SVDNN و سایر مدل های پایه در شکل 9 نشان داده شده است. برای اندازه گیری میزان غلظت و پراکندگی MPIها از مقدار میانگین و انحراف معیار استفاده شد. هرچه انحراف استاندارد کمتر باشد، MPIها از مقدار میانگین کمتر انحراف دارند و بالعکس. انحراف استاندارد پایین نشان می دهد که نتیجه MPI و مدل محاسبه شده مربوطه ممکن است عملکرد بسیار پایداری برای MPI در یک شهرستان دیگر داشته باشد.
همانطور که در شکل 8 نشان داده شده است ، MPIهای محاسبه شده توسط چهار مدل به طور مشابه عمل کردند، با ویژگی های توزیع “کم در وسط و بالا در هر دو طرف”. توضیح احتمالی برای این است که مدل SVDNN و سایر مدل‌های پایه همان پارامترهای آموزشی را انتخاب کردند. میانگین مقادیر SVDNN، DNN، BPNN و ANN کاهش یافت (0.552، 0.548، 0.539 و 0.417)، در حالی که انحراف استاندارد افزایش یافت (0.331، 0.374، 0.386 و 0.471). در مقایسه با سایر مدل‌های پایه، فراوانی توزیع MPIs SVDNN در بازه (0.2، 0.8) بالاترین میزان بود. این نتایج نشان می دهد که مدل SVDNN عملکرد پایداری بهتری دارد و بنابراین روش مناسب تری برای محاسبه MPI است.
4.2.2. ویژگی های توزیع مکانی- زمانی
MPI های محاسبه شده شاخص های پیوسته بودند، اما برای یک نمایش بصری، این مقاله آنها را به پنج سطح تقسیم می کند ( شکل 10 ). شکل 10 موارد زیر را نشان می دهد: از مقیاس فضایی، MPIها ویژگی های تمایز فضایی “شهر مرکزی کم و حاشیه شهر بالا است” را ارائه می دهند. دلتای رودخانه یانگ تسه، مثلث مرکز چین، و گروه شهر چنگدو-چونگ کینگ، مناطق تجمعی کم ارزش MPI بودند، و درجه تجمع با مقیاس تجمع شهری از شرق به غرب کاهش می‌یابد، در حالی که با ارزش بالا، مناطق MPI عمدتاً در مناطق کوهستانی دور افتاده، مناطق مرزی و مناطق اقلیت قومی در مناطق مرکزی و غربی، مانند YGGRDA و FTA متمرکز بودند.
از مقیاس زمانی، میانگین مقادیر MPI در سال‌های 2000، 2005، 2010 و 2015 برابر با 0.741، 0.672، 0.667 و 0.552 بود. فقر چند بعدی YREB در طول زمان کاهش یافته است. از سال 2000 تا 2010، تجمع فضایی شهرستان های با ارزش بالا و شهرستان های کم ارزش به تدریج افزایش یافت. شهرستان‌هایی که تغییرات آشکاری در MPI دارند، عمدتاً در بخش‌های میانی منطقه شهری ووهان و چانگشا و همچنین شهرستان‌های اطراف آن‌ها قرار دارند. MPIهای شهرستان های بالا هر دو کاهش یافت، در حالی که شهرستان های کم ارزش به شمال هونان و شرق هوبی گسترش یافتند. ویژگی های فضایی مناطق کم ارزش و متوسط ​​از توزیع پراکنده در سال 2005 به توده ها در سال 2010 تکامل یافته است، بنابراین روند گسترش به دلتای رودخانه یانگ تسه را نشان می دهد. در مقایسه با دوره قبل،

4.3. مشارکت نسبی متغیرهای توضیحی در MPI

همچنین با توجه به این واقعیت که مدل‌های مختلف عملکرد متفاوتی دارند، متغیرهای توضیحی مختلف نمی‌توانند سهم یکسانی در فقر چند بعدی داشته باشند [ 61 ]. چنین مشارکت هایی را می توان به صورت کمی با وزن اتصال شبکه عصبی متغیرهای توضیحی اندازه گیری کرد. این مشارکت ها مرجعی برای انتخاب متغیر توضیحی سایر مطالعات اندازه گیری فقر است. سهم متغیرهای توضیحی به MPIها از طریق محاسبه میانگین مقدار سهم نسبی هر متغیر توضیحی تحت چهار مدل شبکه عصبی تعیین شد ( جدول 3 ).
در جدول 3، سهم متغیر توضیحی یکسان در مدل های مختلف متفاوت بود. در فرآیند آموزش با استفاده از پارامترهای آموزشی ثابت، تفاوت در MPIهای محاسبه شده توسط مدل‌های مختلف عمدتاً در وزن‌های اختصاص داده شده به متغیرهای توضیحی توسط یک مدل متفاوت منعکس شد. به عنوان مثال، در مدل‌های DNN، BP و ANN، سهم میانگین ارتفاع به MPI 0.0673، 0.0681 و 0.0463 بود، در حالی که در مدل SVDNN، سهم میانگین ارتفاع به MPI تا 0.1759 بود. این تفاوت ها نیز تا حدی ناشی از اصول محاسباتی مدل های مختلف است که متفاوت هستند. به عنوان مثال، DNN از انتشار خطا به جلو استفاده می کند، در حالی که BPNN از انتشار خطا به عقب استفاده می کند. علاوه بر این، میانگین ارتفاع، نسبت مساحت زمین با شیب بالاتر از 15 درجه،
اگرچه وزن‌های تخصیص داده‌شده به متغیرهای توضیحی بر اساس مدل مغرضانه بود، از مقدار میانگین، تفاوت وزن بین متغیرهای توضیحی از 0.064 تجاوز نمی‌کند، که نشان می‌دهد متغیرهای توضیحی بالا سهم خاصی در MPI دارند. بنابراین متغیرهای توضیحی انتخاب شده در این مقاله می توانند به عنوان مرجعی قدرتمند برای تحقیقات سنجش فقر مورد استفاده قرار گیرند.

5. بحث

5.1. سنجش و شناسایی فقر

نادرستی روش‌های اندازه‌گیری فقر، تلاش‌ها برای شناسایی تفاوت‌های فقر منطقه‌ای و مداخله مؤثر در مناطقی که بیشترین نیاز فقرزدایی را دارند، مختل می‌کند، که فشار زیادی بر کار فقرزدایی وارد می‌کند [ 6 ، 7 ، 8 ، 39 ]. در نتیجه، بهبود دقت شناسایی روش‌های اندازه‌گیری فقر برای سیاست‌گذاران و محققان اهمیت زیادی دارد. کاربرد اخیر روش های یادگیری ماشینی منجر به بهبود قابل توجهی در دقت اندازه گیری فقر شده است [ 44 , 45 , 46]، اما این روش‌ها فقط همبستگی فضایی بین مناطق فقر را در انتخاب متغیرهای توضیحی یا تحلیل تصویری نتایج شناسایی فقر منعکس می‌کنند. این تکنیک‌ها از همبستگی فضایی بین مناطق دور و نزدیک در فرآیند محاسبه اندازه‌گیری فقر غفلت می‌کنند.
با این حال، همبستگی مکانی به عنوان یک مرجع مهم برای توصیف و درک پدیده اجتماعی-اقتصادی فقر، برای سنجش فقر نیز ضروری است. بنابراین، موضوع کلیدی برای بهبود دقت شناسایی مناطق فقر، ترکیب همبستگی فضایی بین مناطق در فرآیند محاسبه اندازه‌گیری فقر است. ایده طراحی مدل SVDNN شبیه مفهوم اصلی “ما می توانیم یک شخص را با توجه به دوستانش بهتر درک کنیم” است که توسط لیو [ 62 ] ذکر شده است. مدل SVDNN ابتدا فاصله فضایی بین شهرستان ها را بردار می کند و MPI ها را بر اساس مجموعه داده های متغیر توضیحی محاسبه می کند. MPI محاسبه شده توسط این مدل به وضعیت فقر واقعی نزدیکتر بود.
برای تعیین ساختار بیان مدل بهینه SVDNN، این مقاله به صورت کمی عملکرد مدل SDM، SWAM و SAM را از طریق معیارهای ارزیابی اندازه‌گیری کرد. سپس با تخصیص مقادیر مختلف دوره و واحدهای پنهان، بهترین پارامترهای مدل تعیین شدند. عملکرد مدل SDM، SWAM و SAM کاهش یافته است (به بخش 4.1.1 مراجعه کنید). عملکرد SWAM نسبت به SDM برتر بود و نشان داد که با تکیه بر رابطه توپولوژیکی بین دو منطقه، همبستگی فضایی را به اندازه کافی بیان نمی کند. در نظر گرفتن فاصله مکانی به عنوان وزن ماتریس مجاورت می تواند همبستگی فضایی بین مناطق را بیشتر شبیه سازی و کمی سازی کند. از مقایسه SDM و SWAM، استفاده از SDM مناسب تر از SWAM است. تفاوت در عملکرد مدل را می توان به SWAM نسبت داد که فقط اثر مناطق مجاور را اندازه می گیرد. با این حال، همه مناطق اطراف یک منطقه دارای اثرات تشعشعی یا اثرات سیفونی متناظر بر روی منطقه هستند و هر چه فاصله نزدیکتر باشد، اثر قوی تر است. SDM در اندازه گیری کمی همبستگی فضایی به طور قابل ملاحظه ای برتر از دو ساختار دیگر است.
برای نشان دادن عملکرد مدل SVDNN، سه مدل پایه DNN، BPNN و ANN در تحقیقات مربوط به فقر برای مقایسه انتخاب شدند [ 40 ، 49 ، 59 ]. روش‌های رایج یادگیری ماشینی مانند RF و SVM برای مقایسه مورد استفاده قرار نگرفتند، زیرا اگرچه روش‌های یادگیری ماشینی در بالا در محاسبه نتایج طبقه‌بندی گسسته فقر امیدوارکننده بودند، اما به نظر می‌رسد که توانایی کمتری برای خروجی نتایج شاخص پیوسته در مسائل طبقه‌بندی باینری دارند، در حالی که MPI محاسبه شده است. در این مقاله شاخص‌های پیوسته وجود داشت که می‌تواند منعکس کننده روندهای متغیر هر شهرستان باشد.
MPIهای محاسبه شده توسط مدل SVDNN و سایر مدل‌های پایه با توجه به سه معیار مقایسه شدند: معیارهای ارزیابی، شهرستان‌های فقر در سطح ملی و بروز فقر. نتایج مقایسه سازگار بود. مکانیسم انتشار برگشت خطا BPNN عملکرد آن را بهتر از ANN کرد. مدل DNN با لایه‌های پنهان چندگانه دقت شناسایی بهتری نسبت به BPNN داشت، که نشان می‌دهد ساختار شبکه عمیق می‌تواند توانایی یادگیری مدل را بهبود بخشد [ 57 ، 60 ]]. بنابراین، در ساخت مدل SVDNN از مکانیزم انتشار برگشت خطا و ساختار شبکه عمیق استفاده شد. برای جلوگیری از پدیده بیش از حد برازش در فرآیند آموزش، پارامترهای بهینه نیز از طریق آزمایش تعیین شدند.
علاوه بر این، از آنجا که هر مدل یک روش کاملاً متصل را اتخاذ می کند، هر متغیر توضیحی دارای وزن اتصال متناظر است. سهم هر یک از متغیرهای توضیحی در مدل های مختلف از میانگین مقدار وزن اتصال به دست آمد. SVDNN دارای بالاترین دقت شناسایی است که در آن وزن متغیرهای توضیحی در مدل SVDNN از اهمیت بالایی برخوردار است. در این مدل، متغیر توضیحی با بیشترین سهم، میانگین ارتفاع بود که نشان می‌دهد مدل SVDNN پس از بردار کردن همبستگی فضایی بین شهرستان‌ها، متغیرهای محیط جغرافیایی را به‌عنوان عامل تعیین‌کننده فقر در نظر می‌گیرد.63 ]، که همچنین عامل کنترل اساسی است که الگوی فضایی فقر را توضیح می دهد [ 29 ].
نسبت صنعت ثانویه، هزینه‌های مالی سرانه، تعداد تخت‌های سرانه مؤسسات رفاهی و نسبت مساحت زمین با شیب بالاتر از 15 درجه، متغیرهای توضیحی قابل اعتمادی برای اندازه‌گیری فقر خواهند بود.
در نهایت، مدل‌های محاسبه MPI در همه شهرستان‌ها در YREB به طور مشابه عمل کردند، با شیب و قطع معادله رگرسیون هر مدل تفاوت‌های کوچکی را نشان می‌دهد (به بخش 4.1.3 مراجعه کنید )، و MPIهای محاسبه‌شده توسط هر مدل ویژگی‌های توزیع فرکانس مشابهی را نشان دادند. (به بخش 4.2.1 مراجعه کنید). بحث بالا استحکام و کاربرد مدل شبکه عصبی در اندازه گیری فقر را نشان می دهد. با این حال، SVDNN، که همبستگی فضایی را در فرآیند محاسبه لحاظ می‌کند، می‌تواند عملکرد بهتری را در اندازه‌گیری MPI نسبت به سایر مدل‌های پایه ارائه دهد. این نشان می‌دهد که SVDNN تخمین‌های اطلاعاتی دقیق‌تری را بر اساس مجموعه داده‌های فاصله مکانی و مجموعه داده‌های متغیرهای توضیحی نسبت به سایر تخمین‌های مدل پایه فقط بر اساس مجموعه داده‌های متغیر توضیحی به دست می‌آورد.

5.2. ویژگی های مکانی- زمانی MPI

MPIها یک الگوی فضایی را با دلتای رودخانه یانگ تسه به عنوان مرکز تجمع کم ارزش تشکیل دادند، در حالی که ووهان، چانگشا، چنگدو و سایر شهرهای مرکزی مرکز تجمع فرعی کم ارزش را تشکیل می‌دهند. چنین ویژگی هایی بسیار شبیه به تکامل تراکم شهری [ 64 ] بود. از سال 2000 تا 2015، تعداد شهرستان‌های فقر با ارزش بالا به مرور زمان کاهش یافت و کاهش دامنه فضایی آن در شهرهای مرکز استان در میان و بالای رودخانه یانگ تسه متمرکز شد و تا حاشیه شهر گسترش یافت. این تحول با تشعشعات اقتصادی تولید شده توسط شهرهای مرکز استان مطابقت دارد.
در مقایسه با شهرستان‌های اطراف تجمعات شهری که وضعیت فقر به راحتی بهبود می‌یابد، MPI شهرستان‌های فقر در سطح ملی در شکل 11 نشان داده شده است. همانطور که در شکل 11 نشان داده شده است، میانگین MPIهای DBMA و LXMA کمتر از میانگین MPIهای شهرستانهای فقر در سطح ملی بود. میانگین MPIهای YGGRDA، WMMA و FTA نسبتاً بالا بود و آنها برای مدت طولانی در وضعیت فقر چند بعدی عمیق قرار داشتند. این یافته‌ها قابل درک هستند زیرا با اثر کاهش فقر ناشی از موقعیت جغرافیایی شهرستان‌های فقر در سطح ملی مطابقت دارند. به عنوان مثال، MPI DBMA و LXMA کمتر بود زیرا مناطق فوق دارای محیط های اجتماعی، اقتصادی و طبیعی برتر در مقایسه با مناطق داخلی هستند [ 34 ]. شرایط اساسی اجتماعی-اقتصادی و محیط طبیعی مفید آنها در مقایسه با شهرستان های فقیر داخلی عمدتاً باعث کاهش MPIهای DBMA و LXMA می شود [ 55 ]]، در حالی که YGGRDA، WMMA و FTA متعلق به مناطق صخره‌ای بیابان‌زایی در جنوب غربی چین، با ارتفاعات بالا، شیب تند و ظرفیت‌های کم منابع هستند که برای کار کاهش فقر نامناسب هستند [ 48 ، 63 ].

5.3. کاربرد مدل SVDNN

مدل SVDNN کاربرد منطقه و موضوع تحقیق را نشان می دهد. اولین مورد، کاربردی بودن حوزه تحقیق است. دستور کار 2030 سازمان ملل پیشنهاد کرد که هدف ریشه کنی فقر همچنان عامل اصلی دستیابی به اهداف توسعه پایدار در سراسر جهان است. بنابراین بحث در مورد کاربرد این مدل در مناطق مختلف و حتی کشورهای مختلف ضروری است.
چه یک اقتصاد پیشرفته باشد و چه یک کشور نوظهور، سطح توسعه اجتماعی-اقتصادی یک منطقه را می توان به سه سطح تقسیم کرد: فقر (شهرستان با ارزش کم و متوسط)، متوسط ​​(شهرستان با ارزش متوسط) و ثروت (بالا و متوسط ​​بالا). شهرستان ارزش). برای شناسایی مناطق فقیر، SVDNN عملکرد مدل بهتری را نسبت به سایر مدل‌های پایه نشان داده است (به بخش 4.1.3 مراجعه کنید ). برای ناحیه میانه، توزیع فرکانس MPI محاسبه شده با روش شبکه عصبی سنتی بدیهی است که شدید است (به بخش 4.2.1 مراجعه کنید.). برای مثال، ANN تنها 7.84 درصد از شهرستان‌های با ارزش متوسط ​​را شناسایی کرد، اما نسبت واقعی شهرستان‌های با ارزش متوسط ​​(شهرستان‌های غیرملی فقر و تراکم غیر شهری) در YREB 17.42 درصد بود. با این حال، SVDNN با موفقیت 20.20 درصد از شهرستان‌های با ارزش متوسط ​​را شناسایی کرد، که بالاترین درصد شناسایی شده در بین سه مدل پایه است و با وضعیت واقعی سازگارتر است، که نشان می‌دهد SVDNN نسبت به فقر چند بعدی در منطقه متوسط ​​حساس‌ترین است. برای مناطق ثروتمند، نسبت واقعی تجمعات شهری در YREB 37.73 است. نتایج شناسایی SVDNN 41.03 درصد را به خود اختصاص دادند، در حالی که نتایج مربوط به ANN 45.8 درصد بود. بنابراین، دقت شناسایی مدل SVDNN بهتر از مدل شبکه عصبی سنتی است.
دوم، کاربردی بودن موضوع تحقیق است. از شکل 6 و جدول 2 ، عملکرد مدل SVDNN، که ساختارهای همبستگی فضایی (SDM، SWAM، SAM) را در بر می گیرد، بهتر از سایر مدل های پایه بود، که نشان می دهد همبستگی فضایی یک ورودی حیاتی برای اندازه گیری فقر است. با این حال، فقر تنها پدیده با همبستگی فضایی نیست. آسیب پذیری زیست محیطی [ 65 ]، دسترسی حمل و نقل [ 66 ]، سطح توسعه اقتصادی [ 67 ]] و سایر اشیاء تحقیقاتی نیز تحت تأثیر منطقه اطراف هستند. بنابراین، حتی اگر موضوع تحقیق تغییر کند، مطالعات محاسبه شاخص جغرافیایی مدل SVDNN می‌تواند کاربرد گسترده‌ای در بسیاری از حوزه‌های جغرافیایی داشته باشد و ممکن است بلافاصله برای تولید شاخص‌های اندازه‌گیری با دقت بالاتر نسبت به شبکه عصبی سنتی مفید باشد.

5.4. برنامه سیاست

اندازه گیری فقر می تواند به طور مهمی بر نحوه درک ما و نحوه ایجاد سیاست هایی برای تأثیرگذاری بر آن تأثیر بگذارد [ 20 ]. با توجه به اندازه گیری فقر YREB، دو کاربرد سیاست را می توان پیشنهاد کرد:
اول، با توجه به ویژگی‌های مکانی-زمانی فقر چند بعدی در YREB، مناطق ثروت و تجمع شهری باید نقش اصلی را در تقویت قدرت تشعشع شهرهای مرکزی منطقه ایفا کنند. سایر شهرستان ها نیز باید همکاری خود را با شهرستان های همسایه با ارزش بالا تقویت کنند و به تدریج شکاف فقر بین مناطق را کاهش دهند. دوم، از آنجایی که YGGRDA و WMMA برای مدت طولانی در وضعیت فقر عمیق چند بعدی بوده اند، سیاست گذاران باید در هنگام تدوین گام بعدی سیاست های کاهش فقر، توجه بیشتری به منطقه صخره ای بیابان زایی در جنوب غربی داشته باشند. برای مناطق فوق، تقویت احداث تاسیسات ذخیره آب و آبیاری برای بهبود بهره وری از آب زیرزمینی کارست ضروری است.

5.5. محدودیت ها

دقت اندازه گیری فقر نه تنها به کارایی و اثربخشی مدل بستگی دارد، بلکه به انتخاب متغیرهای توضیحی فقر قابل اعتماد نیز بستگی دارد، زیرا نشان داده شده است که متغیرهای توضیحی تا حدی با بهبود دقت شناسایی همبستگی دارند [ 6 ، 41 ]. با این حال، هنوز استاندارد کاملی برای انتخاب متغیرهای توضیحی فقر وجود ندارد. این شکاف را می توان به مناطق مختلف نسبت داد که معیشت و راهبردهای سیاسی متفاوتی دارند، زیرا کشورهای فقیر هنوز فاقد بودجه و فناوری برای جمع آوری داده های سرشماری هستند [ 31 ، 32 ].]. بنابراین، مطالعات اندازه‌گیری فقر در آینده باید برای انتخاب یک سیستم متغیر توضیحی معقول فقر انجام شود که با شرایط محلی نیز سازگار باشد. علاوه بر این، این روش SVDNN فقط همبستگی مکانی را در نظر می گیرد، اما همبستگی زمانی را در نظر نمی گیرد. تحقیقات آینده فقر همچنین می‌تواند بر ساخت مدل همبستگی‌های مکانی-زمانی بین مناطق فقیر تمرکز کند.

6. نتیجه گیری

این مقاله یک روش جدید اندازه‌گیری فقر چند بعدی را پیشنهاد می‌کند، مدل SVDNN، که همبستگی فضایی بین شهرستان‌ها را در بر می‌گیرد و عملکرد مدل این مدل را با سه مدل پایه DNN، BPNN و ANN مقایسه می‌کند. مدل SVDNN برای محاسبه MPIهای YREB در سال‌های 2000، 2005، 2010 و 2015 استفاده شد. در نهایت، سهم متغیرهای توضیحی مختلف در MPIها نیز محاسبه شد.
سهم اصلی این مقاله پیشنهاد یک مدل SVDNN برای شناسایی اشیاء فقر است. SVDNN به طور کمی همبستگی فضایی بین مناطق را بیان می کند و آن را در محاسبه اندازه گیری فقر گنجانده است. این مدل عملکرد مدل برتری را نسبت به مدل‌های شبکه عصبی سنتی نشان می‌دهد که می‌تواند به طور موثری دقت شناسایی اشیاء فقر را بهبود بخشد. با توجه به کاربردی بودن شناسایی فقر YREB برای داده‌های 2000 تا 2015، این مدل همچنین می‌تواند به شناسایی فقر در مقیاس بزرگ، پویا و بلندمدت در اقتصاد پیشرفته و شهرستان‌های نوظهور کمک کند. سهم دوم آشکار کردن اهمیت عوامل مختلف تأثیرگذار در فقر چند بعدی است. که می تواند مرجعی برای انتخاب متغیرهای سنجش فقر چند بعدی باشد. بر اساس نتایج تحلیلی و تجربی ارائه شده در این مقاله می توان به نتایج زیر دست یافت:
  • در چهار مقایسه ساختار همبستگی فضایی، معیارهای ارزیابی، شهرستان‌های فقر در سطح ملی و بروز فقر، SDM عملکرد مدل برتری نسبت به SAM و SWAM نشان داد و برای ساخت مدل‌های SVDNN مناسب‌تر است. مدل SVDNN، با ترکیب همبستگی فضایی (SDM، SAM و SWAM) بین مناطق، دقت شناسایی فقر بهتری را در مقایسه با سه مدل پایه DNN، BPNN و ANN ارائه کرد. با این حال، عملکرد مدل SVDNN بهینه است.
  • MPIهای محاسبه‌شده توسط مدل‌های شبکه عصبی مختلف در توزیع فرکانس و رگرسیون خطی بروز فقر به طور مشابه عمل کردند. چنین شباهتی منعکس کننده استحکام و کاربرد مدل شبکه عصبی در اندازه گیری فقر است.
  • تجمعات شهری در دلتای رودخانه یانگ تسه، مثلث چین مرکزی، و گروه شهر چنگدو-چونگ کینگ، مناطق تجمعی MPI کم ارزش بودند، و درجه تجمع با مقیاس تجمعات شهری از شرق به غرب کاهش یافت. YGGRDA، WMMA و FTA برای مدت طولانی در وضعیت فقر عمیق و چند بعدی بوده اند. ویژگی‌های مکانی-زمانی MPI فوق با تأثیر تراکم شهری و موقعیت جغرافیایی سازگار بود.
  • در مدل SVDNN، میانگین ارتفاع، نسبت صنایع ثانویه، هزینه‌های مالی سرانه، تعداد تخت‌های سرانه مؤسسات رفاهی و نسبت مساحت زمین با شیب بالاتر از 15 درجه، سهم بیشتری در MPI دارند. متغیرهای توضیحی قابل اعتماد برای اندازه گیری فقر

منابع

  1. سازمان ملل متحد تغییر جهان ما: دستور کار 2030 برای توسعه پایدار ؛ سازمان ملل: نیویورک، نیویورک، ایالات متحده آمریکا، 2015.
  2. لینچ، ای جی؛ Cowx، IG; Fluet-Chouinard، E. گلسر، اس ام. Phang، SC; ریش، TD; Bower، SD; بروکس، جی ال. Bunnell، DB; کلاوسن، جی. و همکاران شیلات داخلی – نامرئی اما جدایی ناپذیر از برنامه توسعه پایدار سازمان ملل برای پایان دادن به فقر تا سال 2030. Glob. محیط زیست تغییر 2017 ، 47 ، 167-173. [ Google Scholar ] [ CrossRef ]
  3. مانی، ع. ملایناتان، اس. شفیر، ا. ژائو، جی. فقر عملکرد شناختی را مختل می کند. علوم 2013 ، 341 ، 976-980. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  4. هاوشوفر، ج. Fehr, E. در روانشناسی فقر. Science 2014 ، 344 ، 862-867. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. لیو، ی. گوا، ی. ژو، ی. کاهش فقر در روستاهای چین: تغییرات سیاست، چالش های آینده و پیامدهای سیاست. چین کشاورزی اقتصاد Rev. 2018 , 10 , 241-259. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. ژان، ن. بورک، ام. زی، ام. دیویس، WM; لوبل، دی بی؛ ارمون، اس. ترکیب تصاویر ماهواره ای و یادگیری ماشینی برای پیش بینی فقر. Science 2016 ، 353 ، 790-794. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  7. لیو، ی. Xu, Y. شناسایی جغرافیایی فقر چند بعدی در روستاهای چین تحت چارچوب تجزیه و تحلیل معیشت پایدار. Appl. Geogr. 2016 ، 73 ، 62-76. [ Google Scholar ] [ CrossRef ]
  8. خو، ز. کای، ز. وو، اس. هوانگ، ایکس. لیو، جی. سان، ج. سو، اس. ونگ، ام. شناسایی شاخص‌های جغرافیایی فقر با استفاده از رگرسیون وزن‌دار جغرافیایی: مطالعه موردی از استان Qiandongnan Miao و Dong خودمختار، گوئیژو، چین. Soc. اندیک. Res. 2018 ، 142 ، 947-970. [ Google Scholar ] [ CrossRef ]
  9. دینینگر، ک. Squire, L. مجموعه داده های جدید برای اندازه گیری نابرابری درآمد. اقتصاد بانک جهانی Rev. 1996 , 10 , 565-591. [ Google Scholar ] [ CrossRef ]
  10. راوالیون، ام. چن، پیشرفت (نابرابر) چین در برابر فقر. جی. دیو. اقتصاد 2007 ، 82 ، 1-42. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. برادی، دی. بازاندیشی در سنجش جامعه‌شناختی فقر. Soc. نیروها 2003 ، 81 ، 715-751. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. Mohanty، SK; آگراوال، NK; ماهاپاترا، بی. چودوری، دی. تولادار، س. Holmgren، EV فقر چند بعدی و مخارج بهداشتی فاجعه بار در مناطق کوهستانی میانمار، نپال و هند. بین المللی J. Equity Health 2017 ، 16 ، 21. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  13. Sen, A. Poverty: یک رویکرد ترتیبی برای اندازه گیری. Econometrica 1976 ، 44 ، 219-231. [ Google Scholar ] [ CrossRef ]
  14. لوچینی، م. بوتی، سی. آسی، جی. اسپینی، دی. برناردی، L. محرومیت چند بعدی در سوئیس معاصر در میان گروه های اجتماعی و زمان. اجتماعی Res. آنلاین 2014 ، 19 ، 42-55. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. واگل، U. بازاندیشی فقر: تعریف و اندازه گیری. بین المللی Soc. علمی J. 2002 ، 54 ، 155-165. [ Google Scholar ] [ CrossRef ]
  16. پارک، ای. وانگ، اس. وو، جی. هدف گذاری فقر منطقه ای در چین. جی. اقتصاد عمومی. 2002 ، 86 ، 123-153. [ Google Scholar ] [ CrossRef ]
  17. Alkire, S. ابعاد توسعه انسانی. توسعه دهنده جهانی 2002 ، 30 ، 181-205. [ Google Scholar ] [ CrossRef ]
  18. آلکیره، اس. سانتوس، ME اندازه گیری فقر حاد در جهان در حال توسعه: استحکام و دامنه شاخص فقر چند بعدی. توسعه دهنده جهانی 2014 ، 59 ، 251-274. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. آرکاگنی، ا. الیسا، BDB; فتوره، م. ریمولدی، SML تحلیل چندبعدی الگوهای محرومیت و شکنندگی مهاجران در لمباردی، با استفاده از مجموعه‌های منظم و نقشه‌های خودسازماندهی. Soc. Indic Res. 2018 ، 141 ، 551-579. [ Google Scholar ] [ CrossRef ]
  20. آلکیره، اس. فاستر، جی. درک و سوء تفاهم از اندازه گیری چند بعدی فقر. جی. اکون. نابرابر. 2011 ، 9 ، 289-314. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. آلکیره، اس. فاستر، جی. شمارش و اندازه گیری چند بعدی فقر. جی. اقتصاد عمومی. 2011 ، 95 ، 476-487. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. فاستر، جی. گریر، جی. Thorbecke, E. اندازه گیری های فقر فاستر-گریر-توربک (FGT): 25 سال بعد. جی. اکون. نابرابر. 2010 ، 8 ، 491-524. [ Google Scholar ] [ CrossRef ]
  23. آرندت، سی. ماهرت، ک. حسین، م. تارپ، اف. یک رویکرد سازگار با حقوق بشر برای اندازه‌گیری رفاه چند بعدی که در آفریقای جنوب صحرای صحرای آفریقا اعمال می‌شود. توسعه دهنده جهانی 2018 ، 108 ، 181-196. [ Google Scholar ] [ CrossRef ]
  24. بنت، سی جی؛ میترا، اس. فقر چند بعدی: اندازه گیری، تخمین و استنتاج. اقتصاد. Rev. 2013 , 32 , 57-83. [ Google Scholar ] [ CrossRef ]
  25. نواک، د. Scheicher, C. Considering the Extremely Poor: Multi بعدی اندازه گیری فقر برای آلمان. Soc. اندیک. Res. 2016 ، 133 ، 139-162. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. نجویا، ای تی. سیتارام، ن. کمک گردشگری به کاهش فقر در کنیا: تجزیه و تحلیل تعادل عمومی قابل محاسبه پویا. J. Travel Res. 2018 ، 57 ، 513-524. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  27. لیو، ام. هو، اس. Ge، Y. Heuvelink، GBM؛ رن، ز. هوانگ، X. استفاده از رگرسیون خطی چندگانه و جنگل‌های تصادفی برای شناسایی عوامل تعیین‌کننده فقر فضایی در روستاهای چین. تف کردن آمار 2020 , 42 , 100461. [ Google Scholar ] [ CrossRef ]
  28. کرای، ا. مک‌کنزی، دی. آیا تله‌های فقر وجود دارند؟ ارزیابی شواهد. جی. اکون. چشم انداز 2014 ، 28 ، 127-148. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. Ge، Y. رن، ز. فو، ی. درک رابطه بین عوامل غالب ژئو محیطی و فقر روستایی در گوئیژو، چین. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 270. [ Google Scholar ] [ CrossRef ]
  30. لی، تی. کائو، ایکس. کیو، م. لی، ی. بررسی عوامل تعیین‌کننده فضایی فقر روستایی در مناطق مرزی بین استانی فلات لس در چین: تجزیه و تحلیل سطح روستا با استفاده از رگرسیون وزن‌دار جغرافیایی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 345. [ Google Scholar ] [ CrossRef ]
  31. راوالیون، ام. جالان، جی. مناطق فقیر عقب مانده چین. صبح. اقتصاد Rev. 1999 , 89 , 301-305. [ Google Scholar ] [ CrossRef ]
  32. کائو، اس. وانگ، ایکس. وانگ، جی. درس هایی از سقوط چین به دام فقر. J. Policy Model 2009 , 31 , 298-307. [ Google Scholar ] [ CrossRef ]
  33. Mushongera، D. ذیخالی، پ. Ngwenya، P. یک شاخص چند بعدی فقر برای استان گوتنگ، آفریقای جنوبی: شواهدی از داده های بررسی کیفیت زندگی. Soc. اندیک. Res. 2015 ، 130 ، 277-303. [ Google Scholar ] [ CrossRef ]
  34. وانگ، ی. Chen, Y. استفاده از VPI برای اندازه گیری روستاهای فقر زده در چین. Soc. اندیک. Res. 2016 ، 133 ، 833-857. [ Google Scholar ] [ CrossRef ]
  35. گوا، ی. ژو، ی. لیو، ی. نابرابری منابع آموزشی و اقدامات متقابل آن برای احیای روستایی در جنوب غربی چین. J. Mt. Sci. 2020 ، 17 ، 47-58. [ Google Scholar ] [ CrossRef ]
  36. ورم، م. تاوبنبوک، اچ. ویگاند، ام. اشمیت، A. نقشه برداری زاغه در داده های قطبی SAR با استفاده از ویژگی های فضایی. سنسور از راه دور محیط. 2017 ، 194 ، 190-204. [ Google Scholar ] [ CrossRef ]
  37. ژائو، اس. وو، ایکس. ژو، جی. پریرا، ص. مبادلات فضایی و زمانی و هم افزایی در سرزندگی پوشش گیاهی و گذار فقر در منطقه بیابان زایی صخره ای. علمی کل محیط. 2021 ، 752 ، 141770. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. نجوگونا، سی. مک‌شاری، پی. ساخت شاخص‌های فقر مکانی-زمانی از داده‌های بزرگ. اتوبوس جی. Res. 2017 ، 70 ، 318-327. [ Google Scholar ] [ CrossRef ]
  39. بلومن استاک، جی. کادامورو، جی. در، R. پیش بینی فقر و ثروت از فراداده تلفن همراه. Science 2015 ، 350 ، 1073-1076. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  40. ویجایا، DR; نی، ال. اولویه، ع. رزا، م. زهرا، ع. Puspita، DR برآورد نرخ فقر در سطح شهر بر اساس داده های تجارت الکترونیک با یادگیری ماشینی. الکترون. بازرگانی Res. 2020 ، 1–27. [ Google Scholar ] [ CrossRef ]
  41. لو، ک. وانگ، ام. اسکان مجدد فقرزدایی در چین چقدر داوطلبانه است؟ Habitat Int. 2018 ، 73 ، 34-42. [ Google Scholar ] [ CrossRef ]
  42. ورم، م. استارک، تی. زو، XX; ویگاند، ام. Taubenböck، H. بخش‌بندی معنایی زاغه‌ها در تصاویر ماهواره‌ای با استفاده از یادگیری انتقال در شبکه‌های عصبی کاملاً کانولوشن. ISPRS J. Photogramm. Remote Sens. 2019 ، 150 ، 59–69. [ Google Scholar ] [ CrossRef ]
  43. Watmough, GR; اتکینسون، PM؛ Hutton، CW بررسی پیوندهای بین سرشماری و محیط با استفاده از تصاویر حسگر ماهواره ای سنجش از دور. J. کاربری زمین علمی. 2013 ، 8 ، 284-303. [ Google Scholar ] [ CrossRef ]
  44. لی، جی. چانگ، ال. لیو، ایکس. سو، اس. کای، ز. هوانگ، ایکس. لی، بی. نظارت بر پویایی مکانی و زمانی شهرستان‌های فقیر در چین: پیامدهایی برای اهداف توسعه پایدار جهانی. J. Clean Prod. 2019 ، 227 ، 392-404. [ Google Scholar ] [ CrossRef ]
  45. یین، جی. کیو، ی. Zhang، B. شناسایی مناطق فقر با سنجش از دور و یادگیری ماشین: مطالعه موردی در گوئیژو، جنوب غربی چین. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 11. [ Google Scholar ] [ CrossRef ]
  46. الشرکاوی، ع. الفتیانی، م. دواس، م. ساعده، ح. آلیامان، ام. طبقه بندی فقر با استفاده از یادگیری ماشینی: مورد اردن. پایداری 2021 ، 13 ، 1412. [ Google Scholar ] [ CrossRef ]
  47. Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. Econ Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
  48. وانگ، ی. چن، ی. چی، ی. ژائو، دبلیو. هو، ز. Duan، F. اندازه گیری چند بعدی فقر در سطح روستا در چین: کجا و چگونه. جی. جئوگر. علمی 2018 ، 28 ، 1444-1466. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. وانگ، اچ. اسلام، ک. یوان، ایکس. Elhoseny، M. یک مدل بهینه سازی برای حالت حسابرسی صندوق کاهش فقر بر اساس شبکه عصبی BP. جی. اینتل. سیستم فازی 2019 ، 37 ، 481-491. [ Google Scholar ] [ CrossRef ]
  50. دونگ، ی. جین، جی. دنگ، ایکس. Wu, F. اندازه گیری چند بعدی فقر و پویایی مکانی-زمانی آن در چین از منظر جغرافیای توسعه. جی. جئوگر. علمی 2021 ، 31 ، 130-148. [ Google Scholar ] [ CrossRef ]
  51. ابوبکر، ع. حمدان، ر. Sani، گروه آموزشی NS برای طبقه‌بندی چند بعدی فقر. ساین مالایی. 2020 ، 49 ، 447-459. [ Google Scholar ] [ CrossRef ]
  52. کورتو، جی دی. پینتو، JC VIF اصلاح شده (CVIF). J. Appl. آمار 2010 ، 38 ، 1499-1507. [ Google Scholar ] [ CrossRef ]
  53. پاک، م. گلچی، س. Okumus، A. مطالعه ای در مورد استفاده و مدل سازی سیستم اطلاعات جغرافیایی برای مبارزه با جرایم جنگل: ارزیابی جنایات در جنگل های مدیترانه شرقی. محیط زیست نظارت کنید. ارزیابی کنید. 2018 ، 190 ، 62. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. ژنگ، ی. لیو، اف. Hsieh، HP U-Air: هنگامی که استنتاج کیفیت هوای شهری با داده های بزرگ روبرو می شود. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، شیکاگو، IL، ایالات متحده، 11-14 اوت 2013 . ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; ص 1436-1444. [ Google Scholar ]
  55. وانگ، جی. ژانگ، ایکس. گوا، ز. Lu, H. توسعه یک سیستم هشدار اولیه برای پیش‌بینی و ارزیابی کیفیت هوا در شهرهای چین. سیستم خبره Appl. 2017 ، 84 ، 102-116. [ Google Scholar ] [ CrossRef ]
  56. ژائو، ال. آهنگ، YJ; ژانگ، سی. لیو، ی. وانگ، پی. لین، تی. دنگ، م. Li، H. T-GCN: یک شبکه کانولوشنال نمودار زمانی برای پیش بینی ترافیک. IEEE Trans. هوشمند ترانسپ سیستم 2019 ، 21 ، 3848–3858. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. وو، اس. وانگ، ز. دو، ز. هوانگ، بی. ژانگ، اف. لیو، آر. رگرسیون وزنی شبکه عصبی از نظر جغرافیایی و زمانی برای مدل‌سازی روابط غیر ثابت فضایی و زمانی. بین المللی جی. جئوگر. Inf. علمی 2020 ، 35 ، 582-608. [ Google Scholar ] [ CrossRef ]
  58. سریواستاوا، ن. هینتون، جی. کریژفسکی، آ. سوتسکور، آی. Salakhutdinov, R. Dropout: یک راه ساده برای جلوگیری از برازش بیش از حد شبکه های عصبی. جی. ماخ. فرا گرفتن. Res. 2014 ، 15 ، 1929-1958. [ Google Scholar ]
  59. گائو، اس. ژو، سی. انتشار اطلاعات حریم خصوصی دیفرانسیل در پلت فرم داده های بزرگ کاهش دقیق فقر. Soft Comp. 2019 ، 24 ، 8139–8147. [ Google Scholar ] [ CrossRef ]
  60. هینتون، جی. دنگ، ال. یو، دی. دال، جی. محمد، ع.ر. جیتلی، ن. ارشد، ا. ونهوک، وی. نگوین، پی. سایناث، تی. و همکاران شبکه‌های عصبی عمیق برای مدل‌سازی صوتی در تشخیص گفتار: دیدگاه‌های مشترک چهار گروه تحقیقاتی. IEEE سیگنال فرآیند Mag. 2012 ، 29 ، 82-97. [ Google Scholar ] [ CrossRef ]
  61. هوانگ، اف. کائو، ز. گوا، جی. جیانگ، S.-H. لی، اس. Guo, Z. مقایسه مدل‌های اکتشافی، آماری عمومی و یادگیری ماشینی برای پیش‌بینی و نقشه‌برداری حساسیت زمین لغزش. Catena 2020 , 191 , 104580. [ Google Scholar ] [ CrossRef ]
  62. لیو، ایکس. کانگ، سی. گونگ، ال. لیو، ی. ترکیب الگوهای تعامل فضایی در طبقه بندی و درک کاربری زمین شهری. بین المللی جی. جئوگر. Inf. علمی 2015 ، 30 ، 334-350. [ Google Scholar ] [ CrossRef ]
  63. ما، ز. چن، ایکس. چن، اچ. الگوهای فضایی چند مقیاسی و عوامل مؤثر بر فقر روستایی: مطالعه موردی در منطقه کوهستانی لیوپان، استان گانسو، چین. چانه. Geogr. علمی 2018 ، 28 ، 296-312. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. لیو، ی. ژانگ، ایکس. پان، X. ما، ایکس. تانگ، ام. ادغام فضایی و توسعه صنعتی هماهنگ تجمعات شهری در کمربند اقتصادی رودخانه یانگ تسه، چین. Cities 2020 , 104 , 102801. [ Google Scholar ] [ CrossRef ]
  65. تالوکدار، س. پال، اس. چاکرابورتی، ا. Mahato, S. اثرات سدسازی بر وضعیت تغذیه ای و زیستگاهی تالاب های ساحلی و رابطه فضایی آنها. Ecol. اندیک. 2020 , 118 , 106757. [ Google Scholar ] [ CrossRef ]
  66. بدیعی، ج. نسی، پ. Paoli، I. پیش‌بینی جایگاه‌های پارکینگ موجود در سرویس‌های حیاتی و معمولی با بهره‌برداری از طیفی از داده‌های باز. IEEE Access 2018 ، 6 ، 44059–44071. [ Google Scholar ] [ CrossRef ]
  67. زو، ی. لیو، ز. Fu, X. اندازه گیری دسترسی سیستم اتوبوس بر اساس داده های ترافیک چند منبع. ژئو اسپات. Inf. علمی 2020 ، 23 ، 248-257. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00050 g001 550
شکل 1. مکان منطقه مورد مطالعه: ( الف ) موقعیت کمربند اقتصادی رودخانه یانگ تسه. ( ب ) موقعیت شهرستان های فقر در سطح ملی در کمربند اقتصادی رودخانه یانگ تسه. (توجه: YREB نشان دهنده کمربند اقتصادی رودخانه یانگ تسه است. FTA نشان دهنده چهار منطقه مسکونی تبتی است. MBWY نمایانگر سرزمین مرزی کوهستانی یوننان غربی است. QBMA نشان دهنده منطقه کوه Qinba است. WLMA نشان دهنده منطقه کوه Wuling است. WMMA نشان دهنده منطقه کوه Wumeng است. YGGRDA منطقه بیابان‌زایی صخره‌ای یوننان-گوئیژو-گوانگشی را نشان می‌دهد. DBMA نشان‌دهنده منطقه کوه دابی است. LXMA نشان‌دهنده منطقه کوهستان لوکسیائو است.).
Ijgi 11 00050 g002 550
شکل 2. ساختار مدل SVDNN.
Ijgi 11 00050 g003 550
شکل 3. ساختار تک نورون SVNN.
Ijgi 11 00050 g004 550
شکل 4. مقایسه عملکرد مدل در دوره های مختلف.
Ijgi 11 00050 g005 550
شکل 5. مقایسه عملکرد مدل در دوره های مختلف.
Ijgi 11 00050 g006a 550 Ijgi 11 00050 g006b 550
شکل 6. مقایسه عملکرد مدل تحت ساختارهای همبستگی فضایی مختلف. (توجه: SDM نشان دهنده ماتریس فاصله مکانی است؛ SAM نشان دهنده ماتریس مجاورت فضایی است (مقدار ناحیه مجاور 1 تنظیم شده است، در حالی که ناحیه غیر مجاور روی 0 تنظیم شده است)؛ SWAM نشان دهنده ماتریس مجاورت وزنی فضایی است (مقدار ماتریس از مساحت مجاور فاصله مکانی است، در حالی که ناحیه غیر مجاور 0 است.
Ijgi 11 00050 g007 550
شکل 7.مقایسه نتایج شناسایی MPI با شهرستان های فقر در سطح ملی. (توجه: قوانین شناسایی برای شهرستان‌هایی که به درستی شناسایی شده‌اند، شهرستان‌های اشتباه شناسایی شده و شهرستان‌های ناشناس به شرح زیر است: ابتدا MPIهای محاسبه‌شده توسط هر مدل به پنج مقدار (کم، متوسط، کم، متوسط، متوسط، متوسط ​​و زیاد) تقسیم می‌شوند. طبقه‌بندی شکست‌های طبیعی دوم، شهرستان‌های کم ارزش و متوسط ​​کم ارزش MPI به شهرستان‌های فقیر شناسایی‌شده توسط مدل تقسیم می‌شوند و برای تعیین اینکه آیا به شهرستان‌های فقر سطح ملی تعلق دارند، بررسی می‌شوند. شهرستان‌ها به درستی شناسایی می‌شوند، در غیر این صورت، شهرستان‌ها به اشتباه شناسایی می‌شوند و در نهایت، شهرستان‌های فقر مازاد شناسایی شده توسط مدل یا شهرستان‌هایی که به شهرستان‌های فقر در سطح ملی تعلق دارند اما شناسایی نشده‌اند به شهرستان‌های ناشناس تقسیم می‌شوند.
Ijgi 11 00050 g008 550
شکل 8. رگرسیون خطی MPIها و بروز فقر. (توجه: هر نقطه پراکنده نشان دهنده یک شهرستان است، ابسیسا MPI محاسبه شده توسط هر مدل است، و مختصات نرخ بروز فقر مربوط به این شهرستان است که از داده های سرشماری در سطح شهرستان منتشر شده توسط دولت چین به دست آمده است.)
Ijgi 11 00050 g009a 550 Ijgi 11 00050 g009b 550
شکل 9. هیستوگرام توزیع فرکانس MPIها.
Ijgi 11 00050 g010 550
شکل 10. توزیع مکانی-زمانی MPIها. (توجه: MPI هر شهرستان بر اساس طبقه‌بندی شکست‌های طبیعی به پنج سطح تقسیم می‌شود که شامل شهرستان‌های با ارزش (1000 ≥ MPI > 0.883)، شهرستان‌های با ارزش متوسط ​​(0.883 ≥ MPI > 0.686)، با ارزش متوسط ​​است. شهرستان ها (0.686 ≥ MPI > 0.437)، شهرستان با ارزش متوسط ​​(0.437 ≥ MPI > 0.167) و شهرستان های کم ارزش (0.167 ≥ MPI > 0.000)).
Ijgi 11 00050 g011 550
شکل 11. MPI شهرستان های فقر در سطح ملی. (توجه: YREB نشان دهنده کمربند اقتصادی رودخانه یانگ تسه است. FTA نشان دهنده چهار منطقه مسکونی تبتی است. MBWY نمایانگر سرزمین مرزی کوهستانی یوننان غربی است. QBMA نشان دهنده منطقه کوه Qinba است. WLMA نشان دهنده منطقه کوه Wuling است. WMMA نشان دهنده منطقه کوه Wumeng است. YGGRDA منطقه بیابان‌زایی صخره‌ای یوننان-گوئیژو-گوانگشی را نشان می‌دهد. DBMA نشان‌دهنده منطقه کوهستان دابی است. LXMA نشان‌دهنده منطقه کوهستان لوکسیائو است. NPC نشان‌دهنده شهرستان‌های فقر در سطح ملی است.).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید