通过空间主成分分析和指示克里金方法对卡斯蒂利亚-拉曼查（西班牙）地区的空间人口减少风险进行评估

《Journal of Rural Studies》：Spatial depopulation risk assessment through spatial principal component analysis and indicator kriging in Castilla-La Mancha (Spain)

农村人口流失风险分析及空间建模研究——以西班牙卡斯蒂利亚-拉曼查为例。摘要：本研究针对传统人口流失风险评估未考虑空间依赖的局限性，创新性地构建空间人口流失风险指数（sDRI）和风险概率图（DRPM）。通过地理统计半变异函数确定60公里空间依赖范围，运用Voronoi多边形优化领土划分，结合空间主成分分析（sPCA）和指示克里金（IK）方法，整合人口结构、社会经济服务、劳动力市场等78项指标，将卡斯蒂利亚-拉曼查919个 municipalities分为无风险、高风险和极端风险三类，并生成连续概率分布图。结果表明，空间依赖分析使区域分类更精准，DRPM有效识别出跨行政边界的高风险走廊，为区域反人口流失政策提供空间决策支持。

　　农村人口减少是一个影响人口空间分布的慢性现象，近年来已经成为公共政策讨论的热点问题。传统的研究通常通过人口减少量或发展指数来衡量农村人口减少的风险，但这些方法往往忽略了这一领域中的一个关键维度：空间依赖性。本文的主要目标是通过两种新的方法将空间依赖性纳入分析，以更准确地评估农村人口减少的风险。

首先，我们提出了一种基于空间主成分分析的农村人口减少风险指数（sDRI），利用一组广泛的人口和经济社会变量。其次，我们提供了一种农村人口减少风险概率图（DRPM），展示了整个区域的风险分布情况，采用指标克里金法（Indicator Kriging）进行计算。我们以西班牙的卡斯蒂利亚-拉曼查地区为案例，该地区拥有极低的人口密度，甚至低于西伯利亚或拉普兰，同时在应对农村人口减少方面走在前列，实施了法律和经济措施。

研究结果表明，考虑空间依赖性设计综合指数可以对市镇进行一致的分类，评估其人口减少风险。此外，风险概率图是一种适合识别可采取措施区域的工具。这说明将空间依赖性纳入农村人口减少研究，有助于更全面地理解其复杂性，并为政策制定提供更精确的依据。

农村人口减少的根源在于人口结构的变化，如生育率下降和人口老龄化。此外，经济结构、就业机会、基础设施以及社会动态等因素也在其中发挥了重要作用。研究指出，仅靠迁徙可以弥补低出生率并维持稳定的人口增长。然而，农村人口减少不仅是人口数量的下降，更涉及农村人口结构和动态的深刻变化，如性别比例失衡、老龄化以及女性生育年龄比例的下降。

在方法论上，本文引入了空间依赖性分析，以更准确地衡量农村人口减少风险。通过使用半变异函数，我们确定了空间依赖性的范围。随后，我们构建了邻近网络，并利用空间主成分分析（sPCA）对这些网络进行建模，从而生成sDRI。此外，我们还采用指标克里金法（IK）对每个sDRI类别进行克里金预测，以生成风险概率图（DRPM）。

在研究方法上，我们首先收集了大量的人口和社会经济变量，以描述人口结构、演变、迁移和空间分布、劳动力市场、服务提供和环境特征。这些变量包括人口密度、人口年龄结构、日常人口流动、经济活动、服务可达性等。然后，我们构建了一个邻近网络，该网络基于空间依赖性，计算出最大距离作为邻近关系的边界。接下来，我们使用sPCA对这些变量进行分析，提取第一空间主成分，并将其缩放为0到100的范围，以形成sDRI。

此外，我们采用IK方法，为每个sDRI类别计算克里金模型，并基于5公里的网格对整个地区进行预测。这种方法允许我们计算每个位置的农村人口减少风险概率，并通过概率分布图（DRPM）进行可视化。DRPM不仅提供了连续的风险分布，还能揭示风险走廊和过渡区域，这对于制定跨市镇的区域政策具有重要意义。

在案例研究中，我们分析了卡斯蒂利亚-拉曼查地区，该地区共有919个市镇，其中817个被归类为小型农村市镇。该地区的平均人口密度仅为26.23人/平方公里，远低于全国平均水平。在2001-2020年间，该地区约有45%的市镇人口减少率超过20%，而另一部分市镇则出现人口增长，通常位于该地区的中心，靠近省会或马德里周边的工业走廊。

本文的研究还涉及对空间依赖性的深入探讨，特别是通过半变异函数和空间主成分分析，以及对指标克里金法的应用。通过这些方法，我们能够更精确地评估农村人口减少的风险，并生成更符合实际人口分布的指标。此外，我们还探讨了Voronoi多边形在描述区域人口密度方面的有效性，发现其相较于传统市镇边界更能反映人口分布的实际情况。

研究结果显示，sDRI和DRPM不仅能够识别农村人口减少的风险，还能评估其强度。例如，卡斯蒂利亚-拉曼查地区的一些市镇被归类为“极端风险”，这些市镇通常人口稀少，且缺乏年轻人口和中年劳动力。而一些大型市镇则被归类为“无风险”或“高风险”。DRPM的连续性使得它能够识别出跨市镇的风险走廊，为制定区域政策提供了更精确的依据。

本文的贡献在于引入了空间依赖性分析，并通过sPCA和IK方法，为农村人口减少的风险评估提供了新的视角。这些方法能够克服传统方法的局限性，提供更精确和全面的分析结果。此外，本文还展示了如何将这些方法应用于实际区域，并为政策制定提供了支持。

在讨论部分，我们强调了空间依赖性在农村研究中的重要性，以及sDRI和DRPM在政策制定中的应用价值。我们指出，通过考虑空间依赖性，可以更准确地识别农村人口减少的风险，并为政策制定提供更科学的依据。此外，我们还讨论了这些方法在其他地区和国家的可扩展性和适用性，认为其可以应用于不同规模和类型的农村地区，只要存在相应的数据支持。

最后，本文提出了未来研究的方向，包括进一步分析影响农村人口减少的关键社会和经济变量，并使用机器学习技术（如K近邻、随机森林、支持向量机或神经网络）进行建模。这将有助于开发一个专家系统，帮助地方政府制定应对农村人口减少的措施，提高政策的有效性。

总之，本文通过引入空间依赖性分析，为农村人口减少的风险评估提供了新的方法和工具。这些方法不仅能够更精确地识别风险，还能为政策制定提供科学依据，有助于实现区域可持续发展和社会公平。