基于夜间灯光数据的连片特困区GDP估算及其空间化
李宗光, 胡德勇, 李吉贺, 岑建
首都师范大学资源环境与旅游学院,北京 100048
胡德勇(1974-),男,副教授,主要从事遥感和地理信息系统在自然灾害、资源环境等领域的应用研究。Email:deyonghu@163.com

第一作者简介: 李宗光(1989-),男,硕士研究生,主要从事资源环境遥感研究。Email:glzong@163.com

摘要

国内生产总值(gross domestic product, GDP)能反映一个国家或地区的经济发展状况,构建高精度的特困区GDP空间数据库对扶贫工作的开展具有重要意义。首先通过建立DMSP/OLS夜间灯光数据与连片特困区GDP的回归模型,实现利用夜间灯光数据估算特困区GDP; 然后分别对第一和第二、三产业GDP进行空间化建模: 第一产业GDP与土地利用数据相结合建模,第二、三产业GDP与夜间灯光数据相结合建模。研究结果表明,大部分特困区GDP的估算结果较为准确,县级尺度的估算精度达到87.38%; 连片特困区多为GDP低密度区,GDP基本处于50万元/km2以下,西北地区甚至出现大片低于5万元/ km2。因此,高精度的连片特困区GDP密度分布图能够准确地反映特困区经济分布状况,为扶贫工作的开展提供数据支持。

关键词: GDP; 夜间灯光数据; 土地利用; 空间化; 特困区
中图分类号:TP 79 文献标志码:A 文章编号:1001-070X(2016)02-0168-07 doi: 10.6046/gtzyyg.2016.02.26
Simulation and spatialization of GDP in poverty areas based on night light imagery
LI Zongguang, HU Deyong, LI Jihe, CEN Jian
College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China
Abstract

Gross domestic products (GDP) can represent the economic development conditions of a region, and it is significant for poverty alleviation work to build the GDP spatial databases with high precision. In this paper, a regression model for DMSP/OLS night light data and GDP values in poverty areas was established in groups, and the GDP in continuous poverty areas were retrieved from the night light data. Then the GDP was divided into two parts. One is the GDP of primary industry, and the other is the GDP of second and tertiary industry. Finally, a spatial model for GDP of primary industry was established based on land use data and, in addition, the spatial model for GDP of other two kinds of industries was also built based on night light data. According to the results obtained, the estimation results of GDP are more accurate in most counties; the correlation coefficient between the estimated values and true values is 0.873 8 at the county level; the continuous poverty areas almost consist of GDP low-density areas; nevertheless, there are a few GDP high-density areas concentrated in towns; the GDP of most continuous poverty areas is less than 500 000 yuan per square kilometer except for the center of town poverty areas, and the GDP is even less than 50 000 yuan per square kilometer in the northwest territories. The economic status can be well reflected by the density distributions map of GDP in poverty areas, which can provide data support for poverty alleviation work.

Keyword: GDP; night light data; land use; spatial; poverty region
0 引言

虽然经济社会不断发展, 但目前消除贫困依然是我国重点关注的问题之一, 在实际工作中, 往往出现因扶贫目标不明确而造成财力物力利用率较低等问题[1]。这主要是因为政府部门在制定扶贫政策时所依据的资料信息具有一定的延迟性, 再加上受统计单元尺度的限制, 无法掌握贫困地区内部更为详细的最新情况[2, 3, 4]。比如数据更新周期较长且统计单元较大(最小为县级尺度), 无法显示单元内部国内生产总值(gross domestic product, GDP)的差异[5, 6]。因此, 实现连片特困区的GDP空间化能够为扶贫工作提供有效的数据服务; 高精度空间数据库的构建可以在资源环境保护、贫困变化检测、区域规划及发展等领域发挥重要作用。

参考国内外对社会经济数据空间化方面所做的研究可知, 当前这项工作正处于不断探索与发展阶段。国外相关研究发现, 夜间灯光数据与区域经济有着密切关系[7, 8, 9, 10, 11]: Elvidge等[9]分析了夜间灯光面积与GDP之间的关系, 发现可以利用夜间灯光数据较好地估算多项社会经济数据; Ghosh等[10, 11]建立了夜间灯光与经济数据的回归模型并成功估计出美国、墨西哥各州的实际经济情况。近年来, 我国学者在经济数据空间化表达方面也做了大量研究[12, 13, 14, 15]。刘红辉等[14]在我国经济社会的区域差异综合分析基础上, 建立了基于土地利用空间格局的社会经济数据的空间表达模型; 钟凯文等[15]通过分析社会经济数据的空间化方法以及空间分布情况, 提出了一种基于土地利用数据的GDP空间化表达方法。总体来讲, 国内对于经济数据空间化的主要思路: 一是基于土地利用数据通过划分产业进行空间建模[16, 17, 18]; 二是基于夜间灯光数据建立模型。但是上述方法多是基于全国的大尺度区域构建模型, 而对于县级尺度的连片特困区域, 由于其土地类型组成复杂、分布分散、夜间灯光较弱, 运用该方法构建模型精度较低。

本文针对连片特困区的上述特点, 利用夜间灯光数据结合土地利用数据构建连片特困区的GDP空间数据集, 旨在通过特困区GDP与夜间灯光数据的分组建模, 实现从夜间灯光数据出发估算特困区GDP的目的; 同时, 结合夜间灯光数据和土地利用数据建立分产业的GDP空间化模型, 生成特困区1 km2 GDP栅格数据集, 最终实现连片特困区社会经济数据空间化数据库的快速建立, 为扶贫工作的有效开展提供技术支持。

1 研究区概况和数据源
1.1 研究区概况

研究区包括全国13个连片特困区, 主要有六盘山区、秦巴山区、武陵山区、乌蒙山区、滇桂黔石漠化区、滇西边境区、大兴安岭南麓区、燕山— 太行山区、吕梁山区、大别山区、罗霄山区、南疆三角洲和四省(甘、青、川、滇)藏区。整个连片特困区分布范围主要集中在我国中西部地区以及东北、西北、西南边境地区(图1), 而且大多具有土壤质量差、地理位置偏僻、地形复杂、气候条件恶劣和可供利用资源不足的特点。

图1 连片特困区分布示意图Fig.1 Poverty areas sketch

1.2 数据源

1)夜间灯光数据。该数据通过DMSP/OLS获取, OLS传感器拥有可见光、近红外和热红外通道, 可获取幅宽为3 000 km的影像, 分辨率为0.56 km。研究所用的2010年夜间灯光数据来自美国国家地理数据中心, 原始数据投影在Krasovsky_1940_Albers坐标系下, 利用中国地区的矢量数据裁剪出夜间灯光数据, 并重采样为1 km大小的栅格数据(图2)。栅格DN值范围为0~63。DN值为0表示没有灯光, DN值在1~63之间的区域表示有灯光区域, DN值越高表示灯光越强, 在城市中心区域大部分处于灯光饱和状态。

图2 中国2010年夜间灯光数据Fig.2 Night light imagery of China in 2010

2)土地利用数据。基于TM 遥感影像生成的中国土地利用数据[19], 土地利用类型分为6个大类25个小类, 用栅格数据层表示, 每个栅格记录该土地利用类型。根据研究需要, 将土地利用数据重新划分为1 km大小的栅格数据。

3)GDP数据。研究中使用的2010年连片特困区县级GDP的统计数据来自于中国统计出版社出版的《中国农村贫困监测报告》[20]

2 研究方法

GDP空间模拟主要由2部分组成: 一是GDP的估算, 即运用回归分析方法建立夜间灯光数据与连片特困区县级GDP的关系模型, 利用该模型模拟连片特困区GDP; 二是GDP空间化处理, 一般认为GDP主要由第一产业和第二、三产业组成。其中第一产业生产活动与土地利用类型密切相关, 故结合土地利用类型进行空间建模。由于第二、三产业与土地利用类型关系不显著, 但从前人研究中可以发现第二、三产业产值与夜间灯光强度具有较强的相关性, 可以由此进行空间化处理, 具体流程如图3所示。

图3 GDP估算及空间化流程Fig.3 Flowchart of simulation and spatialization of GDP

2.1 GDP估算

2.1.1 贫困县分组

利用夜间灯光数据模拟特困区GDP的主要依据是GDP与特困区灯光强度的相关性, 由于特困区范围较为分散不连续, 本文特困区GDP以县级为单位进行分析估算。考虑到不同贫困县经济产业组成的不同, 有些产业无法在夜间灯光数据上体现, 因此采用分组建模估算。首先定义一个比例因子R, 其计算方法为

R= GS, (1)

式中: R为贫困县GDP与灯光强度的比值; G为贫困县的GDP总量, 万元; S为贫困县的灯光强度总量。

为了提高GDP的估算精度, 根据R的大小对贫困县进行分组, 将R< 100的贫困县分为第1组, 100≤ R< 200的贫困县分为第2组, R≥ 200的贫困县分为第3组。

2.1.2 灯光指数与GDP相关分析

夜间灯光数据具有灯光面积和强度2方面特征, 灯光面积描述了夜间灯光的空间延展特征, 灯光强度描述了夜间灯光的空间立体特征。根据夜间灯光数据的上述特征, 提取每个贫困县的灯光强度总量和灯光强度平均值2个灯光指数, 并作散点图探讨与GDP的相关性, 具体分析以下3种情况:

1) GDP总量与灯光强度总量。GDP总量(S)可以从统计数据中直接获取[20]。灯光强度总量可以用式(2)计算, 即

S= i=1CDi , (2)

式中: C为统计单元的栅格数目; Di为每个栅格的灯光强度值。基于GDP总量与灯光强度总量关系得到的GDP估算值G'可表示为

G'=f1(S) 。 (3)

2) GDP总量与灯光强度平均值。灯光强度平均值(M)是统计单元内栅格灯光强度的平均值, 即

M= SC。 (4)

基于GDP总量与灯光强度平均值的关系得到的GDP估算模型可表示为

G'=f2(M) 。 (5)

3) 单位面积GDP与灯光强度平均值。单位面积GDP是统计单元的GDP总量和面积的比值, 即

g= GA, (6)

式中: g为单位面积的GDP值, 万元· km-2; A为统计单元的总面积, km2。基于单位面积GDP与灯光强度平均值关系得到GDP估算模型可表示为

g'=f3(M) , (7)

式中g'为贫困县单位面积GDP的估算值, 万元。

在对以上3组参量做相关分析的基础上找出一组最佳的GDP与灯光指数的关系模型, 最终的模型可以表示为

G'=f(S, A) 。 (8)

2.2 GDP空间化

2.2.1 第一产业产值空间化

土地利用类型主要分为耕地、林地、草地、水域、城乡工矿居民用地和未利用地6大类, 其中与第一产业相关的只有耕地、林地、草地和水域4大类, 其他土地利用类型与第一产业无关。根据这4种土地利用类型建立第一产业模型, 即

G1=Ga+Gb+Gc+Gd , (9)

式中: G1为某贫困县第一产业产值; Ga, Gb, GcGd分别代表农业、林业、牧业和渔业产值。

由于不同地区第一产业的主要构成成分不同, 根据每个县内不同土地利用类型所占比例, 将所有贫困县划分为以耕地、林地、草地为主和综合4种类型。参考2010年全国不同土地利用类型单位面积产值将每种类型贫困县的不同土地利用类型设置不同的权重值, 结果如表1所示。

表1 土地类型权重 Tab.1 Land type weights

根据表1中的权重分配, 将不同区域的土地栅格值重新分类定义, 将第一产业产值结合重新分类定义的土地利用类型进行1 km栅格化处理, 即

G'1= G1WS× W , (10)

式中: G'1为每个栅格代表的第一产业产值; G1为该县第一产业产值; WS为该县权重总量; W为每个栅格权重值。

2.2.2 第二、三产业产值空间化

根据前人研究结果, 第二、三产业与夜间灯光数据具有较强的相关关系, 因此对第二、三产业产值空间化处理主要以夜间灯光数据作为参考进行栅格权重分配。由于夜间灯光数据本身具有统一灯光值, 可利用每个栅格的灯光值作为权重对第二、三产业产值进行空间化处理, 即

G'23= G23NS× N , (11)

式中: G'23为每个栅格代表的第二、三产业产值; G23为该县第二、三产业产值; NS为该县权重总量; N为每个栅格权重值。

3 结果与分析
3.1 贫困县GDP估算及其结果分析

根据贫困县GDP与灯光强度的比例因子R, 按照2.1.1节所提出的分组方法将所有连片特困区的贫困县分为3组, 并按本文研究方法提出的3组参量(G-SG-Mg-M)分别作相关性散点图分析, 结果如图4所示。

图4 GDP与灯光强度散点图Fig.4 Scatter plot of GDP and night light

通过对比图4中3组数据发现, 3组贫困县都是单位面积GDP与灯光强度平均值之间的相关性最高, GDP总量与灯光强度总量次之, GDP总量与灯光强度平均值最差。本文选取单位面积GDP与灯光强度平均值进行深入分析, 并参照国内外研究学者的结论对回归模型的结果取对数, 使处理后效果更好, 3组贫困县的对数分析结果散点图如图5所示。

图5 对数分析结果散点图Fig.5 Scatter plot analysis results of logarithm

观察图5可以发现, 取对数之后3组贫困县单位面积GDP与灯光强度平均值的回归模型都达到了十分理想的精度, R2均大于0.9。据此, 可以得出3组贫困县GDP与灯光总量之间的关系分别为

G'= S0.9793×A0.0207×e4.146(R< 100)S0.9775×A0.0225×e4.925(100R< 200)S0.9013×A0.0987×e5.573(R200)。 (12)

根据公式(12)代入贫困县的面积和灯光强度总量就可以得出贫困县GDP的估算值, 图6表示3组贫困县GDP估算值与真实值[20]的对比结果。将所有贫困县的模拟结果与真实结果进行相关性分析, R2达到0.873 8, 说明整体估算结果与真实值较为接近。但是第1组的估算结果误差最大, 误差较大的贫困县数目所占本组比例较高; 第2组和第3组估算精度较高, 仅有少数GDP较高的贫困县误差较大。第1组贫困县估算模型误差较大的地区主要集中在GDP较高的贫困县中, 而且利用模型估算的GDP普遍要比真实值低。这主要是因为在GDP较高的城镇中心区域会存在一定程度的灯光饱和现象, 这会造成估算结果存在一定误差, GDP较高的县估算值会比真实值偏低。一般情况下GDP越高区域, 灯光饱和现象越严重, 在进行GDP估算模拟时产生的误差越大。相反, GDP越低的区域, 灯光饱和现象越小, 估算的结果越准确。将估算的结果与真实的结果作残差对比分析如图7所示。

图6 估算值与真实值对比Fig.6 Comparison chart of estimates and real value

图7 GDP估算误差分布Fig.7 Residuals distribution of GDP estimate

从分布范围来看, 西南和西北地区的大部分贫困县估算精度较高, 估算误差较大的贫困县主要分布在中部以及东北部地区, 且都是在连片特困区的外部边缘靠近经济发达地区的县, 如在重庆、武汉周围分布了一些估算值偏低的贫困县, 而在北京、哈尔滨周围则分布了一些估算值偏高的贫困县, 说明大城市的经济活动对周围县区的经济发展具有潜在的影响作用。由于连片特困区的灯光饱和现象较发达地区要弱很多, 因此利用夜间灯光数据对连片特困区的GDP进行估算具有较强的针对性, 可以充分利用夜间灯光数据的优势实现县级尺度连片特困区的GDP估算。

3.2 连片特困区GDP空间化及其结果分析

经过实际检验, 在连片特困区GDP空间化处理时, 采用GDP估算值比真实值得到的GDP空间化结果更为准确。因此将3.1节中得到的贫困县GDP估算值G'根据本文2.2节中提出的GDP空间化方法进行空间化处理, 最终得到连片特困区GDP空间化结果如图8所示, 图中每个栅格的值代表1km× 1km栅格范围内的GDP总量, 这里本文简称为GDP密度, 单位为万元/ km2

图8 特困区GDP空间化结果示意图Fig.8 Result of GDP spatialization in poverty areas

图8中可以看到, 连片特困区内大部分区域GDP密度在50万元/km2以内, 尤其是西部地区GDP密度甚至小于5万元/ km2, 这些地方多为人烟稀少、土地缺乏利用价值的区域, 很少存在生产活动。而GDP密度较高的区域多集中在中部平原地带, 以及西南、西北部的城镇区域, 这些地方多是人员大量聚集, 经济活动密集的地区。在西北的部分连片特困区存在GDP密度为0的区域, 原因有2个: 一是因为西北部地区地广GDP稀, 很多地方无法捕捉到灯光数据; 二是西北部地区沙地、戈壁等土地类型较多, 这些区域在进行GDP空间化处理时第一产业和第二、三产业产值分配都为0, 因此最终结果GDP密度为0。在中西部的贫困县GDP密度呈现由城镇向县边界逐步降低的趋势, 在县与县的边界区域GDP密度较为接近, 相对于统计型的数据在边界区域存在的不连续现象有了明显改善。

4 结论与讨论

本文利用2010年夜间灯光数据建立模型估算特困区2010年GDP, 并通过分产业结合土地利用类型数据得到连片特困区2010年GDP密度分布图。在研究结果基础上, 利用统计工具对GDP估算及其空间化结果进行统计分析, 得到以下结论:

1)利用DMSP/OLS夜间灯光数据估算特困区GDP是一种快速且结果较为准确的方法。本文通过合理的分组建模, 利用夜间灯光数据估算出连片特困区GDP, 与真实值相关系数R2达到0.873 8。其中西南、西北部地区的特困区GDP估算结果精度较高, 而中部和东北部地区估算结果精度较低, 并且其分布规律为距离发达城市越远越准确。

2)连片特困区多为GDP低密度区, GDP高密度区集中在城镇。连片特困区大部分GDP密度在50万元/km2以内, 西北部地区甚至出现大片区域低于5万元/ km2; 但是在中部地区及邻近经济发达城市的特困区也出现了达到1 000~2 000万元/ km2的GDP高密度区, 说明在人口较集中, 经济活动相对频繁, 以及受附近经济发达城市显著影响的贫困地区易出现GDP高密度区。

3)由于夜间灯光数据存在大量无灯光区以及城镇中心区域存在灯光饱和现象, 这些区域的估算结果存在较大误差, 因此需要结合其他空间数据(如人口数据和土地利用数据)进行综合分析。如何减少无灯光区和灯光饱和区的误差将是今后需要深入研究的重点。

The authors have declared that no competing interests exist.

参考文献
[1] 程宝, 高良丽. 西部脆弱环境分布与贫困关系的研究[J]. 环境科学与技术, 2009, 32(2): 198-202.
Chen B, Gao L L. Relationship between ecological fragility and poverty in western China[J]. Environmental Science and Technology, 2009, 32(2): 198-202. [本文引用:1]
[2] 曹伟超, 陶和平, 谭理, . 基于多源空间数据的山区人口分布模拟[J]. 国土资源遥感, 2012(2): 61-67. doi: DOI: 106046/gtzyyg. 2012. 02. 12.
Cao W C, Tao H P, Tan L, et al. Simulation of mountain population distribution based on multi-source spatial data[J]. Remote Sensing for Land and Resources, 2012(2): 61-67. doi: DOI:10.6046/gtzyyg.2012.02.12. [本文引用:1]
[3] 陈晋, 卓莉, 史培军, . 基于DMSP/OLS数据的中国城市化过程研究——反映区域城市化水平的灯光指数的构建[J]. 遥感学报, 2003, 7(3): 168-175, 241.
Chen J, Zhuo L, Shi P J, et al. The study on urbanization process in China based on DMSP/OLS data: Development of a light index for urbanization level estimation[J]. Journal of Remote Sensing, 2003, 7(3): 168-175, 241. [本文引用:1]
[4] 李军, 胡云锋, 任旺兵, . 国家主体功能区空间型监测评价指标体系[J]. 地理研究, 2013, 32(1): 123-132.
Li J, Hu Y F, Ren W B, et al. The framework of spatial index for monitoring and evaluating the national major function oriented zone in China[J]. Geographical Research, 2013, 32(1): 123-132. [本文引用:1]
[5] 徐梦洁, 陈黎, 刘焕金, . 基于DMSP/OLS夜间灯光数据的长江三角洲地区城市化格局与过程研究[J]. 国土资源遥感, 2011, 23(3): 106-112. doi: DOI: 106046/gtzyyg. 2011. 03. 19.
Xu M J, Chen L, Liu H J, et al. Pattern and process of urbanization in the Yangtze Delta based on DMSP/OLS data[J]. Remote Sensing for Land and Resources, 2011, 23(3): 106-112. doi: DOI:10.6046/gtzyyg.2011.03.19. [本文引用:1]
[6] 廖顺宝, 孙九林. 基于GIS的青藏高原人口统计数据空间化[J]. 地理学报, 2003, 58(1): 25-33.
Liao S B, Sun J L. GIS based spatialization of population census data in Qinghai-Tibet plateau[J]. Acta Geographica Sinica, 2003, 58(1): 25-33. [本文引用:1]
[7] Doll C N H, Muller J P, Morley J G. Mapping regional economic activity from night-time light satellite imagery[J]. Ecological Economics, 2006, 57(1): 75-92. [本文引用:1]
[8] Sutton P C, Elvidge C D, Tilottama G. Estimation of gross domestic product at sub-national scales using nighttime satellite imagery[J]. International Journal of Ecological Economics and Statistics, 2007, 8(7): 5-21. [本文引用:1]
[9] Elvidge C D, Baugh K E, Kihn E A, et al. Relation between satellite observed visible-near infrared emissions, population, economic activity and electric power consumption[J]. International Journal of Remote Sensing, 1997, 18(6): 1373-1379. [本文引用:2]
[10] Ghosh T, Powell R L, et al. Elvidge C D. Shedding light on the global distribution of economic activity[J]. The Open Geography Journal, 2010, 3: 148-161. [本文引用:2]
[11] Ghosh T, Anderson S, Powell R L, et al. Estimation of Mexico’s informal economy and remittances using nighttime imagery[J]. Remote Sensing, 2009, 1(3): 418-444. [本文引用:2]
[12] 梁友嘉, 徐中民. 基于夜间灯光辐射数据的张掖市甘州区GDP空间分布建模[J]. 冰川冻土, 2013, 35(1): 249-254.
Liang Y J, Xu Z M. Modeling the spatial distribution of GDP based on night light radiation: A case study in Ganzhou district, Zhangye municipality[J]. Journal of Glaciology and Geocryology, 2013, 35(1): 249-254. [本文引用:1]
[13] 黄莹, 包安明, 陈曦, . 基于绿洲土地利用的区域GDP公里格网化研究[J]. 冰川冻土, 2009, 31(1): 158-165.
Huang Y, Bao A M, Chen X, et al. Studying the GDP in 1km square grid-cells based on oasis land use[J]. Journal of Glaciology and Geocryology, 2009, 31(1): 158-165. [本文引用:1]
[14] 刘红辉, 江东, 杨小唤, . 基于遥感的全国GDP 1km格网的空间化表达[J]. 地球信息科学, 2005, 7(2): 120-123.
Liu H H, Jiang D, Yang X H, et al. Spatialization approach to 1km grid GDP supported by remote sensing[J]. Geo-Information Science, 2005(2): 120-123. [本文引用:2]
[15] 钟凯文, 黎景良, 张晓东. 土地可持续利用评价中GDP数据空间化方法的研究[J]. 测绘信息与工程, 2007, 32(3): 10-12.
Zhong K W, Li J L, Zhang X D. GDP spatialization in land sustainable use assessment[J]. Journal of Geomatics, 2007, 32(3): 10-12. [本文引用:2]
[16] Wang W, Cheng H, Zhang L. Poverty assessment using DMSP/OLS night-time light satellite imagery at a provincial scale in China[J]. Advances in Space Research, 2012, 49(8): 1253-1264. [本文引用:1]
[17] Buehn A, Schneider F. Shadow economies and corruption all over the world: Revised estimates for 120 countries[J]. Economics: The Open-Access, Open-Assessment E-Journal, 2007, 1: 1-53. [本文引用:1]
[18] Zhao N Z, Currit N, Samson E. Net primary production and gross domestic product in China derived from satellite imagery[J]. Ecological Economics, 2011, 70(5): 921-928. [本文引用:1]
[19] 刘纪远, 张增祥, 徐新良, . 21世纪初中国土地利用变化的空间格局与驱动力分析[J]. 地理学报, 2009, 64(12): 1411-1420.
Liu J Y, Zhang Z X, Xu X L, et al. Spatial patterns and driving forces of land use change in China during the early 21st century[J]. Acta Geographica Sinica, 2009, 64(12): 1411-1420. [本文引用:1]
[20] 国家统计局. 中国农村贫困监测报告[M]. 北京: 中国统计出版社, 2011.
National Bureau of Statistics. Poverty Monitoring Report of Rural China[M]. Beijing: China Statistics Press, 2011. [本文引用:3]