基于夜间灯光数据的六盘山连片特困区贫困度识别

图1 六盘山连片特困区区位

Fig.1 Location of contiguous destitute district of Liupan Mountain Area

研究数据主要包括: ①灯光数据,2种灯光数据分别为2000—2012年的DMSP-OLS及2015年的NPP-VIIRS夜间灯光,数据来源于美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)网站,空间分辨率分别为1 000 m×1 000 m和500 m×500 m。F162006辐射定标后的灯光数据来源于美国国家地球物理数据中心; ②基础地理数据,县级行政区划图来源于国家基础信息中心、数字高程模型(digital elevation model,DEM)空间分辨率为30 m×30 m; ③经济统计数据,如农民人均纯收入等,来源于2011—2016年各省市统计年鉴。

本研究利用ArcGIS10.2与ENVI5.1平台,通过4个处理步骤实现贫困识别(图2)。

图2

图2 数据处理流程

Fig.2 Data processing flow

具体步骤为: ①通过投影、重采样等创建中国灯光数据库并对主要市辖区的部分社会经济数据(国内生产总值(gross domestic product,GDP)、城镇建成区面积等)进行分析,选择黑龙江省鹤岗市市辖区作为不变目标区域,借助不变目标区域法对数据进行初次校正^[14]; ②对同一年份的2期数据进行年内整合以及对不同年份的数据进行跨年校正,最终完成DMSP-OLS数据校正^[14]; ③通过剔除偶然灯光等对NPP-VIIRS数据进行校正^[15]; ④通过建立灯光和社会经济数据产生的ALI和MPI_statistical间的线性关系,生成贫困评估模型与多维贫困指数估算值(MPI_estimated)识别贫困。

2 研究方法

以国内外多维贫困指标测算体系为依据、以统计数据为基础建立贫困指标体系; 以夜间灯光数据为基础产生ALI,从而构建贫困评估模型。

2.1 MPI_statistical构建

构建全面描述贫困状况的多维贫困指标体系是精准测度贫困程度的重要前提^[6],并且多维贫困指标的客观性和必要性已被世界银行等国际机构和学者们所广泛接受^[7,8],因此,MPI_statistical可用于验证ALI模拟贫困的精确性^[12]。综合来看,多维度贫困的评价指标主要由经济维度、社会维度和环境维度组成^[16]。此外,农民人均纯收入指标仍然是划分贫困县和集中连片特困区的重要经济依据^[17]。依据前人研究的基础上,根据研究目的、指标选择的科学性和数据的可得性及可比性等原则,本文选用9大指标构建贫困指标体系,采用熵值法赋予权重,其原理是信息量与不确定性成反比即信息量越大、不确定性就越小,熵越小、权重则越大^[12]。与其余权重方法相比熵值法更具客观性,从而常用与构建经济、社会和自然多维的贫困度测算。9个指标如表1所示。

表1 MPI_statistical指标权重

Tab.1 Weight of each indicator

指标	权重	意义
农民人均纯收入	0.044 9	反映农民的收入水平
城镇居民人均可支配收入	0.023 5	反映居民的收入水平
高程	0.011 8	反映区域的生活环境
人口密度	0.165 6	反映区域的人口密集程度
人均GDP	0.076 6	反映区域的经济发展水平
城镇化率	0.083 5	反映区域的经济发展水平
投资总额	0.233 8	反映改善人民物质生活的条件
人均财政收入	0.110 7	反映提供基础公共设施与服务的能力
经济密度	0.249 6	反映区域单位面积上经济活动的效率和土地利用的密集程度

新窗口打开| 下载CSV

由于评价体系具有复杂性和不确定性特征,而灰色关联系数会缩小主观对结果的影响,能更精准测算个体的贫困程度^[18],即

(1)

δ (k) = \frac{\min_{i} \min_{k} |x_{0} (k) - x_{i} (k)| + e \max_{i} \max_{k} |x_{0} (k) - x_{i} (k)|}{|x_{0} (k) - x_{i} (k)| + e \max_{i} \max_{k} |x_{0} (k) - x_{i} (k)|}

式中: x₀(k)为特征序列; x_i(k)为因素序列,其中有k个子序列,即x_i(k)={ x_i(1),…,x_i(k)}; i分别代表各个指标; e为分辨率,其值为0.5; δ(k)为灰色关联系数。

运用熵值法和灰色关联系数法确定的权重与指标值,计算MPI_statistical,即

(2)

MP I_{statistical} = \overset{n}{\sum_{i = 1}} w_{i} \times δ (k)

式中: $w_{i}$ 为各个指标的权重; n为指标总个数。

2.2 ALI构建

夜间灯光数据是通过探测小规模低强度灯光反映区域的社会经济情况,而区域经济发展薄弱等社会经济多方面因素导致贫困^[12],通过构建代表不同区域灯光强度的ALI反映区域间社会经济水平的差异性,进而探究ALI与MPI_statistical的关系^[13],即

(3)

ALI = \frac{\overset{P}{\sum_{p = 1}} D N_{p}}{P}

式中: P为县级行政单元像元的个数; ALI为县级区域灯光指数; DN_p为第p个像元的DN值。

2.3 误差检验

借助MPI_statistical与ALI之间的线性回归方程,将特困区贫困空间化生成MPI_estimated。采用误差公式^[13]检验MPI_statistical与MPI_estimated间的误差,即

(4)

MRE = \overset{M}{\sum_{m = 1}} |{(RE)}_{m}| / M

(5)

RE = \frac{|MP I_{estimated} - MP I_{statistical}|}{MP I_{statistical}} \times 100 %

式中: MRE和RE分别表示平均相对误差和相对误差; M为区县数目。误差越小,表明MPI_estimated估算的精度越高,越接近真实的贫困状态。

3 结果与分析

3.1 精度评价

3.1.1 区县MPI_statistical与ALI的比较

通过构建多维贫困体系获得MPI_statistica值,值越小则相应区县贫困程度越高,反之,贫困程度越低。2000—2015年间MPI_statistical值较大的区县主要位于市区,而值较小的区县主要分布在生态环境恶劣、经济发展基础薄弱的宁夏等少数民族、革命老区。为了更好地探究贫困分布格局,按照从小到大的顺序采用综合自然分界法(基于数据中固有的自然分组将对分类间隔加以识别,可对相似值进行最恰当地分组并使各个类之间的差异最大化)将各年份的值分成5级(极贫困、高度贫困、中度贫困、轻度贫困和非贫困)。兰州市城关区、西宁市城西区等地区相较于其余区县经济发展水平较高,多年来处于轻度贫困或非贫困; 属中等贫困的白银市白银区、兰州市西固区等拥有较好的工业基础; 海东市平安区等区县邻近城区属于高度贫困; 而属于极贫困的县分布在少数民族聚集区和边缘地区。整体上,MPI_statistical准确、客观地反映了特困区真实的贫困状态。

夜间灯光本身是人类活动的结果,灯光特征反映地区经济水平^[19],社会经济发展繁荣的地区在夜间有明亮的灯光。通过式(3)获得多年各区县的ALI,极高的ALI值出现在繁华的市区,而极低的ALI值则发生在贫困的县。按照ALI值从大到小的顺序采用相同的方法对不同年份数据分级,城关区和城西区等有最高的ALI值,属非贫困或轻度贫困; 具有极低ALI值的县有固原市泾源县、白银市会宁县和定西市陇西县等,绝大部分县少数民族人口众多并多以农业为主,属极贫困。

为了进一步探究ALI值的合理性,通过相应年份相应区县的MPI_statistical与ALI等级之间作差比较(表2)发现: 78个区县中有50个以上区县的等级是一致的,占所有区县比例的64.10%以上。例如,白银区、天水市秦州区等具有较好的经济基础,为当地的投资、基础设施建设提供良好的服务; 具有极低ALI值和MPI_statistical值的固原市彭阳县、武威市古浪县和临夏回族自治州东乡族自治县等因人口众多,工业与服务业发展不足而导致持久的贫困。等级差距在±1之间的区县有2125个,而仅有14个区县存在较大的等级差距。总而言之,通过MPI_statistical与ALI等级比较,表明用灯光数据识别贫困是合理、客观的。

表2 2000—2015年MPI_statistical与ALI的等级比较

Tab.2 Comparison of MP ${I_{statistical}}_{}$ and ALI from 2000 to 2015

差距	类别	2000年	2004年	2008年	2012年	2015年
0	个数/个	51	56	51	50	54
0	比例/%	65.38	71.79	65.38	64.10	69.23
±1	个数/个	23	21	25	24	21
±1	比例/%	29.49	26.92	32.05	30.76	26.92
±2	个数/个	4	1	2	4	3
±2	比例/%	5.13	1.28	2.56	5.13	3.85

新窗口打开| 下载CSV

3.1.2 各区县MPI_statistical与ALI之间的关系

为了更好探究研究区各区县MPI_statistical与ALI之间的关系,分别运用幂函数、线性和多项式等回归模型拟合MPI_statistical与ALI值,最终选用效果最优的线性方程探讨两者关系(图3),分析发现: 两者之间存在明显的线性关系。决定系数R²分别为0.51,0.67,0.77,0.88和0.85,表明ALI值高的区县社会经济发展水平高、就业率和人民收入增加,而人民收入的增加使区县的贫困程度降低; ALI值低的区县社会经济基础薄弱,以农业为主,人民收入减少并具有不稳定性,进而导致贫困程度高。为了检验结果的可信度,对各年份的拟合结果进行F检验与t检验。2000—2015年间F值分别为78.14,152.95,250.14,578.75和441.88; t值分别为56.31,64.82,72.76,98.55和88.68; 所有F值和t值均大于临界值表中 ${F_{0.01}}_{,}_{76}$ 与 ${t_{0.01}}_{,}_{77}$ ,表明各年份MPI_statistical与ALI之间的回归模型都通过了检验。

图3

图3 2000—2015年间MPI_statistical与ALI之间的回归结果

Fig.3 Regression results between MPI_statistical and ALI from 2000 to 2015

3.1.3 MPI_statistical空间化与结果检验

以MPI_statistical与ALI之间的线性回归方程为基础,借助栅格计算器对校正好的灯光数据作栅格运算实现栅格化的特困区贫困空间化并产生MPI_estimated(图4)。通过年内与年际间校正后的灯光像元值相较于校正前具有长时间的连续性,因此可进行2000—2012年间贫困空间化对比。由图4可知,城区具有极高MPI_estimated值,而边缘等区域有极低值,这与六盘山区的贫困现象相符合。随着时间推移,特困区的社会经济条件逐渐改善,贫困状况逐渐好转,MPI_estimated的最大值与最小值不断增大。运用误差式(4)和式(5)获得2000—2015年间实际的MPI_statistical与估算的MPI_estimated之间的平均相对误差分别为3.21%,3.38%,3.14%,3.44%和3.52%。相较于目前已有研究12.51%的误差^[23]而言,3.14%3.52%间的平均相对误差表明估算贫困的精度高,与实际贫困接近。

图4

图4 像元总DN值和2000—2015年间基于夜间灯光数据的MPI_estimated

Fig.4 Total pixel value of DN and MPI_estimated based on night lighting data from 2000 to 2015

3.2 贫困识别

3.2.1 各区县贫困识别

2000—2015年间特困区MPI_estimated年平均值分别为0.361,0.372,0.375,0.378和0.382,贫困程度逐年减轻。表3为六盘山连片特困区贫困程度识别个数与比例比较。

表3 六盘山连片特困区贫困程度识别个数与比例比较

Tab.3 Comparison of poverty levels of contiguous destitute district of Liupan Mountain Area

贫困程度	2000年		2004年		2008年		2012年		2015年
贫困程度	个数/个	比例/%	个数/个	比例/%	个数/个	比例/%	个数/个	比例/%	个数/个	比例/%
极贫困	46	58.97	44	56.41	45	57.69	39	50.00	45	57.69
高度贫困	20	25.64	21	26.92	20	25.64	21	26.92	16	20.51
中度贫困	4	5.13	4	5.13	4	5.13	9	11.54	8	10.26
轻度贫困	4	5.13	4	5.13	3	3.85	3	3.85	4	5.13
非贫困	4	5.13	5	6.41	6	7.69	6	7.69	5	6.41

新窗口打开| 下载CSV

通过表3可发现,2000—2012年间极贫困与高度贫困总和介于76.92%84.61%; 而中度、轻度以及非贫困所占比重仅介于15.38%23.08%,贫困程度两极分化极其严重。但随着时间的推移,极贫困与高度贫困的比例逐年减少,中度、轻度以及非贫困的比例逐年增加。2015年,极贫困与高度贫困比例之和为78.20%,轻度以及非贫困的比例之和为11.54%,表明贫困程度两极分化情况加重。

3.2.2 贫困空间特征

贫困空间集聚性反映着贫困的整体特征,因此借助Opengeoda工具运用queen标准构建权重采用全局Moran’s I指数探究多年MPI_estimated的集聚性。2000—2015年Moran’s I指数分别为0.49,0.45,0.47,0.49和0.43,表明78个区县的贫困程度具有明显的集聚性,即MPI_estimated值高的区县彼此邻近,MPI_estimated值低的区县也彼此呈带状集中。此外,借助ArcGIS软件探究了MPI_estimated冷热点分布规律,发现2000—2015年间冷点与次冷点分布在贫困区中经济发展基础薄弱的泾源县和定西市漳县,多民族聚居和农业人口多的中卫市海原县和东乡族自治县,自然灾害频发的定西市通渭县和岷县等县; 而热点与次热点分布在邻近城关区、城西区的永登县和湟中县等区县。

4 结论与讨论

本研究以六盘山连片特困区为例,以社会经济统计数据为基础并采用灰色关联模型构建MPI_statistical。以2000—2015年间的DMSP-OLS/NPP-VIIRS灯光数据为基础,运用不变目标区域法、年内年际间相互校正构建足以实际反映特困区社会经济发展水平的ALI。采用回归模型进一步检验两者关系,最终实现贫困空间化生成MPI_estimated并开展贫困识别。

1)基于夜间灯光开展贫困空间化生成的MPI_estimated相较于社会经济数据生成的MPI_statistical而言,平均相对误差介于3.14%3.52%之间,与利用NPP-VIIRS数据对贫困识别的平均相对误差12.51%相比较,其精度更高。由此可见,利用校正后的夜间灯光数据能够较为准确、真实地反映六盘山连片特困区的贫困程度。

2)2000—2015年间县域MPI_estimated年平均值分别为0.361,0.372,0.375,0.378和0.382,贫困程度逐年减轻。2000—2012年间识别出极贫困县3946个、高度贫困县2021个、中度贫困县49个,轻度贫困和非贫困县36个。2015年识别出极贫困县45个,高度贫困县16个,中度贫困、轻度贫困和非贫困县分别为8,4和5个,表明特困区贫困程度两极分化现象严重。

3)2000—2015年间Moran’s I指数分别为0.49,0.45,0.47,0.49和0.43,表明78个区县的贫困程度具有明显集聚性。多年来冷点分布在贫困区的西南与东南部,次冷点集中在东北部和边缘区域,而热点与次热点分布兰州与西宁地区。

综上所述,识别微观空间的贫困程度是涉及多学科的问题。本文基于夜间灯光对六盘山连片特困区的实证研究,有效地证明夜间灯光数据对贫困模拟的合理性、客观性以及可识别出长时间贫困程度的时空演化规律。然而,由于研究区统计数据获取的有限性导致体系的建立还存在一定局限性; 同时灯光数据在现有的校正方法上依旧存在误差。因此,构建更加完善的贫困评估体系和增强估算精度将是进一步研究的主要方向。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

刘艳华, 徐勇 .

中国农村多维贫困地理识别及类型划分

[J]. 地理学报, 2015,70(6):993-1007.

Liu Y

, Xu

Geographical identification and classification of multi-dimensional poverty in rural China

[J]. Acta Geographica Sinica, 2015,70(6):993-1007.

[2]

Liu Y

, Xu

A geographic identification of multidimensional poverty in rural China under the framework of sustainable livelihoods analysis

[J]. Applied Geography, 2016,73:62-76.

DOI:10.1016/j.apgeog.2016.06.004 URL [本文引用: 1]

[3]

何深静, 左姣姣, 朱寿佳 , 等.

中国大城市贫困研究的多种测度与多层模型分析

[J]. 人文地理, 2014,29(6):74-80.

He S

, Zuo J

, Zhu S

, et al.

Understanding urban poverty in large Chinese cities using multiple measurements and hierarahical regression models

[J]. Human Geography, 2014,29(6):74-80.

[4]

Jean

, Burke

, Xie

, et al.

Combining satellite imagery and machine learning to predict poverty

[J]. Science, 2016,353(6301):790-793.

DOI:10.1126/science.aaf7894 URL [本文引用: 1]

[5]

周亮, 徐建刚, 林蔚 , 等.

秦巴山连片特困区地形起伏与人口及经济关系

[J]. 山地学报, 2015,33(6):742-750.

Zhou

, Xu J

, Lin

, et al.

Relationship of terrain relief degree and population economic development and evaluation of development suitability in continuous poor areas:A case study on Qinba of national contiguous special poverty-stricken areas

[J]. Mountain Research, 2015,33(6):742-750.

[6]

陈烨烽, 王艳慧, 王小林 .

中国贫困村测度与空间分布特征分析

[J]. 地理研究, 2016,35(12):2298-2308.

Chen Y

, Wang Y

, Wang X

Measurement and spatial analysis of poverty-stricken villages in China

[J]. Geographical Research, 2016,35(12):2298-2308.

[7]

田宇, 许建, 麻学锋 .

武陵山片区多维贫困度量及其空间表征

[J]. 经济地理, 2017,37(1):162-169.

Tian

, Xu

, Ma X

Multidimensional poverty measurement and spatial distribution of contiguous special poverty-stricken areas:A case study on key city in Wuling Mountain area of poverty alleviation

[J]. Economic Geography, 2017,37(1):162-169.

[8]

杨振, 江琪, 刘会敏 , 等.

中国农村居民多维贫困测度与空间格局

[J]. 经济地理, 2015,35(12):148-153.

DOI:10.15957/j.cnki.jjdl.2015.12.021 URL [本文引用: 2]

从生活性消费视角出发,依据恩格尔理论和扩展线性支出系统模型建立多维贫困测度模型,对中国各省区农村居民的相对贫困空间格局及成因进行实证分析。结果表明:1我国农村居民在8个消费维度上的基本需求支出存在较大差异,"生存型"需求较高,"发展型"需求较低,各消费维度实际支出均随收入正向增长。2各消费维度实际支出普遍高于相应维度的基本需求支出,相对贫困指数存在明显的维度差异与地区差异。东部省份贫困水平普遍较低,中部次之,西部地区贫困水平普遍较高。3农村居民受教育水平越低、农业经济地位越高,相应的区域贫困指数也越大;农民收入水平的提高、收入结构的非农化和人均耕地的增加则会拉低贫困指数。自然灾害在一定程度上增加了农民外出机会和非农收入,也有利于区域贫困指数的降低。

Yang

, Jiang

, Liu H

, et al.

Multi-dimensional poverty measure and spatial pattern of China’s rural residents

[J]. Economic Geography, 2015,35(12):148-153.

[9]

Noor A

, Alegana V

, Gething P

, et al.

Using remotely sensed night-time light as a proxy for poverty in Africa

[J]. Population Health Metrics, 2008,6(1):1-13.

DOI:10.1186/1478-7954-6-1 [本文引用: 1]

[10]

Elvidge C

, Sutton P

, Ghosh

, et al.

A global poverty map derived from satellite data

[J]. Computers and Geosciences, 2009,35(8):1652-1660.

DOI:10.1016/j.cageo.2009.01.009 URL [本文引用: 1]

[11]

Wang

, Cheng

, Zhang

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.

DOI:10.1016/j.asr.2012.01.025 URL [本文引用: 1]

[12]

Yu B

, Shi K

, Hu Y

, et al.

Poverty evaluation using NPP-VIIRS nighttime light composite data at the county level in China

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8(3):1217-1229.

[本文引用: 4]

[13]

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

[J]. 经济地理, 2016,36(11):125-131.

[本文引用: 3]

Pan J

, Hu Y

Spatial identification of multidimensional poverty in China based on nighttime light remote sensing data

[J]. Economic Geography, 2016,36(11):125-131.

[本文引用: 3]

[14]

曹子阳, 吴志峰, 匡耀求 , 等.

DMSP-OLS夜间灯光影像中国区域的校正及应用

[J]. 地球信息科学学报, 2015,17(9):1093-1102.

Cao Z

, Wu Z

, Kuang Y

, et al.

Correction of DMSP/OLS night-time light images and its application in China

[J]. Journal of Geo-Information Science, 2015,17(9):1093-1102.

[15]

李峰, 米晓楠, 刘军 , 等.

基于NPP-VIIRS夜间灯光数据的北京市GDP空间化方法

[J]. 国土资源遥感, 2016,28(3):19-24.doi: 10.6046/gtzyyg.2016.03.04.

为了分析像素级社会经济活动的空间分布状况,以Landsat8和NPP-VIIRS夜间灯光影像为数据源,分别对北京市第一产业和第二、三产业GDP进行空间化操作。利用分类回归树(classification and regression tree,CART)算法,通过Landsat8影像生成北京市的土地利用图,在分析第一产业GDP与土地利用类型面积相关性的基础上,构建了第一产业GDP与耕地面积的线性回归模型。建立了5种灯光指标与第二、三产业GDP的数学关系,通过相关性和回归分析确定第二、三产业GDP与综合灯光指数呈明显的幂函数关系。根据以上2种模型分别生成对应2类产业的像素级GDP密度图,再分别对其进行线性纠正并求和后制作出北京市500 m格网尺寸的GDP密度图。误差分析发现,第一产业GDP、第二、三产业GDP和GDP总量与实际统计值的平均相对误差分别为0.86%,0.61%和1.37%。结果表明,结合土地利用数据的NPP-VIIRS夜间灯光GDP空间化方法可以精确估算北京市GDP产值,反映北京市经济空间分布特征。

, Mi X

, Liu

, et al.

Spatialization of GDP in Beijing using NPP-VIIRS data

[J]. Remote Sensing for Land and Resources, 2016,28(3):19-24.doi: 10.6046/gtzyyg.2016.03.04.

[16]

袁媛, 王仰麟, 马晶 , 等.

河北省县域贫困度多维评估

[J]. 地理科学进展, 2014,33(1):124-133.

DOI:10.11820/dlkxjz.2014.01.014 URL Magsci [本文引用: 1]

在京津冀加快区域经济一体化的背景下，河北省出现环绕京津地区的贫困带引起了学界与公众的普遍关注。目前国内贫困县的设定往往以经济指标为唯一度量标准，本文在经济维度基础上增加社会维度（代表人类贫困）和自然维度（代表自然贫困）两方面评价指标，构建县域贫困度多维评价指标体系，对河北省136 个县的贫困状况分别进行经济单维度与经济—社会—自然三维评估，并基于SOFM网络将全省县域贫困度划分为五级，与河北省现有各类贫困县分布进行对比。结果表明，基于经济单维度与经济—社会—自然多维度评估的聚类分析得到的高贫困度县域均与现有贫困县有很好的对应，与河北省贫困县分布现状基本吻合；由于经济—社会—自然的多维度贫困度评估综合考虑了贫困现状及其潜在可能性，评估更加全面和深入。基于自然维度的潜在贫困度对多维贫困度的影响分析表明：环京津地区的贫困现状比较严重、且潜在贫困程度高，应积极依托京津，承接产业转移。而在冀中南地区，尽管贫困现状较为严重，但潜在贫困程度较低，因其较易脱贫而容易被忽视；同时，还存在大量非贫困县转化为贫困县的可能性；应进一步加强对该地区贫困问题的关注，分类扶贫、防治结合、区域联动，促进京津冀区域一体化、社会财富同步增长。

Yuan

, Wang Y

, Ma

, et al.

Multidimensional evaluation of county poverty degree in Hebei Province

[J]. Progress in Geography, 2014,33(1):124-133.

[17]

袁涛

DMSP/OLS数据支持的贫困地区测度方法研究

[D].北京:中国地质大学( 北京), 2013.

Yuan

Monitoring Methods for Poor Areas Supported by DMSP/OLS Night Time Light Imgery

[D].Beijing:China University of Geosciences(Beijing), 2013.

[18]

丁建军

中国11个集中连片特困区贫困程度比较研究——基于综合发展指数计算的视角

[J]. 地理科学, 2014,34(12):1418-1427.

URL Magsci [本文引用: 1]

综合比较11个集中连片特困区的贫困程度对于更好地实施连片特困区区域发展与扶贫攻坚战略十分重要.基于"发展"与"贫困"之间的对应关系,通过构建涵盖经济、社会和生态3个维度24项指标的综合发展指标体系,测算和比较分析了11个集中连片特困区的贫困程度.结果表明:① 在经济、社会和生态3个维度中,11个集中连片特困区的经济发展严重滞后,经济贫困相对更为突出,社会服务有所改善,但仍然十分落后,生态条件较好、生态负荷较小,但生态脆弱性不容忽视;② 11个集中连片特困区的贫困程度在空间上呈"东部-北部-西南部"走向依次递增的特征,西南腹地是中国贫困的"重灾区";③ 11个集中连片特困区在人均GDP、人均财政收入、农村居民人均纯收入、平均受教育年限、万人科技人员数等反映经济发展水平和区域自我发展能力的指标上较为相似,但在建制村硬化公路通达率、人口密度、九年义务教育巩固率、村卫生室普及率和青壮年文盲率等表征社会公共服务的指标上具有明显差异.

Ding J

Comparative analysis on poverty degree of China’s 11 contiguous destitute areas:With view of comprehensive development index

[J]. Scientia Geographica Sinica, 2014,34(12):1418-1427.

[19]

李宗光, 胡德勇, 李吉贺 , 等.

基于夜间灯光数据的连片特困区GDP估算及其空间化

[J]. 国土资源遥感, 2016,28(2):168-174.doi: 10.6046/gtzyyg.2016.02.26.

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。

Li Z

, Hu D

, Li J

, et al.

Simulation and spatialization of GDP in poverty areas based on night light imagery

[J]. Remote Sensing for Land and Resources, 2016,28(2):168-174.doi: 10.6046/gtzyyg.2016.02.26.