基于夜光遥感数据的西南地区多维贫困测度及时空演变分析

图1 研究区位置示意图

Fig.1 Location of the study area

据统计数据可知,2019年西南地区总人口为1.998亿人,占全国总人口约14.2%,人口密度约为177人/km²,人口密度较大但分布不均(图2(a))。人口密度较大的区域主要分布在四川盆地、云南滇中盆地等地势平坦、海拔较低的位置。2019年全国人均国内生产总值(gross domestic product,GDP)为70 892元,居民人均可支配收入为30 733元,而西南地区中仅有重庆市的人均GDP高于全国平均水平,其余各省都远低于平均线。同时,4省(市)间的经济发展并不平衡,例如2019年四川省GDP总量为46 615.82亿元,占到了西南地区的42.29%。同时,各省(市)内部各城市GDP情况分布同样不均衡(图2(b))。

图2

图2 2019年研究区人口和GDP分布

Fig.2 Population and GDP distribution of the study area in 2019

1.2 数据源

在本研究中,2种夜光产品(DMSP-OLS和NPP-VIIRS NTL)被用作主要的夜光数据源。1992—2013年的第四版DMSP-OLS年际稳定夜光合成数据由科罗拉多矿业大学地球观测组提供(https://eogdata.mines.edu/products/dmsp/)。2012年以来的NPP-VIIRS夜光数据也是从科罗拉多矿业大学地球观测组获得的(https://eogdata.mines.edu/products/vnl/),此外,本研究中使用的数据源还包括行政边界数据、社会经济统计数据和数字高程模型(digital elevation model,DEM)数据。各个数据源的详细信息见表1。

表1 本文主要数据汇总

Tab.1 Description of each data sources used in this study

数据名称	数据格式	数据周期	空间分辨率	来源
DMSP-OLS	.png	2000—2013年	30弧秒	科罗拉多矿业大学地球观测小组
NPP-VIIRS	.png	2012—2019年	15弧秒	科罗拉多矿业大学地球观测小组
县级行政区划	.shp	2015年	1:100万	资源环境科学与数据中心
统计数据	.csv	2000—2019年	—	各级统计局
SRTMDEM	.png	—	90 m	地理空间数据云平台
国家贫困县名单	.csv	—	—	国家乡村振兴局

2 数据处理及分析方法

2.1 长时间序列夜光数据集的构建

由于DMSP-OLS 数据和 NPP-VIIRS 数据之间存在传感器设计和空间分辨率的差异,所以建立2000—2019年的长时间序列夜间灯光数据需要对这2种数据进行一致性校准预处理; 首先,通过投影、重采样进行预处理。然后,采用不变目标区域法、年内校正和年际校正,以减少亮度饱和效应,提高DMSP-OLS时间序列的一致性和可比性^[19⇓-21]。此外,本研究采取了4个步骤来减少NPP-VIIRS每月数据中的负面因素^[22]: ①应用从校正的DMSP-OLS数据中提取的掩码来去除NPP-VIIRS数据的背景噪声,同时将负值替换为零; ②将北京、上海、广州和深圳的最大像素值作为阈值,以过滤每个月夜光图像中的突变亮度,并将成都、重庆、昆明和贵阳的像素值作为补充,以处理一些未解决的像素; ③为了消除杂散光污染的影响,采用除4—8月外的NPP-VIIRS 每月夜光数据来合成年度数据^[23-24]; ④采用与DMSP-OLS数据相同的方法对NPP-VIIRS夜光年度数据进行剪裁、重采样和重新投影。

通过数据预处理,可以获得2000—2013年的DMSP-OLS校正数据和2012—2019年的NPP-VIIRS校正数据。随后本研究通过实施从NPP-VIIRS数据到DMSP-OLS数据的像素级转换来拓展夜光数据。2个数据集的重叠期(2012年和2013年)为2种夜光数据的整合提供了基础。目前,伪不变特征(Pseudo invariant features, PIF)已被证明在多时空卫星图像的相互校准中非常有用^[25-26]。因此,考虑到世界上没有专门为夜光数据设计的校准点,在本研究中可以以PIF的形式提供用于相互校准的样品^[27]。根据以往的研究^[27-28],以20%为阈值的变异系数(coefficient of variation, CV)来选择合适的PIF,其过程包括3个方面: ①用3×3窗口计算DMSP-OLS栅格和NPP-VIIRS栅格中所有像素的CV值; ②提取DMSP-OLS和NPP-VIIRS中CV值小于20%的交叉区域,这些区域被认为在时间和空间上是稳定的; ③将交叉区域的正像素组成PIFs。鉴于2012年夜光数据的不完整性,本研究采用了2013年的PIF。CV的定义为:

(1)

C V = \frac{σ}{μ}

式中: σ为3×3窗口中像素值的标准偏差; μ为3×3窗口中像素值的平均值。

在本研究中,通过将PSO与BP人工神经网络相结合,采用PSO-BP混合算法来构建人工神经网络,以探索DMSP-OLS数据与NPP-VIIRS数据之间的潜在关系,构建长时间序列的夜间灯光数据集。

2.2 MPI的构建

贫困是一种多维现象,涉及人类发展和自然环境的诸多方面。基于统计的多维贫困评估已被学者广泛采用^{[12,29⇓ -31]}。基于研究区的数据可用性,本研究采用MPI作为县域层面多维贫困的指标。参考以往研究^{[16,32 -33]}提出的可持续生计框架,以科学性、全面性、可度量性和可操作性为原则,从经济维度、社会维度和自然维度提取了11个社会经济和自然变量,建立MPI作为探索使用夜光数据进行贫困评估的参考。此外,MPI的计算是一个多指标综合评价的过程,而各指标的权重对于最终的MPI起着至关重要的决定性作用。熵值法是一种通过判断信息熵的大小来进行权重赋值的方法^[34]。在信息论中认为信息量的大小与不确定性和熵值成反比,可以通过熵值来判断指标的离散程度,而指标的离散程度通常被认为与其影响力成正比。因此熵值法仅通过指标自身的特征来确定权重,在一定程度上避免了主观因素的干扰,所得到的结果也更加客观。11个指标及其权重如表2所示。

表2 多维贫困测度指标体系及权重

Tab.2 Evaluation indices and weight distribution of multidimensional poverty

维度	指标	属性	权重分配
经济维度	人均GDP	正	0.130 8
	农民人均纯收入	正	0.081 8
	人均公共财政预算收入	正	0.153 2
社会维度	卫生机构数	正	0.094 1
	每千人床位数	正	0.086 8
	人均全社会固定资产投资	正	0.131 9
	人均社会消费品零售总额	正	0.177 9
	在校小学生比重	正	0.051 5
	在校中学生比重	正	0.033 7
自然维度	坡度大于15°的面积比	负	0.036 0
自然维度	平均海拔	负	0.021 6

对于数据的标准化处理,多维贫困指标体系中各指标原始数据的量纲和数量级不尽相同,因此在数据分析前需要进行数据标准化处理以消除量纲不同而造成的影响。由于涉及到正负2种属性的指标,其中正属性指标的数据值大小与其对综合指数的“促进”作用成正比,而负属性数据值与“抑制”作用成正比,所以需要采取不同方式对数据进行标准化处理。假设共计k个年份,m个县域和n项指标,则对于正负属性指标的标准化方式分别为:

(2)

X_{α i j}^{+} = \frac{x_{α i j} - m i n (x_{α i j})}{m a x (x_{α i j}) - m i n (x_{α i j})}

(3)

X_{α i j}^{-} = \frac{m a x (x_{α i j}) - x_{α i j}}{m a x (x_{α i j}) - m i n (x_{α i j})}

式中: $X_{α i j}^{+}$ 和 $X_{α i j}^{-}$ 分别为第 $α$ 年的县域i的第j项正负属性指标样本经标准化后的值; $x_{α i j}$ 为该项指标的原始值; $m a x (x_{α i j})$ 和 $m i n (x_{α i j})$ 分别为第j项指标在所有年份和所有县域中的最大值和最小值。值得注意的是,样本包含多年数据时需要将所有数据作为同一个系统进行处理。

然后计算样本县的区域MPI,其计算公式为:

(4)

M P I_{i} = \overset{n}{\sum_{j = 1}} w_{j} X_{i j}

式中: MPI_i为第i个县在某一年的数值; w_j为第j个指数的权重; X_ij为第i个县在同一年的第j个指数的标准值。本研究采用熵值法来确定指数的权重(表2),相应的过程与前人的工作一致^[35]。因此,获得了38个样本县2000—2019年的MPI。理论上,MPI指数值越大代表对应县域经济发展水平高,居民生活水平和生产条件高,贫困度低; 而MPI指数值越小代表社会经济发展速度缓慢,生活和生产条件落后,贫困度高。因此,MPI指数可以用于度量县域综合贫困度。

2.3 基于夜光的贫困测度方法

本研究的基本假设是夜光信息可以作为分析区域贫困的准确和有利的识别特征,这已经被现有研究的发现所证明^[33]。并通过挖掘MPI和夜光特征变量之间的相关性建立了相应的评价模型,以评价研究区域的多维度贫困。

首先,参考相关研究的方法^[17,32,36],本研究选取了12个夜光特征,其中不仅包括平均亮度指数等简单统计特征,还包括空间特征。并且可以通过这些选定的指数来描述各县夜光分布的集中趋势、分散程度、分布特征和空间特征,从而更全面地反映各县之间在不同方面的差异和相似之处。表3描述了12个夜光特征变量用于评价贫困。

表3 区域夜光特征变量及描述

Tab.3 Feature variables of regional NTL and its description

方面	编号	描述
集中特征	F1	县域内所有像素值的平均值
集中特征	F2	县域内所有亮元像素值的平均值
分散程度	F3	县域内所有像素值的方差
	F4	县域内所有像素值的标准差
	F5	县域内所有像素值的离差平方和
分布特征	F6	县域内所有像素值的总和
	F7	县域内的像素数
	F8	县域内大于0的像素数
	F9	县域内所有像素的最大值
	F10	县域内所有像素的最小值
	F11	县域内所有像素的值域
空间特征	F12	基于F3的县域局部自相关

考虑到贫困的复杂性以及缺乏连接贫困和夜光特征的先验知识,还使用了PSO-BP算法来拟合和训练模型。具体来说,根据样本地区的数据,选择了12个夜光特征变量和年份作为输入参数,而县级MPI作为输出参数。最后将基于PSO-BP神经网络的贫困估算模型推广到西南4省(市),可以得到2000—2019年研究区中各县区的多维贫困估算值。因此,将整理得到的西南地区2000—2019年435个县域的12种灯光指数,结合时间因子作为已训练好的PSO-BP神经网络模型的输入样本,共计8 700组。经由模型输出得到逐年各县域的夜光估算MPI指数(NLMPI)。

2.4 时空演变分析方法

为了调查和量化贫困县的时空动态,计算了Global Moran’s I和局部空间关联指标(local indicators of spatial association, LISA)。Global Moran’s I评估了整体的空间相关现象,范围从[-1,1]^[17,32]。此外,正值表示正空间相关性,其绝对值越接近1,空间相关性越强; 0值表示随机分布。其计算公式为:

(5)

M o r a n ’ s I = \frac{m \overset{m}{\sum_{i = 1}} \overset{m}{\sum_{j = 1}} w_{i j} (x_{i} - \bar{x}) (x_{i} - \bar{x})}{\overset{m}{\sum_{i = 1}} \overset{m}{\sum_{j = 1}} w_{i j} \overset{m}{\sum_{i = 1}} (x_{i} {- x)}^{2}}

式中: m为县域的数量; x_i为第i个县域的MPI值; $\bar{x}$ 为x的平均值; w_ij为空间对称权重。而LISA指数本质上是通过将Global Moran’s I指数分解为每个地理现象而得到的。因此,LISA分析有助于识别空间集聚的位置和特征^[20],可将其分为5个属性: ①高高聚集(H-H),表现为县域及其周边的县域的MPI指数值均较高,呈正的空间相关关系,而这类县域通常发展状况较好; ②高低聚集(H-L),表现为“中间高四周低”,即具有高值MPI指数的县域被具有低值MPI指数的县域围绕,呈负的空间相关关系; ③低高聚集(L-H),表现为“中间低四周高”,即县域MPI指数较低,但其周边县域的MPI值较高,呈负的空间相关关系; ④低低聚集(L-L),表现为县域和相邻县域的MPI指数值均较低,呈正的空间相关关系,而通常这类县域的发展条件较差,多为贫困区域。此外,不显著的县域表示与相邻县域之间不存在空间相关性。LISA指数的计算公式为:

(6)

L I S A_{i} = \frac{n (x_{i} - \bar{x})}{\overset{n}{\sum_{i = 1}} (x_{i} {- \bar{x})}^{2}} \overset{n}{\sum_{j = 1}} w_{i j} (x_{i} - \bar{x})

式中 $L I S A_{i}$ 为地理现象内部单元i的局部自相关指数。

3 结果与分析

3.1 夜间灯光指数与MPI的关联性分析

构建MPI时用到的统计指标通常较多,由于各地区的统计普查方式和指标项目不尽相同,且各项统计数据的获取时间节点也无法完全保持一致,导致全区域性的数据获取不易。一些学者则通过选取典型研究区来进行建模,然后进行推广。所以,本研究同样通过选取典型研究区来分析多维贫困指标体系的合理性,并挖掘夜间灯光指数与MPI间的关系。图3展示了2019年重庆市各县域MPI指数分布状况。县域多维贫困的空间分布模式基本满足“一圈两翼”的模式: MPI值较高的区域主要分布在重庆市的“一小时经济圈”区域; MPI值较低的区域主要位于重庆市的东北翼和东南翼。基于自然断点法,将重庆市38个县域的MPI指数值分为了5类: ①极低[1.489 4,1.925 7]; ②较低(1.925 7,2.554 1]; ③中等(2.554 1,3.116 8]; ④较高(3.116 8,4.550 1]; ⑤极高MPI(4.550 1,7.025 5]。

图3

图3 2019年重庆市MPI指数分布

Fig.3 Spatial patterns of MPI in Chongqing in 2019

从图3中可知,渝中区、江北区、九龙坡区、南岸区和沙坪坝区等县区的MPI指数最高,同时作为重庆市的文化和经济中心,具有良好的社会经济基础和发展环境,也是重庆市经济最繁华的县区,使得县区贫困度普遍较低。而城口县、巫溪县、巫山县和酉阳土家族苗族自治县等MPI值最低。这些县区由于自然环境恶劣、交通条件不便和少数民族聚集等原因,导致经济基础薄弱,而且其社会经济发展主要依赖于第一产业,同时第二和第三产业的发展速度缓慢,使得区域发展受到限制,贫困程度加深。以上结果与实际情况基本相符,也说明了MPI指数可以较好地反映县区的贫困状况。

2000—2019年重庆市各县区的MPI指数如图4所示,可以看出2019年重庆市各县区的MPI指数对于2000年的MPI指数有明显提高,说明近20 a来重庆市各县区得到了较大的发展。不难发现,渝中区、江北区和九龙波区等综合经济发展水平较高,而城口县、巫溪县、酉阳土家族苗族自治县和巫山县等经济发展水平较低,且都是重庆市的贫困县。

图4

图4 重庆市各县区MPI指数

Fig.4 MPI of various county in Chongqing

基于本文提出的夜间灯光指数的构建方法,从2000—2019年夜间灯光影像中提取了典型研究区各县区的12种灯光指数,并用于分析夜间灯光指数与MPI的关联性。图5展示了2019年重庆市F1-F12指数的空间分布示意图。其中F1即为ANLI,F6即为TNLI。已有研究表明,ANLI和TNLI与MPI指数存在较高的关联性,通过分别将ANLI,TNLI,MPI划分为极低、较低、中等、较高和极高等5个等级,而对比发现,它们在同一个县区中的等级差距并不明显。结合图5与图3进行分析,F1,F2与MPI的分布存在较大的相似度: 高值区域集中在“一小时经济圈”,而低值区域分布主要分布于渝东北翼和渝东南翼。并且通过对比分级差异,可以发现F1,F6和MPI指数的主要在类别相差一个等级之内。同时,F1与MPI处于同一等级间的县域数为13个,占总数约34%,而F6与MPI处于同一等级间的县域数为16个,占总数约42%。ANLI,TNLI和MPI的关系符合已有研究的结论,也表明本研究中提取的夜光指数是有效的。此外,F2,F3,F4,F5和F8的分布也大致符合与MPI类似的“一圈两翼”的分布模式,表明这些指数同样与MPI指数存在关联性。

图5

图5 2019年重庆市12种灯光指数空间分布

Fig.5 Spatial distribution of 12 lighting indices in Chongqing in 2019

同时,为进一步分析各个灯光指数与MPI指数的关联性,以及评价通过夜光指数对MPI指数进行估算的可行性,本研究使用Pearson相关系数法对F1—F12与MPI指数进行了相关性分析。2000—2019年重庆市夜间灯光F1—F12指数与MPI指数的相关系数如表4所示,所有结果均通过了显著性检验。从表4中可以看出,夜间灯光的集中特征、分散程度和空间特征等6个指数,以及分布特征的5个指数均与MPI指数呈显著正相关; 分布特征的F7指数与MPI指数呈显著负相关。F1和F6指数与MPI指数的相关系数较其他大部分灯光指数更高,表明ANLI和TNLI指数能够较好地反映贫困程度,符合已有研究结论,同时其他指数也存在与MPI指数的明显相关性,说明可以作为夜间灯光信息的补充。

表4 MPI和夜光特征变量的相关系数及显著性

Tab.4 Correlation analysis between MPI and NTL feature variables

编号	相关系数	编号	相关系数
F1	0.550 **^①	F7	-0.373 **
F2	0.594 **	F8	0.340 **
F3	0.307 **	F9	0.534 **
F4	0.409 **	F10	0.371 **
F5	0.372 **	F11	0.267 **
F6	0.604 **	F12	0.129 **

①**表示在1%的显著性水平上显著。

综上所述,本研究所选取的12种灯光指数与贫困程度存在明显关联性,并且使用这些灯光指数对MPI进行估算是合理且可行的。

3.2 西南地区县域多维贫困测度

根据夜光数据提取12种夜光指数结合PSO-BP神经网络构建立MPI的估算模型,然后借助估算结果开展基于夜光数据的贫困测度。同时,经过验证表明该方法具有较强的可靠性和普适性。所以该模型可以扩展到西南地区来对各县域进行长期的贫困测度。图6为西南地区NLMPI指数及国家级贫困县的分布,由图6可知,研究区中各县域夜光估算NLMPI的空间分布具有明显的随时间变化的动态特征。在整体分布上,研究区中的多维贫困分布呈现两极分化的特征: 低值NLMPI指数主要分布在川西北、滇西北和云贵高原地区,伴随自然环境和交通条件的不利,且具有连片分布的特征; 高值NLMPI则主要集中位于成都平原、滇中、渝中和黔中等地势相对平坦的城市群,属于政府优先发展其经济以对周边城市发挥带动作用的区域。此外,可以发现大部分贫困县的NLMPI指数分级为最低,也表明本研究中NLMPI指数是合理的。

图6

图6 西南地区NLMPI指数及国家级贫困县的分布

Fig.6 Spatial patterns of NLMPI and national poverty counties in southwest China

从时间变化特征上看,在国家开展扶贫工作和经济快速发展的背景下,整体NLMPI指数有显著提高,2000年、2005年、2010年、2015年、2019年研究区的NLMPI指数的中位数分别为: 0.33,0.44,0.87,1.64和2.21(图7)。自“新纲要”颁布实施以来,各地区的脱贫攻坚任务取得了优秀的成果。四川省、重庆市、云南省和贵州省在2013年的贫困发生率分别为: 9.6%,6.0%,17.8%和21.3%; 到2019年底,贫困率分别下降到了0.30%,0.12%,1.32%和0.85%,累计实现209个国家贫困县的脱贫摘帽,而剩余的25个贫困县在2020年也实现全部摘帽,脱贫攻坚任务取得重大胜利,并标志着区域性贫困在我国的消除。

图7

图7 不同时期西南地区NLMPI指数

Fig.7 NLMPI of southwest China in different years

为验证NLMPI对贫困的识别准确性,将研究区NLMPI指数利用自然断点法分为了5级,分别为: 极高、较高、中等、较低和极低。对国家划定贫困县进行了统计比较,结果如表5。在极低和较低2个类型区划所占比例中,2015 年为 92.9%和60.6%; 所占比例比较大。而在其他类型中,贫困县所占数目都较少。可见,国家划定的贫困区域,其主要分布在NLMPI值极低和较低县域。2019年贫困县所占比例大幅下降,这是由于到2019年为止,西南地区大部分贫困县均已脱离绝对贫困,此时NLMPI的等级划分主要反映为相对贫困。这进一步说明西南地区的绝对贫困状况已经基本消除,但是仍存在发展不均衡的现象。

表5 国家级贫困县在每一等级县域数量中所占数目及比例

Tab.5 Number and proportion of national poverty counties in the counties of each grade

类型	2015年		2019年
类型	国家划定贫困县数	所占比例/%	国家划定贫困县数	所占比例/%
极低	52	92.9	29	38.2
较低	109	60.6	15	9.0
中等	21	19.6	3	2.3
较高	5	6.7	0	0
极高	1	5.3	0	0

3.3 西南地区县域多维贫困时序演进特征

为便于分析NLMPI时间变化,统计了各年中NLMPI各级县域的数量和比例(图8)。由图8可知,2000—2019年NLMPI极高和较高等级县域个数增加到61个,综合占比在8.74%~16.09%之间,而NLMPI极低、较低以及中等县域综合占比则在83.91%~91.26%之间,差距较大,也表明研究区中多维贫困状况分化较为严重。2000—2019年近10 a来,多维贫困等级极低和较低的县域占比下降,中等县域占比提高,表明期间扶贫工作取得了成效。西南地区2000—2019年平均NLMPI指数变化如图9所示。由图9中可以看出,2000—2019年研究区整体NLMPI指数呈上升趋势,说明在扶贫开发工作的开展下,区域的发展得到较好的支持,多维贫困的整体状况有较大改善。此外,如图10所示,整个研究区NLMPI指数增长速度在2011年前呈加快趋势,而在2011—2019年时间段增长速度放缓,造成这一现象的原因在于《中国农村扶贫开发纲要(2001—2010)》实施期间,扶贫工作的方式是“大水漫灌”,同时扶贫开发的工作强度相较上一阶段有明显提高,使得这一阶段的贫困人口有明显减少,人民基本解决了温饱问题,所以2000—2010年NLMPI指数增长较快,且增长速率逐年提高; 而2011—2019年是我国扶贫工作的脱贫攻坚阶段,在经过上一阶段的开发式扶贫工作后,贫困分布特征有显著变化,剩余贫困人口趋于分散化,并主要集中在自然环境条件恶劣、交通不便的地区,同时这一时期政府实施了“精准扶贫”政策,将扶贫对象瞄准到户和人,提高了减贫成本,导致脱贫难度加大,所以这一阶段NLMPI指数增长相较前一时间阶段有所放缓。分省来看,研究区4省(市)NLMPI值呈现相同的先加速后减缓的变化趋势,四川省、重庆市、云南省和贵州省的NLMPI在2000—2019年中的增长速率分别为: 11.67%,13.23%,10.59%和11.21%,其中重庆市的增长速度最高,同时在研究区4省(市)中最先完成国家贫困县摘帽。此外,图9中显示2013—2014年NLMPI指数的斜率有所下降,分析可能是2种灯光相互校准造成的误差,因为相互校准只能作为一种提升灯光连续性的手段,无法实现对真值的完全模拟。

图8

图8 西南地区不同时期各贫困等级县域数量比

Fig.8 Percentage of counties at different levels of poverty in southwestern China

图9

图9 2000—2019年西南地区平均NLMPI指数的时间变化特征

Fig.9 Temporal variations of the average NLMPI in southwest China from 2000 to 2019

图10

图10 西南地区不同时期NLMPI指数变化趋势

Fig.10 Trend of MPI in southwest China during the different periods

3.4 西南地区县域贫困空间分异特征

本研究计算了西南地区2000—2019年全局Moran’s I指数,以此测量整体空间相关关系。其中所有结果均通过了0.01的显著性检验,结果如图11所示。从整体上看,西南地区2000—2019年的Moran’s I值的平均值为0.478,表明西南地区的贫困指数存在正的空间自相关性,即表现为高值(低值)NLMPI空间聚集的状态。另一方面,研究区整体Moran’s I值还呈现了一个先下降后上升的趋势,这主要由于2000—2010年期间我国实施了《中国农村扶贫开发纲要(2001—2010年)》,明确以减少贫困人口作为工作重点,并推行整村推进政策,所以这一阶段贫困聚集现象有所减弱; 而2010—2019年阶段Moran’s I值上升的主要原因为: 经过大规模开发式扶贫后,遗留的贫困区域逐渐分散化,且由于致贫原因较为多样化,增加了减贫成本,脱贫难度加大。

图11

图11 2000—2019年西南地区的Morans’ I指数

Fig.11 Morans’I index for southwest China during the period of 2000—2019

西南地区各县域2000—2019年NLMPI指数的局部空间自相关分布状况如图12所示。整体而言,西南地区多维贫困度分布整体呈现改善但分布不均衡的状态。2000—2019年H-H,L-L,H-L和L-H这4种类别县域的数量明显失衡,其中H-H类别县域数量呈增多趋势,H-L和L-H类别县域数量较少,L-L类别数量先增加后减少,总体保持稳定。但L-L类别中贫困县的占比在2016年之后保持下降趋势,与贫困县摘帽的时间段吻合,说明西南地区的贫困县整体贫困度正在下降。2000—2019年研究区H-H区域主要集中在以成都市、昆明市以及贵阳市等省会城市和重庆市主城区为中心的城市群,区域范围逐年增长,符合实际情况。L-L区域分布较广,主要分布在川西北、滇西北、重庆市两翼和贵州东部等地区,多为贫困县。H-L区域分布较为零散,多为位于贫困县周边的非贫困县,如景洪市、大理市和西昌市等,因此这些县域被具有较低NLMPI指数的县域包围,形成高低聚集的现象。L-H区域中的县域则主要分布于H-H区域周边,因为中心区域NLMPI值相对较高,所以呈一种“包围”的状态。

图12

图12 2000—2019年西南地区各县域NLMPI指数的局部空间同相关分布状况

Fig.12 Distribution of NLMPI index of local spatial autocorrelation in southwest China from 2000 to 2019

4 结论

本研究建立了一种基于夜间灯光的贫困测度方法: 通过整合DMSP-OLS和NPP-VIIRS这2种夜间灯光数据构建长时间序列夜间灯光数据集,并基于整合的长时间序列夜光数据开展贫困测度。同时,经过验证表明该方法可以更好地探究区域的贫困时空动态,所以该模型可以扩展到西南地区来对各县域进行长期的贫困测度。研究结果表明:

1)在2000年,西南地区各县域的多维贫困状况分化较为严重,但随国家扶贫工作的开展,极低和较低等级县域占比下降,中等县域占比提高,表明期间扶贫工作取得了显著的成效。

2)2000—2019年各县域的Moran’s I指数呈现了先下降后上升的趋势,这反映出在2000—2010年,贫困聚集现象有所减弱,而在之后进入了较为分散的脱贫攻坚阶段。

3)局部空间自相关结果表明,研究区的多维贫困度分布整体呈现改善但分布不均衡的状态,表现为以成渝片区、昆明市、贵阳市为主的高高聚集和以川西北、滇西地区为主的低低聚集的分布格局。

基于夜间灯光数据,本文监测了西南地区各县域的贫困时空变化特征。但是由于夜光遥感数据的限制性,未来的贫困与社会经济发展研究应该加入高分辨率的辅助数据,增强夜光数据在不同区域尺度研究中的应用能力。

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]

Steele

J E

, Sundsøy

P R

, Pezzulo

, et al.

Mapping poverty using mobile phone and satellite data

[J]. Journal of the Royal Society Interface, 2017, 14(127):20160690.

DOI:10.1098/rsif.2016.0690 URL [本文引用: 1]

[2]

刘彦随, 周扬, 刘继来.

中国农村贫困化地域分异特征及其精准扶贫策略

[J]. 中国科学院院刊, 2016, 31(3):269-278.

Liu

Y S

, Zhou

, Liu

J L

Regional differentiation characteristics of rural poverty and targeted poverty alleviation strategy in China

[J]. Bulletin of Chinese Academy of Sciences, 2016, 31(3):269-278.

[3]

周扬, 郭远智, 刘彦随.

中国县域贫困综合测度及2020年后减贫瞄准

[J]. 地理学报, 2018, 73(8):1478-1493.

DOI:10.11821/dlxb201808007 [本文引用: 1]

贫困问题长期以来受到世界各国的重点关注。科学揭示农村贫困发生机制、贫困化格局和探究2020年后减贫瞄准策略,成为新时代中国农村贫困问题研究的重要议题。本文基于人地关系地域系统理论,多维度剖析了中国农村贫困的发生机理,构建了表征县域贫困压力的指标体系,运用BP神经网络模型对县域多维贫困压力指数进行了综合测度,识别出2020年后国家政策仍需重点倾斜的帮扶县,并划分出帮扶县的4种类型。结果表明：① 人类发展能力、自然资源禀赋、社会经济发展及由这三个维度构成的县域综合发展能力呈现出自东南沿海向西北内陆递减的规律,并与地势的三级阶梯呈现出一致性;② 2020年后仍需要国家政策倾斜的帮扶县有716个,主要分布在青藏高原高寒区、三级阶梯的过渡地带、西南喀斯特地区等生态脆弱区和少数民族集聚区;③ 识别的帮扶县可以划分为综合制约型一类重点帮扶县、人类发展能力制约型二类一般帮扶县、自然资源禀赋和社会经济水平制约型三类一般帮扶县,以及人类发展能力和社会经济水平制约型四类一般帮扶县,重点帮扶县主要集中在深度贫困地区。新时期中国贫困格局、贫困化机制、减贫路径及问题和模式,亟需深化创新精准扶贫的体制机制,这为重视和加强贫困地理学的研究提出了新机遇和新挑战。

Zhou

, Guo

Y Z

, Liu

Y S

Comprehensive measurement of county poverty and anti-poverty targeting after 2020 in China

[J]. Acta Geographica Sinica, 2018, 73(8):1478-1493.

DOI:10.11821/dlxb201808007 [本文引用: 1]

Poverty has long been the focus of all countries in the world. To achieve the goal of building a moderately prosperous society in all aspects, Chinese government clearly points out that all rural residents living below the current poverty line should be lifted out of poverty, and poverty should be eliminated in all poverty-stricken counties and regions by 2020. But due to the limitation of development capacity, the improvement of the new poverty standard and living standard, there will still be quite a large number of people in poverty in future and it will exist for a long time. Thus, it is of great significance to study the pattern of rural poverty and the poverty stress at county level in China and investigate anti-poverty targeting after 2020. To this end, we first analyze the mechanism of rural poverty from the perspective of man-land areal system and construct an indicator system of county development index (CDI) to characterize county poverty stress. Then the BP neural network model is applied to measure the poverty stress and identify the county that still need policy-support (CNPS) after 2020 when the goal of eliminating poverty is achieved. Results show that poverty is a manifestation of the imbalance between human system and land system, which can be measured by three aspects, i.e., human development capability, natural resource endowment and socio-economic development. The deficiency of natural resource endowments is one of the main causes of poverty, while socio-economic development and improvement of agricultural production conditions make contribution to poverty alleviation in rural areas. Human development capability, socio-economic level, natural resource endowment and comprehensive development at county level in China show a gradient decrement from the southeast coast to the northwest inland, which can be divided into three agglomerated areas by the three ladders of the terrain. More concretely, high-cold regions of Tibetan Plateau and its periphery, as well as arid areas in the west of South Xinjiang are the low-value areas of CDI. The eastern coastal areas, Sichuan Basin and the middle and lower reaches of the Yangtze River, where the natural condition is good and the level of economic development is high, are the middle-high-/high-value areas of CDI. At last, the standard deviation of CDI is applied to measure poverty stress at county level. Results show that 716 counties need to be further focused by national anti-poverty policies after 2020, most of which are distributed in the high-cold region of Tibetan Plateau, the transition zone of the three ladders and the Karst region in Southwest China. These counties can be roughly divided into four types, i.e., key aiding counties restricted by multidimensional factors (Type Ⅰ), general aiding counties restricted by human development capability (Type Ⅱ), general aiding counties restricted by both natural resource endowment and socio-economic development (Type Ⅲ), and tgeneral aiding counties restricted by both human development capability and socio-economic development (Type Ⅳ). Understanding poverty patterns and its dynamic mechanisms as well as the ways to poverty reduction in the new period can enrich the study of poverty geography.

[4]

Amis

, Rakodi

Urban poverty:Concepts,characteristics and policies

[J]. Habitat International, 1995, 19(4):403-405.

DOI:10.1016/0197-3975(95)00036-F URL [本文引用: 1]

[5]

胡为安.

基于合成NPP-VIIRS年度数据的中国贫困地区发展状况研究[D]. 赣州: 江西理工大学, 2020.

W A

Research on the development situation of poor regions in China based on synthetic NPP-VIIRS annual data[D]. Ganzhou: Jiangxi University of Science and Technology, 2020.

[6]

王武林, 余翠婵, 曾献君, 等.

东南沿海县域贫困度演变特征及驱动因素研究——以福建省为例

[J]. 地理科学进展, 2020, 39(11):1860-1873.

DOI:10.18306/dlkxjz.2020.11.007 [本文引用: 1]

区域贫困是各界关注和研究的热点问题,传统的贫困地区研究缺少对中国东南沿海的关注。论文以中国相对发达的东南沿海省份福建省为例,构建3个维度9个向度共30项指标的度量模型,利用多维贫困度等指数和Kohonen神经网络算法,分析2000年和2016年的县域贫困度演化特征及其驱动因素。结果表明：① 通过对广东、福建和浙江3个东南沿海省份县域发展水平的正态分布检验进行对比,发现福建省县域发展水平在东南沿海具有典型性。② 根据贫困度指数P可划分为贫困县、弱势县和一般县,贫困县、弱势县分布于福建北部和西南部的总体格局不变,且向省域边际县聚集。③ 经济维度贫困度指数、社会维度贫困指数和自然维度贫困度指数的各自变化率最多的县市区均属于缓慢恶化区,属于快速优化区的县市区数量居中,属于缓慢改善区的县市区数量少且分布散;基于多维贫困度指数PI的变化率表现为缓慢恶化区分布于福建北部、中部和西南部,缓慢改善区分布于福建中西部,快速优化区分布于福建东部沿海。④ 对2000年和2016年多维贫困度贡献率均产生较大影响的向度为医疗卫生、教育水平、居住环境、经济发展,加强基础设施、医疗卫生、教育水平等公共服务的建设供给,应作为当前福建扶贫重点关注的内容。⑤ 基于不同向度的贫困度贡献率可划分4类致贫类型：I类县市区是教育水平和基础设施向度主导的贫困类型,II类县市区是经济发展和居住环境向度主导的贫困类型,III类县市区属于人口特征和基础设施向度主导的贫困类型,IV类县市区属于医疗卫生和经济发展向度主导的贫困类型。研究结果对准确识别县域贫困和深入实施精准扶贫战略具有一定的参考价值。

Wang

W L

, Yu

C C

, Zeng

X J

, et al.

Evolution characteristics and driving factors of county poverty degree in China’s southeast coastal areas:A case study of Fujian Province

[J]. Progress in Geography, 2020, 39(11):1860-1873.

[7]

郭熙保, 罗知.

论贫困概念的演进

[J]. 江西社会科学, 2005(11):38-43.

Guo

X B

, Luo

Evolution of the concept of poverty

[J]. Jiangxi Social Sciences, 2005(11):38-43.

[8]

胡蝶.

基于机器学习的贫困等级分类[D]. 武汉: 华中师范大学, 2019.

Classification of poverty levels based on machine learning[D]. Wuhan: Central China Normal University, 2019.

[9]

Cheli

, Lemmi

A totally fuzzy and relative approach to the multidimensional analysis of poverty

[J]. Economic Notes, 1995, 24(1):115-134.

[10]

Bourguignon

, Chakravarty

S R

The measurement of multidimensional poverty[M]. Smgapore: Poverty,Social Exclusion and Stochastic Dominance. Springer, 2019:83-107.

[11]

Lugo

, Maasoumi

Multidimensional poverty measures from an information theory perspective[M]. Oxford Poverty and Human Development Initiative (OPHI), 2009.

[12]

Alkire

, Foster

Counting and multidimensional poverty measurement

[J]. Journal of Public Economics, 2011, 95(7-8):476-487.

DOI:10.1016/j.jpubeco.2010.11.006 URL [本文引用: 2]

[13]

Noor

A M

, Alegana

V A

, Gething

P W

, et al.

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

[J]. Population Health Metrics, 2008, 6(1):5.

DOI:10.1186/1478-7954-6-5 URL [本文引用: 1]

[14]

Smith

, Wills

Left in the dark? Oil and rural poverty

[J]. Journal of the Association of Environmental and Resource Economists, 2018, 5(4):865-904.

DOI:10.1086/698512 URL [本文引用: 1]

[15]

Elvidge

C D

, Sutton

P C

, 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]

[16]

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: 2]

[17]

, Chang

, Liu

, et al.

Monitoring the spatiotemporal dynamics of poor counties in China:Implications for global sustainable development goals

[J]. Journal of Cleaner Production, 2019, 227:392-404.

DOI:10.1016/j.jclepro.2019.04.135 URL [本文引用: 3]

[18]

Han

, Zhang

, Ma

, et al.

The spatial distribution characteristics of a comprehensive drought risk index in southwestern China and underlying causes

[J]. Theoretical and Applied Climatology, 2016, 124(3):517-528.

DOI:10.1007/s00704-015-1432-z URL [本文引用: 1]

[19]

Zhao

, Ji

, Yue

, et al.

Spatio-temporal dynamics of urban residential CO₂ emissions and their driving forces in China using the integrated two nighttime light datasets

[J]. Applied Energy, 2019, 235:612-624.

DOI:10.1016/j.apenergy.2018.09.180 URL [本文引用: 1]

[20]

Sun

, Zheng

, Wu

, et al.

Spatiotemporal variations of city-level carbon emissions in China during 2000—2017 using nighttime light data

[J]. Remote Sensing, 2020, 12(18):2916.

DOI:10.3390/rs12182916 URL [本文引用: 2]

[21]

, He

, Peng

, et al.

Intercalibration of DMSP-OLS night-time light data by the invariant region method

[J]. International Journal of Remote Sensing, 2013, 34(20):7356-7368.

DOI:10.1080/01431161.2013.820365 URL [本文引用: 1]

[22]

Yue

, Tian

, Yue

, et al.

Spatiotemporal variations in energy consumption and their influencing factors in China based on the integration of the DMSP-OLS and NPP-VIIRS nighttime light datasets

[J]. Remote Sensing, 2020, 12(7):1151.

DOI:10.3390/rs12071151 URL [本文引用: 1]

[23]

, Jiang

, Chang

, et al.

Does China’s urban development satisfy Zipf’s law? A multiscale perspective from the NPP-VIIRS nighttime light data

[J]. International Journal of Environmental Research and Public Health, 2020, 17(4):1460.

DOI:10.3390/ijerph17041460 URL [本文引用: 1]

[24]

, Zhou

, Zhao

, et al.

A harmonized global nighttime light dataset 1992—2018

[J]. Scientific Data, 2020, 7(1):1-9.

DOI:10.1038/s41597-019-0340-y URL [本文引用: 1]

[25]

Elvidge

C D

, Ziskin

, Baugh

K E

, et al.

A fifteen year record of global natural gas flaring derived from satellite data

[J]. Energies, 2009, 2(3):595-622.

DOI:10.3390/en20300595 URL [本文引用: 1]

[26]

Hall

F G

, Strebel

D E

, Nickeson

J E

, et al.

Radiometric rectification:Toward a common radiometric response among multidate,multisensor images

[J]. Remote Sensing of Environment, 1991, 35(1):11-27.

DOI:10.1016/0034-4257(91)90062-B URL [本文引用: 1]

[27]

, Guo

, Ahmad

, et al.

Constructing a new inter-calibration method for DMSP-OLS and NPP-VIIRS nighttime light

[J]. Remote Sensing, 2020, 12(6):937.

DOI:10.3390/rs12060937 URL [本文引用: 2]

[28]

Jeswani

, Kulshrestha

, Gupta

P K

, et al.

Evaluation of the consistency of DMSP-OLS and SNPP-VIIRS night-time light datasets

[J]. J Geomat, 2019, 13:98-105.

[29]

Gori

, Tesi

On the problem of local minima in back propagation

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(1):76-86.

DOI:10.1109/34.107014 URL [本文引用: 1]

[30]

Zhang

J R

, Zhang

, Lok

T M

, et al.

A hybrid particle swarm optimization-back-propagation algorithm for feedforward neural network training

[J]. Applied Mathematics and Computation, 2007, 185(2):1026-1037.

DOI:10.1016/j.amc.2006.07.025 URL [本文引用: 1]

[31]

Wang

, Wang

Multidimensional poverty measure and analysis:A case study from Hechi City,China

[J]. SpringerPlus, 2016, 5(1):642.

DOI:10.1186/s40064-016-2192-7 URL [本文引用: 1]

[32]

, Yang

, Tang

, et al.

Detection of multidimensional poverty using Luojia 1-01 nighttime light imagery

[J]. Journal of the Indian Society of Remote Sensing, 2020, 48(7):963-977.

DOI:10.1007/s12524-020-01126-3 URL [本文引用: 3]

[33]

Alkire

, Foster

Counting and multidimensional poverty measurement

[J]. Journal of Public Economics, 2011, 95(7):476-487.

DOI:10.1016/j.jpubeco.2010.11.006 URL [本文引用: 2]

[34]

, Zhang

, Xin

, et al.

Income identification and long-term multidimensional poverty:An empirical analysis based on data from China household tracking survey

[J]. On Economic Problems, 2019 (8):75-81,90.

[35]

Yin

, Qiu

, Zhang

Identification of poverty areas by remote sensing and machine learning:A case study in Guizhou,Southwest China

[J]. ISPRS Int ernational Jounra Geo-Inf ormation, 2021, 10(1):11.