張瓊藝， 李昆， 雍志瑋， 熊俊楠,， 程維明， 肖坤洪， 劉東麗

(1.西南石油大學(xué)土木工程與測繪學(xué)院，成都 610500； 2.四川電力設(shè)計咨詢有限責(zé)任公司，成都 610041； 3.西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院，成都 610500； 4.中國科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國家重點實驗室，北京 100101； 5.四川省煤田測繪工程院，成都 610072； 6.自然資源部第六測量隊，成都 610500)

0 引言

貧困是一個長期的世界性難題，是造成社會不穩(wěn)定的主要因素，也是造成人類潛力喪失的最主要原因之一[1]。中國作為世界上最大的發(fā)展中國家，具有貧困人口多、分布廣的基本格局[2]。2020年11月23日，貴州省宣布其所有貧困縣脫貧摘帽，也標(biāo)志著我國消滅了絕對貧困和區(qū)域性整體貧困。2020年后，中國扶貧工作轉(zhuǎn)變?yōu)榫徑獍l(fā)展不平衡、不充分的相對貧困。相對貧困的主要特征為區(qū)域與城鄉(xiāng)收入差異、社會公共服務(wù)獲取不平等[3]。而要解決相對貧困問題，需要精準(zhǔn)幫扶并對癥下藥，而精準(zhǔn)識別是精準(zhǔn)幫扶的前提條件[4]。因此，目前各個貧困地區(qū)的貧困測度和發(fā)展?fàn)顩r仍然是黨和政府關(guān)注的重點[5]，對相對貧困地區(qū)進行精確測度和評估仍是未來很長一段時間的需要[6]。

目前，貧困概念逐漸由經(jīng)濟維度擴展到社會、文化、教育、自然等多維度層面。多維貧困測度可以綜合測量地區(qū)貧困程度及類型。1997年，聯(lián)合國開發(fā)計劃署(united nations development programme, UNDP)結(jié)合壽命、讀寫能力、生活水平、可支配收入水平和失業(yè)率等維度開發(fā)了分別適合發(fā)展中國家和發(fā)達國家的人類貧困指數(shù)，來對國家的平均發(fā)展水平進行度量[7]。2010年，UNDP與牛津大學(xué)貧困與人類發(fā)展中心共同構(gòu)建開發(fā)了多維貧困指數(shù)(multidimensional poverty index, MPI)，該指數(shù)從健康、教育和生活水平3個維度的10個指標(biāo)反映個體的貧困度，也可以反映地區(qū)人文發(fā)展情況，更加符合實際需求[8]。國內(nèi)外學(xué)者也提出了多種多維貧困指數(shù)構(gòu)建方法，并運用到多維貧困測度中。主要的有模糊集方法[9]、公理化方法[10]和信息論方法[11]等。Alkire等[12]提出了“A-F法”，因其更好的具體性與細致性，也成為了當(dāng)前應(yīng)用最廣泛的多維貧困測度模型。但是多維度也意味著需要更多的數(shù)據(jù)。但是目前MPI的構(gòu)建主要依靠統(tǒng)計或調(diào)查數(shù)據(jù)，此類型數(shù)據(jù)存在獲取不易、成本較高、時效不佳等不足。因此，有必要提供新型數(shù)據(jù)源來識別和評估中國的貧困狀況，以滿足貧困動態(tài)監(jiān)測的需求。

與傳統(tǒng)的統(tǒng)計調(diào)查數(shù)據(jù)相比，遙感數(shù)據(jù)可以提供高效、準(zhǔn)確的空間數(shù)據(jù)，以便從多尺度角度觀察社會經(jīng)濟和自然現(xiàn)象。而夜光遙感數(shù)據(jù)在區(qū)域貧困研究分析中也顯示出了良好的潛力[13]。夜光實質(zhì)上是對電氣化水平的測量，而電氣化不僅使日間時間得到了擴展，還改善了獲得醫(yī)療保健、食物、住所、教育等的方式[14]，因此夜光也被證明能夠反映區(qū)域的社會經(jīng)濟發(fā)展?fàn)顩r。已有研究通過建立夜光數(shù)據(jù)與替代表征貧困的貧困指數(shù)或貧困概率之間的關(guān)系來對貧困進行識別測度[15-17]。目前基于夜光數(shù)據(jù)的貧困測度研究偏少，而已有研究使用傳統(tǒng)的建模方法取得了較為理想的成果。但研究中仍存在一些其他的問題： ①多數(shù)研究使用單一的夜光指數(shù)，可能忽略了夜光中的部分有用信息； ②夜光與貧困的非線性關(guān)系可能無法由傳統(tǒng)的經(jīng)驗?zāi)Ｐ瓦M行較好的表達； ③貧困是一個長期、動態(tài)的過程，而多數(shù)研究僅使用DMSP-OLS燈光數(shù)據(jù)或者僅使用NPP-VIIRS燈光數(shù)據(jù)開展研究，或者在同時使用2種數(shù)據(jù)時未進行一致性校準(zhǔn)，這會導(dǎo)致無法實現(xiàn)長期連續(xù)動態(tài)的貧困監(jiān)測及分析。因此，可以對DMSP-OLS與NPP-VIIRS燈光進行校準(zhǔn)整合，擴展貧困測度的時間序列，并提取夜光的數(shù)據(jù)特征，使用機器學(xué)習(xí)模型構(gòu)建基于夜間燈光特征的貧困估算模型，實現(xiàn)長時間序列的貧困時空動態(tài)監(jiān)測與分析。

夜間燈光被證明與人類社會經(jīng)濟活動高度相關(guān)，但是沒有燈光也不代表沒有人類活動，特別是在人口稀疏的地區(qū)。而中國西南4省(市)的人口密度大，但是社會經(jīng)濟發(fā)展不均衡，半數(shù)以上的縣被確定為國家級貧困縣。因此，本文通過綜合西南4省(市)縣域內(nèi)的夜光信息，更為準(zhǔn)確地反映西南4省(市)縣域整體的發(fā)展情況。首先，本研究應(yīng)用粒子群優(yōu)化算法(particle swarm optimization,PSO)-反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)模型構(gòu)建夜間燈光校準(zhǔn)整合模型，并以此實現(xiàn)了DMSP-OLS和NPP-VIIRS這2種燈光數(shù)據(jù)的整合，擴展了數(shù)據(jù)的覆蓋周期； 從長時間序列夜光數(shù)據(jù)的集中趨勢、分散程度、分布特征和空間特征中提取了12種燈光指數(shù)，構(gòu)建了基于夜間燈光的貧困估算模型，并基于估算模型得到西南4省(市)各縣域近20 a的MPI指數(shù)估算值，進而對貧困時空特征進行分析，以期為區(qū)域后續(xù)減貧工作的開展以及扶貧政策的制定實施提供一定的理論基礎(chǔ)和參考。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)為中國西南地區(qū)，包含四川省、云南省、貴州省和重慶市4省(市)，共438個縣級行政區(qū)。研究區(qū)的地理位置在N21°08′～34°18′ ，E97°20′～110°11′ 之間，占地約為112.78×104km2(圖1)。西南地區(qū)地形可分為3個主要地形單元： 四川盆地和東北部的丘陵地區(qū)、東南部的云南—貴州高原及西北部的高海拔青藏高原。由于地質(zhì)、地形、氣候和水熱條件等差異較大，該地區(qū)的農(nóng)業(yè)條件具有明顯差異。而且該地區(qū)也是中國重要的糧食生產(chǎn)區(qū)[18]。

圖1 研究區(qū)位置示意圖Fig.1 Location of the study area

據(jù)統(tǒng)計數(shù)據(jù)可知，2019年西南地區(qū)總?cè)丝跒?.998億人，占全國總?cè)丝诩s14.2%，人口密度約為177人/km2，人口密度較大但分布不均(圖2(a))。人口密度較大的區(qū)域主要分布在四川盆地、云南滇中盆地等地勢平坦、海拔較低的位置。2019年全國人均國內(nèi)生產(chǎn)總值(gross domestic product，GDP)為70 892元，居民人均可支配收入為30 733元，而西南地區(qū)中僅有重慶市的人均GDP高于全國平均水平，其余各省都遠低于平均線。同時，4省(市)間的經(jīng)濟發(fā)展并不平衡，例如2019年四川省GDP總量為46 615.82億元，占到了西南地區(qū)的42.29%。同時，各省(市)內(nèi)部各城市GDP情況分布同樣不均衡(圖2(b))。

(a) 人口分布 (b) GDP分布圖2 2019年研究區(qū)人口和GDP分布Fig.2 Population and GDP distribution of the study area in 2019

1.2 數(shù)據(jù)源

在本研究中，2種夜光產(chǎn)品(DMSP-OLS和NPP-VIIRS NTL)被用作主要的夜光數(shù)據(jù)源。1992—2013年的第四版DMSP-OLS年際穩(wěn)定夜光合成數(shù)據(jù)由科羅拉多礦業(yè)大學(xué)地球觀測組提供(https: //eogdata.mines.edu/products/dmsp/)。2012年以來的NPP-VIIRS夜光數(shù)據(jù)也是從科羅拉多礦業(yè)大學(xué)地球觀測組獲得的(https: //eogdata.mines.edu/products/vnl/)，此外，本研究中使用的數(shù)據(jù)源還包括行政邊界數(shù)據(jù)、社會經(jīng)濟統(tǒng)計數(shù)據(jù)和數(shù)字高程模型(digital elevation model，DEM)數(shù)據(jù)。各個數(shù)據(jù)源的詳細信息見表1。

表1 本文主要數(shù)據(jù)匯總Tab.1 Description of each data sources used in this study

2 數(shù)據(jù)處理及分析方法

2.1 長時間序列夜光數(shù)據(jù)集的構(gòu)建

由于DMSP-OLS 數(shù)據(jù)和 NPP-VIIRS 數(shù)據(jù)之間存在傳感器設(shè)計和空間分辨率的差異，所以建立2000—2019年的長時間序列夜間燈光數(shù)據(jù)需要對這2種數(shù)據(jù)進行一致性校準(zhǔn)預(yù)處理； 首先，通過投影、重采樣進行預(yù)處理。然后，采用不變目標(biāo)區(qū)域法、年內(nèi)校正和年際校正，以減少亮度飽和效應(yīng)，提高DMSP-OLS時間序列的一致性和可比性[19-21]。此外，本研究采取了4個步驟來減少NPP-VIIRS每月數(shù)據(jù)中的負(fù)面因素[22]： ①應(yīng)用從校正的DMSP-OLS數(shù)據(jù)中提取的掩碼來去除NPP-VIIRS數(shù)據(jù)的背景噪聲，同時將負(fù)值替換為零； ②將北京、上海、廣州和深圳的最大像素值作為閾值，以過濾每個月夜光圖像中的突變亮度，并將成都、重慶、昆明和貴陽的像素值作為補充，以處理一些未解決的像素； ③為了消除雜散光污染的影響，采用除4—8月外的NPP-VIIRS 每月夜光數(shù)據(jù)來合成年度數(shù)據(jù)[23-24]； ④采用與DMSP-OLS數(shù)據(jù)相同的方法對NPP-VIIRS夜光年度數(shù)據(jù)進行剪裁、重采樣和重新投影。

通過數(shù)據(jù)預(yù)處理，可以獲得2000—2013年的DMSP-OLS校正數(shù)據(jù)和2012—2019年的NPP-VIIRS校正數(shù)據(jù)。隨后本研究通過實施從NPP-VIIRS數(shù)據(jù)到DMSP-OLS數(shù)據(jù)的像素級轉(zhuǎn)換來拓展夜光數(shù)據(jù)。2個數(shù)據(jù)集的重疊期(2012年和2013年)為2種夜光數(shù)據(jù)的整合提供了基礎(chǔ)。目前，偽不變特征(Pseudo invariant features, PIF)已被證明在多時空衛(wèi)星圖像的相互校準(zhǔn)中非常有用[25-26]。因此，考慮到世界上沒有專門為夜光數(shù)據(jù)設(shè)計的校準(zhǔn)點，在本研究中可以以PIF的形式提供用于相互校準(zhǔn)的樣品[27]。根據(jù)以往的研究[27-28]，以20%為閾值的變異系數(shù)(coefficient of variation, CV)來選擇合適的PIF，其過程包括3個方面： ①用3×3窗口計算DMSP-OLS柵格和NPP-VIIRS柵格中所有像素的CV值； ②提取DMSP-OLS和NPP-VIIRS中CV值小于20%的交叉區(qū)域，這些區(qū)域被認(rèn)為在時間和空間上是穩(wěn)定的； ③將交叉區(qū)域的正像素組成PIFs。鑒于2012年夜光數(shù)據(jù)的不完整性，本研究采用了2013年的PIF。CV的定義為：

(1)

式中：σ為3×3窗口中像素值的標(biāo)準(zhǔn)偏差；μ為3×3窗口中像素值的平均值。

在本研究中，通過將PSO與BP人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用PSO-BP混合算法來構(gòu)建人工神經(jīng)網(wǎng)絡(luò)，以探索DMSP-OLS數(shù)據(jù)與NPP-VIIRS數(shù)據(jù)之間的潛在關(guān)系，構(gòu)建長時間序列的夜間燈光數(shù)據(jù)集。

2.2 MPI的構(gòu)建

貧困是一種多維現(xiàn)象，涉及人類發(fā)展和自然環(huán)境的諸多方面?；诮y(tǒng)計的多維貧困評估已被學(xué)者廣泛采用[12, 29-31]。基于研究區(qū)的數(shù)據(jù)可用性，本研究采用MPI作為縣域?qū)用娑嗑S貧困的指標(biāo)。參考以往研究[16, 32-33]提出的可持續(xù)生計框架，以科學(xué)性、全面性、可度量性和可操作性為原則，從經(jīng)濟維度、社會維度和自然維度提取了11個社會經(jīng)濟和自然變量，建立MPI作為探索使用夜光數(shù)據(jù)進行貧困評估的參考。此外，MPI的計算是一個多指標(biāo)綜合評價的過程，而各指標(biāo)的權(quán)重對于最終的MPI起著至關(guān)重要的決定性作用。熵值法是一種通過判斷信息熵的大小來進行權(quán)重賦值的方法[34]。在信息論中認(rèn)為信息量的大小與不確定性和熵值成反比，可以通過熵值來判斷指標(biāo)的離散程度，而指標(biāo)的離散程度通常被認(rèn)為與其影響力成正比。因此熵值法僅通過指標(biāo)自身的特征來確定權(quán)重，在一定程度上避免了主觀因素的干擾，所得到的結(jié)果也更加客觀。11個指標(biāo)及其權(quán)重如表2所示。

表2 多維貧困測度指標(biāo)體系及權(quán)重Tab.2 Evaluation indices and weight distribution of multidimensional poverty

對于數(shù)據(jù)的標(biāo)準(zhǔn)化處理，多維貧困指標(biāo)體系中各指標(biāo)原始數(shù)據(jù)的量綱和數(shù)量級不盡相同，因此在數(shù)據(jù)分析前需要進行數(shù)據(jù)標(biāo)準(zhǔn)化處理以消除量綱不同而造成的影響。由于涉及到正負(fù)2種屬性的指標(biāo)，其中正屬性指標(biāo)的數(shù)據(jù)值大小與其對綜合指數(shù)的“促進”作用成正比，而負(fù)屬性數(shù)據(jù)值與“抑制”作用成正比，所以需要采取不同方式對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理。假設(shè)共計k個年份，m個縣域和n項指標(biāo)，則對于正負(fù)屬性指標(biāo)的標(biāo)準(zhǔn)化方式分別為：

(2)

(3)

然后計算樣本縣的區(qū)域MPI，其計算公式為：

(4)

式中：MPIi為第i個縣在某一年的數(shù)值；wj為第j個指數(shù)的權(quán)重；Xij為第i個縣在同一年的第j個指數(shù)的標(biāo)準(zhǔn)值。本研究采用熵值法來確定指數(shù)的權(quán)重(表2)，相應(yīng)的過程與前人的工作一致[35]。因此，獲得了38個樣本縣2000—2019年的MPI。理論上，MPI指數(shù)值越大代表對應(yīng)縣域經(jīng)濟發(fā)展水平高，居民生活水平和生產(chǎn)條件高，貧困度低； 而MPI指數(shù)值越小代表社會經(jīng)濟發(fā)展速度緩慢，生活和生產(chǎn)條件落后，貧困度高。因此，MPI指數(shù)可以用于度量縣域綜合貧困度。

2.3 基于夜光的貧困測度方法

本研究的基本假設(shè)是夜光信息可以作為分析區(qū)域貧困的準(zhǔn)確和有利的識別特征，這已經(jīng)被現(xiàn)有研究的發(fā)現(xiàn)所證明[33]。并通過挖掘MPI和夜光特征變量之間的相關(guān)性建立了相應(yīng)的評價模型，以評價研究區(qū)域的多維度貧困。

首先，參考相關(guān)研究的方法[17, 32, 36]，本研究選取了12個夜光特征，其中不僅包括平均亮度指數(shù)等簡單統(tǒng)計特征，還包括空間特征。并且可以通過這些選定的指數(shù)來描述各縣夜光分布的集中趨勢、分散程度、分布特征和空間特征，從而更全面地反映各縣之間在不同方面的差異和相似之處。表3描述了12個夜光特征變量用于評價貧困。

表3 區(qū)域夜光特征變量及描述Tab.3 Feature variables of regional NTL and its description

考慮到貧困的復(fù)雜性以及缺乏連接貧困和夜光特征的先驗知識，還使用了PSO-BP算法來擬合和訓(xùn)練模型。具體來說，根據(jù)樣本地區(qū)的數(shù)據(jù)，選擇了12個夜光特征變量和年份作為輸入?yún)?shù)，而縣級MPI作為輸出參數(shù)。最后將基于PSO-BP神經(jīng)網(wǎng)絡(luò)的貧困估算模型推廣到西南4省(市)，可以得到2000—2019年研究區(qū)中各縣區(qū)的多維貧困估算值。因此，將整理得到的西南地區(qū)2000—2019年435個縣域的12種燈光指數(shù)，結(jié)合時間因子作為已訓(xùn)練好的PSO-BP神經(jīng)網(wǎng)絡(luò)模型的輸入樣本，共計8 700組。經(jīng)由模型輸出得到逐年各縣域的夜光估算MPI指數(shù)(NLMPI)。

2.4 時空演變分析方法

為了調(diào)查和量化貧困縣的時空動態(tài)，計算了Global Moran’s I和局部空間關(guān)聯(lián)指標(biāo)(local indicators of spatial association, LISA)。Global Moran’s I評估了整體的空間相關(guān)現(xiàn)象，范圍從[-1，1][17, 32]。此外，正值表示正空間相關(guān)性，其絕對值越接近1，空間相關(guān)性越強； 0值表示隨機分布。其計算公式為：

(5)

(6)

式中LISAi為地理現(xiàn)象內(nèi)部單元i的局部自相關(guān)指數(shù)。

3 結(jié)果與分析

3.1 夜間燈光指數(shù)與MPI的關(guān)聯(lián)性分析

構(gòu)建MPI時用到的統(tǒng)計指標(biāo)通常較多，由于各地區(qū)的統(tǒng)計普查方式和指標(biāo)項目不盡相同，且各項統(tǒng)計數(shù)據(jù)的獲取時間節(jié)點也無法完全保持一致，導(dǎo)致全區(qū)域性的數(shù)據(jù)獲取不易。一些學(xué)者則通過選取典型研究區(qū)來進行建模，然后進行推廣。所以，本研究同樣通過選取典型研究區(qū)來分析多維貧困指標(biāo)體系的合理性，并挖掘夜間燈光指數(shù)與MPI間的關(guān)系。圖3展示了2019年重慶市各縣域MPI指數(shù)分布狀況?？h域多維貧困的空間分布模式基本滿足“一圈兩翼”的模式： MPI值較高的區(qū)域主要分布在重慶市的“一小時經(jīng)濟圈”區(qū)域； MPI值較低的區(qū)域主要位于重慶市的東北翼和東南翼?；谧匀粩帱c法，將重慶市38個縣域的MPI指數(shù)值分為了5類： ①極低[1.489 4,1.925 7]; ②較低(1.925 7,2.554 1]; ③中等(2.554 1,3.116 8]; ④較高(3.116 8,4.550 1]; ⑤極高MPI(4.550 1,7.025 5]。

圖3 2019年重慶市MPI指數(shù)分布Fig.3 Spatial patterns of MPI in Chongqing in 2019

從圖3中可知，渝中區(qū)、江北區(qū)、九龍坡區(qū)、南岸區(qū)和沙坪壩區(qū)等縣區(qū)的MPI指數(shù)最高，同時作為重慶市的文化和經(jīng)濟中心，具有良好的社會經(jīng)濟基礎(chǔ)和發(fā)展環(huán)境，也是重慶市經(jīng)濟最繁華的縣區(qū)，使得縣區(qū)貧困度普遍較低。而城口縣、巫溪縣、巫山縣和酉陽土家族苗族自治縣等MPI值最低。這些縣區(qū)由于自然環(huán)境惡劣、交通條件不便和少數(shù)民族聚集等原因，導(dǎo)致經(jīng)濟基礎(chǔ)薄弱，而且其社會經(jīng)濟發(fā)展主要依賴于第一產(chǎn)業(yè)，同時第二和第三產(chǎn)業(yè)的發(fā)展速度緩慢，使得區(qū)域發(fā)展受到限制，貧困程度加深。以上結(jié)果與實際情況基本相符，也說明了MPI指數(shù)可以較好地反映縣區(qū)的貧困狀況。

2000—2019年重慶市各縣區(qū)的MPI指數(shù)如圖4所示，可以看出2019年重慶市各縣區(qū)的MPI指數(shù)對于2000年的MPI指數(shù)有明顯提高，說明近20 a來重慶市各縣區(qū)得到了較大的發(fā)展。不難發(fā)現(xiàn)，渝中區(qū)、江北區(qū)和九龍波區(qū)等綜合經(jīng)濟發(fā)展水平較高，而城口縣、巫溪縣、酉陽土家族苗族自治縣和巫山縣等經(jīng)濟發(fā)展水平較低，且都是重慶市的貧困縣。

(a) 2000年 (b) 2005年

(c) 2010年 (d) 2015年

(e) 2019年圖4 重慶市各縣區(qū)MPI指數(shù)Fig.4 MPI of various county in Chongqing

基于本文提出的夜間燈光指數(shù)的構(gòu)建方法，從2000—2019年夜間燈光影像中提取了典型研究區(qū)各縣區(qū)的12種燈光指數(shù)，并用于分析夜間燈光指數(shù)與MPI的關(guān)聯(lián)性。圖5展示了2019年重慶市F1-F12指數(shù)的空間分布示意圖。其中F1即為ANLI，F(xiàn)6即為TNLI。已有研究表明，ANLI和TNLI與MPI指數(shù)存在較高的關(guān)聯(lián)性，通過分別將ANLI，TNLI，MPI劃分為極低、較低、中等、較高和極高等5個等級，而對比發(fā)現(xiàn)，它們在同一個縣區(qū)中的等級差距并不明顯。結(jié)合圖5與圖3進行分析，F(xiàn)1，F(xiàn)2與MPI的分布存在較大的相似度： 高值區(qū)域集中在“一小時經(jīng)濟圈”，而低值區(qū)域分布主要分布于渝東北翼和渝東南翼。并且通過對比分級差異，可以發(fā)現(xiàn)F1，F(xiàn)6和MPI指數(shù)的主要在類別相差一個等級之內(nèi)。同時，F(xiàn)1與MPI處于同一等級間的縣域數(shù)為13個，占總數(shù)約34%，而F6與MPI處于同一等級間的縣域數(shù)為16個，占總數(shù)約42%。ANLI，TNLI和MPI的關(guān)系符合已有研究的結(jié)論，也表明本研究中提取的夜光指數(shù)是有效的。此外，F(xiàn)2，F(xiàn)3，F(xiàn)4，F(xiàn)5和F8的分布也大致符合與MPI類似的“一圈兩翼”的分布模式，表明這些指數(shù)同樣與MPI指數(shù)存在關(guān)聯(lián)性。

(a) F1指數(shù) (b) F2指數(shù) (c) F3指數(shù)

(d) F4指數(shù) (e) F5指數(shù) (f) F6指數(shù)

(g) F7指數(shù) (h) F8指數(shù) (i) F9指數(shù)

(j) F10指數(shù) (k) F11指數(shù) (l) F12指數(shù)圖5 2019年重慶市12種燈光指數(shù)空間分布Fig.5 Spatial distribution of 12 lighting indices in Chongqing in 2019

同時，為進一步分析各個燈光指數(shù)與MPI指數(shù)的關(guān)聯(lián)性，以及評價通過夜光指數(shù)對MPI指數(shù)進行估算的可行性，本研究使用Pearson相關(guān)系數(shù)法對F1—F12與MPI指數(shù)進行了相關(guān)性分析。2000—2019年重慶市夜間燈光F1—F12指數(shù)與MPI指數(shù)的相關(guān)系數(shù)如表4所示，所有結(jié)果均通過了顯著性檢驗。從表4中可以看出，夜間燈光的集中特征、分散程度和空間特征等6個指數(shù)，以及分布特征的5個指數(shù)均與MPI指數(shù)呈顯著正相關(guān)； 分布特征的F7指數(shù)與MPI指數(shù)呈顯著負(fù)相關(guān)。F1和F6指數(shù)與MPI指數(shù)的相關(guān)系數(shù)較其他大部分燈光指數(shù)更高，表明ANLI和TNLI指數(shù)能夠較好地反映貧困程度，符合已有研究結(jié)論，同時其他指數(shù)也存在與MPI指數(shù)的明顯相關(guān)性，說明可以作為夜間燈光信息的補充。

表4 MPI和夜光特征變量的相關(guān)系數(shù)及顯著性Tab.4 Correlation analysis between MPI and NTL feature variables

綜上所述，本研究所選取的12種燈光指數(shù)與貧困程度存在明顯關(guān)聯(lián)性，并且使用這些燈光指數(shù)對MPI進行估算是合理且可行的。

3.2 西南地區(qū)縣域多維貧困測度

根據(jù)夜光數(shù)據(jù)提取12種夜光指數(shù)結(jié)合PSO-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建立MPI的估算模型，然后借助估算結(jié)果開展基于夜光數(shù)據(jù)的貧困測度。同時，經(jīng)過驗證表明該方法具有較強的可靠性和普適性。所以該模型可以擴展到西南地區(qū)來對各縣域進行長期的貧困測度。圖6為西南地區(qū)NLMPI指數(shù)及國家級貧困縣的分布，由圖6可知，研究區(qū)中各縣域夜光估算NLMPI的空間分布具有明顯的隨時間變化的動態(tài)特征。在整體分布上，研究區(qū)中的多維貧困分布呈現(xiàn)兩極分化的特征： 低值NLMPI指數(shù)主要分布在川西北、滇西北和云貴高原地區(qū)，伴隨自然環(huán)境和交通條件的不利，且具有連片分布的特征； 高值NLMPI則主要集中位于成都平原、滇中、渝中和黔中等地勢相對平坦的城市群，屬于政府優(yōu)先發(fā)展其經(jīng)濟以對周邊城市發(fā)揮帶動作用的區(qū)域。此外，可以發(fā)現(xiàn)大部分貧困縣的NLMPI指數(shù)分級為最低，也表明本研究中NLMPI指數(shù)是合理的。

(a) 2000年 (b) 2005年 (c) 2010年

(d) 2015年 (e) 2019年 (f) 國家級貧困縣圖6 西南地區(qū)NLMPI指數(shù)及國家級貧困縣的分布Fig.6 Spatial patterns of NLMPI and national poverty counties in southwest China

從時間變化特征上看，在國家開展扶貧工作和經(jīng)濟快速發(fā)展的背景下，整體NLMPI指數(shù)有顯著提高，2000年、2005年、2010年、2015年、2019年研究區(qū)的NLMPI指數(shù)的中位數(shù)分別為： 0.33，0.44，0.87，1.64和2.21(圖7)。自“新綱要”頒布實施以來，各地區(qū)的脫貧攻堅任務(wù)取得了優(yōu)秀的成果。四川省、重慶市、云南省和貴州省在2013年的貧困發(fā)生率分別為： 9.6%，6.0%，17.8%和21.3%； 到2019年底，貧困率分別下降到了0.30%，0.12%，1.32%和0.85%，累計實現(xiàn)209個國家貧困縣的脫貧摘帽，而剩余的25個貧困縣在2020年也實現(xiàn)全部摘帽，脫貧攻堅任務(wù)取得重大勝利，并標(biāo)志著區(qū)域性貧困在我國的消除。

圖7 不同時期西南地區(qū)NLMPI指數(shù)Fig.7 NLMPI of southwest China in different years

為驗證NLMPI對貧困的識別準(zhǔn)確性，將研究區(qū)NLMPI指數(shù)利用自然斷點法分為了5級，分別為： 極高、較高、中等、較低和極低。對國家劃定貧困縣進行了統(tǒng)計比較，結(jié)果如表5。在極低和較低2個類型區(qū)劃所占比例中，2015 年為 92.9%和60.6%； 所占比例比較大。而在其他類型中，貧困縣所占數(shù)目都較少?？梢姡瑖覄澏ǖ呢毨^(qū)域，其主要分布在NLMPI值極低和較低縣域。2019年貧困縣所占比例大幅下降，這是由于到2019年為止，西南地區(qū)大部分貧困縣均已脫離絕對貧困，此時NLMPI的等級劃分主要反映為相對貧困。這進一步說明西南地區(qū)的絕對貧困狀況已經(jīng)基本消除，但是仍存在發(fā)展不均衡的現(xiàn)象。

表5 國家級貧困縣在每一等級縣域數(shù)量中所占數(shù)目及比例Tab.5 Number and proportion of national poverty counties in the counties of each grade

3.3 西南地區(qū)縣域多維貧困時序演進特征

為便于分析NLMPI時間變化，統(tǒng)計了各年中NLMPI各級縣域的數(shù)量和比例(圖8)。由圖8可知，2000—2019年NLMPI極高和較高等級縣域個數(shù)增加到61個，綜合占比在8.74%～16.09%之間，而NLMPI極低、較低以及中等縣域綜合占比則在83.91%～91.26%之間，差距較大，也表明研究區(qū)中多維貧困狀況分化較為嚴(yán)重。2000—2019年近10 a來，多維貧困等級極低和較低的縣域占比下降，中等縣域占比提高，表明期間扶貧工作取得了成效。西南地區(qū)2000—2019年平均NLMPI指數(shù)變化如圖9所示。由圖9中可以看出，2000—2019年研究區(qū)整體NLMPI指數(shù)呈上升趨勢，說明在扶貧開發(fā)工作的開展下，區(qū)域的發(fā)展得到較好的支持，多維貧困的整體狀況有較大改善。此外，如圖10所示，整個研究區(qū)NLMPI指數(shù)增長速度在2011年前呈加快趨勢，而在2011—2019年時間段增長速度放緩，造成這一現(xiàn)象的原因在于《中國農(nóng)村扶貧開發(fā)綱要(2001—2010)》實施期間，扶貧工作的方式是“大水漫灌”，同時扶貧開發(fā)的工作強度相較上一階段有明顯提高，使得這一階段的貧困人口有明顯減少，人民基本解決了溫飽問題，所以2000—2010年NLMPI指數(shù)增長較快，且增長速率逐年提高； 而2011—2019年是我國扶貧工作的脫貧攻堅階段，在經(jīng)過上一階段的開發(fā)式扶貧工作后，貧困分布特征有顯著變化，剩余貧困人口趨于分散化，并主要集中在自然環(huán)境條件惡劣、交通不便的地區(qū)，同時這一時期政府實施了“精準(zhǔn)扶貧”政策，將扶貧對象瞄準(zhǔn)到戶和人，提高了減貧成本，導(dǎo)致脫貧難度加大，所以這一階段NLMPI指數(shù)增長相較前一時間階段有所放緩。分省來看，研究區(qū)4省(市)NLMPI值呈現(xiàn)相同的先加速后減緩的變化趨勢，四川省、重慶市、云南省和貴州省的NLMPI在2000—2019年中的增長速率分別為： 11.67%，13.23%，10.59%和11.21%，其中重慶市的增長速度最高，同時在研究區(qū)4省(市)中最先完成國家貧困縣摘帽。此外，圖9中顯示2013—2014年NLMPI指數(shù)的斜率有所下降，分析可能是2種燈光相互校準(zhǔn)造成的誤差，因為相互校準(zhǔn)只能作為一種提升燈光連續(xù)性的手段，無法實現(xiàn)對真值的完全模擬。

圖8 西南地區(qū)不同時期各貧困等級縣域數(shù)量比Fig.8 Percentage of counties at different levels of poverty in southwestern China

圖9 2000—2019年西南地區(qū)平均NLMPI指數(shù)的時間變化特征Fig.9 Temporal variations of the average NLMPI in southwest China from 2000 to 2019

(a) 2000—2010年 (b) 2011—2019年圖10 西南地區(qū)不同時期NLMPI指數(shù)變化趨勢Fig.10 Trend of MPI in southwest China during the different periods

3.4 西南地區(qū)縣域貧困空間分異特征

本研究計算了西南地區(qū)2000—2019年全局Moran’s I指數(shù)，以此測量整體空間相關(guān)關(guān)系。其中所有結(jié)果均通過了0.01的顯著性檢驗，結(jié)果如圖11所示。從整體上看，西南地區(qū)2000—2019年的Moran’s I值的平均值為0.478，表明西南地區(qū)的貧困指數(shù)存在正的空間自相關(guān)性，即表現(xiàn)為高值(低值)NLMPI空間聚集的狀態(tài)。另一方面，研究區(qū)整體Moran’s I值還呈現(xiàn)了一個先下降后上升的趨勢，這主要由于2000—2010年期間我國實施了《中國農(nóng)村扶貧開發(fā)綱要(2001—2010年)》，明確以減少貧困人口作為工作重點，并推行整村推進政策，所以這一階段貧困聚集現(xiàn)象有所減弱； 而2010—2019年階段Moran’s I值上升的主要原因為： 經(jīng)過大規(guī)模開發(fā)式扶貧后，遺留的貧困區(qū)域逐漸分散化，且由于致貧原因較為多樣化，增加了減貧成本，脫貧難度加大。

圖11 2000—2019年西南地區(qū)的Morans’ I指數(shù)Fig.11 Morans’I index for southwest China during the period of 2000—2019

西南地區(qū)各縣域2000—2019年NLMPI指數(shù)的局部空間自相關(guān)分布狀況如圖12所示。整體而言，西南地區(qū)多維貧困度分布整體呈現(xiàn)改善但分布不均衡的狀態(tài)。2000—2019年H-H，L-L，H-L和L-H這4種類別縣域的數(shù)量明顯失衡，其中H-H類別縣域數(shù)量呈增多趨勢，H-L和L-H類別縣域數(shù)量較少，L-L類別數(shù)量先增加后減少，總體保持穩(wěn)定。但L-L類別中貧困縣的占比在2016年之后保持下降趨勢，與貧困縣摘帽的時間段吻合，說明西南地區(qū)的貧困縣整體貧困度正在下降。2000—2019年研究區(qū)H-H區(qū)域主要集中在以成都市、昆明市以及貴陽市等省會城市和重慶市主城區(qū)為中心的城市群，區(qū)域范圍逐年增長，符合實際情況。L-L區(qū)域分布較廣，主要分布在川西北、滇西北、重慶市兩翼和貴州東部等地區(qū)，多為貧困縣。H-L區(qū)域分布較為零散，多為位于貧困縣周邊的非貧困縣，如景洪市、大理市和西昌市等，因此這些縣域被具有較低NLMPI指數(shù)的縣域包圍，形成高低聚集的現(xiàn)象。L-H區(qū)域中的縣域則主要分布于H-H區(qū)域周邊，因為中心區(qū)域NLMPI值相對較高，所以呈一種“包圍”的狀態(tài)。

(a) 2000年 (b) 2005年 (c) 2010年圖12-1 2000—2019年西南地區(qū)各縣域NLMPI指數(shù)的局部空間同相關(guān)分布狀況Fig.12-1 Distribution of NLMPI index of local spatial autocorrelation in southwest China from 2000 to 2019

(d) 2015年 (e) 2019年圖12-2 2000—2019年西南地區(qū)各縣域NLMPI指數(shù)的局部空間同相關(guān)分布狀況Fig.12-2 Distribution of NLMPI index of local spatial autocorrelation in southwest China from 2000 to 2019

4 結(jié)論

本研究建立了一種基于夜間燈光的貧困測度方法： 通過整合DMSP-OLS和NPP-VIIRS這2種夜間燈光數(shù)據(jù)構(gòu)建長時間序列夜間燈光數(shù)據(jù)集，并基于整合的長時間序列夜光數(shù)據(jù)開展貧困測度。同時，經(jīng)過驗證表明該方法可以更好地探究區(qū)域的貧困時空動態(tài)，所以該模型可以擴展到西南地區(qū)來對各縣域進行長期的貧困測度。研究結(jié)果表明：

1)在2000年，西南地區(qū)各縣域的多維貧困狀況分化較為嚴(yán)重，但隨國家扶貧工作的開展，極低和較低等級縣域占比下降，中等縣域占比提高，表明期間扶貧工作取得了顯著的成效。

2)2000—2019年各縣域的Moran’s I指數(shù)呈現(xiàn)了先下降后上升的趨勢，這反映出在2000—2010年，貧困聚集現(xiàn)象有所減弱，而在之后進入了較為分散的脫貧攻堅階段。

3)局部空間自相關(guān)結(jié)果表明，研究區(qū)的多維貧困度分布整體呈現(xiàn)改善但分布不均衡的狀態(tài)，表現(xiàn)為以成渝片區(qū)、昆明市、貴陽市為主的高高聚集和以川西北、滇西地區(qū)為主的低低聚集的分布格局。

基于夜間燈光數(shù)據(jù)，本文監(jiān)測了西南地區(qū)各縣域的貧困時空變化特征。但是由于夜光遙感數(shù)據(jù)的限制性，未來的貧困與社會經(jīng)濟發(fā)展研究應(yīng)該加入高分辨率的輔助數(shù)據(jù)，增強夜光數(shù)據(jù)在不同區(qū)域尺度研究中的應(yīng)用能力。