基于夜間燈光數(shù)據(jù)的六盤山連片特困區(qū)貧困度識別

沈丹， 周亮，3， 王培安

(1.蘭州交通大學(xué)測繪與地理信息學(xué)院，蘭州 730070； 2.甘肅省地理國情監(jiān)測工程實驗室，蘭州 730070； 3.中國科學(xué)院地理科學(xué)與資源研究所，北京 100101)

0 引言

近年來，國內(nèi)外學(xué)者在精準(zhǔn)扶貧研究的基礎(chǔ)上，結(jié)合區(qū)域特色和實際情況展開了4個方面探索性研究： ①精準(zhǔn)識別貧困內(nèi)容主要由單一維度向多維度轉(zhuǎn)變，維度擴展至區(qū)域地理特征、生態(tài)環(huán)境、基礎(chǔ)教育均等化、交通可達(dá)性、衛(wèi)生醫(yī)療和大病防治等眾多領(lǐng)域[1]； ②研究方法主要采用可持續(xù)生計框架[2]、多層模型[3]和機器學(xué)習(xí)[4]等； ③研究數(shù)據(jù)逐漸多元化，主要有實際野外調(diào)查與抽樣數(shù)據(jù)、電子商務(wù)數(shù)據(jù)和遙感影像等進入貧困研究領(lǐng)域[5]； ④研究尺度由全國尺度[6]、市縣尺度[7]和行政村尺度，最終精準(zhǔn)到扶貧家庭及個人貧困測度發(fā)展，粒度逐漸深入到家庭和個體細(xì)胞。這些探索性研究的提出開拓了較多研究思路，但由于部分研究基于特定區(qū)域(如北京)數(shù)據(jù)的可獲取性、精細(xì)粒度難以深入等原因，對現(xiàn)實解釋能力較差[8]、難以滿足快速動態(tài)的精準(zhǔn)識別要求。此外，中國農(nóng)村貧困統(tǒng)計數(shù)據(jù)的缺乏與不同省份數(shù)據(jù)統(tǒng)計口徑的不一致使貧困識別數(shù)據(jù)獲取困難，尤其是西部偏遠(yuǎn)地區(qū)。地區(qū)的差異、統(tǒng)計數(shù)據(jù)的偏差和貧困地區(qū)一些領(lǐng)導(dǎo)干部的“急功”，也會使貧困的真實情況出現(xiàn)偏差。

因為以上原因，學(xué)者們開始借助夜間燈光數(shù)據(jù)對貧困進行評估和輔助研究。Noor等[9]采用DMSP-OLS數(shù)據(jù)和資產(chǎn)數(shù)據(jù)構(gòu)建貧困指數(shù)評估非洲37個國家貧困狀況，研究表明貧困指數(shù)與燈光亮度間有高度相關(guān)性； Elvidge等[10]借助LandScan人口數(shù)據(jù)和DMSP-OLS夜間燈光數(shù)據(jù)估算的2006年全球貧困人口與世界銀行估算的結(jié)果相一致； Wang等[11]使用主成分分析法構(gòu)建綜合貧困指數(shù)探討夜間燈光指數(shù)與貧困指數(shù)間的關(guān)系，發(fā)現(xiàn)兩者有良好的線性正相關(guān)關(guān)系； Yu等[12]通過中國2 856個縣的區(qū)域燈光值和國家貧困縣比對，結(jié)果顯示燈光值低的區(qū)域同時也屬于國家貧困縣； 潘竟虎等[13]運用夜間燈光指數(shù)與多維貧困指數(shù)(multidimensional poverty index,MPIstatistical)間的線性回歸模型將貧困空間化，識別出848個多維貧困縣。上述研究僅僅對燈光數(shù)據(jù)和社會經(jīng)濟數(shù)據(jù)進行簡單處理且只在短時間內(nèi)評估貧困。鑒于此，本文以六盤山連片特困區(qū)為研究區(qū)，選用DMSP-OLS和NPP-VIIRS燈光數(shù)據(jù)，運用不變目標(biāo)區(qū)域法校正燈光數(shù)據(jù)提取區(qū)域燈光指數(shù)(average light index,ALI)，借助灰色關(guān)聯(lián)模型構(gòu)建多維貧困體系產(chǎn)生MPIstatistical，以兩者的線性擬合關(guān)系生成貧困模擬模型，從而識別研究區(qū)的貧困現(xiàn)狀與特征，實現(xiàn)基于多期夜間燈光數(shù)據(jù)對貧困的連續(xù)動態(tài)監(jiān)測彌補統(tǒng)計數(shù)據(jù)短缺問題。

1 研究區(qū)與數(shù)據(jù)源概況

六盤山連片特困區(qū)跨陜西、甘肅、青海與寧夏4省區(qū)，地處黃土高原中西部及其與青藏高原的過渡地帶，地形破碎，山、川、塬并存，溝、峁、墚相間； 地勢西高東低，平均海拔在1 900 m左右(圖1)； 屬于溫帶大陸性干旱半干旱氣候，土質(zhì)疏松，植被稀疏，干旱等自然災(zāi)害頻發(fā)。該地區(qū)是國家新一輪扶貧開發(fā)攻堅戰(zhàn)主戰(zhàn)場之一，有國家扶貧開發(fā)工作重點縣49個、革命老區(qū)縣12個和民族自治地方縣20個。2010年農(nóng)民人均年純收入僅相當(dāng)于全國平均水平的54.7%，當(dāng)年在1 274元扶貧標(biāo)準(zhǔn)以下的農(nóng)村人口有313.1萬人，貧困發(fā)生率為15.9%，高于全國13.1%，比西部地區(qū)平均水平高9.8%。按照2 300元扶貧標(biāo)準(zhǔn)，2011年區(qū)域扶貧對象為642萬人，貧困發(fā)生率35%，高出全國22.3%。

圖1 六盤山連片特困區(qū)區(qū)位

研究數(shù)據(jù)主要包括： ①燈光數(shù)據(jù)，2種燈光數(shù)據(jù)分別為2000—2012年的DMSP-OLS及2015年的NPP-VIIRS夜間燈光，數(shù)據(jù)來源于美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration，NOAA)網(wǎng)站，空間分辨率分別為1 000 m×1 000 m和500 m×500 m。F162006輻射定標(biāo)后的燈光數(shù)據(jù)來源于美國國家地球物理數(shù)據(jù)中心； ②基礎(chǔ)地理數(shù)據(jù)，縣級行政區(qū)劃圖來源于國家基礎(chǔ)信息中心、數(shù)字高程模型(digital elevation model，DEM)空間分辨率為30 m×30 m； ③經(jīng)濟統(tǒng)計數(shù)據(jù)，如農(nóng)民人均純收入等，來源于2011—2016年各省市統(tǒng)計年鑒。

本研究利用ArcGIS10.2與ENVI5.1平臺，通過4個處理步驟實現(xiàn)貧困識別(圖2)。

圖2 數(shù)據(jù)處理流程

具體步驟為： ①通過投影、重采樣等創(chuàng)建中國燈光數(shù)據(jù)庫并對主要市轄區(qū)的部分社會經(jīng)濟數(shù)據(jù)(國內(nèi)生產(chǎn)總值(gross domestic product，GDP)、城鎮(zhèn)建成區(qū)面積等)進行分析，選擇黑龍江省鶴崗市市轄區(qū)作為不變目標(biāo)區(qū)域，借助不變目標(biāo)區(qū)域法對數(shù)據(jù)進行初次校正[14]； ②對同一年份的2期數(shù)據(jù)進行年內(nèi)整合以及對不同年份的數(shù)據(jù)進行跨年校正，最終完成DMSP-OLS數(shù)據(jù)校正[14]； ③通過剔除偶然燈光等對NPP-VIIRS數(shù)據(jù)進行校正[15]； ④通過建立燈光和社會經(jīng)濟數(shù)據(jù)產(chǎn)生的ALI和MPIstatistical間的線性關(guān)系，生成貧困評估模型與多維貧困指數(shù)估算值(MPIestimated)識別貧困。

2 研究方法

以國內(nèi)外多維貧困指標(biāo)測算體系為依據(jù)、以統(tǒng)計數(shù)據(jù)為基礎(chǔ)建立貧困指標(biāo)體系； 以夜間燈光數(shù)據(jù)為基礎(chǔ)產(chǎn)生ALI，從而構(gòu)建貧困評估模型。

2.1 MPIstatistical構(gòu)建

構(gòu)建全面描述貧困狀況的多維貧困指標(biāo)體系是精準(zhǔn)測度貧困程度的重要前提[6]，并且多維貧困指標(biāo)的客觀性和必要性已被世界銀行等國際機構(gòu)和學(xué)者們所廣泛接受[7-8]，因此，MPIstatistical可用于驗證ALI模擬貧困的精確性[12]。綜合來看，多維度貧困的評價指標(biāo)主要由經(jīng)濟維度、社會維度和環(huán)境維度組成[16]。此外，農(nóng)民人均純收入指標(biāo)仍然是劃分貧困縣和集中連片特困區(qū)的重要經(jīng)濟依據(jù)[17]。依據(jù)前人研究的基礎(chǔ)上，根據(jù)研究目的、指標(biāo)選擇的科學(xué)性和數(shù)據(jù)的可得性及可比性等原則，本文選用9大指標(biāo)構(gòu)建貧困指標(biāo)體系，采用熵值法賦予權(quán)重，其原理是信息量與不確定性成反比即信息量越大、不確定性就越小，熵越小、權(quán)重則越大[12]。與其余權(quán)重方法相比熵值法更具客觀性，從而常用與構(gòu)建經(jīng)濟、社會和自然多維的貧困度測算。9個指標(biāo)如表1所示。

表1 MPIstatistical指標(biāo)權(quán)重

由于評價體系具有復(fù)雜性和不確定性特征，而灰色關(guān)聯(lián)系數(shù)會縮小主觀對結(jié)果的影響，能更精準(zhǔn)測算個體的貧困程度[18]，即

(1)

式中：x0(k)為特征序列；xi(k)為因素序列，其中有k個子序列，即xi(k)={xi(1)，…，xi(k)}；i分別代表各個指標(biāo)；e為分辨率，其值為0.5；δ(k)為灰色關(guān)聯(lián)系數(shù)。

運用熵值法和灰色關(guān)聯(lián)系數(shù)法確定的權(quán)重與指標(biāo)值，計算MPIstatistical，即

(2)

式中：wi為各個指標(biāo)的權(quán)重；n為指標(biāo)總個數(shù)。

2.2 ALI構(gòu)建

夜間燈光數(shù)據(jù)是通過探測小規(guī)模低強度燈光反映區(qū)域的社會經(jīng)濟情況，而區(qū)域經(jīng)濟發(fā)展薄弱等社會經(jīng)濟多方面因素導(dǎo)致貧困[12]，通過構(gòu)建代表不同區(qū)域燈光強度的ALI反映區(qū)域間社會經(jīng)濟水平的差異性，進而探究ALI與MPIstatistical的關(guān)系[13]，即

(3)

式中：P為縣級行政單元像元的個數(shù)；ALI為縣級區(qū)域燈光指數(shù);DNp為第p個像元的DN值。

2.3 誤差檢驗

借助MPIstatistical與ALI之間的線性回歸方程，將特困區(qū)貧困空間化生成MPIestimated。采用誤差公式[13]檢驗MPIstatistical與MPIestimated間的誤差，即

(4)

(5)

式中：MRE和RE分別表示平均相對誤差和相對誤差；M為區(qū)縣數(shù)目。誤差越小，表明MPIestimated估算的精度越高，越接近真實的貧困狀態(tài)。

3 結(jié)果與分析

3.1 精度評價

3.1.1 區(qū)縣MPIstatistical與ALI的比較

通過構(gòu)建多維貧困體系獲得MPIstatistica值，值越小則相應(yīng)區(qū)縣貧困程度越高，反之，貧困程度越低。2000—2015年間MPIstatistical值較大的區(qū)縣主要位于市區(qū)，而值較小的區(qū)縣主要分布在生態(tài)環(huán)境惡劣、經(jīng)濟發(fā)展基礎(chǔ)薄弱的寧夏等少數(shù)民族、革命老區(qū)。為了更好地探究貧困分布格局，按照從小到大的順序采用綜合自然分界法(基于數(shù)據(jù)中固有的自然分組將對分類間隔加以識別，可對相似值進行最恰當(dāng)?shù)胤纸M并使各個類之間的差異最大化)將各年份的值分成5級(極貧困、高度貧困、中度貧困、輕度貧困和非貧困)。蘭州市城關(guān)區(qū)、西寧市城西區(qū)等地區(qū)相較于其余區(qū)縣經(jīng)濟發(fā)展水平較高，多年來處于輕度貧困或非貧困； 屬中等貧困的白銀市白銀區(qū)、蘭州市西固區(qū)等擁有較好的工業(yè)基礎(chǔ)； 海東市平安區(qū)等區(qū)縣鄰近城區(qū)屬于高度貧困； 而屬于極貧困的縣分布在少數(shù)民族聚集區(qū)和邊緣地區(qū)。整體上，MPIstatistical準(zhǔn)確、客觀地反映了特困區(qū)真實的貧困狀態(tài)。

夜間燈光本身是人類活動的結(jié)果，燈光特征反映地區(qū)經(jīng)濟水平[19]，社會經(jīng)濟發(fā)展繁榮的地區(qū)在夜間有明亮的燈光。通過式(3)獲得多年各區(qū)縣的ALI，極高的ALI值出現(xiàn)在繁華的市區(qū)，而極低的ALI值則發(fā)生在貧困的縣。按照ALI值從大到小的順序采用相同的方法對不同年份數(shù)據(jù)分級，城關(guān)區(qū)和城西區(qū)等有最高的ALI值，屬非貧困或輕度貧困； 具有極低ALI值的縣有固原市涇源縣、白銀市會寧縣和定西市隴西縣等，絕大部分縣少數(shù)民族人口眾多并多以農(nóng)業(yè)為主，屬極貧困。

為了進一步探究ALI值的合理性，通過相應(yīng)年份相應(yīng)區(qū)縣的MPIstatistical與ALI等級之間作差比較(表2)發(fā)現(xiàn)： 78個區(qū)縣中有50個以上區(qū)縣的等級是一致的，占所有區(qū)縣比例的64.10%以上。例如，白銀區(qū)、天水市秦州區(qū)等具有較好的經(jīng)濟基礎(chǔ)，為當(dāng)?shù)氐耐顿Y、基礎(chǔ)設(shè)施建設(shè)提供良好的服務(wù)； 具有極低ALI值和MPIstatistical值的固原市彭陽縣、武威市古浪縣和臨夏回族自治州東鄉(xiāng)族自治縣等因人口眾多，工業(yè)與服務(wù)業(yè)發(fā)展不足而導(dǎo)致持久的貧困。等級差距在±1之間的區(qū)縣有21～25個，而僅有1～4個區(qū)縣存在較大的等級差距?？偠灾?，通過MPIstatistical與ALI等級比較，表明用燈光數(shù)據(jù)識別貧困是合理、客觀的。

表2 2000—2015年MPIstatistical與ALI的等級比較

3.1.2 各區(qū)縣MPIstatistical與ALI之間的關(guān)系

為了更好探究研究區(qū)各區(qū)縣MPIstatistical與ALI之間的關(guān)系，分別運用冪函數(shù)、線性和多項式等回歸模型擬合MPIstatistical與ALI值，最終選用效果最優(yōu)的線性方程探討兩者關(guān)系(圖3)，分析發(fā)現(xiàn)： 兩者之間存在明顯的線性關(guān)系。決定系數(shù)R2分別為0.51，0.67，0.77，0.88和0.85，表明ALI值高的區(qū)縣社會經(jīng)濟發(fā)展水平高、就業(yè)率和人民收入增加，而人民收入的增加使區(qū)縣的貧困程度降低； ALI值低的區(qū)縣社會經(jīng)濟基礎(chǔ)薄弱，以農(nóng)業(yè)為主，人民收入減少并具有不穩(wěn)定性，進而導(dǎo)致貧困程度高。為了檢驗結(jié)果的可信度，對各年份的擬合結(jié)果進行F檢驗與t檢驗。2000—2015年間F值分別為78.14，152.95，250.14，578.75和441.88；t值分別為56.31，64.82，72.76，98.55和88.68； 所有F值和t值均大于臨界值表中F0.01，76與t0.01，77，表明各年份MPIstatistical與ALI之間的回歸模型都通過了檢驗。

(a) 2000年 (b) 2004年 (c) 2008年

(d) 2012年 (e) 2015年

3.1.3 MPIstatistical空間化與結(jié)果檢驗

以MPIstatistical與ALI之間的線性回歸方程為基礎(chǔ)，借助柵格計算器對校正好的燈光數(shù)據(jù)作柵格運算實現(xiàn)柵格化的特困區(qū)貧困空間化并產(chǎn)生MPIestimated(圖4)。通過年內(nèi)與年際間校正后的燈光像元值相較于校正前具有長時間的連續(xù)性，因此可進行2000—2012年間貧困空間化對比。由圖4可知，城區(qū)具有極高MPIestimated值，而邊緣等區(qū)域有極低值，這與六盤山區(qū)的貧困現(xiàn)象相符合。隨著時間推移，特困區(qū)的社會經(jīng)濟條件逐漸改善，貧困狀況逐漸好轉(zhuǎn)，MPIestimated的最大值與最小值不斷增大。運用誤差式(4)和式(5)獲得2000—2015年間實際的MPIstatistical與估算的MPIestimated之間的平均相對誤差分別為3.21%，3.38%，3.14%，3.44%和3.52%。相較于目前已有研究12.51%的誤差[23]而言，3.14%～3.52%間的平均相對誤差表明估算貧困的精度高,與實際貧困接近。

(a) 校正后的像元總DN值 (b) 2000年MPIestimated(c) 2004年MPIestimated

(d) 2008年MPIestimated(e) 2012年MPIestimated(f) 2015年MPIestimated

3.2 貧困識別

3.2.1 各區(qū)縣貧困識別

2000—2015年間特困區(qū)MPIestimated年平均值分別為0.361，0.372，0.375，0.378和0.382，貧困程度逐年減輕。表3為六盤山連片特困區(qū)貧困程度識別個數(shù)與比例比較。

表3 六盤山連片特困區(qū)貧困程度識別個數(shù)與比例比較

通過表3可發(fā)現(xiàn)，2000—2012年間極貧困與高度貧困總和介于76.92%～84.61%； 而中度、輕度以及非貧困所占比重僅介于15.38%～23.08%，貧困程度兩極分化極其嚴(yán)重。但隨著時間的推移，極貧困與高度貧困的比例逐年減少，中度、輕度以及非貧困的比例逐年增加。2015年，極貧困與高度貧困比例之和為78.20%，輕度以及非貧困的比例之和為11.54%，表明貧困程度兩極分化情況加重。

3.2.2 貧困空間特征

貧困空間集聚性反映著貧困的整體特征，因此借助Opengeoda工具運用queen標(biāo)準(zhǔn)構(gòu)建權(quán)重采用全局Moran’s I指數(shù)探究多年MPIestimated的集聚性。2000—2015年Moran’s I指數(shù)分別為0.49，0.45，0.47，0.49和0.43，表明78個區(qū)縣的貧困程度具有明顯的集聚性，即MPIestimated值高的區(qū)縣彼此鄰近，MPIestimated值低的區(qū)縣也彼此呈帶狀集中。此外，借助ArcGIS軟件探究了MPIestimated冷熱點分布規(guī)律，發(fā)現(xiàn)2000—2015年間冷點與次冷點分布在貧困區(qū)中經(jīng)濟發(fā)展基礎(chǔ)薄弱的涇源縣和定西市漳縣，多民族聚居和農(nóng)業(yè)人口多的中衛(wèi)市海原縣和東鄉(xiāng)族自治縣，自然災(zāi)害頻發(fā)的定西市通渭縣和岷縣等縣； 而熱點與次熱點分布在鄰近城關(guān)區(qū)、城西區(qū)的永登縣和湟中縣等區(qū)縣。

4 結(jié)論與討論

本研究以六盤山連片特困區(qū)為例，以社會經(jīng)濟統(tǒng)計數(shù)據(jù)為基礎(chǔ)并采用灰色關(guān)聯(lián)模型構(gòu)建MPIstatistical。以2000—2015年間的DMSP-OLS/NPP-VIIRS燈光數(shù)據(jù)為基礎(chǔ)，運用不變目標(biāo)區(qū)域法、年內(nèi)年際間相互校正構(gòu)建足以實際反映特困區(qū)社會經(jīng)濟發(fā)展水平的ALI。采用回歸模型進一步檢驗兩者關(guān)系，最終實現(xiàn)貧困空間化生成MPIestimated并開展貧困識別。

1)基于夜間燈光開展貧困空間化生成的MPIestimated相較于社會經(jīng)濟數(shù)據(jù)生成的MPIstatistical而言，平均相對誤差介于3.14%～3.52%之間，與利用NPP-VIIRS數(shù)據(jù)對貧困識別的平均相對誤差12.51%相比較，其精度更高。由此可見，利用校正后的夜間燈光數(shù)據(jù)能夠較為準(zhǔn)確、真實地反映六盤山連片特困區(qū)的貧困程度。

2)2000—2015年間縣域MPIestimated年平均值分別為0.361，0.372，0.375，0.378和0.382，貧困程度逐年減輕。2000—2012年間識別出極貧困縣39～46個、高度貧困縣20～21個、中度貧困縣4～9個，輕度貧困和非貧困縣3～6個。2015年識別出極貧困縣45個，高度貧困縣16個，中度貧困、輕度貧困和非貧困縣分別為8，4和5個，表明特困區(qū)貧困程度兩極分化現(xiàn)象嚴(yán)重。

3)2000—2015年間Moran’s I指數(shù)分別為0.49，0.45，0.47，0.49和0.43，表明78個區(qū)縣的貧困程度具有明顯集聚性。多年來冷點分布在貧困區(qū)的西南與東南部，次冷點集中在東北部和邊緣區(qū)域，而熱點與次熱點分布蘭州與西寧地區(qū)。

綜上所述，識別微觀空間的貧困程度是涉及多學(xué)科的問題。本文基于夜間燈光對六盤山連片特困區(qū)的實證研究，有效地證明夜間燈光數(shù)據(jù)對貧困模擬的合理性、客觀性以及可識別出長時間貧困程度的時空演化規(guī)律。然而，由于研究區(qū)統(tǒng)計數(shù)據(jù)獲取的有限性導(dǎo)致體系的建立還存在一定局限性； 同時燈光數(shù)據(jù)在現(xiàn)有的校正方法上依舊存在誤差。因此，構(gòu)建更加完善的貧困評估體系和增強估算精度將是進一步研究的主要方向。