貴州省縣域農(nóng)村貧困度時(shí)空變化分析*

阮 歐，劉綏華※，陳 芳，羅 杰，胡海濤

（1.貴州師范大學(xué)地理與環(huán)境科學(xué)學(xué)院，貴陽 550025；2.貴州省山地資源與環(huán)境遙感應(yīng)用重點(diǎn)實(shí)驗(yàn)室，貴陽 550025）

0 引言

近年來，消除農(nóng)村貧困和不平等一直是全球首要優(yōu)先事項(xiàng)之一[1]。我國的農(nóng)村貧困具有貧困面積大、貧困人口多、貧困程度深等特點(diǎn)，是我國在2020 年全面建成小康社會(huì)最大的挑戰(zhàn)[2]。2012—2019 年我國的農(nóng)村貧困人口共計(jì)減少了9 348 萬人，年均減少超過1 300 萬人，貧困發(fā)生率從2012 年底的10.2%下降到了2019 年底的0.6%，下降了9.6 個(gè)百分點(diǎn)，為全球的減貧與事業(yè)發(fā)展做出了巨大的貢獻(xiàn)，按照當(dāng)前的減貧效率定能如期完成全面建成小康社會(huì)的任務(wù)。

為了衡量區(qū)域經(jīng)濟(jì)發(fā)展中的貧困程度和差異性，大量的研究從不同的視角和方法對區(qū)域貧困程度和差異性進(jìn)行評價(jià)。其中，衡量區(qū)域貧困程度的方法主要有一維貧困測度方法和多維貧困測度的方法[3]，而衡量區(qū)域經(jīng)濟(jì)發(fā)展差異性的方法主要包括變異系數(shù)[4]、基尼系數(shù)[5,6]、泰爾系數(shù)[2]等方法。但由于現(xiàn)用于以上研究的統(tǒng)計(jì)數(shù)據(jù)多存在數(shù)據(jù)統(tǒng)計(jì)口徑不一致、開展調(diào)查需要耗費(fèi)大量的時(shí)間和金錢成本等問題，很難滿足貧困研究的需求[7]。因此，如何及時(shí)、準(zhǔn)確、有效地衡量地區(qū)的貧困程度是一個(gè)需要克服的問題。鑒于以上原因，許多學(xué)者利用一些新的數(shù)據(jù)來代替?zhèn)鹘y(tǒng)的社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)，夜間燈光遙感數(shù)據(jù)就是在這樣的背景下產(chǎn)生的。與傳統(tǒng)方法相比，夜間燈光遙感具有與人類居住區(qū)關(guān)系密切、易于獲取、相對客觀性強(qiáng)、計(jì)算效率高、空間覆蓋面廣及時(shí)間跨度相對較長等優(yōu)點(diǎn)，被越來越多的學(xué)者關(guān)注[8]。大量研究表明，夜間燈光遙感與包括城市化、經(jīng)濟(jì)活動(dòng)和人口在內(nèi)的社會(huì)經(jīng)濟(jì)要素高度相關(guān)[9-12]。

鑒于夜間燈光遙感數(shù)據(jù)的上述優(yōu)勢，一些學(xué)者利用其研究區(qū)域的貧困程度和差異性，這些研究充分證實(shí)了夜間燈光遙感數(shù)據(jù)可用于估計(jì)貧困程度和社會(huì)經(jīng)濟(jì)差距。但是，就當(dāng)前而言大多數(shù)的研究都是對大規(guī)模區(qū)域貧困程度和差異性的研究，然而當(dāng)前我國農(nóng)村貧困的特點(diǎn)和性質(zhì)已經(jīng)發(fā)生了根本性的改變，已經(jīng)由大范圍的“面”上貧困轉(zhuǎn)換為了“點(diǎn)”上的貧困[13]。貴州省是全國貧困人口最多、貧困問題最突出、貧困程度最深、貧困面積最大的省份。鑒于此，文章選取貴州省為研究對象，利用2003—2018 年的夜間燈光數(shù)據(jù)集構(gòu)建的區(qū)域燈光指數(shù)與貴州省縣（區(qū)）域社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)構(gòu)建的綜合貧困指標(biāo)（Inte‐grated Poverty Index，IPI）建立關(guān)系模型，運(yùn)用該模型估算不同年份、不同區(qū)域燈光指數(shù)下區(qū)域的IPI指標(biāo)值，然后運(yùn)用變異系數(shù)、泰爾指數(shù)、標(biāo)準(zhǔn)差橢圓、空間變差函數(shù)以及探索性空間數(shù)據(jù)分析等方法，動(dòng)態(tài)、客觀地監(jiān)測貴州省農(nóng)村貧困的時(shí)空變化，以為貴州省因時(shí)制宜、因地制宜地制定扶貧措施提供參考。

1 數(shù)據(jù)來源及研究方法

1.1 數(shù)據(jù)來源

研究數(shù)據(jù)主要包括：（1）夜間燈光數(shù)據(jù)，該文選用文獻(xiàn)[14]提供的一個(gè)通過協(xié)調(diào)DMSP 數(shù)據(jù)中相互校準(zhǔn)的燈光觀測數(shù)據(jù)和VIIRS數(shù)據(jù)中模擬的類似DMSP的燈光觀測數(shù)據(jù)為研究基礎(chǔ)數(shù)據(jù)，選取的時(shí)間段為2003—2018 年。該數(shù)據(jù)集空間分辨率為1km×1km，DN 值取值范圍為0～63，背景值為0；（2）基礎(chǔ)地理數(shù)據(jù)，縣級行政規(guī)劃矢量數(shù)據(jù)來源于國家基礎(chǔ)信息中心，考慮到由于研究時(shí)段內(nèi)縣（區(qū)）存在規(guī)劃調(diào)整，為保持規(guī)劃區(qū)的一致性，該文對研究區(qū)域單元進(jìn)行了相關(guān)處理得到了87 個(gè)縣（區(qū)）作為研究單元，其中，小河區(qū)并入花溪區(qū)，觀山湖區(qū)并入烏當(dāng)區(qū)；（3）DEM 數(shù)據(jù)來自于ALOS 衛(wèi)星，分辨率為12.5m；（4）經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)，來源于2004—2019年的《貴州省統(tǒng)計(jì)年鑒》以及縣級國民經(jīng)濟(jì)與社會(huì)統(tǒng)計(jì)公報(bào)。

1.2 研究方法

1.2.1 ALI構(gòu)建

夜間燈光的總亮度只能直接反映某一地區(qū)夜間的社會(huì)經(jīng)濟(jì)活動(dòng)。因此，為了更好地代表不同縣（區(qū)）域的平均水平，該研究采用平均燈光指數(shù)（Average light index，ALI）作為指標(biāo)，計(jì)算公式為：

式（1）中，n為縣級行政單元像元的個(gè)數(shù)；ALI為縣級區(qū)域燈光指數(shù);DNi為第i個(gè)像元的DN值。

1.2.2 IPI構(gòu)建

農(nóng)村貧困可以由自然條件、社會(huì)經(jīng)濟(jì)條件等的許多方面引起。構(gòu)建一個(gè)全面描述農(nóng)村貧困狀況的綜合農(nóng)村貧困指標(biāo)體系是測度一個(gè)地區(qū)農(nóng)村貧困程度的重要前提[15]。在前人研究的基礎(chǔ)上，考慮到縣（區(qū)）統(tǒng)計(jì)數(shù)據(jù)的可用性以及研究目的等原則，該文選用8個(gè)自然、社會(huì)經(jīng)濟(jì)變量，提取綜合農(nóng)村貧困指數(shù)。為了消除各個(gè)指標(biāo)量綱不同對分析結(jié)果的影響，先對各指標(biāo)進(jìn)行歸一化處理。然后采用熵權(quán)法對各指標(biāo)賦予權(quán)重，其原理是運(yùn)用信息量與不確定性成反比的關(guān)系，既信息量越大、不確定性就越小，熵越小、權(quán)重越大[16]。與其他確定權(quán)重的方法相比，熵權(quán)法顯得更加的客觀，因此，被常用于農(nóng)村綜合貧困度的測算，熵權(quán)法確定各指標(biāo)的權(quán)重主要分為兩個(gè)步驟，首先是求各指標(biāo)的信息熵然后再確定各指標(biāo)的權(quán)重（表1），具體計(jì)算步驟如下。

表1 IPI指標(biāo)權(quán)重

根據(jù)熵權(quán)法的原理，先計(jì)算第j個(gè)指標(biāo)下第i個(gè)評價(jià)對象的百分比P ij，公式為：

再計(jì)算第j個(gè)指標(biāo)的熵值Ej，公式為：

最后計(jì)算第j個(gè)指標(biāo)的權(quán)重，公式為：

通過熵權(quán)法確定的權(quán)重值與歸一化后的各個(gè)指標(biāo)進(jìn)行計(jì)算得到最終的綜合農(nóng)村貧困指數(shù)IPI 值，公式為：

式（5）中，ωj為各指標(biāo)的權(quán)重，n為指標(biāo)的總個(gè)數(shù)，i為指標(biāo)中第i指標(biāo)。

1.2.3 變異系數(shù)與泰爾指數(shù)

該文通過計(jì)算貴州省縣（區(qū)）域IPI 值的變異系數(shù)（CV）及泰爾指數(shù)（T）來表征貴州省各縣（區(qū)）域的農(nóng)村貧困差異，其中兩者的值越大，表明各縣（區(qū)）域的農(nóng)村貧困差距就越大，反之則越小。兩者的計(jì)算公式分別為：

式（6）（7）中，σ為標(biāo)準(zhǔn)差，μ為均值；xi為第i個(gè)地區(qū)的經(jīng)濟(jì)指標(biāo)，x為所有研究區(qū)的經(jīng)濟(jì)指標(biāo)。

1.2.4 標(biāo)準(zhǔn)差橢圓

標(biāo)準(zhǔn)橢圓差是Lefever 在1926年最早提出的，現(xiàn)多用于從全局和空間角度去解釋地理要素的多方面特征，標(biāo)準(zhǔn)橢圓的構(gòu)成主要包括長半軸、短半軸、重心和轉(zhuǎn)角等，具有從密集性、方向、形狀等多種角度全方位揭示地理要素的整體時(shí)空演化過程的優(yōu)點(diǎn)[17]。其中，標(biāo)準(zhǔn)差橢圓的分布范圍便是某要素在空間分布上的主要范圍；轉(zhuǎn)角反映的是空間分布的主趨勢方向；要素長半軸標(biāo)準(zhǔn)差反映的是要素在主趨勢方向上的離散程度；短半軸反映次趨勢方向上的離散程度；各參數(shù)計(jì)算公式為：

式（8）至（11）中：xi，yi為研究區(qū)域各單元的中心坐標(biāo)；ωi為研究區(qū)單元的權(quán)重；為重心坐標(biāo)；θ為橢圓的方位角；為研究區(qū)各單元中心坐標(biāo)到重心的坐標(biāo)偏差；σx，σy分別為沿x軸和x軸的標(biāo)準(zhǔn)差。

1.2.5 空間變差函數(shù)

空間變差函數(shù)是描述區(qū)域化變量隨機(jī)化和結(jié)構(gòu)性的基本手段，可以有效地揭示要素的空間變異規(guī)律。其原理是，假設(shè)Z(x)為某一區(qū)域化的隨機(jī)變量，并滿足本征假設(shè)和平穩(wěn)假設(shè)，h為兩樣點(diǎn)的空間相隔距離，在空間位置xi和xi+h處的實(shí)測值分別為Z(xi)和Z(xi+h)[i=1，2，…，N(h)]，那么變異函數(shù)γ(h)的計(jì)算公式為[18]：

式（13）中，γ(h)為變差函數(shù)；h為樣本空間距離；N(h)為抽樣間距為h時(shí)的樣點(diǎn)對總數(shù)。

分維數(shù)與形狀分維數(shù)有本質(zhì)區(qū)別，屬于一個(gè)隨機(jī)分維數(shù)，計(jì)算方法為:

式（14）中，D為分維數(shù)是直線回歸方程中的斜率。分維值的大小表示變差函數(shù)曲線的曲率,其值越大,說明空間異質(zhì)性越高[19]。

1.2.6 探索性空間數(shù)據(jù)分析

探索性空間數(shù)據(jù)分析一般用于研究經(jīng)濟(jì)現(xiàn)象的空間關(guān)聯(lián)性和聚集現(xiàn)象，具體可分為全局空間自相關(guān)和局部空間自相關(guān)兩大類別，主要的指標(biāo)分別為全局莫蘭指數(shù)（Global Moran'I）和局部莫蘭指數(shù)（Local Moran'I）[2]。全局空間自相關(guān)用于描述區(qū)域單元某種現(xiàn)象的整體分布情況，以判斷該現(xiàn)象在空間上是否存在聚集性；局部空間自相關(guān)用于說明屬性相似聚集區(qū)的空間分布位置[20]。

全局空間自相關(guān)計(jì)算公式為：

式（15）中，n為區(qū)縣總數(shù)；xi和yi分別為i縣和j縣的綜合貧困指數(shù)；為所有縣區(qū)綜合貧困指數(shù)的平均值；Wij為空間權(quán)重矩陣。

局部空間自相關(guān)計(jì)算公式為：

式（16）中，Zi和Zj為i縣和j縣的綜合貧困指數(shù)；Wij為空間權(quán)重矩陣。

2 結(jié)果與分析

2.1 縣（區(qū)）域IPI與ALI的關(guān)系

通過式（5）構(gòu)建貴州省各縣（區(qū)）IPI值，值越高代表區(qū)域的農(nóng)村貧困程度越低，反之則農(nóng)村貧困程度越高。將各縣（區(qū)）IPI值（2016年）按從大到小排序（表2），對比2016年貴州省統(tǒng)計(jì)年鑒公布的貧困縣名單發(fā)現(xiàn)，排名在21名后的66個(gè)縣（區(qū)）中除了福泉市、綏陽縣、余慶縣外其余63個(gè)縣（區(qū)）都為農(nóng)村貧困縣，識(shí)別誤差率為4.55%。表明構(gòu)建的IPI 能比較準(zhǔn)確合理地反映出貴州省各縣（區(qū)）的真實(shí)農(nóng)村貧困狀態(tài)。

表2 各縣IPI排序

通過式（1）獲得2003—2018年貴州省各縣（區(qū)）的ALI。ALI高值區(qū)主要分布在較為繁華的市區(qū)，而低值區(qū)則分布在經(jīng)濟(jì)發(fā)展較差經(jīng)濟(jì)不發(fā)達(dá)的區(qū)域。用自然斷點(diǎn)法將研究區(qū)ALI值按照由小到大排序分為5個(gè)等級（極高、高度、中度、較低和極低)，具有極高、高度農(nóng)村貧困度的縣（區(qū)）域一共有62 個(gè)，中度、較低和極低農(nóng)村貧困度的縣（區(qū)）有25 個(gè)，從圖1 可以看出，與2016 年實(shí)際的農(nóng)村貧困狀況較為吻合，說明ALI能合理反映各地區(qū)的農(nóng)村貧困程度。

圖1 ALI識(shí)別貧困與實(shí)際的農(nóng)村貧困狀況對比

為了更好地探究貴州省縣（區(qū)）域IPI 與ALI的關(guān)系，分別運(yùn)用線性、對數(shù)、三次、冪函數(shù)、指數(shù)函數(shù)等回歸模型擬合IPI與ALI值。通過對比，選用最優(yōu)方程探討兩者的關(guān)系，通過對比發(fā)現(xiàn)IPI與ALI值存在明顯的線性關(guān)系。由表3 可以看出，各回歸方程的決定系數(shù)R2分別為0.863，0.615，0.891，0.698 和0.473，都達(dá)到了0.01顯著性水平，說明回歸方程是可信的，其中三次多項(xiàng)式擬合最好。因此可使用ALI估算IPI。模型公式為：

表3 各回歸模型參數(shù)

對2015 年與2016 年貴州省縣（區(qū)）域估算的IPI 結(jié)果進(jìn)行精度檢驗(yàn)。從圖2 可以看出，2015 年和2016 年用模型估計(jì)的IPI 值與實(shí)際的IPI 值擬合程度較好，R2均超過了0.86，表明模型計(jì)算的IPI 能夠很好地體現(xiàn)真實(shí)的IPI值，有一定的科學(xué)性和合理性。

圖2 2015年和2016年模型估計(jì)的IPI值與實(shí)際的IPI值擬合

2.2 貴州省縣（區(qū)）域農(nóng)村貧困的時(shí)序變化及空間分布特性

2.2.1 貴州省縣（區(qū)）域農(nóng)村貧困的時(shí)序變化

通過計(jì)算貴州省縣（區(qū)）域農(nóng)村綜合貧困指數(shù)的變異系數(shù)和泰爾指數(shù)來表征貴州省各縣（區(qū)）域農(nóng)村貧困差異，從圖3可以發(fā)現(xiàn)，2003—2018年貴州省縣（區(qū)）域IPI 指數(shù)的變異系數(shù)與泰爾指數(shù)的變化趨勢基本保持一致，均大于0，這表明貴州省IPI 在縣域?qū)用嫔洗嬖陲@著差異。從時(shí)間段來看，2003—2004 年期間變異系數(shù)和泰爾指數(shù)分別由0.694 7 和0.046 2 增加到0.807 9 和0.047 0，增長幅度分別為14.00%和1.82%，說明這期間農(nóng)村貧困差異有擴(kuò)大的趨勢；2004—2010 年兩者變化趨勢趨于平緩，表明農(nóng)村貧困差異變化不大；2010—2014 年呈現(xiàn)下降趨勢，變異系數(shù)和泰爾指數(shù)分別由0.845 3 和0.047 3 下 降 到0.715 1 和0.0461 1，表明這期間貴州省縣（區(qū)）域農(nóng)村貧困差異在逐漸地縮??；此后，變異系數(shù)和泰爾指數(shù)又再一次上升，在2018年時(shí)兩者達(dá)到了歷史最高值，農(nóng)村貧困差異再一次被擴(kuò)大。整體上，貴州省縣（區(qū)）域的IPI指數(shù)的變異系數(shù)和泰爾指數(shù)處于一個(gè)較高的水平，農(nóng)村貧困差異明顯。

圖3 2003—2018年貴州省農(nóng)村貧困指數(shù)的變異系數(shù)和泰爾指數(shù)

2.2.2 貴州省縣（區(qū)）域農(nóng)村貧困程度空間分布特征

采用自然斷點(diǎn)法將貴州省各縣（區(qū)）的IPI值劃分為5個(gè)等級（極高、較高、中度、較低和極低)以反映各縣（區(qū)）的農(nóng)村貧困程度。從圖4 可以看出貴州省縣（區(qū)）域農(nóng)村貧困程度極高縣（區(qū)）域由2003年的65個(gè)減少到了2018年的37個(gè)，年平均下降率為2.7%，農(nóng)村貧困程度較低和極低個(gè)數(shù)基本保持不變，主要分布在貴陽市和遵義市市區(qū)，農(nóng)村貧困程度整體上呈現(xiàn)減輕的趨勢。從各階段來看，2003—2008 年期間東部農(nóng)村貧困程度分布狀況變化不大，變化地區(qū)主要集中在中部和西南地區(qū)，極度農(nóng)村貧困（區(qū)）由67個(gè)減少到了57個(gè)，下降率為15%；2008—2013年農(nóng)村貧困程度變化主要集中在中部和中北地區(qū)，極高農(nóng)村貧困程度的縣（區(qū)）共減少7個(gè)；2013—2018年農(nóng)村貧困程度變化面進(jìn)一步擴(kuò)大，極高貧困度的地區(qū)僅剩37 個(gè)。其中，中北部和西南部農(nóng)村貧困程度變化最大，而東部和西北部地區(qū)變化不大，農(nóng)村貧困程度仍然處于一個(gè)較高的狀態(tài)。從整個(gè)時(shí)間序列上來看，貴州的扶貧效果突出，但東部和西北部地區(qū)扶貧力度仍需加大。

圖4 2003年、2008年、2013年和2018年貴州省縣域農(nóng)村貧困程度分布狀況

采用標(biāo)準(zhǔn)差橢圓對2003—2018 年貴州省縣（區(qū)）域農(nóng)村貧困程度進(jìn)行時(shí)空演化軌跡分析，從圖5 中可以看出2003—2018 年農(nóng)村貧困重心變化不大，大致位于烏當(dāng)區(qū)西部與白云區(qū)交界處，在106°47'27.355"E～106°50'3.609"E 和26°43'42.946"N～26°46'2.848"N 變動(dòng)。從重心的移動(dòng)軌跡來看，整體由西南向東北移動(dòng)，這是由于貴州省中部的農(nóng)村貧困程度在減輕，而東北部農(nóng)村貧困程度未得到減輕甚至加劇所致，具體可以分為兩個(gè)階段：第一階段2003—2012 年，貴州的農(nóng)村貧困重心主要向西南方向移動(dòng)，主要由于西南滇黔桂石漠化連片區(qū)農(nóng)村貧困程度上升導(dǎo)致重心整體往西南部偏移。第二階段為2012—2018年，重心向東北方向移動(dòng)，原因是東北部武陵山連片區(qū)農(nóng)村貧困程度上升所致。從圖5中可以看出，2003—2018年貴州省6個(gè)時(shí)期的標(biāo)準(zhǔn)橢圓總體上變化幅度不大，幾乎都是以烏當(dāng)區(qū)西部與白云區(qū)交界處為中心，橢圓的范圍大致覆蓋了貴州省35個(gè)縣（區(qū)）。從轉(zhuǎn)角θ的變化來看，2003—2018年標(biāo)準(zhǔn)橢圓差的轉(zhuǎn)角θ基本在58.765 2°～62.178 5°變動(dòng)，除了2015—2018 年的轉(zhuǎn)角θ轉(zhuǎn)動(dòng)幅度較大外，其他年份波動(dòng)較小。整體來看，貴州省的農(nóng)村貧困程度整體呈現(xiàn)“東北—西南”的空間分布格局。

圖5 2003—2018年貴州貧困程度時(shí)空演化軌跡

從主軸的方向來看，2003—2018 年主軸標(biāo)準(zhǔn)差呈現(xiàn)“增加—下降—增加—下降”的變化趨勢。具體看在2003—2006年和2012—2015年這兩個(gè)階段主軸標(biāo)準(zhǔn)差呈現(xiàn)增加，這表明了這兩個(gè)階段農(nóng)村貧困程度在“東北—西南”方向上出現(xiàn)分散。而2006—2009年和2015—2018年這兩個(gè)階段主軸標(biāo)準(zhǔn)差出現(xiàn)的減小的現(xiàn)象，表明這兩個(gè)階段貴州的農(nóng)村貧困程度在“東北—西南”方向上的差距有所縮小。由短軸方向變化可知，短軸的標(biāo)準(zhǔn)差由2003 年的1.554 1km 上升到了2018 年的1.604 7km，說明農(nóng)村貧困程度在“東北—西南”方向上出現(xiàn)了分散。

表4 2003—2018年農(nóng)村貧困程度標(biāo)準(zhǔn)橢圓參數(shù)

2.3 貴州省縣（區(qū)）域農(nóng)村貧困程度的時(shí)空關(guān)聯(lián)及演變特征

采用莫蘭指數(shù)（Moran's I）來測度全局貴州各縣（區(qū)）農(nóng)村貧困度的空間關(guān)聯(lián)特征。由圖6可以看出，基于正態(tài)分布的統(tǒng)計(jì)量Z值均大于0.01 的置信水平臨界值，各縣（區(qū)）IPI 指數(shù)的Moran's I 值均通過了顯著性檢驗(yàn)。2003—2018 年貴州省IPI 的Moran's I 值均大于0.6，各縣（區(qū)）域農(nóng)村貧困程度表現(xiàn)出顯著的正相關(guān)，并存在較強(qiáng)的空間聚集現(xiàn)象。從時(shí)間序列變化來看，2003—2018 年貴州省綜合農(nóng)村貧困指數(shù)IPI 的Moran's I 值的變化程“n”型，峰值出現(xiàn)在2009 年，較2003 年增漲了2.57%，說明這一時(shí)期農(nóng)村貧困分布的空間聚集程度所有加強(qiáng)。隨后Moran's I 值呈現(xiàn)下降趨勢，由2009 年的0.675 下降到2014 年的0.627，此后逐漸平穩(wěn)，表明這一時(shí)期貴州省縣（區(qū)）域貧困程度分布的空間聚集程度有所減弱，總之，從全局空間關(guān)聯(lián)分析可知，貴州省各縣（區(qū)）域農(nóng)村貧困程度表現(xiàn)出較強(qiáng)的空間聚集現(xiàn)象，由于貴州省各縣（區(qū)）的自然、人文和社會(huì)等條件存在差異，加之各地區(qū)經(jīng)濟(jì)發(fā)展水平的差異，貴州省各縣（區(qū)）域的農(nóng)村貧困程度差異也在不斷地變化，但整體未出現(xiàn)大的波動(dòng)，空間聚集現(xiàn)象較為平穩(wěn)。

圖6 2003—2018年貴州省縣域農(nóng)村貧困的全局Moran's I指數(shù)

為了更好地研究2003—2018 年貴州省縣（區(qū)）域農(nóng)村貧困程度集聚現(xiàn)象的具體特征，分別對2003年、2008 年、2013 年、2018 年貴州省縣（區(qū)）域綜合農(nóng)村貧困指數(shù)IPI 的局部Moran's I 進(jìn)行計(jì)算，并生成Lisa集散圖。結(jié)果如圖7所示，由圖可以看出，在4個(gè)年份中能達(dá)到顯著達(dá)到“HH”“LL”“HL”“LH”類型的縣域較少，且只有“HH”“LL”兩種類型，整體不足全部縣域的25%。

圖7 2003年、2008年、2013年和2018年貴州省縣域農(nóng)村貧困度的Lisa集散圖

整體來看4 個(gè)階段的LL 組基本沒有發(fā)生變化，主要集中在貴陽市的各區(qū)，這些地方是全省經(jīng)濟(jì)最為發(fā)達(dá)的地區(qū)。而HH組則隨時(shí)間的變化而變化，具體來看，2003年貴州省縣（區(qū)）域農(nóng)村貧困程度分布表現(xiàn)出較為明顯的空間分異格局，HH 組主要集中在羅甸縣、都勻市、榕江縣、黎平縣、劍河縣、石阡縣、余慶縣、鳳岡縣、德江縣、印江縣、沿河縣、正安縣和務(wù)川縣等這14個(gè)縣。2008年HH 組整體變化不大，在黔北地區(qū)的有所減少，增加了七星關(guān)區(qū)。2008 年在2003 年的基礎(chǔ)上變化較為顯著的HH 組縣區(qū)數(shù)量大幅度減少黔北地區(qū)僅保留了正安縣，黔東南地區(qū)整體向南部擴(kuò)張。與2013年相比，2018年貴州省縣（區(qū)）域農(nóng)村貧困程度分布的空間格局上出現(xiàn)了一些新的變化，HH 組主要集中到了黔東南地區(qū)僅有德江縣、印江縣、石阡縣不屬于該地區(qū)，黔東南占了全部縣域的75%的縣。表明黔東南及周邊地區(qū)農(nóng)村貧困程度均較高，農(nóng)村貧困程度高的區(qū)域整體的正在向黔東南地區(qū)偏移。

2.4 貴州省縣（區(qū)）域農(nóng)村貧困程度空間異質(zhì)性特征

為分析貴州縣（區(qū)）域農(nóng)村貧困程度空間異質(zhì)性的演化過程，采用空間變差函數(shù)對其進(jìn)行分析，從表5 中可以發(fā)現(xiàn)2003 年、2008 年、2013 年、2018 年4 個(gè)階段貴州省的縣（區(qū)）域農(nóng)村貧困化格局最優(yōu)擬合模型均為球狀模型，可見縣（區(qū)）域農(nóng)村貧困化在不同時(shí)期表現(xiàn)出相同的空間結(jié)構(gòu)特征。4個(gè)截面農(nóng)村貧困程度擬合模型的R2均大于0.88，說明模型擬合較好。從半變異函數(shù)分異來看，2003 年、2008 年、2013 年和2018 年農(nóng)村貧困程度塊金系數(shù)分別為0.197、0.115、0.059 和0.038，均小于25%，表明貴州縣（區(qū)）域農(nóng)村貧困程度具有強(qiáng)烈的空間相關(guān)性，空間的差異在不斷縮小。從變程的變化來看，縣（區(qū)）域農(nóng)村貧困程度參數(shù)在2008年以后出現(xiàn)下降的趨勢，由2008年的1.804下降到2018年的1.691，表明貴州省農(nóng)村貧困程度空間關(guān)聯(lián)作用范圍呈縮小的趨勢。

表5 2003—2018年貴州省農(nóng)村貧困化變差函數(shù)擬合參數(shù)

從空間變差函數(shù)的分維數(shù)表（表6）可以看出，全方位上分維數(shù)從2003 年的1.884 下降到2018 年的1.837，整體上呈下降趨勢并且擬合程度都較好，說明導(dǎo)致縣（區(qū)）域農(nóng)村貧困程度的空間分布由隨機(jī)性因素引起的空間異質(zhì)性呈下降趨勢。從各方向的分維數(shù)來看“東—西（90°)”方向擬合程度最好，D值呈現(xiàn)增加的趨勢，說明該方向變異性在縮?。辉凇澳稀保?°)”方向，分維數(shù)擬合效果相對較好，分維數(shù)值由2003 年的1.956 下降到了2018 年的1.814，整體來看呈逐漸下降的趨勢，說明縣（區(qū)）域在“南—北(0°)”方向變異性在增大，導(dǎo)致該方向農(nóng)村貧困程度的空間分布的隨機(jī)性因素有所增加。在東北—西南(45°)方向，D值在逐步的上升，說明在該方向上空間差異在減小。而在東南—西北(135°)方向D 值得整體變化不大，說明在該方向上的空間差變化不大。從Kriging插值3D擬合圖（圖8）可知，隨著時(shí)間的推移，農(nóng)村貧困程度低的地區(qū)面積有所增加，并向北部地區(qū)擴(kuò)展。農(nóng)村貧困程度高的地區(qū)主要集中在東南部和西北部。這與當(dāng)前貴州省的農(nóng)村貧困程度分布趨于一致。

表6 2003—2018年貴州省農(nóng)村貧困化變差分維數(shù)

圖8 2003—2018年貴州省貧困化格局半變異函數(shù)演化

3 結(jié)論

該文以2003—2018年貴州省的夜間燈光數(shù)據(jù)和8個(gè)社會(huì)經(jīng)濟(jì)指標(biāo)構(gòu)建的綜合貧困指數(shù)IPI為基礎(chǔ)，運(yùn)用回歸分析方法建立了利用夜間燈光指數(shù)（ALI）估算區(qū)域IPI 值的模型，并利用該模型估算貴州省各區(qū)域的IPI指標(biāo)值，利用變異系數(shù)、泰爾指數(shù)、標(biāo)準(zhǔn)差橢圓、空間變差函數(shù)以及探索性空間數(shù)據(jù)分析等方法對貴州省的農(nóng)村貧困時(shí)空格局演變進(jìn)行分析，得到如下結(jié)論。

（1）模型估計(jì)的IPI值與實(shí)際的IPI值擬合程度較好，R2均超過了0.86，表明利用夜間燈光數(shù)據(jù)計(jì)算的IPI能夠較為準(zhǔn)確、真實(shí)地體現(xiàn)區(qū)域的IPI值。

（2）貴州省農(nóng)村貧困差異逐漸增大。2003—2018年，貴州省縣（區(qū)）域IPI指數(shù)的變異系數(shù)和泰爾指數(shù)分別由0.694 7 和0.046 2 增加到0.860 0 和0.047 3，增長幅度分別為19.21%和2.38%。但是貧困程度極高的縣（域）在逐步下降，貧困程度極高縣（區(qū)）域由2003 年的65 個(gè)減少到2018 年的37 個(gè)，年平均下降率為2.7%，農(nóng)村貧困程度較低和極低個(gè)數(shù)基本保持不變，主要分布在貴陽市和遵義市，農(nóng)村貧困程度整體上呈現(xiàn)減輕的趨勢。

（3）貴州省的農(nóng)村貧困程度整體呈現(xiàn)“東北—西南”的空間分布格局。2003—2018 年標(biāo)準(zhǔn)橢圓總體上變化幅度不大，橢圓的范圍大致覆蓋了貴州省35個(gè)縣（區(qū)）。轉(zhuǎn)角θ基本在58.7652°～62.1785°變動(dòng)，呈現(xiàn)“東北—西南”的空間分布格局。

（4）貴州省的農(nóng)村貧困程度存在空間集聚現(xiàn)象。通過全局空間相關(guān)性分析顯示，2003—2018 年貴州省的IPI 值得全局莫蘭指數(shù)均大于0.6,貧困程度表現(xiàn)出顯著的正相關(guān)，并存在較強(qiáng)的空間聚集現(xiàn)象。在4個(gè)時(shí)期中能達(dá)到顯著達(dá)到“HH”“LL”“HL”“LH”類型的縣域較少，不足全部縣域的25%，其中LL 組位置基本未發(fā)生變化，而HH組則隨時(shí)間的變化而變化，整體來看農(nóng)村貧困程度高的區(qū)域整體的正在向黔東南地區(qū)偏移。

（5）貴州省的農(nóng)村貧困程度在不同時(shí)期表現(xiàn)出相同的空間結(jié)構(gòu)特征，農(nóng)村的貧困程度表現(xiàn)出較強(qiáng)烈的空間關(guān)聯(lián)性和組織性，但是貧困程度的結(jié)構(gòu)空間分異引起的貧困程度空間關(guān)聯(lián)作用范圍呈縮小的趨勢。從空間變差函數(shù)的分維數(shù)表可以看出，導(dǎo)致縣（區(qū)）域農(nóng)村貧困程度的空間分布由隨機(jī)性因素引起的空間異質(zhì)性呈下降趨勢。