基于DMSP-OLS數據和可持續生計的中國農村多維貧困空間識別

潘竟虎,趙宏宇,董磊磊

1 西北師范大學地理與環境科學學院,蘭州 730070 2 中國科學院西北生態環境資源研究院,蘭州 730000

貧困是一種貫穿整個人類發展歷史進程的客觀現象,也是現今世界各國尤其是發展中國家所要面對的共性問題[1]。貧困一詞在不同的發展時期從物質條件到精神層面被賦予了不同的含義,國際上的貧困測度研究經歷了從收入/消費視角的經濟維度貧困測度,到涵蓋收入、健康、教育、資源稟賦、居住、環境、區位和就業等經濟和社會維度的多維貧困測度,再到包含自然、人文、生態環境要素的地理空間貧困研究的歷程[2-3]。隨著統計數據的精細化,扶貧瞄準精度的提高,以及遙感和地理信息技術的快速發展,國際農村貧困地理的研究日漸興起[4]。按照瞄準尺度的不同,貧困識別可分為家庭或個體識別(適用于貧困人口數量少且分布較分散的國家)以及地理識別(適用于貧困面大、分布區域性特征明顯的國家)兩類[4]。地理識別是以不同尺度的地理單元為單位開展的貧困識別,至2016年底,中國農村貧困人口減少到4335萬,但分布明顯集中于生態脆弱地區,這決定了將來較長一段時期內,扶貧項目的瞄準必須將到戶、到人的精準瞄準與區域瞄準相結合[5]。僅僅依靠統計數據測度貧困,缺乏空間地域視角,無法直觀揭示貧困發生的地域特征和空間地理的影響機制。在國家大力實施“精準扶貧”的背景下,從空間視角識別貧困區并進行類型劃分,提出差別化的扶貧對策,具有重要的理論和現實意義。

從地理學視角研究貧困問題成為當前貧困研究的熱點[6],研究尺度上,正由關注宏觀層面貧困陷阱的形成機理轉向多尺度相結合綜合研究多重動態平衡；研究視角上,越來越重視地理和空間的作用；研究方法上,重視區域貧困的定量測度和空間貧困的時空演化；研究內容上,集中于空間貧困陷阱識別、多維地理因素以及區域瞄準及評估[4,7]。但與經濟學、社會學者相比,地理學貧困研究仍缺乏系統性和重大理論創新[3]。貧困縣是國家扶貧、減貧、開發政策執行的重要單元,其貧困狀況和致貧因素的辨識及測度是“精準扶貧”能否成功實施的前提。從1986年國家第一次確定貧困縣名單以來,關于貧困縣劃定標準的質疑和爭論就從未間斷過。劃分標準過于主觀,依據的社會經濟統計數據過于宏觀,在現有央-地財稅體制關系背景下,國家級貧困縣背后實質上代表著巨大的利益,一些非客觀的人情世故等因素必然存在和影響著名單。目前,中國貧困區域在空間分布上與生態脆弱區高度耦合,貧困區域和貧困人口向中西部農村收縮,且這種態勢持續加強；另一方面,囿于自然環境且高度依賴農牧業的生計狀況,又會引致地緣性貧困與生態貧困。在這種背景下,如何綜合、客觀地評價貧困縣的多維度貧困狀況,成為需要急迫解決的科學問題。此外,減貧效果的評價、多維貧困縣的調整和退出機制建立,也需要借助多源空間數據,建立多維測度模型,以相對統一的標準客觀地評價分析。

遙感數據尤其是夜間燈光影像因其宏觀、動態、客觀性等優勢,為監測和評價區域貧困,尤其是數據缺乏地區的貧困狀況,提供了一種客觀高效的方法[8]。Elvidge[9]利用DMSP-OLS夜間燈光影像和人口統計數據繪制了全球貧困地圖。Wang等[10]通過夜間燈光影像測算了中國省域貧困狀況。潘竟虎等[11]利用NPP-VIIRS夜間燈光影像對中國多維貧困進行了空間識別。Jean等[12]將機器學習與夜間燈光影像相結合,預測了非洲統計數據缺乏國家的貧困狀況。這些應用案例都說明夜間燈光影像可以很好地用于貧困狀況測度。本文利用DMSP-OLS夜間燈光遙感影像和多源空間、社會經濟數據,構建貧困測度模型,分析2002和2013年中國縣域多維貧困的空間分布,識別多維貧困縣,以期豐富區域空間貧困研究的技術方法,為精準識別貧困提供科學參考。

1 樣本區、檢驗區與數據來源

1.1 樣本區與檢驗區

圖1 檢驗區(青海省)和樣本區(寧夏回族自治區)位置示意圖Fig.1 Location of testing area (Qinghai Province) and sample area (Ningxia Hui Autonomous Region)

本文以寧夏回族自治區作為研究的樣本區,以青海省作為檢驗區(圖1)。寧夏總面積約6.64萬km2,受氣候條件及地理環境的影響,干旱區占總面積的76%。黃土丘陵溝壑區是典型的貧困集中區,全區8個國家級貧困縣中的7個都集中在黃土丘陵溝壑區。寧夏內部各縣市的經濟社會發展程度差異顯著,北部的銀川和石嘴山發展水平高,中部的吳忠和中衛次之,而南部的固原發展較為滯后。2015年,北、中、南人均GDP之比約為100∶43∶26,總體上區域發展極不均衡,作為樣本區的代表性很強。青海省總面積72.1萬km2,境內山脈高聳,地形多樣,河流縱橫。青海經濟發展水平差異也較大,2015年海西州的人均GDP約為玉樹州的5.7倍。海西州的農民人均純收入10582元,接近全國平均水平,但仍有國家級貧困15個,這也說明了依靠單一的經濟指標去識別貧困的局限性。

1.2 數據來源及預處理

美國國防氣象衛星(Defense Meteorological Satellite Program,DMSP)上搭載了OLS(Operational Linescan System)業務型線性掃描傳感器,最初設計是為了監測天氣,由于該傳感器具備特殊的光電放大能力,可以在夜間偵測到地表的微弱近紅外輻射,捕捉到城市的夜間燈光和火光,即使車流發出的低強度燈光也可以探測到[13]。本文所用的2002年和2013年穩定燈光值的DMSP-OLS夜光數據獲取自網址http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html,已經剔除了噪聲污染所致的灰度值小于0的像元。為了研究多維貧困指數與燈光值之間的關系,本文提出了基于有效燈光值的平均燈光指數ANLI(Average Nighttime Light Index)和基于區域面積的平均燈光指數ARNLI(Average Regional Nighttime Light Index),但由于DMSP-OLS數據只有64個灰度級,在光照強度較強的區域會出現飽和現象,沿海地區的飽和現象最為顯著。考慮到植被與城市建成區具有負相關性,城市建成區人類活動強烈,植被覆蓋度低；農村廣大地區建設用地分布少,植被覆蓋多,本文引入MODIS NDVI和EVI數據,分別采用Zhang等[14]提出的基于NDVI 去除燈光飽和的VANUI指數,潘竟虎等[15]提出的NVI降飽和指數和卓莉等[16]提出的基于EVI的緩解飽和的EANTLI指數,經過比較,EANTLI指數可以削弱土壤背景和大氣對植被指數的影響,且降低了NDVI易飽和的缺陷,對于城市化推進較快的地區,可以突出燈光差異,故本文采用EANTLI指數去除夜間燈光數據的飽和現象,有效地識別貧困區域。此外,由于多傳感器獲取的長時間序列DMSP-OLS 夜間燈光影像數據不同年度間缺乏連續性,本文采用不變目標區域法[17]進行校正,降低了DMSP-OLS 夜間燈光影像間的不穩定和不連續現象。

社會經濟統計數據取自2003年和2014的《中國縣域經濟統計年鑒》,部分指標獲取自相同年份的《寧夏統計年鑒》和《青海統計年鑒》。DEM從國際科學數據服務平臺(http://www.cnic.cn/zcfw/sjfw/gjkxsjjx/)下載,為90 m的柵格數據。在ArcGIS軟件中計算得到各縣域的地形破碎度、平均高程、平均坡度和合成地形指數。NPP和EVI數據獲取自網站https://ladsweb.nascom.nasa.gov,用于計算全局植被濕度指數GVMI(Global Vegetation Moisture Index)的MOD09A1產品亦從該網站下載,分辨率均為1 km。其中,NPP為MOD17A3年合成產品,EVI為MOD13A3 數據產品,采用最大值合成(MVC)。行政區劃數據取自國家基礎地理信息中心(http://www.ngcc.cn/),考慮到研究對象為農村貧困,為方便起見,將每個地級市的所有市轄區合并為一個統計。年降水量數據取自中國氣象數據網(http://data.cma.cn/)。

2 研究方法

2.1 可持續生計指標體系

貧困地理識別的主要依據是空間貧困 理論,其觀點是將收入、健康、消費、教育、資源稟賦、區位等多維度指標賦予地理屬性,集成為地理資本,分析地理資本在空間上的集聚性(即空間稟賦),從而探討空間貧困陷阱的存在與否[18]。由此可見,空間貧困與地理資本這兩個集合名詞涵蓋了經濟、社會、生態環境等多維指標于一體。將上述地理資本要素及貧困劣勢在地圖上表現出來,即所謂“空間貧困地圖”,可以深入研究貧困的空間分異機制,提出針對性的減貧消貧策略。本文采用可持續生計分析框架(SLA)的思想構建多維貧困評價指標體系。SLA由英國國際發展機構(DFID)于2000年建立,SLA從貧困產生的多種原因出發,力圖提供多種解決方案,是一種多維視角下的分析框架[19]。DFID的SLA將生計資本確定為5種資本,即金融、生態、人力、物質和社會資本,構建“生計五邊形”,用于刻畫不同資本的數量和結構組合。考慮到本文評價對象為多維貧困,而生態環境/背景脆弱性與生計資本之間直接或間接地存在著加強或削弱聯系,因此,在SLA的多維框架下,本文引入了脆弱背景和環境指標,力圖刻畫各類生計資本間的平衡狀況[19]。參考前人[1,6-7]相關研究,在空間貧困理論和SLA理論指導下,遵循數據的可獲得性、動態性、指標的相關性、典型性、指標間的區分度等原則,考慮自然、生態、環境等非社會性因素對反貧困的作用,兼顧目前國家層面全面脫貧戰略的核心監測指標,并考慮貧困與區位、環境、資源稟賦、經濟、社會等要素間的動態影響、相互作用,提出了縣域可持續生計空間測度的多維度指標體系候選集。

采用R聚類-變異系數方法篩選候選集中的指標,最終構建了由 6個目標層和30個指標層構成的縣級可持續生計度量指標體系(表1)。在此基礎上,對篩選后的指標進行無量綱處理,利用熵權法修正AHP的方法確定各指標的權重,這樣既可以彌補主觀賦權法主觀性較強的弱點,盡可能地保證了權重的客觀性,同時又兼顧了使用者對指標的偏好。根據已經建立的多維指標體系及修正后的指標權重,計算生計指數。各指標的統計數據單位不相同,數據偏差大,直接對其統計沒有統計學意義。需對每個指標數據無綱量化處理,減小各指標之間的相關性影響程度。某些縣區的單一指標會受統計誤差的影響而遠離標準值,例如,石嘴山市的能源消耗量的統計數據包含能源公司的能耗數據,這些超出標準值的統計數據會影響SLI計算的準確度。先對其進行修正得到指標統計矩陣,再對矩陣標準化處理,將每個指標的值都轉化為一個無綱量值。

表1 縣域可持續生計指標體系及其權重分配

注：表中的“+”號代表正向指標,越大越好；“-”號代表負向指標,越小越好

表1中,集水指數用于表征某個地區水資源的可獲得性,計算式為[20]：

AW=CTI×AP/10000

(1)

式中,AW為集水指數,AP為年降水量。如果某地區地形平坦、集水面積大并且降水充沛,其集水指數就大。反之,若地形坡度大或集水面積較小,且降水又稀缺,則其AW就小。合成地形指數CTI(Compound Topographic Index,CTI)是上游匯流面積(FA)和景觀坡度(slope)的函數,計算式為[21]：

CTI=ln(FA/tan(slpoe))

(2)

GVMI可以綜合反映植被和土壤濕度信息,表征區域生態環境的好壞。計算式為[22]：

(3)

式中,NIR和SWIR分別為MODIS數據產品MOD09A1的近紅外波段(波段2)和短紅外波段(波段6)。MOD09A1數據產品空間分辨率為500 m,時間分辨率為8天合成。將500 m空間分辨率重采樣為1 km,根據公式(3)得到相應8天的GVMI,再采用最大值合成法(MVC)得到月的GVMI,最后求得年平均值。

可持續生計指數的計算式為：

(4)

式中,SLI為可持續生計指數,xi為標準化后的第i個指標值,wi為第i個指標的權重。

生物豐度指數和水網密度指數根據國家發布的《生態環境狀況評價技術規范(試行)HJ 192—2015》計算獲得。

2.2 多維貧困測度

2.2.1 夜間燈光與生計指數的關系

以西部的寧夏回族自治區為樣本區建立測度模型,其所轄全部縣區用于整體建模。研究表明[8- 14,23- 24],夜間燈光的強度與區域經濟發展存在顯著的正相關關系,基于此原理,用區域燈光強度與生計指數擬合得出可持續生計評估模型。本文綜合其他文獻[8- 14]所使用的燈光指數,結合研究樣區的特點,分別采用基于區域面積的平均燈光指數ARNLI(Average Regional Nighttime Light Index)和基于像元數的平均燈光指數ANLI(Average Nighttime Light Index)。計算式為

(5)

(6)

根據上述公式分別計算研究樣本各縣域的ARNLI指數和ANLI指數,對其進行分類評級。結果發現,燈光強度與縣區經濟的發展擬合度極好,在研究樣本中有11個縣,其中9個縣區是國家級貧困縣,其燈光強度顯著低于非貧困縣。圖2為兩個指標2013年的對比情況；圖3為2002年的對比情況。

圖2 寧夏2013年ANLI和ARNLI分級Fig.2 ANLI and ARNLI grading map of Ningxia in 2013ARNLI： 基于區域面積的平均燈光指數Average Regional Nighttime Light Index;ANLI: 基于像元數的平均燈光指數Average Nighttime Light Index

圖3 寧夏2002年ANLI和ARNLI分級Fig.3 ANLI and ARNLI grading map of Ningxia in 2002

依據公式(3)計算出寧夏各縣區的可持續生計指數SLI,繪制SLI分區圖(圖4),可以看出,SLI較高的縣區大都分布在北部黃河灌溉平原區內,SLI較低的縣區則集中在中部干旱臺地黃土丘陵區和南部半干旱黃土丘陵、六盤山地區。為了判斷SLI是否能反映貧困狀況,將各縣區的SLI排序,發現排在后10名的縣區全都進入了新《綱要》中劃定的集中連片特困區范圍,這也從側面驗證了SLI可以用于測度多維貧困。

圖4 寧夏的可持續生計指數分級Fig.4 SLI grading map of NingxiaSLI: Sustainable livelihoods index

各指標統計數據的年差異和權重對SLI指數的計算影響較大,若僅依靠一個模型模擬區域社會經濟的發展是有局限性的。因此,本文分別采用線性、非線性、指數及對數等多種模型,將寧夏各縣區的SLI與ANLI和ARNLI進行擬合,以便確定最佳的模型。結果發現指數和線性擬合程度較好,其中,指數的擬合效果最好,并且隨著時間序列的演進擬合效果越好。圖5是2013年SLI指數分別與ANLI指數、ARNLI指數的指數回歸方程和線性回歸方程,圖6是2002年SLI指數分別與ANLI指數、ARNLI指數的指數回歸方程和線性回歸方程。經綜合對比兩個年份的回歸結果,SLI指數與ANLI指數的擬合優度高于ARNLI指數,指數方程的擬合優度高于線性方程的擬合優度。利用T檢驗和F檢驗來檢驗回歸方程的可信度。t檢驗和F檢驗對于一元線性模型是等價的,但對于指數模型解釋變量的整體對于被解釋變量的影響是顯著的。ANLI與SLI的線性模型的顯著性檢測值為F=457.64,t=4.38,ARNLI與SLI的線性模型的顯著性檢測值為F=367.28,t=3.98,ANLI與SLI的指數模型的顯著性檢測值為F=657.64,t=6.43,ARNLI與SLI的指數模型的顯著性檢測值為F=467.28,t=5.28,F理論值為234,F實際值高于理論值,存在顯著的正相關關系,t檢測值也在置信區間內。綜合分析判斷,本文最終利用指數模型來建立SLI指數與ANLI指數之間的回歸關系。

圖5 2002年SLI與ARNLI和ANLI之間的回歸結果Fig.5 Regression results between SLI and ARNLI, and ANLI in 2002

圖6 2013年SLI與ARNLI和ANLI之間的回歸結果Fig.6 Regression results between SLI and ARNLI, and ANLI in 2013

2.2.2 模型驗證

構建的模型必須通過驗證才能用于整體數據的統計估算。利用指數模型計算青海省各縣區的理論SLI指數,用基于統計數據的SLI指數進行誤差檢驗,采用平均相對誤差來反映模擬的精度,計算式為

(7)

式中,ARE為相對誤差,SLIe為根據指數模型估算的SLI指數,SLIa為根據統計數據計算的SLI指數,n為樣本縣區個數。

3 多維貧困的時空分布

3.1 縣域可持續生計空間異質性格局

盡管貧困空間分布的柵格圖可以直觀、客觀、宏觀地表達地理位置上貧困的分布差異,然而,在具體的扶貧、減貧政策落實、執行時,不可能在柵格尺度上完成,而是需要將資金、優惠條件等分配到具體的行政單元上。在中國,縣級行政區是組織與管理國民經濟和社會發展最基本的單位,是城鄉二元結構等區域差異問題、“三農”問題等的集中發生地,也是扶貧政策落實的基本單元,具有承上啟下的關鍵作用。因此,本文求取各縣域內柵格的平均SLI,并繪制可持續生計圖(圖7)。

圖7 縣域可持續生計指數的空間分布Fig.7 Sustainable livelihoods index of counties in China

2002年,全國2391個縣區SLI的平均值為0.358,標準差為0.385；2013年全國各縣區SLI的平均值為0.457,標準差為0.608。這說明11年間可持續生計水平提高了27.9%,而縣域間的個體差異則有所擴大。按照可持續生計指數SLI的大小,采用自然斷點分類,將中國全部縣域劃分為6個級別：極富裕、富裕、較賦予、較貧困、貧困和極貧困(圖8)。結果發現,2002年和2013年,富裕區大都集中分布在珠三角、長三角、海峽西岸、環渤海、臺灣省等地區,散布在成渝、關中、寧夏沿黃、呼包鄂榆、天山北坡、中原、哈大長、武漢、長株潭、滇中等城市群。極貧困區則主要集中在西藏、甘青川滇四省藏區、陜甘寧晉黃土高原地區、滇黔桂石漠化地區、云南沿邊山區等。2013年與2002年相比,極富裕和富裕區的范圍有所擴大,貧困和極貧困區的范圍則大幅縮小。

圖8 多維貧困分級Fig.8 Classification of multi-dimensional poverty in China

3.2 縣域可持續生計空間依賴性格局

首先進行縣域可持續生計的全局空間依賴性檢驗。依據各縣區SLI 得分,利用Rook標準計算全局空間自相關測度的Moran′sI指數,采用999次隨機計算以提高其運算的穩健性。中國縣區在2002年的全局Moran′sI指數為0.636,P檢驗值0.0000,Z檢驗值125.0792,在1%的顯著水平上拒絕原假設；在2013年的全局Moran′sI指數為0.579,P檢驗值0.0000,Z檢驗值108.5632,在1%的顯著水平上拒絕原假設,說明中國縣域可持續生計存在較強的空間依賴性,換言之,高SLI的縣區往往相鄰聚集,反之亦然,但11年間這種空間自相關特征在下降。

其次,進行縣域可持續生計的局部空間依賴性檢驗,同樣采用999次隨機計算以提高其運算的穩健性。根據各縣區SLI與相鄰縣區SLI的關系,可得到4種類型(圖9)：高-高(HH)、低-低(LL)、低-高(LH)和高-低(HL)。2002年(圖9),HH、LL、LH 和HL顯著的縣區數目分別為446、638、134、11,LL型最多,約占全部縣區的26.7%,反映出可持續生計差的貧困俱樂部成員的數量眾多；空間上幾乎全部分布在百色-扎蘭屯一線以西的地區,較之著名的“胡煥庸線”(黑河-騰沖線)向東偏移約700 km。HH型的縣區占總數的18.6%,分布較為規律,多分布在沿海地區,少數為中、東部地區的省會等大城市轄區。LH型的縣區在HH型縣區的外圍分布,多為東南沿海省份內部發展相對落后的地區,以及省際邊緣區,如湘粵贛、閩贛、湘粵、皖贛、鄂魯豫交界等。HL型僅11個,全部是特大城市(重慶、成都、西安、鄭州、石家莊等)周邊的縣區。區域經濟均衡發展是相對的,而不平衡發展則是絕對的。在某些時段、某些地區中存在著越鄰近中心城市邊緣,其發展越受制約、越是落后的狀況,當中心城市處于擴散時期時,這些鄰近地區也未必“近水樓臺先得月”,雖然這些縣區與大都市區盡在咫尺,卻沒有受到大城市光環的照耀,成為了“大都市陰影區”。而從2013年來看(圖9),HH、LL、LH 和HL顯著的縣區數目分別為239、154、65、15,除HL型縣區略有增加外,其余3種類型縣區的數量均大幅減少。LL型縣區的數量減少最多,說明11年間減貧成效顯著,除了面積大大減少外,在空間分布上,LL型縣區由2002年的集中連片分布轉變為離散化分布,較大的連片區主要位于西藏東部、四川西部、云貴高原、六盤山區、秦巴山區、武陵山區等。HH型的縣區分布依然,更加集中在華東和華南沿海地區。LH型和HL型的分布規律與2002年相比變化不大。

圖9 2012年中國可持續生計的局部空間自相關的LISA圖Fig.9 The LISA diagram of sustainable livelihoods index in China

3.3 多維貧困縣的空間分布

3.3.1 總體分布特征

本文把依據可持續生計指數劃分的極貧困和貧困區所屬縣區確定為中國的多維貧困縣區(圖10),2002年識別出的中國多維貧困縣共642個,其中屬于國務院扶貧開發領導小組辦公室確定的國家級貧困縣424個。2013年識別出的中國多維貧困縣共612個,其中國家級貧困縣421個。由圖10可知,2002—2013年間,我國多維貧困縣的集中分布態勢并未發生顯著的轉變,多維貧困發生率較高的縣區依然連片分布在中西部地區。具體來看,2002年,多維貧困縣集中分布在青藏高原大部、云貴高原大部、川西、滇西山區、祁連山區、六盤山區、秦巴山區、武陵山區、內蒙古中部、南疆等地。2013年,多維貧困分布更為分散,貧困減少較明顯的地區包括南疆、內蒙古中部、桂黔滇毗鄰地區,在武陵山區、湘贛粵交界地帶、東北、陜甘寧六盤山區等地,多維貧困有所推進。2013年,中國農村多維貧困縣區總體上表現為東、中、西部島狀-塊狀-連片狀3種地域類型：(1)東部平原、丘陵及革命老區孤島型多維貧困區,包括大小興安嶺南麓、中朝中蒙交界區、遼西；淮河中上游地區、閩贛交界、羅霄山區、瓊中等島狀分布的丘陵山區；(2)中部山地、丘陵、高原環境脆弱塊狀多維貧困區,空間上恰好表現為沿胡煥庸線兩側分布的態勢,從東北地區經過燕山-太行山區、呂梁山區、大別山區、武陵山區、烏蒙山區、湘粵贛,延伸至滇桂黔石漠化區和滇西山區；(3)西部高寒、荒漠環境惡劣片狀多維貧困區,包括蒙新寒旱區、青藏高原山地區、川西-甘南高寒區、黃土高原丘陵溝壑區等。

圖10 中國多維貧困縣空間分布Fig.10 Distribution of multi-dimensional poverty counties in China

3.3.2 空間變化

以2002年和2013年識別出的多維貧困縣為研究對象,進行多維貧困區空間分布格局的演變分析。將兩個年份上多維貧困縣分為穩定型、調入型和調出型三類：穩定型,在兩個年份上多維貧困識別中均位于SLI指數評估的貧困或極貧困縣域；調入型,2013年評估中新加入貧困或極貧困縣的“戴帽縣”；調出型,2013年評估中SLI指數增加快,總體達到脫貧、不再進入SLI貧困、極貧困名單的“摘帽縣”。統計結果顯示,穩定型多維貧困縣的數量為438個,占2013年全部貧困縣的71.6%,調入型和調出型多維貧困縣的數量分別為168個和134個,調入型貧困縣占多維貧困縣總數的27.4%。可以看出,中國多維貧困區11年間集中分布的態勢并未發生明顯改變。調出型多維貧困縣最明顯的地區是內蒙古中部、云南-貴州交界、湖南、湖北、山東等省份,內蒙古通遼、赤峰、鄂爾多斯、烏蘭察布、陜北榆林、延安等資源富集地區的多維貧困縣,依托煤電、石油、天然氣、礦產品等的開發利用,旅游及特色農副產品加工等產業的帶動,實現了縣域的脫貧。值得注意的是,在東北地區、中部省域交界地帶、海南等地出現了新的多維貧困縣,這些地區應當是未來減貧消貧重點關注的地區。

4 討論

中國農村貧困化在新時期表現為空間孤島、投資遞減、收入扁平、發展馬太等多效應的疊加,多維度地科學評估,因地制宜地精準施策,自然變成新時期扶貧開發工作創新的關鍵問題和難題[28]。家庭真實屬性特征對于中國扶貧政策的制定者來說,經常是無法準確觀測到的,這在一定程度上限制了精準扶貧政策執行的有效性。就地理學視角而言,不同空間尺度之間存在相互嵌套、關聯和影響的關系。微觀尺度上的個人/家庭貧困必然受到中觀和宏觀尺度上的政策效應影響。今后很長的一段時期,中國對貧困地區進行地理識別和認定以安排和實施各種扶貧項目,仍然是必要的[29]。作為中國農村扶貧主要瞄準對象的貧困縣,其貧困水平識別和判定是提高區域扶貧工作“瞄準度”的前提,也是現今貧困縣全部“摘帽”和實現全面小康的先決條件。然而,盡管中央和各省區公布的新一輪貧困縣退出或扶貧開發監測實施方案均提出面向“精準識別、全面脫貧”的思想,并著重考慮了社會經濟發展和生態環境改善等多方面,但已有方案更多地仍停留在定性表述上[30]。本文引入可持續生計分析思想,構建了中國多維度貧困測度指標體系,采用DMSP-OLS夜間燈光影像,以寧夏和青海分別作為樣本區和檢驗區,建立估算多維貧困的模型,開展了基于柵格和縣域尺度的多維貧困空間識別。

由于本文利用夜間燈光影像和可持續生計指數進行多維貧困測度尚屬探索性工作,缺陷和不足在所難免。首先,寧夏和青海分別作為樣本區和檢驗區,盡管具有代表性,仍需要增加更多樣本,特別是檢驗其在中、東部地區的適用性。其次,受現有夜間燈光數據空間分辨率的限制,尚不能實現更小尺度上的多維貧困精細判別。第三,受數據可獲取性限制,可持續生計的測度指標體系可能遺漏一些重要指標,如外出打工者、公共服務水平等。盡管指標經過了篩選,但指標間的相關性仍不可避免地存在,如城鎮化率本身就是一個復合指標,夜間燈光指數通常也用于測度城鎮化水平,而城鎮化水平本身與經濟社會發展也具有很強的相關性,下一步工作可考慮采用主成分分析等指標去相關性的評價方法。最后,由于空間尺度效應和地區、城鄉間的差異,本文得出的結論不一定適用于更大的國家尺度和更小的鄉鎮、村、家庭等尺度。此外,本文僅選擇兩個年份的截面數據開展多維貧困的識別,沒有進行基于面板數據的扶貧減貧績效監測。考慮到新一代夜間燈光影像NPP-VIIRS具有更高的空間分辨率,且提供輻射定標數據,不存在像元值的飽和溢出現象,今后的工作可嘗試基于多源時空數據的多維貧困精準監測模型設計,或扶貧資源優化配置系統開發,以迎合貧困精準識別-精準幫扶-精準考核的國家減貧戰略部署。

空間異質性是中國農村貧困的重要屬性,所以扶貧減貧政策相應地也須因地制宜。各縣區資源、人力、物質、生態等可持續生計資本和社會保障服務差異致使貧困空間分布格局發生變異。另外,各縣區在社會經濟發展中面臨的致貧風險沖擊暴露程度不同,也會產生環境/背景脆弱性差異。基于此,對多維貧困縣,將來的扶貧、減貧理應遵循從區域到家庭再到個人、從宏觀到中觀再到微觀的逐步協同、逐步精準的過程。將基于區域(region-based)的戰略與基于個人(people-based)的政策相結合,方能實現扶貧、減貧的規劃目標。可持續生計低-低的區縣聚為“多維貧困俱樂部”,其周邊縣區可持續生計狀況也低,提高生產生活水平面臨諸多障礙,此類縣區扶貧的重點是以制度建設為主,發展生產為輔。扶貧具體策略應堅決貫徹“綠水青山就是金山銀山”的發展理念,采取就業扶持、易地搬遷、發展教育、生態補償、社保兜底的“五位一體”方式,大力發展旅游業等生態綠色產業,實現整體脫貧。雖然經濟發展是多維貧困縣的主要致貧因素,然而隨著經濟的持續發展,經濟的減貧效果會逐漸降低,而生態因素、環境背景脆弱性、社會發展的作用必然逐漸增強。因此,多維貧困縣在后期的精準脫貧工作中,應充分考慮可持續生計發展的各項約束條件,有針對性地采取措施,補齊發展的短板,創造可持續生計發展的良性循環。