融合夜光遙感數據的多維貧困識別及演化分析

張二梅 鄧晉 宋學金

摘要：基于遙感手段高效識別貧困地區及掌握其演化機制對于加強扶貧攻堅與鄉村振興統籌銜接等工作具有重要意義。提出了融合夜光遙感數據借助相關系數及層次分析法構建多維貧困指數的方法，以四川省為例，對四川省各縣多維貧困指數進行了估算，并對模型進行了精度檢驗。借助地理信息系統（GIS）空間分析技術與夜光遙感數據時間連續的特點，從時空演化角度對貧困縣動態發展狀況進行了詳細分析。結果表明，2003—2013年四川省多維貧困縣比例從46.45%下降到28.42%;變異系數呈下降趨勢，證實四川省內部貧困差距緩慢縮小;2003—2013年空間分布演變圖中，阿壩藏族羌族自治州、甘孜藏族自治州和涼山彝族自治州的區縣大多處于長期多維貧困狀態;處于極貧困區與極富裕區多維貧困指數增長幅度不明顯，而處于中間地帶縣區增幅較大;熱點分析中表現為熱點區與冷點區逐漸呈東西方向抗衡之勢。該研究結果可為局部異化貧困形勢復雜地區的脫貧政策精準制定提供前瞻依據。

關鍵詞：夜光遙感數據;層次分析法;多維貧困指數;時空演化;熱點分析

中圖分類號：S127? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2019）14-0126-08

Abstract： It is of great significance to effectively identify the poverty-stricken areas and appreciate the mechanism of their evolution based on remote sensing to strengthen the coordination between poverty alleviation and rural revitalization. In this paper， a method of constructing multidimensional poverty index by integrating nighttime imagery with the correlation coefficient and analytic hierarchy process is proposed. And at the same time， the accuracy of the model is tested. With the spatial analysis technology of geographic information system （GIS） and the characteristics of temporal continuity of nighttime light imagery， this paper makes a detailed analysis of the dynamic development of poverty-stricken counties from the perspective of spatial-temporal evolution. The results demonstrate that from 2003 to 2013， the proportion of the poverty-stricken counties in Sichuan dropped from 46.45% to 28.42%. The variation coefficient illustrates a decreasing trend， which proves that the poverty gap within Sichuan province is slowly narrowing. In the spatial distribution evolution map from 2003 to 2013， most districts and counties in Ganzi， Aba and Liangshan autonomous prefecture are in long-term multidimensional poverty. The increase of multidimensional poverty index is not miraculous in the extreme poverty and extremely affluent counties， but the increase is miraculous in the middle counties. In the hot spot analysis， the hot spot area and the cold spots gradually show an east-west trend. The results of this study can provide a prospective basis for the accurate formulation of poverty alleviation policies in areas with complicated local alienated poverty situation.

Key words： nighttime light imagery; analytic hierarchy process; multidimensional poverty index; space-time evolution; hot spot analysis

消除貧困是社會主義制度的本質要求，據國務院印發的《中國農村扶貧開發綱要（2011—2020）》，中國區域發展不平衡現象以及相對貧困問題顯著，國家劃定的14個集中連片特困區是新時期精準扶貧戰略下扶貧攻堅的主戰場[1]。中國雖然30年來減少了6.6億貧困人口，但仍存在7 000多萬貧困人口且致貧因素更加復雜，在即將到來的2020年全面建成小康社會任務艱巨[2]。因此，科學制定扶貧、減貧、脫貧政策達到消除貧困的目的尤為迫切，而前提需要精準量化并識別出貧困地區。傳統認定貧困地區大多靠統計出來的經濟數據及抽樣實地調查，耗時耗力[3]，常規貧困認定是基于農民收入或GDP等單一指標[4]，以貧困線進行貧困劃定，難以涵蓋貧困的復雜性，影響精準扶貧的效果。

阿馬蒂亞·森[5]首次提出多維貧困理論，并在貧困體系中引入“能力”剝奪，進行多維貧困測度指數構建[6]。隨后，聯合國開發計劃署提出能力貧困指數和人類貧困指數[7]，Alkire等[8]在Sen的理論上進一步發展從3個維度選取具體10個指標構建多維貧困指數（Multidimensional Poverty Index，MPI），開發了Alkire-Foster（AF法）多維貧困測算模型，得到廣泛應用[9，10]。相對于單一維度的收入貧困，多維貧困更加全面、科學[11]，并且發展多維貧困度量方法和提高貧困識別精準度也是近年來國際貧困研究中的熱點領域[12]。

夜光遙感能夠有效表征區域內經濟發展水平[13]，其數據量豐富、覆蓋范圍大、時空連續[14]，可為區域貧困識別及長期動態監測提供新的思路。Noor等[15]利用收入等統計數據和夜光數據分析了非洲37個國家貧困狀況;Elvidge等[16]研究多個國家貧困指數與燈光強度有一定相關性并繪制全球貧困分布圖;袁濤[17]提出“單位燈光強度”概念構建貧困測度模型對貧困地區空間分布進行研究;潘竟虎等[18]利用夜光數據實現了基于柵格和縣域尺度的貧困空間化;黃先梅[3]利用夜光數據估算中國縣區貧困分布圖并對中國縣區綜合貧困的空間集聚性進行了分析。考慮到貧困屬性的相對持久性，同時又隨時間變化性，夜光遙感數據還可對貧困時空演化以及扶貧情況的動態監測進行進一步挖掘分析。

本研究在AF法基礎上從社會、經濟、健康、自然4個維度選取指標，借助相關系數及層次分析法建立多維貧困指標體系，與區域平均夜光指數耦合，構建多維貧困測度模型。估算2003—2013年四川省各縣多維貧困指數，并進行誤差檢驗，再借助GIS空間分析技術實現四川省貧困格局空間化，從貧困識別結果評價與分析、各貧困等級時間演化及空間格局演變特征定量評估四川省各縣區動態扶貧效果，為局部異化多貧困且貧困形勢復雜地區的脫貧政策精準制定，從而為實現轉移致富提供前瞻依據與技術支持。

1? 研究區概況與數據源

1.1? 研究區概況

四川省位于東經97°21′—108°33′和北緯26°03′—34°19′，為多民族聚集地。四川省有183個縣，其中有36個國家級貧困縣，52個省級貧困縣，截至2014年底，該88個貧困縣中貧困人口達到335.07萬人[19]，并且在劃定的14個集中連片特困區中四川省有15個縣在秦巴山區，13個縣在烏蒙山區，及明確實施特殊扶持政策的西藏、四省藏區、新疆南疆三地中四川省有32個縣在四省藏區。由于對貧困區的劃定最小行政單位是縣級區域，因此本研究選取集中連片特困區中貧困縣較多、發展不均衡、貧富差距較大、貧困態勢復雜的四川省各縣區作為重點研究區。

1.2? 數據來源

夜光數據來源于美國國防氣象衛星（DMSP）上搭載的傳感器（OLS），該傳感器最初為了探測云量等，后來由于它能檢測到夜間地球表面薄弱的近紅外輻射，即探測到城鎮鄉野的夜晚燈光、漁船燈光、汽車燈光等[16]，該影像緯度為65°S～75°N，經度為180°E～180°W，影像空間分辨率為1 km，參考坐標系是WGS-84。而每期的非輻射定標的DMSP/OLS夜光數據中包含3種全年平均影像：無云觀測頻數影像、平均燈光影像和穩定燈光影像，時間跨度從1992—2013年，其中穩定燈光影像去除了月光云、火光及油氣燃燒等背景噪聲的信息[20]，像元亮度值（Digital number，DN）就代表了城市夜間燈光[21]。本研究所使用數據包括2003—2013年DMSP/OLS穩定燈光夜光數據、2003—2013年《四川省統計年鑒》以及四川省各縣區行政區劃矢量數據。

1.3? 數據預處理

夜光數據傳感器自身性能差異以及存在多個衛星對同一年數據進行獲取，因此直接獲取的夜光數據中存在不連續情況，需要長時間序列間的相互校正，并且校正過后的影像更客觀地反映區域間經濟發展的差異[20]。同時DMSP/OLS傳感器分辨率低導致DN值范圍是0～63，在城市中心區域間該影像亮度存在過飽和情況[22]，因此對數據還要進行去飽和處理。校正前，將影像投影為艾爾伯斯等面積投影坐標系，避免網格形變帶來的影響。

校正采用相對穩定目標不變區域法，校正模型選取曹子陽等[20]研究中的參數，相互校正公式如式（1）所示：

將研究區矢量數據坐標系轉換與夜光數據一樣，再進行掩膜裁剪提取，將2013年預處理后的夜光數據進行展示（圖1），及得到校正后2003—2013年四川省逐年夜光數據DN值總和（圖2），并進行多維貧困指標統計。

2? 基于夜光遙感數據的多維貧困模型構建

2.1? 基于層次分析法及相關系數多維貧困指標體系構建

層次分析法（Analytical hierarchy process，AHP）是在評價系統中對非定量事物作定量分析且判斷主觀事物更為客觀的一種有效方法[24]。多維貧困指數構建時，需評估各指標所占權重，而層次分析法廣泛應用于多層次、多變量、結構復雜系統的權重確定。有研究表明，區域平均夜光指數與多維貧困進行耦合相關性更強[18]，從夜光遙感數據中提取區域平均夜光指數（Average nighttime light index，ANLI）計算式如式（4）所示：

ANLI=∑DNi/n? ?（4）

式中，DNi是區域內每個柵格單元像元亮度值，n是該區域內柵格數目。

借鑒AF法[8]及所得統計數據從社會、經濟、健康、自然四個維度選取指標，減少具體指標選擇的主觀因素，指標與ANLI進行相關性分析，相關系數絕對值達到0.38的作為指標。AHP方法需構造判斷矩陣，該過程在兩兩指標重要性比較時主觀因素較強，因此以指標的相關系數作為衡量標準，兩兩指標的相關系數比值得到判斷矩陣（判斷矩陣需經過一致性檢驗），從而更加客觀地確定權重。人均可支配收入指標與ANLI相關性較大系數為0.802，但2003—2013年中部分數據不全，教育方面選取在校學生占總人口比例作為指標，但與ANLI相關系數僅0.037（說明四川省ANLI表征地區經濟方面與教育相關性不大，從另一個層面反映四川省教育普適性），因此在構建多維貧困指標體系時未予考慮。

2.2? ANLI與多維貧困指數耦合回歸模型構建

權重確定之后消除不同指標量綱影響，建立多維貧困指數（MPI），如式（5）所示：

MPI=（∑×j總）×pi? ?（5）

式中，即i指標下j地區數值占所有地區數值和的比值，pi即為i指標權重，i為從1到10某個指標，j總為總的縣區數目。

由于2010年的數據最全，能夠選擇更多指標與ANLI相關分析，因此以2010年作為基準。為進一步確定MPI與ANLI內在關系，將四川省各縣區MPI與ANLI指數進行回歸模型構建，由于2013年前前鋒區、恩陽區分別屬于廣安區和巴州區，而行政區劃數據最新版本包含前鋒區和恩陽區即提取出來ANLI包含兩區，因此模型構建時剔除這兩個區，并將兩區ANLI歸到廣安區和巴州區。采用指數、線性、對數、二次及三次多項式等多種方式進行回歸擬合，經對比發現，三次多項式回歸擬合是最優擬合模型。因此，采用三次多項式多維貧困回歸模型構建并進行貧困識別。ANLI與MPI回歸曲線如圖3所示，同時對回歸模型進行評價，通過0.001顯著性檢驗，F統計量是286.135，一次、二次、三次及常量系數的t檢驗分別是13.616、-7.984、6.946、14.612，判定系數R2達到0.829，并進行Alpha可靠性統計，達0.113。

2.3? 模型精度檢驗

通過2010年數據建立的多維貧困回歸模型進行空間格局和時間演變維度上的區域MPI估算。基于從夜光數據提取的ANLI，估算2003—2013年四川省各縣區MPI，引入平均相對誤差概念進行模型精度驗證，如式（6）、式（7）所示：

RE=（MPIt-MPIu）/MPIu? （6）

ARE=∑|REi|/n? （7）

式中，MPIt指用模型估算出來的某縣區MPI值，MPIu指用統計數據算出來的某縣區MPI值，RE指相對誤差，而ARE是平均相對誤差，n是縣區數目。

由圖4可以看出，2010年的MPI精度最高，ARE為18.21%，精度最低是2003年，ARE是25.71%，且從整體誤差來看，與基準年距離越遠誤差增大，但總體平均誤差為22.63%。

除了對模型時間維度上進行估算的精確度進行了驗證，還選取了集中連片區中縣較多及2010年數據較全的重慶市做了空間上的精度評估，經檢驗ARE為20.54%。由于運用DMSP-OLS數據進行貧困精度驗證的研究較少，因此加上對其他經濟參數估算的研究進行間接精度比較。黃先梅[3]利用DMSP-OLS數據估算河南省MPI的ARE達21.89%，李峰等[25]基于DMSP-OLS數據對朝陽區GDP估算ARE達24.76%，李翔[26]基于DMSP-OLS和NPP-VIIRS數據估算2005—2015年居民收入普遍ARE大于30%，而Li等[27]利用未校正的NPP-VIIRS數據（分辨率更高）ARE達40.40%。因此，本研究多維貧困估算模型的平均相對誤差在可接受范圍內，適用性較強，具有進一步研究的意義。

3? 結果與分析

3.1? 四川省各縣區多維貧困識別

由于政策制定、實施，常以行政單元進行精準扶貧、精準幫扶的實際需求，因此以縣為尺度單位進行多維貧困識別，以2010年為例，采用幾何間隔法對四川省各縣區MPI進行顏色分級，并借助已有文獻將四川省各縣區分為7個等級，分別是極貧困區、貧困區、弱勢區、一般區、優勢區、富裕區和極富裕區[18]，繪制了2010年MPI指數空間分布圖，如圖5所示。其中識別出的極貧困區有28個，貧困區有32個。并從MPI指數分布圖中可以看出富裕區與極富裕區呈聚集分布，并且多在四川省區域內的中心位置，諸如成都、德陽、綿陽等經濟發達地區;而極貧困區與貧困區占地遼闊也是呈聚集性連片分布，少許分散，且多分布在四川省外圍邊際區，如阿壩藏族羌族自治州、甘孜藏族自治州和涼山彝族自治州，識別出的極貧困區與貧困區占四川省總縣區32%，且大都屬于國家劃定貧困縣，少許是多維貧困識別。因此，將極貧困區與貧困區兩個級別的縣區定義為多維貧困縣區，共60個多維貧困縣。

3.2? 識別結果評價與分析

同時對識別結果進行定性評價分析，與國家劃定的集中連片特困區中貧困縣（四川省總共有60個）相比，四川省分屬于秦巴山區、烏蒙山區、四省藏區中的貧困縣被識別為極貧困區的分別有1、3、24個，被識別為貧困區等級中分別有5、9、6個。除此，識別為貧困區等級中還有2個縣是國家劃定的國家級重點扶持貧困縣，還有11個縣區劃定為集中連片特困區中的貧困縣但未被識別為多維貧困縣（圖5）。其中，秦巴山區最多未被識別，7個縣被識別為弱勢區，2個縣被識別為一般區，烏蒙山區和四省藏區中分別有1、2個未被識別，沐川、瀘定、九寨溝屬于弱勢區，可見秦巴山區的集中連片貧困縣扶貧效果相對較好，向弱勢及更高等級轉變，而四省藏區中的貧困縣應加強重視。同時，有9個縣區被識別為多維貧困但并未劃入國家重點扶貧縣，而這些縣區多位于四川省邊界地區或與貧困縣接壤，應該引起政府警惕。被劃定為貧困縣多出于分地區、老少邊區等主觀原因導致政策傾斜，而多維貧困識別更加客觀看待貧困。但貧困是相對且持久性的，還需具有長期性戰略眼光，深入探究四川省各縣區內部貧困時空演化機制。

3.3? 四川省各縣區多維貧困時間演化特征

對估算的2003—2013年四川省各縣區MPI進行總體時間演化評估，統計2003—2013年各等級包含縣區占總縣區比率，從微觀角度解構四川省貧困情況的演變趨勢，如表2所示。并為深入探究四川省內部貧困差異，消除MPI標準差量綱的影響，引入變異系數進行分析，如式（8）所示：

CVi=Si/Mi? （8）

式中，i表示年份，CVi表示某年變異系數，Si表示某年MPI標準差，Mi表示某年MPI平均值。

從統計數據縱向對比可看，極貧困區數量呈連年且近乎線性下降趨勢;貧困區呈波動但總體下降趨勢，2009—2011年間下降幅度最大;弱勢區呈波動上升趨勢，2005—2008出現短暫小幅度下降，2008年后繼續上升;一般區2003—2008年增長最快，至2009年保持不變隨后小幅下降又上升，呈螺旋式上升趨勢;優勢區呈連續上升趨勢，且2009年后大幅上升;富裕區呈緩慢上升增長趨勢;而極富裕區常年保持不變，且占比極少。同時，由于將極貧困區與貧困區識別為多維貧困縣， 2003—2013年間多維貧困縣比例從46.45%下降到28.42%，貧困發生率降低了18.03個百分點。截至2013年，由開始的極貧困區與貧困區比例最大轉變為弱勢區、一般區、優勢區比例最大，體現了四川省內部貧困在時間演變維度上的趨勢。除此之外，變異系數在2006—2009年小幅上升但總體呈下降趨勢，說明四川省內部差距在逐漸減小，而2013年習主席提出“精準扶貧”概念，四川省內部發展不平衡差距縮小可能會更加顯著。

3.4? 四川省多維貧困縣空間格局演變特征

除從時間維度上對四川省總體貧困情況進行評估，并對四川省多維貧困縣的空間格局演變趨勢作出分析。利用GIS技術強大空間分析能力，將四川省各縣區分為多維貧困縣與其他縣區，從而生成2003—2013年四川省多維貧困縣空間分布（部分年份如圖6所示）。

2003年，四川省大多縣區處于多維貧困，呈聚集性靠攏收縮包圍從內地成都向外延伸呈環形分布經濟較好地區; 2013年，多維貧困縣大大減少，同時經空間格局演變發現，在有關扶貧、脫貧政策下，由四川省經濟發達地區如成都、德陽、眉山等市向外逐漸脫貧，四川省東部區域顯現脫貧狀況良好，并且無返貧情況，然而四川省西部外圍縣區卻處于長期貧困，阿壩藏族羌族自治州、甘孜藏族自治州和涼山彝族自治州等多維貧困縣最多，并且集中連片大面積分布，這也從另一方面證實國家針對14個集中連片特困區制定精準扶貧戰略的科學性，同時在樂山、雅安、巴中、瀘州等市仍殘存多維貧困縣，貧困集聚性現象仍突出。

除此，利用式（9）計算四川省各縣區MPI增幅情況，并根據幾何間隔分為5個等級，分別是不明顯、低幅增長、中幅增長、中高幅增長和高幅增長[26]。

Δn=（ni2013-ni2003）/ni2003? ?（9）

式中，Δn是某個縣區的增幅值，ni2013是某個縣區2013年MPI值，ni2003是某個縣區2003年MPI值從四川省各縣區增幅情況來看（圖7），西部邊際片區增幅不明顯;低幅增長的縣區較分散，除平武、越西、甘洛等貧困縣外，還有武侯、溫江、錦江等經濟發達地區也增長較慢;中幅增長中除經濟狀況良好地區，也存在如鹽源、雷波、黑水等貧困縣;中高幅增長東部內地較為集中;而高幅增長多是處于一般等級即貧困不突出縣區，同時還有儀隴、昭化等國家重點扶持縣，分布較分散。總體來看，處于極貧困區與極富裕區增長幅度都不太大，而處于中間或貧困情況稍良好縣區增幅較大，增幅不明顯地區有明顯集聚性。

因此，為具體研究四川省各縣區MPI指數空間相互關系及其空間分布集聚性，利用Getis-Ord Gi*指數能夠統計四川省各縣貧困的熱點分布情況以及貧困現象是否存在集聚效應，如式（10）所示：

Gi*=∑jwijxj/∑jxj? ?（10）

式中，wij是要素i、j之間空間權重，xj是要素j屬性值即j縣區的MPI值。

用幾何間隔對指數分級進行熱點分析，分為熱點區、次熱點區、次冷點區、冷點區。熱點區表示Gi*指數高即MPI值極高的縣區在空間上集聚;次熱點區表示Gi*指數較高即MPI值較高的縣區空間上集聚;次冷點區表示Gi*較低并與次熱點區Gi*指數有一定差距即MPI值較低的縣區空間上集聚;冷點區表示Gi*指數低即MPI值極低的縣區空間上集聚現象，并制作2003年與2013年熱點分析空間分布圖進行對比（圖8）。

圖8a所示冷點區呈帶狀南北方向西側分布;熱點區呈環形狀內地東側分布;次冷點區分散于冷點區與熱點區，占比較大;次熱點區零散幾個且緊靠熱點區東側外圍。圖8b與圖8a對比所示，熱點區仍集中于四川省內地發達地區呈環形分布，并且有緩慢向東北方向擴展趨勢;冷點區占比逐漸增大，增長趨勢明顯，且向西北方向擴展，而隨時間演變如小金縣、滎經縣、天全縣則仍零散分布于熱點與冷點區之間;次熱點區占比極少，且從東北方向轉移到西南方向，集聚性不明顯;次冷點區仍分布較散，四川省各方向都有一定比例，但同時也是各縣區之間集聚分布。從該冷點、熱點空間格局演化圖以及上述分析中可知，雖整體多維貧困縣在逐漸減少但冷點區與次冷點區的MPI差異逐漸減小，表現在冷點區逐漸蔓延到次冷點區，增勢較迅猛，而熱點區卻緩慢向外擴展，熱點區與冷點區逐漸呈東西方向抗衡之勢。這一現象顯現了東西地區之間空間上貧困分化，雖然整體多維貧困縣以及縣區之間總體內部差距縮小，但西部邊際與東部環帶區域之間難以調和的差距卻日漸顯露，在扶貧形勢向好的情況下，除了大力扶貧貧困縣，同時要對東西地區發展出現的異化現象引起重視，避免空間上貧困分化日趨嚴重。

從上述空間演變結果來看，無論是多維貧困縣的變化、增幅情況還是熱點分析，值得最需關注的就是占地遼闊但資源缺乏、生存條件惡劣的阿壩藏族羌族自治州、甘孜藏族自治州和涼山彝族自治州（阿壩相對脫貧狀況較好部分縣區位于熱點區），它們在發展中處于優勢剝奪、長期貧困狀態，同時還需關注極富裕區數量極少常年無時空變化動靜但資源集中經濟發達，該結果對政策相關制定如何達到東部內地向西部邊際貧富轉移提供前瞻依據與技術支持。

4? 結論

1）基于AHP及相關系數選取多維貧困指標，并從夜光數據中提取ANLI，與多維貧困指數構建回歸模型，決定系數達到0.829，估算2003—2013年MPI，時間維度上總體的平均相對誤差達22.63%，達到較高精度。

2）運用幾何間隔法將各縣區MPI進行分級，并將極貧困區與貧困區定義為多維貧困縣，以2010年為基準，識別出60個多維貧困縣。將識別結果與四川省在14個集中連片貧困區中的貧困縣相比，識別出48個縣區，四省藏區中相對識別較多，同時還有9個縣區未被劃定貧困縣被識別為多維貧困縣。

3）將2003—2013年各等級包含縣區作出統計，多維貧困縣比例從46.45%下降到28.42%，貧困發生率降低了18.03個百分點;變異系數總體呈下降趨勢，四川省內部貧困差距、發展不平衡在緩慢縮小。

4）從多維貧困縣2003—2013年空間分布演化圖中得到阿壩藏族羌族自治州、甘孜藏族自治州和涼山彝族自治州的大多縣區處于長期貧困狀態;從四川省各縣區MPI增幅情況來看，處于極貧困與極富裕縣區增長幅度不太明顯，而處于中間或貧困情況稍良好縣區增幅較大;而在熱點分析中，從時空演變來看，逐漸熱點區與冷點區呈東西方向抗衡之勢。針對時空演變特征，在精準扶貧政策制定方面可考慮東部內地向西部邊際貧富轉移。

參考文獻：

[1] 國務院扶貧辦.中國農村扶貧開發綱要（2011—2020年）[R].北京：中華人民共和國國務院公報，2011.

[2] 葉? 霄，曾? 靜，李? 鈺，等.四川省貧困地區精準扶貧存在的問題及對策建議[J].農村經濟與科技，2019，30（1）：151-153.

[3] 黃先梅.基于夜間燈光數據的中國貧困識別及其時空演變研究[D].河南開封：河南大學，2018.

[4] 黃? 晶，薛東前，馬蓓蓓.西安市微區域收入及貧困空間格局研究[J].人文地理，2015，30（2）：31-36.

[5] 阿馬蒂亞·森.貧困與饑荒——論權利與剝奪[M].北京：商務印書館，2001.19-26.

[6] 沈揚揚，SABINA A，詹? 鵬.中國多維貧困的測度與分解[J].南開經濟研究，2018（5）：3-18.

[7] SEN A. Capabilities，lists and public reason：Continuing the conversation[J].Feminist economics，2014（3）：77-80.

[8] ALKIRE S，FOSTER J. Counting and multidimensional poverty measurement[J].Journal of public economics，2012，95（7）：476-487.

[9] 楊? 龍，徐伍達，張偉賓.西藏作為特殊集中連片貧困區域的多維貧困測量——基于“一江兩河”地區農戶家計調查[J].西藏研究，2014（1）：69-77.

[10] 郭寧寧，錢? 力.集中連片特困地區多維貧困測度及時空變遷[J].寧波工程學院學報，2018，30（4）：64-70.

[11] 馬明義，李? 樺.秦巴山區農戶多維貧困測度及精準扶貧對策研究[J].干旱區資源與環境，2019，33（1）：30-37.

[12] 劉艷華，徐? 勇.中國農村多維貧困地理識別及類型劃分[J].地理學報，2015，70（6）：993-1007.

[13] 李德仁，李? 熙.論夜光遙感數據挖掘[J].測繪學報，2015， 44（6）：591-601.

[14] 于丙辰，劉玉軒，陳? 剛.基于夜光遙感與POI數據空間耦合關系的南海港口城市空間結構研究[J].地球信息科學學報，2018， 20（6）：854-861.

[15] 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）：1-13.

[16] ELVIDGE C D，SUTTON P C，GHSH T，et al. A global poverty map derived from satellite data[J].Computes & geosciences，2009，35（8）：1652-1660.

[17] 袁? 濤.DMSP/OLS數據支持的貧困地區測度方法研究[D].北京：中國地質大學（北京），2013.

[18] 潘竟虎，胡艷興.基于夜間燈光數據的中國多維貧困空間識別[J].經濟地理，2016，36（11）：124-131.

[19] 邱玲玲，曾維忠.精準扶貧視角下縣域農村收入差距問題研究

——基于四川省88個貧困縣的分析[J].中國農業資源與區劃，2017，38（8）：151-157.

[20] 曹子陽，吳志峰，匡耀求，等.DMSP/OLS夜間燈光影像中國區域的校正及應用[J].地球信息科學學報，2015，17（9）：1092-1102.

[21] LIU Z F，HE CY，ZHANG Q F，et al. Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008[J].Landscape and urban planning，2012，106（1）：62-72.

[22] 卓? 莉，張曉帆，鄭? 璟，等.基于EVI指數的DMSP/OLS夜間燈光數據去飽和方法[J].地理學報，2015，70（8）：1339-1350.

[23] WU J，HE S，PENG J，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.

[24] 薩? 蒂 T L.層次分析法：在資源分配、管理和沖突分析中的應用[M].北京：煤炭工業出版社，1988.

[25] 李? 峰，米曉楠，王粉鴿，等.基于DMSP-OLS和Landsat8數據的省域GDP空間化方法——以北京市為例[J].重慶師范大學學報（自然科學版），2016，33（1）：138-142.

[26] 李? 翔.基于夜光遙感數據的中國2005—2015年居民收入時空變化與驅動力研究[D].南京：南京大學，2018.

[27] LI X，XU H M，CHEN X L，et al. Potential of NPPVIIRS nighttime light imagery for modeling the regional economy of China[J].Remote Sensing，2013，5（6）：3057-3081.