基于夜光遙感數據的西南地區多維貧困測度及時空演變分析

張瓊藝， 李昆， 雍志瑋， 熊俊楠,， 程維明， 肖坤洪， 劉東麗

(1.西南石油大學土木工程與測繪學院，成都 610500； 2.四川電力設計咨詢有限責任公司，成都 610041； 3.西南石油大學地球科學與技術學院，成都 610500； 4.中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室，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，也標志著我國消滅了絕對貧困和區域性整體貧困。2020年后，中國扶貧工作轉變為緩解發展不平衡、不充分的相對貧困。相對貧困的主要特征為區域與城鄉收入差異、社會公共服務獲取不平等[3]。而要解決相對貧困問題，需要精準幫扶并對癥下藥，而精準識別是精準幫扶的前提條件[4]。因此，目前各個貧困地區的貧困測度和發展狀況仍然是黨和政府關注的重點[5]，對相對貧困地區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貧困程度及類型。1997年，聯合國開發計劃署(united nations development programme, UNDP)結合壽命、讀寫能力、生活水平、可支配收入水平和失業率等維度開發了分別適合發展中國家和發達國家的人類貧困指數，來對國家的平均發展水平進行度量[7]。2010年，UNDP與牛津大學貧困與人類發展中心共同構建開發了多維貧困指數(multidimensional poverty index, MPI)，該指數從健康、教育和生活水平3個維度的10個指標反映個體的貧困度，也可以反映地區人文發展情況，更加符合實際需求[8]。國內外學者也提出了多種多維貧困指數構建方法，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，也成為了當前應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據。但是目前MPI的構建主要依靠統計或調查數據，此類型數據存在獲取不易、成本較高、時效不佳等不足。因此，有必要提供新型數據源來識別和評估中國的貧困狀況，以滿足貧困動態監測的需求。

與傳統的統計調查數據相比，遙感數據可以提供高效、準確的空間數據，以便從多尺度角度觀察社會經濟和自然現象。而夜光遙感數據在區域貧困研究分析中也顯示出了良好的潛力[13]。夜光實質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域的社會經濟發展狀況。已有研究通過建立夜光數據與替代表征貧困的貧困指數或貧困概率之間的關系來對貧困進行識別測度[15-17]。目前基于夜光數據的貧困測度研究偏少，而已有研究使用傳統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多數研究使用單一的夜光指數，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系可能無法由傳統的經驗模型進行較好的表達； ③貧困是一個長期、動態的過程，而多數研究僅使用DMSP-OLS燈光數據或者僅使用NPP-VIIRS燈光數據開展研究，或者在同時使用2種數據時未進行一致性校準，這會導致無法實現長期連續動態的貧困監測及分析。因此，可以對DMSP-OLS與NPP-VIIRS燈光進行校準整合，擴展貧困測度的時間序列，并提取夜光的數據特征，使用機器學習模型構建基于夜間燈光特征的貧困估算模型，實現長時間序列的貧困時空動態監測與分析。

夜間燈光被證明與人類社會經濟活動高度相關，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。而中國西南4省(市)的人口密度大，但是社會經濟發展不均衡，半數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)縣域內的夜光信息，更為準確地反映西南4省(市)縣域整體的發展情況。首先，本研究應用粒子群優化算法(particle swarm optimization,PSO)-反向傳播(back propagation, BP)神經網絡模型構建夜間燈光校準整合模型，并以此實現了DMSP-OLS和NPP-VIIRS這2種燈光數據的整合，擴展了數據的覆蓋周期； 從長時間序列夜光數據的集中趨勢、分散程度、分布特征和空間特征中提取了12種燈光指數，構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指數估算值，進而對貧困時空特征進行分析，以期為區域后續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和參考。

1 研究區概況與數據源

1.1 研究區概況

研究區為中國西南地區，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。研究區的地理位置在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、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、地形、氣候和水熱條件等差異較大，該地區的農業條件具有明顯差異。而且該地區也是中國重要的糧食生產區[18]。

圖1 研究區位置示意圖Fig.1 Location of the study area

據統計數據可知，2019年西南地區總人口為1.998億人，占全國總人口約14.2%，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年全國人均國內生產總值(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)間的經濟發展并不平衡，例如2019年四川省GDP總量為46 615.82億元，占到了西南地區的42.29%。同時，各省(市)內部各城市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年研究區人口和GDP分布Fig.2 Population and GDP distribution of the study area in 2019

1.2 數據源

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

表1 本文主要數據匯總Tab.1 Description of each data sources used in this study

2 數據處理及分析方法

2.1 長時間序列夜光數據集的構建

由于DMSP-OLS 數據和 NPP-VIIRS 數據之間存在傳感器設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據需要對這2種數據進行一致性校準預處理； 首先，通過投影、重采樣進行預處理。然后，采用不變目標區域法、年內校正和年際校正，以減少亮度飽和效應，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每月數據中的負面因素[22]： ①應用從校正的DMSP-OLS數據中提取的掩碼來去除NPP-VIIRS數據的背景噪聲，同時將負值替換為零； 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 每月夜光數據來合成年度數據[23-24]； ④采用與DMSP-OLS數據相同的方法對NPP-VIIRS夜光年度數據進行剪裁、重采樣和重新投影。

通過數據預處理，可以獲得2000—2013年的DMSP-OLS校正數據和2012—2019年的NPP-VIIRS校正數據。隨后本研究通過實施從NPP-VIIRS數據到DMSP-OLS數據的像素級轉換來拓展夜光數據。2個數據集的重疊期(2012年和2013年)為2種夜光數據的整合提供了基礎。目前，偽不變特征(Pseudo invariant features, PIF)已被證明在多時空衛星圖像的相互校準中非常有用[25-26]。因此，考慮到世界上沒有專門為夜光數據設計的校準點，在本研究中可以以PIF的形式提供用于相互校準的樣品[27]。根據以往的研究[27-28]，以20%為閾值的變異系數(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%的交叉區域，這些區域被認為在時間和空間上是穩定的； ③將交叉區域的正像素組成PIFs。鑒于2012年夜光數據的不完整性，本研究采用了2013年的PIF。CV的定義為：

(1)

式中：σ為3×3窗口中像素值的標準偏差；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人工神經網絡相結合，采用PSO-BP混合算法來構建人工神經網絡，以探索DMSP-OLS數據與NPP-VIIRS數據之間的潛在關系，構建長時間序列的夜間燈光數據集。

2.2 MPI的構建

貧困是一種多維現象，涉及人類發展和自然環境的諸多方面。基于統計的多維貧困評估已被學者廣泛采用[12, 29-31]。基于研究區的數據可用性，本研究采用MPI作為縣域層面多維貧困的指標。參考以往研究[16, 32-33]提出的可持續生計框架，以科學性、全面性、可度量性和可操作性為原則，從經濟維度、社會維度和自然維度提取了11個社會經濟和自然變量，建立MPI作為探索使用夜光數據進行貧困評估的參考。此外，MPI的計算是一個多指標綜合評價的過程，而各指標的權重對于最終的MPI起著至關重要的決定性作用。熵值法是一種通過判斷信息熵的大小來進行權重賦值的方法[34]。在信息論中認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的離散程度，而指標的離散程度通常被認為與其影響力成正比。因此熵值法僅通過指標自身的特征來確定權重，在一定程度上避免了主觀因素的干擾，所得到的結果也更加客觀。11個指標及其權重如表2所示。

表2 多維貧困測度指標體系及權重Tab.2 Evaluation indices and weight distribution of multidimensional poverty

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

(2)

(3)

然后計算樣本縣的區域MPI，其計算公式為：

(4)

式中：MPIi為第i個縣在某一年的數值；wj為第j個指數的權重；Xij為第i個縣在同一年的第j個指數的標準值。本研究采用熵值法來確定指數的權重(表2)，相應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指數值越大代表對應縣域經濟發展水平高，居民生活水平和生產條件高，貧困度低； 而MPI指數值越小代表社會經濟發展速度緩慢，生活和生產條件落后，貧困度高。因此，MPI指數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

本研究的基本假設是夜光信息可以作為分析區域貧困的準確和有利的識別特征，這已經被現有研究的發現所證明[33]。并通過挖掘MPI和夜光特征變量之間的相關性建立了相應的評價模型，以評價研究區域的多維度貧困。

首先，參考相關研究的方法[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等簡單統計特征，還包括空間特征。并且可以通過這些選定的指數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算法來擬合和訓練模型。具體來說，根據樣本地區的數據，選擇了12個夜光特征變量和年份作為輸入參數，而縣級MPI作為輸出參數。最后將基于PSO-BP神經網絡的貧困估算模型推廣到西南4省(市)，可以得到2000—2019年研究區中各縣區的多維貧困估算值。因此，將整理得到的西南地區2000—2019年435個縣域的12種燈光指數，結合時間因子作為已訓練好的PSO-BP神經網絡模型的輸入樣本，共計8 700組。經由模型輸出得到逐年各縣域的夜光估算MPI指數(NLMPI)。

2.4 時空演變分析方法

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

(5)

(6)

式中LISAi為地理現象內部單元i的局部自相關指數。

3 結果與分析

3.1 夜間燈光指數與MPI的關聯性分析

構建MPI時用到的統計指標通常較多，由于各地區的統計普查方式和指標項目不盡相同，且各項統計數據的獲取時間節點也無法完全保持一致，導致全區域性的數據獲取不易。一些學者則通過選取典型研究區來進行建模，然后進行推廣。所以，本研究同樣通過選取典型研究區來分析多維貧困指標體系的合理性，并挖掘夜間燈光指數與MPI間的關系。圖3展示了2019年重慶市各縣域MPI指數分布狀況。縣域多維貧困的空間分布模式基本滿足“一圈兩翼”的模式： MPI值較高的區域主要分布在重慶市的“一小時經濟圈”區域； MPI值較低的區域主要位于重慶市的東北翼和東南翼。基于自然斷點法，將重慶市38個縣域的MPI指數值分為了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指數分布Fig.3 Spatial patterns of MPI in Chongqing in 2019

從圖3中可知，渝中區、江北區、九龍坡區、南岸區和沙坪壩區等縣區的MPI指數最高，同時作為重慶市的文化和經濟中心，具有良好的社會經濟基礎和發展環境，也是重慶市經濟最繁華的縣區，使得縣區貧困度普遍較低。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。這些縣區由于自然環境惡劣、交通條件不便和少數民族聚集等原因，導致經濟基礎薄弱，而且其社會經濟發展主要依賴于第一產業，同時第二和第三產業的發展速度緩慢，使得區域發展受到限制，貧困程度加深。以上結果與實際情況基本相符，也說明了MPI指數可以較好地反映縣區的貧困狀況。

2000—2019年重慶市各縣區的MPI指數如圖4所示，可以看出2019年重慶市各縣區的MPI指數對于2000年的MPI指數有明顯提高，說明近20 a來重慶市各縣區得到了較大的發展。不難發現，渝中區、江北區和九龍波區等綜合經濟發展水平較高，而城口縣、巫溪縣、酉陽土家族苗族自治縣和巫山縣等經濟發展水平較低，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MPI指數Fig.4 MPI of various county in Chongqing

基于本文提出的夜間燈光指數的構建方法，從2000—2019年夜間燈光影像中提取了典型研究區各縣區的12種燈光指數，并用于分析夜間燈光指數與MPI的關聯性。圖5展示了2019年重慶市F1-F12指數的空間分布示意圖。其中F1即為ANLI，F6即為TNLI。已有研究表明，ANLI和TNLI與MPI指數存在較高的關聯性，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，而對比發現，它們在同一個縣區中的等級差距并不明顯。結合圖5與圖3進行分析，F1，F2與MPI的分布存在較大的相似度： 高值區域集中在“一小時經濟圈”，而低值區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，可以發現F1，F6和MPI指數的主要在類別相差一個等級之內。同時，F1與MPI處于同一等級間的縣域數為13個，占總數約34%，而F6與MPI處于同一等級間的縣域數為16個，占總數約42%。ANLI，TNLI和MPI的關系符合已有研究的結論，也表明本研究中提取的夜光指數是有效的。此外，F2，F3，F4，F5和F8的分布也大致符合與MPI類似的“一圈兩翼”的分布模式，表明這些指數同樣與MPI指數存在關聯性。

(a) F1指數 (b) F2指數 (c) F3指數

(d) F4指數 (e) F5指數 (f) F6指數

(g) F7指數 (h) F8指數 (i) F9指數

(j) F10指數 (k) F11指數 (l) F12指數圖5 2019年重慶市12種燈光指數空間分布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與MPI指數的關聯性，以及評價通過夜光指數對MPI指數進行估算的可行性，本研究使用Pearson相關系數法對F1—F12與MPI指數進行了相關性分析。2000—2019年重慶市夜間燈光F1—F12指數與MPI指數的相關系數如表4所示，所有結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，以及分布特征的5個指數均與MPI指數呈顯著正相關； 分布特征的F7指數與MPI指數呈顯著負相關。F1和F6指數與MPI指數的相關系數較其他大部分燈光指數更高，表明ANLI和TNLI指數能夠較好地反映貧困程度，符合已有研究結論，同時其他指數也存在與MPI指數的明顯相關性，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系數及顯著性Tab.4 Correlation analysis between MPI and NTL feature variables

綜上所述，本研究所選取的12種燈光指數與貧困程度存在明顯關聯性，并且使用這些燈光指數對MPI進行估算是合理且可行的。

3.2 西南地區縣域多維貧困測度

根據夜光數據提取12種夜光指數結合PSO-BP神經網絡構建立MPI的估算模型，然后借助估算結果開展基于夜光數據的貧困測度。同時，經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來對各縣域進行長期的貧困測度。圖6為西南地區NLMPI指數及國家級貧困縣的分布，由圖6可知，研究區中各縣域夜光估算NLMPI的空間分布具有明顯的隨時間變化的動態特征。在整體分布上，研究區中的多維貧困分布呈現兩極分化的特征： 低值NLMPI指數主要分布在川西北、滇西北和云貴高原地區，伴隨自然環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，屬于政府優先發展其經濟以對周邊城市發揮帶動作用的區域。此外，可以發現大部分貧困縣的NLMPI指數分級為最低，也表明本研究中NLMPI指數是合理的。

(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NLMPI指數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濟快速發展的背景下，整體NLMPI指數有顯著提高，2000年、2005年、2010年、2015年、2019年研究區的NLMPI指數的中位數分別為： 0.33，0.44，0.87，1.64和2.21(圖7)。自“新綱要”頒布實施以來，各地區的脫貧攻堅任務取得了優秀的成果。四川省、重慶市、云南省和貴州省在2013年的貧困發生率分別為： 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年也實現全部摘帽，脫貧攻堅任務取得重大勝利，并標志著區域性貧困在我國的消除。

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

為驗證NLMPI對貧困的識別準確性，將研究區NLMPI指數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計比較，結果如表5。在極低和較低2個類型區劃所占比例中，2015 年為 92.9%和60.6%； 所占比例比較大。而在其他類型中，貧困縣所占數目都較少。可見，國家劃定的貧困區域，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的絕對貧困狀況已經基本消除，但是仍存在發展不均衡的現象。

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

3.3 西南地區縣域多維貧困時序演進特征

為便于分析NLMPI時間變化，統計了各年中NLMPI各級縣域的數量和比例(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，也表明研究區中多維貧困狀況分化較為嚴重。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2000—2019年平均NLMPI指數變化如圖9所示。由圖9中可以看出，2000—2019年研究區整體NLMPI指數呈上升趨勢，說明在扶貧開發工作的開展下，區域的發展得到較好的支持，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NLMPI指數增長速度在2011年前呈加快趨勢，而在2011—2019年時間段增長速度放緩，造成這一現象的原因在于《中國農村扶貧開發綱要(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，在經過上一階段的開發式扶貧工作后，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境條件惡劣、交通不便的地區，同時這一時期政府實施了“精準扶貧”政策，將扶貧對象瞄準到戶和人，提高了減貧成本，導致脫貧難度加大，所以這一階段NLMPI指數增長相較前一時間階段有所放緩。分省來看，研究區4省(市)NLMPI值呈現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指數的斜率有所下降，分析可能是2種燈光相互校準造成的誤差，因為相互校準只能作為一種提升燈光連續性的手段，無法實現對真值的完全模擬。

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

圖9 2000—2019年西南地區平均NLMPI指數的時間變化特征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 西南地區不同時期NLMPI指數變化趨勢Fig.10 Trend of MPI in southwest China during the different periods

3.4 西南地區縣域貧困空間分異特征

本研究計算了西南地區2000—2019年全局Moran’s I指數，以此測量整體空間相關關系。其中所有結果均通過了0.01的顯著性檢驗，結果如圖11所示。從整體上看，西南地區2000—2019年的Moran’s I值的平均值為0.478，表明西南地區的貧困指數存在正的空間自相關性，即表現為高值(低值)NLMPI空間聚集的狀態。另一方面，研究區整體Moran’s I值還呈現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《中國農村扶貧開發綱要(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象有所減弱； 而2010—2019年階段Moran’s I值上升的主要原因為： 經過大規模開發式扶貧后，遺留的貧困區域逐漸分散化，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年西南地區的Morans’ I指數Fig.11 Morans’I index for southwest China during the period of 2000—2019

西南地區各縣域2000—2019年NLMPI指數的局部空間自相關分布狀況如圖12所示。整體而言，西南地區多維貧困度分布整體呈現改善但分布不均衡的狀態。2000—2019年H-H，L-L，H-L和L-H這4種類別縣域的數量明顯失衡，其中H-H類別縣域數量呈增多趨勢，H-L和L-H類別縣域數量較少，L-L類別數量先增加后減少，總體保持穩定。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，說明西南地區的貧困縣整體貧困度正在下降。2000—2019年研究區H-H區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為中心的城市群，區域范圍逐年增長，符合實際情況。L-L區域分布較廣，主要分布在川西北、滇西北、重慶市兩翼和貴州東部等地區，多為貧困縣。H-L區域分布較為零散，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指數的縣域包圍，形成高低聚集的現象。L-H區域中的縣域則主要分布于H-H區域周邊，因為中心區域NLMPI值相對較高，所以呈一種“包圍”的狀態。

(a) 2000年 (b) 2005年 (c) 2010年圖12-1 2000—2019年西南地區各縣域NLMPI指數的局部空間同相關分布狀況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年西南地區各縣域NLMPI指數的局部空間同相關分布狀況Fig.12-2 Distribution of NLMPI index of local spatial autocorrelation in southwest China from 2000 to 2019

4 結論

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種夜間燈光數據構建長時間序列夜間燈光數據集，并基于整合的長時間序列夜光數據開展貧困測度。同時，經過驗證表明該方法可以更好地探究區域的貧困時空動態，所以該模型可以擴展到西南地區來對各縣域進行長期的貧困測度。研究結果表明：

1)在2000年，西南地區各縣域的多維貧困狀況分化較為嚴重，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指數呈現了先下降后上升的趨勢，這反映出在2000—2010年，貧困聚集現象有所減弱，而在之后進入了較為分散的脫貧攻堅階段。

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

基于夜間燈光數據，本文監測了西南地區各縣域的貧困時空變化特征。但是由于夜光遙感數據的限制性，未來的貧困與社會經濟發展研究應該加入高分辨率的輔助數據，增強夜光數據在不同區域尺度研究中的應用能力。