地理視角下的區域人口預估方法探究

范 靳

(馬鞍山市自然資源和規劃信息中心,安徽 馬鞍山 243000)

0 引言

隨著社會經濟的不斷發展,人口資源作為重要的資源是決定了區域經濟社會發展的重要影響因素之一[1-2]。人口作為重要的勞動力生產資料,其規模標志著城市或區域發展的潛力,因而,各地區為了吸引更多人才工作、定居,提供了諸多便利的條件與物質基礎,從而更好地推動本地經濟快速發展。業界專家對于人口規模的預測往往是通過統計或問卷調查,這種方法通常費時費力,而利用模型進行人口預估的方式則存在數據精度不夠準等局限性[3-4]。英國的人口學家于1798年提出了著名的人口指數增長模型,即馬氏模型。在此基礎上,專家進行模型的修正與優化,形成了新的阻滯增長模型(即Logistic模型),但這些模型存在一定的局限性,只考慮了人口總數變化的時間因素[5-7],因而,學界綜合了不同年齡的具體分布因素、社會經濟發展因素等,同時引入了多樣化的統計模型,逐漸形成了應用于人口規模預測的自回歸模型、移動平均模型、自回歸移動平均模型等[8-11]。此外,公安部門可利用戶籍調查摸清轄區內的常住人口數據,但需要大量的人工排查工作。而衛星技術的不斷發展,對于人類活動的監控方式也變得多元化,即利用衛星的DN值來反演人類活動的劇烈程度,從而進行人口規模的預測與評估,如利用夜光遙感數據進行人類活動的信息挖掘與提取[12]。

針對人口預測評估的需求,本文引入夜光遙感衛星數據及相應的人口數據,通過分析不同地區的衛星反演值和地區人口受教育水平,建立衛星數據與人口受教育水平的聯系,同時,以馬鞍山雨山區的從業人員為例,分析地區從業人員的人口配置,進而對具體的人口政策進行有效分析,旨在支撐城市規劃、政策優化等。

1 研究區與技術方法

1.1 研究區

本文從人口預估角度進行分析,從宏觀層面的角度來看,主要是研究夜光遙感數據的DN值與研究區域人口所受教育水平的關聯關系;從微觀尺度的角度來看,主要研究人口分類中從事勞動的人口數量與夜光遙感數據DN值之間的關聯關系。

為了更好地進行方法驗證與理論分析,選擇安徽省馬鞍山市作為研究區域,該市地處安徽省東部,同時銜接南京、合肥兩個都市圈。

具體選用的數據主要包括以下幾個方面(見表1)。

表1 夜光遙感數據和從業人員數據

(1)夜光遙感衛星數據:美國NPP衛星數據。

(2)人口數據:統計年鑒數據。

(3)其他數據:行政區數據等。

需要注意的是,由于NPP/VIIRS夜光遙感數據的空間分辨率為742 m,因而研究的尺度與研究單元按照742 m的空間單元進行設定,同時,將根據空間單元的大小構建監測網格,利用空間分析方法將遙感影像的DN值賦值到對應的網格中,再者利用分類工具按行政區劃將提取的DN值網格進行分類,即可得到對應的不同省份DN值數據。

1.2 研究方法

對人口數據按照受教育水平進行分類分析,主要將其按教育水平劃分為小學、初中、高中、大專及以上共4個等級。基于夜光遙感數據,建立對應的受教育水平與遙感數據提取的DN(公式中記為DN)值之間的關系模型,即空間回歸模型,并對一階回歸模型、空間滯后模型、空間誤差模型、自然對數似然函數等進行分析比較。通過對分析結果進行分析,結果顯示,空間誤差模型的空間擬合性更好,更適合人口受教育水平與夜光遙感數據的回歸擬合。

因而,本研究使用空間誤差模型進行回歸擬合,其具體計算如公式(1)、公式(2)所示:

An=β∑DN+μ

(1)

μ=αW+ε

(2)

式(1)—(2)中:An為4類不同受教育的人群數量總量;β為回歸系數;殘差用μ表示;回歸參數用α表示;W為8鄰域的鄰接矩陣; 白噪聲則用ε表示。

針對研究區的各區縣進行參數求解,涉及的時間周期為1999—2019年,再利用2015年的具體數據進行模型精度的驗證,具體的計算公式如公式(3)所示:

(3)

(4)

式(3)—(4)中:RM為平均誤差;ERi為每個區縣區劃的誤差;擬合的人口用Ai表示;實際人口用Aj表示。

2 研究成果

2.1 人口受教育水平分析

基于研究方法進行結果計算,從2017年的人口數據中抽取一部分作為樣本調查數據進行驗證,從結果可以看出:受教育水平層次在大專及以上的平均誤差低于0.16,相關系數達到0.8以上;受教育水平層次為初中、高中的平均誤差小于0.24,相關系數大于0.64;受教育水平層次為小學的平均誤差小于0.36,相關系數則超過0.56。

從實際的擬合結果來看,夜光遙感數據的DN屬性值與研究區內居民受教育水平存在一定的關系,在常住人口總數一定的情況下,受教育水平較高的地區DN屬性值明顯高于其他地區,因而,從定性的角度來看,可以通過區域的遙感影像DN屬性值對研究區內的人口受教育水平進行綜合判定。在人口較為稀疏的區域,模型擬合的結果誤差相對較大,主要是由于人口分布松散,反映在夜光遙感影像上的光匯聚程度不夠,致使屬性值相對偏小;而在人口密度較大的區域擬合的結果也存在較大的誤差,這是由于夜光遙感數據的DN屬性值有閾值限制,因而過大的屬性值無法真實反饋。小學、初中受教育水平的擬合誤差明顯大于其他兩類,表明夜光遙感數據與受教育水平高的人口數量之間聯系更為密切。

2.2 從業人員數量分析研究

從業人員的數量可間接反映從事經濟生產的勞動力數量,而勞動力數量與社會經濟的產值休戚相關。基于此,本研究嘗試構建勞動力人口與夜光遙感數據DN屬性值的空間擬合模型,旨在通過夜光遙感數據快速方便地測算出從業人員的具體數量,為區域經濟的發展提供數據支撐與理論實踐。

與研究受教育水平人口不同,本研究選用最小二乘法對從業人員數量進行回歸擬合。利用1999—2019年夜光遙感數據的DN屬性值進行參數的確定,并選擇2017年的夜光遙感數據進行精度的驗證,具體計算如公式(5)所示:

(5)

計算結果顯示,研究區內,從業人員的數量與夜光遙感衛星的DN屬性值存在正相關關系。同時,經過檢驗,相關系數超過了0.9,因而可以得出,通過最小二乘法進行擬合的方式適合通過DN屬性值對從業人員數量進行測算。但需要說明的是,從業人員數量的增速有所趨緩,是由夜光遙感衛星DN值的飽和度導致的,因而,這種擬合的方式在區域從業人員數量的對比分析中需注意該部分因素的影響,可定性地作出判斷。

3 結語

隨著社會經濟的不斷發展,人口也逐漸呈現集聚的特征,而準確有效地進行區域人口的預估有助于城市建設、規劃產業格局、公共交通布局等。針對這些需求,本文嘗試從地理空間視角,基于夜光遙感衛星數據,通過構建衛星遙感數據的DN屬性值與區域受教育水平、從業人員數量的計算模型,完成相應的數值測算與評估,對于區域的發展、人才戰略制定都具有一定的現實意義。結果顯示:(1)利用空間誤差模型進行夜光遙感衛星數據DN屬性值與人口受教育水平的分析,居民受教育水平與夜光遙感衛星存在一定的關系,即在總量固定的情況下,研究區內受教育水平較高地區的夜光遙感衛星數據DN屬性值明顯高于其他分類;(2)利用最小二乘法進行夜光遙感衛星數據DN屬性值與從業人員數量的分析,從業人員的數量與夜光遙感衛星數據的DN屬性值存在正相關關系,即從業人員數量較多的區域對應的夜光遙感衛星數據DN屬性值明顯高于從業人員數量較低的區域。

但本研究存在一定的限制性,即由于夜光遙感衛星數據DN屬性值的取值范圍為[0,63],丟失了一部分的屬性數據,無法完整地反映整個區域的實際情況,因而在做模型測算時,部分估算結果也存在一定的偏差,得到的結果小于實際值,這也是后續需提升的工作之一。