基于DMSP-OLS數(shù)據(jù)和可持續(xù)生計的中國農(nóng)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(huán)境科學學院,蘭州 730070 2 中國科學院西北生態(tài)環(huán)境資源研究院,蘭州 730000

貧困是一種貫穿整個人類發(fā)展歷史進程的客觀現(xiàn)象,也是現(xiàn)今世界各國尤其是發(fā)展中國家所要面對的共性問題[1]。貧困一詞在不同的發(fā)展時期從物質(zhì)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(jīng)歷了從收入/消費視角的經(jīng)濟維度貧困測度,到涵蓋收入、健康、教育、資源稟賦、居住、環(huán)境、區(qū)位和就業(yè)等經(jīng)濟和社會維度的多維貧困測度,再到包含自然、人文、生態(tài)環(huán)境要素的地理空間貧困研究的歷程[2-3]。隨著統(tǒng)計數(shù)據(jù)的精細化,扶貧瞄準精度的提高,以及遙感和地理信息技術(shù)的快速發(fā)展,國際農(nóng)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(shù)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(qū)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(nóng)村貧困人口減少到4335萬,但分布明顯集中于生態(tài)脆弱地區(qū),這決定了將來較長一段時期內(nèi),扶貧項目的瞄準必須將到戶、到人的精準瞄準與區(qū)域瞄準相結(jié)合[5]。僅僅依靠統(tǒng)計數(shù)據(jù)測度貧困,缺乏空間地域視角,無法直觀揭示貧困發(fā)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(qū)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(xiàn)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(guān)注宏觀層面貧困陷阱的形成機理轉(zhuǎn)向多尺度相結(jié)合綜合研究多重動態(tài)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(qū)域貧困的定量測度和空間貧困的時空演化；研究內(nèi)容上,集中于空間貧困陷阱識別、多維地理因素以及區(qū)域瞄準及評估[4,7]。但與經(jīng)濟學、社會學者相比,地理學貧困研究仍缺乏系統(tǒng)性和重大理論創(chuàng)新[3]。貧困縣是國家扶貧、減貧、開發(fā)政策執(zhí)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(guān)于貧困縣劃定標準的質(zhì)疑和爭論就從未間斷過。劃分標準過于主觀,依據(jù)的社會經(jīng)濟統(tǒng)計數(shù)據(jù)過于宏觀,在現(xiàn)有央-地財稅體制關(guān)系背景下,國家級貧困縣背后實質(zhì)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(qū)域在空間分布上與生態(tài)脆弱區(qū)高度耦合,貧困區(qū)域和貧困人口向中西部農(nóng)村收縮,且這種態(tài)勢持續(xù)加強；另一方面,囿于自然環(huán)境且高度依賴農(nóng)牧業(yè)的生計狀況,又會引致地緣性貧困與生態(tài)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(diào)整和退出機制建立,也需要借助多源空間數(shù)據(jù),建立多維測度模型,以相對統(tǒng)一的標準客觀地評價分析。

遙感數(shù)據(jù)尤其是夜間燈光影像因其宏觀、動態(tài)、客觀性等優(yōu)勢,為監(jiān)測和評價區(qū)域貧困,尤其是數(shù)據(jù)缺乏地區(qū)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(tǒng)計數(shù)據(jù)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(jié)合,預測了非洲統(tǒng)計數(shù)據(jù)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(jīng)濟數(shù)據(jù),構(gòu)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(qū)域空間貧困研究的技術(shù)方法,為精準識別貧困提供科學參考。

1 樣本區(qū)、檢驗區(qū)與數(shù)據(jù)來源

1.1 樣本區(qū)與檢驗區(qū)

圖1 檢驗區(qū)(青海省)和樣本區(qū)(寧夏回族自治區(qū))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(qū)作為研究的樣本區(qū),以青海省作為檢驗區(qū)(圖1)。寧夏總面積約6.64萬km2,受氣候條件及地理環(huán)境的影響,干旱區(qū)占總面積的76%。黃土丘陵溝壑區(qū)是典型的貧困集中區(qū),全區(qū)8個國家級貧困縣中的7個都集中在黃土丘陵溝壑區(qū)。寧夏內(nèi)部各縣市的經(jīng)濟社會發(fā)展程度差異顯著,北部的銀川和石嘴山發(fā)展水平高,中部的吳忠和中衛(wèi)次之,而南部的固原發(fā)展較為滯后。2015年,北、中、南人均GDP之比約為100∶43∶26,總體上區(qū)域發(fā)展極不均衡,作為樣本區(qū)的代表性很強。青海省總面積72.1萬km2,境內(nèi)山脈高聳,地形多樣,河流縱橫。青海經(jīng)濟發(fā)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(nóng)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(jīng)濟指標去識別貧困的局限性。

1.2 數(shù)據(jù)來源及預處理

美國國防氣象衛(wèi)星(Defense Meteorological Satellite Program,DMSP)上搭載了OLS(Operational Linescan System)業(yè)務型線性掃描傳感器,最初設計是為了監(jiān)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(fā)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(wěn)定燈光值的DMSP-OLS夜光數(shù)據(jù)獲取自網(wǎng)址http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html,已經(jīng)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(shù)與燈光值之間的關(guān)系,本文提出了基于有效燈光值的平均燈光指數(shù)ANLI(Average Nighttime Light Index)和基于區(qū)域面積的平均燈光指數(shù)ARNLI(Average Regional Nighttime Light Index),但由于DMSP-OLS數(shù)據(jù)只有64個灰度級,在光照強度較強的區(qū)域會出現(xiàn)飽和現(xiàn)象,沿海地區(qū)的飽和現(xiàn)象最為顯著?？紤]到植被與城市建成區(qū)具有負相關(guān)性,城市建成區(qū)人類活動強烈,植被覆蓋度低；農(nóng)村廣大地區(qū)建設用地分布少,植被覆蓋多,本文引入MODIS NDVI和EVI數(shù)據(jù),分別采用Zhang等[14]提出的基于NDVI 去除燈光飽和的VANUI指數(shù),潘竟虎等[15]提出的NVI降飽和指數(shù)和卓莉等[16]提出的基于EVI的緩解飽和的EANTLI指數(shù),經(jīng)過比較,EANTLI指數(shù)可以削弱土壤背景和大氣對植被指數(shù)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(qū),可以突出燈光差異,故本文采用EANTLI指數(shù)去除夜間燈光數(shù)據(jù)的飽和現(xiàn)象,有效地識別貧困區(qū)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(shù)據(jù)不同年度間缺乏連續(xù)性,本文采用不變目標區(qū)域法[17]進行校正,降低了DMSP-OLS 夜間燈光影像間的不穩(wěn)定和不連續(xù)現(xiàn)象。

社會經(jīng)濟統(tǒng)計數(shù)據(jù)取自2003年和2014的《中國縣域經(jīng)濟統(tǒng)計年鑒》,部分指標獲取自相同年份的《寧夏統(tǒng)計年鑒》和《青海統(tǒng)計年鑒》。DEM從國際科學數(shù)據(jù)服務平臺(http://www.cnic.cn/zcfw/sjfw/gjkxsjjx/)下載,為90 m的柵格數(shù)據(jù)。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(shù)。NPP和EVI數(shù)據(jù)獲取自網(wǎng)站https://ladsweb.nascom.nasa.gov,用于計算全局植被濕度指數(shù)GVMI(Global Vegetation Moisture Index)的MOD09A1產(chǎn)品亦從該網(wǎng)站下載,分辨率均為1 km。其中,NPP為MOD17A3年合成產(chǎn)品,EVI為MOD13A3 數(shù)據(jù)產(chǎn)品,采用最大值合成(MVC)。行政區(qū)劃數(shù)據(jù)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(nóng)村貧困,為方便起見,將每個地級市的所有市轄區(qū)合并為一個統(tǒng)計。年降水量數(shù)據(jù)取自中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/)。

2 研究方法

2.1 可持續(xù)生計指標體系

貧困地理識別的主要依據(jù)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(qū)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(jīng)濟、社會、生態(tài)環(huán)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(xiàn)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(xù)生計分析框架(SLA)的思想構(gòu)建多維貧困評價指標體系。SLA由英國國際發(fā)展機構(gòu)(DFID)于2000年建立,SLA從貧困產(chǎn)生的多種原因出發(fā),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(tài)、人力、物質(zhì)和社會資本,構(gòu)建“生計五邊形”,用于刻畫不同資本的數(shù)量和結(jié)構(gòu)組合。考慮到本文評價對象為多維貧困,而生態(tài)環(huán)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(lián)系,因此,在SLA的多維框架下,本文引入了脆弱背景和環(huán)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(guān)研究,在空間貧困理論和SLA理論指導下,遵循數(shù)據(jù)的可獲得性、動態(tài)性、指標的相關(guān)性、典型性、指標間的區(qū)分度等原則,考慮自然、生態(tài)、環(huán)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(zhàn)略的核心監(jiān)測指標,并考慮貧困與區(qū)位、環(huán)境、資源稟賦、經(jīng)濟、社會等要素間的動態(tài)影響、相互作用,提出了縣域可持續(xù)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(shù)方法篩選候選集中的指標,最終構(gòu)建了由 6個目標層和30個指標層構(gòu)成的縣級可持續(xù)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(quán)法修正AHP的方法確定各指標的權(quán)重,這樣既可以彌補主觀賦權(quán)法主觀性較強的弱點,盡可能地保證了權(quán)重的客觀性,同時又兼顧了使用者對指標的偏好。根據(jù)已經(jīng)建立的多維指標體系及修正后的指標權(quán)重,計算生計指數(shù)。各指標的統(tǒng)計數(shù)據(jù)單位不相同,數(shù)據(jù)偏差大,直接對其統(tǒng)計沒有統(tǒng)計學意義。需對每個指標數(shù)據(jù)無綱量化處理,減小各指標之間的相關(guān)性影響程度。某些縣區(qū)的單一指標會受統(tǒng)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(tǒng)計數(shù)據(jù)包含能源公司的能耗數(shù)據(jù),這些超出標準值的統(tǒng)計數(shù)據(jù)會影響SLI計算的準確度。先對其進行修正得到指標統(tǒng)計矩陣,再對矩陣標準化處理,將每個指標的值都轉(zhuǎn)化為一個無綱量值。

表1 縣域可持續(xù)生計指標體系及其權(quán)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(shù)用于表征某個地區(qū)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(shù),AP為年降水量。如果某地區(qū)地形平坦、集水面積大并且降水充沛,其集水指數(shù)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(shù)CTI(Compound Topographic Index,CTI)是上游匯流面積(FA)和景觀坡度(slope)的函數(shù),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(qū)域生態(tài)環(huán)境的好壞。計算式為[22]：

(3)

式中,NIR和SWIR分別為MODIS數(shù)據(jù)產(chǎn)品MOD09A1的近紅外波段(波段2)和短紅外波段(波段6)。MOD09A1數(shù)據(jù)產(chǎn)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(jù)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(xù)生計指數(shù)的計算式為：

(4)

式中,SLI為可持續(xù)生計指數(shù),xi為標準化后的第i個指標值,wi為第i個指標的權(quán)重。

生物豐度指數(shù)和水網(wǎng)密度指數(shù)根據(jù)國家發(fā)布的《生態(tài)環(huán)境狀況評價技術(shù)規(guī)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(shù)的關(guān)系

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

(5)

(6)

根據(jù)上述公式分別計算研究樣本各縣域的ARNLI指數(shù)和ANLI指數(shù),對其進行分類評級。結(jié)果發(fā)現(xiàn),燈光強度與縣區(qū)經(jīng)濟的發(fā)展擬合度極好,在研究樣本中有11個縣,其中9個縣區(qū)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(qū)域面積的平均燈光指數(shù)Average Regional Nighttime Light Index;ANLI: 基于像元數(shù)的平均燈光指數(shù)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(jù)公式(3)計算出寧夏各縣區(qū)的可持續(xù)生計指數(shù)SLI,繪制SLI分區(qū)圖(圖4),可以看出,SLI較高的縣區(qū)大都分布在北部黃河灌溉平原區(qū)內(nèi),SLI較低的縣區(qū)則集中在中部干旱臺地黃土丘陵區(qū)和南部半干旱黃土丘陵、六盤山地區(qū)。為了判斷SLI是否能反映貧困狀況,將各縣區(qū)的SLI排序,發(fā)現(xiàn)排在后10名的縣區(qū)全都進入了新《綱要》中劃定的集中連片特困區(qū)范圍,這也從側(cè)面驗證了SLI可以用于測度多維貧困。

圖4 寧夏的可持續(xù)生計指數(shù)分級Fig.4 SLI grading map of NingxiaSLI: Sustainable livelihoods index

各指標統(tǒng)計數(shù)據(jù)的年差異和權(quán)重對SLI指數(shù)的計算影響較大,若僅依靠一個模型模擬區(qū)域社會經(jīng)濟的發(fā)展是有局限性的。因此,本文分別采用線性、非線性、指數(shù)及對數(shù)等多種模型,將寧夏各縣區(qū)的SLI與ANLI和ARNLI進行擬合,以便確定最佳的模型。結(jié)果發(fā)現(xiàn)指數(shù)和線性擬合程度較好,其中,指數(shù)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(shù)分別與ANLI指數(shù)、ARNLI指數(shù)的指數(shù)回歸方程和線性回歸方程,圖6是2002年SLI指數(shù)分別與ANLI指數(shù)、ARNLI指數(shù)的指數(shù)回歸方程和線性回歸方程。經(jīng)綜合對比兩個年份的回歸結(jié)果,SLI指數(shù)與ANLI指數(shù)的擬合優(yōu)度高于ARNLI指數(shù),指數(shù)方程的擬合優(yōu)度高于線性方程的擬合優(yōu)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(shù)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(shù)模型的顯著性檢測值為F=657.64,t=6.43,ARNLI與SLI的指數(shù)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(guān)關(guān)系,t檢測值也在置信區(qū)間內(nèi)。綜合分析判斷,本文最終利用指數(shù)模型來建立SLI指數(shù)與ANLI指數(shù)之間的回歸關(guān)系。

圖5 2002年SLI與ARNLI和ANLI之間的回歸結(jié)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(jié)果Fig.6 Regression results between SLI and ARNLI, and ANLI in 2013

2.2.2 模型驗證

構(gòu)建的模型必須通過驗證才能用于整體數(shù)據(jù)的統(tǒng)計估算。利用指數(shù)模型計算青海省各縣區(qū)的理論SLI指數(shù),用基于統(tǒng)計數(shù)據(jù)的SLI指數(shù)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(jù)指數(shù)模型估算的SLI指數(shù),SLIa為根據(jù)統(tǒng)計數(shù)據(jù)計算的SLI指數(shù),n為樣本縣區(qū)個數(shù)。

3 多維貧困的時空分布

3.1 縣域可持續(xù)生計空間異質(zhì)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(zhí)行時,不可能在柵格尺度上完成,而是需要將資金、優(yōu)惠條件等分配到具體的行政單元上。在中國,縣級行政區(qū)是組織與管理國民經(jīng)濟和社會發(fā)展最基本的單位,是城鄉(xiāng)二元結(jié)構(gòu)等區(qū)域差異問題、“三農(nóng)”問題等的集中發(fā)生地,也是扶貧政策落實的基本單元,具有承上啟下的關(guān)鍵作用。因此,本文求取各縣域內(nèi)柵格的平均SLI,并繪制可持續(xù)生計圖(圖7)。

圖7 縣域可持續(xù)生計指數(shù)的空間分布Fig.7 Sustainable livelihoods index of counties in China

2002年,全國2391個縣區(qū)SLI的平均值為0.358,標準差為0.385；2013年全國各縣區(qū)SLI的平均值為0.457,標準差為0.608。這說明11年間可持續(xù)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(xù)生計指數(shù)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(jié)果發(fā)現(xiàn),2002年和2013年,富裕區(qū)大都集中分布在珠三角、長三角、海峽西岸、環(huán)渤海、臺灣省等地區(qū),散布在成渝、關(guān)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(qū)則主要集中在西藏、甘青川滇四省藏區(qū)、陜甘寧晉黃土高原地區(qū)、滇黔桂石漠化地區(qū)、云南沿邊山區(qū)等。2013年與2002年相比,極富裕和富裕區(qū)的范圍有所擴大,貧困和極貧困區(qū)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(xù)生計空間依賴性格局

首先進行縣域可持續(xù)生計的全局空間依賴性檢驗。依據(jù)各縣區(qū)SLI 得分,利用Rook標準計算全局空間自相關(guān)測度的Moran′sI指數(shù),采用999次隨機計算以提高其運算的穩(wěn)健性。中國縣區(qū)在2002年的全局Moran′sI指數(shù)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(shù)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(xù)生計存在較強的空間依賴性,換言之,高SLI的縣區(qū)往往相鄰聚集,反之亦然,但11年間這種空間自相關(guān)特征在下降。

其次,進行縣域可持續(xù)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(wěn)健性。根據(jù)各縣區(qū)SLI與相鄰縣區(qū)SLI的關(guān)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(qū)數(shù)目分別為446、638、134、11,LL型最多,約占全部縣區(qū)的26.7%,反映出可持續(xù)生計差的貧困俱樂部成員的數(shù)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(qū),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(qū)占總數(shù)的18.6%,分布較為規(guī)律,多分布在沿海地區(qū),少數(shù)為中、東部地區(qū)的省會等大城市轄區(qū)。LH型的縣區(qū)在HH型縣區(qū)的外圍分布,多為東南沿海省份內(nèi)部發(fā)展相對落后的地區(qū),以及省際邊緣區(qū),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(qū)。區(qū)域經(jīng)濟均衡發(fā)展是相對的,而不平衡發(fā)展則是絕對的。在某些時段、某些地區(qū)中存在著越鄰近中心城市邊緣,其發(fā)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(qū)也未必“近水樓臺先得月”,雖然這些縣區(qū)與大都市區(qū)盡在咫尺,卻沒有受到大城市光環(huán)的照耀,成為了“大都市陰影區(qū)”。而從2013年來看(圖9),HH、LL、LH 和HL顯著的縣區(qū)數(shù)目分別為239、154、65、15,除HL型縣區(qū)略有增加外,其余3種類型縣區(qū)的數(shù)量均大幅減少。LL型縣區(qū)的數(shù)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(qū)由2002年的集中連片分布轉(zhuǎn)變?yōu)殡x散化分布,較大的連片區(qū)主要位于西藏東部、四川西部、云貴高原、六盤山區(qū)、秦巴山區(qū)、武陵山區(qū)等。HH型的縣區(qū)分布依然,更加集中在華東和華南沿海地區(qū)。LH型和HL型的分布規(guī)律與2002年相比變化不大。

圖9 2012年中國可持續(xù)生計的局部空間自相關(guān)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(jù)可持續(xù)生計指數(shù)劃分的極貧困和貧困區(qū)所屬縣區(qū)確定為中國的多維貧困縣區(qū)(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(fā)領(lǐng)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(tài)勢并未發(fā)生顯著的轉(zhuǎn)變,多維貧困發(fā)生率較高的縣區(qū)依然連片分布在中西部地區(qū)。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(qū)、祁連山區(qū)、六盤山區(qū)、秦巴山區(qū)、武陵山區(qū)、內(nèi)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(qū)包括南疆、內(nèi)蒙古中部、桂黔滇毗鄰地區(qū),在武陵山區(qū)、湘贛粵交界地帶、東北、陜甘寧六盤山區(qū)等地,多維貧困有所推進。2013年,中國農(nóng)村多維貧困縣區(qū)總體上表現(xiàn)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(qū)孤島型多維貧困區(qū),包括大小興安嶺南麓、中朝中蒙交界區(qū)、遼西；淮河中上游地區(qū)、閩贛交界、羅霄山區(qū)、瓊中等島狀分布的丘陵山區(qū)；(2)中部山地、丘陵、高原環(huán)境脆弱塊狀多維貧困區(qū),空間上恰好表現(xiàn)為沿胡煥庸線兩側(cè)分布的態(tài)勢,從東北地區(qū)經(jīng)過燕山-太行山區(qū)、呂梁山區(qū)、大別山區(qū)、武陵山區(qū)、烏蒙山區(qū)、湘粵贛,延伸至滇桂黔石漠化區(qū)和滇西山區(qū)；(3)西部高寒、荒漠環(huán)境惡劣片狀多維貧困區(qū),包括蒙新寒旱區(qū)、青藏高原山地區(qū)、川西-甘南高寒區(qū)、黃土高原丘陵溝壑區(qū)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(qū)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(wěn)定型、調(diào)入型和調(diào)出型三類：穩(wěn)定型,在兩個年份上多維貧困識別中均位于SLI指數(shù)評估的貧困或極貧困縣域；調(diào)入型,2013年評估中新加入貧困或極貧困縣的“戴帽縣”；調(diào)出型,2013年評估中SLI指數(shù)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(tǒng)計結(jié)果顯示,穩(wěn)定型多維貧困縣的數(shù)量為438個,占2013年全部貧困縣的71.6%,調(diào)入型和調(diào)出型多維貧困縣的數(shù)量分別為168個和134個,調(diào)入型貧困縣占多維貧困縣總數(shù)的27.4%?？梢钥闯?中國多維貧困區(qū)11年間集中分布的態(tài)勢并未發(fā)生明顯改變。調(diào)出型多維貧困縣最明顯的地區(qū)是內(nèi)蒙古中部、云南-貴州交界、湖南、湖北、山東等省份,內(nèi)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(qū)的多維貧困縣,依托煤電、石油、天然氣、礦產(chǎn)品等的開發(fā)利用,旅游及特色農(nóng)副產(chǎn)品加工等產(chǎn)業(yè)的帶動,實現(xiàn)了縣域的脫貧。值得注意的是,在東北地區(qū)、中部省域交界地帶、海南等地出現(xiàn)了新的多維貧困縣,這些地區(qū)應當是未來減貧消貧重點關(guān)注的地區(qū)。

4 討論

中國農(nóng)村貧困化在新時期表現(xiàn)為空間孤島、投資遞減、收入扁平、發(fā)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(fā)工作創(chuàng)新的關(guān)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(jīng)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(zhí)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(guān)聯(lián)和影響的關(guān)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(qū)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(nóng)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(qū)域扶貧工作“瞄準度”的前提,也是現(xiàn)今貧困縣全部“摘帽”和實現(xiàn)全面小康的先決條件。然而,盡管中央和各省區(qū)公布的新一輪貧困縣退出或扶貧開發(fā)監(jiān)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(jīng)濟發(fā)展和生態(tài)環(huán)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(xù)生計分析思想,構(gòu)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(qū)和檢驗區(qū),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(xù)生計指數(shù)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(qū)和檢驗區(qū),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(qū)的適用性。其次,受現(xiàn)有夜間燈光數(shù)據(jù)空間分辨率的限制,尚不能實現(xiàn)更小尺度上的多維貧困精細判別。第三,受數(shù)據(jù)可獲取性限制,可持續(xù)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(jīng)過了篩選,但指標間的相關(guān)性仍不可避免地存在,如城鎮(zhèn)化率本身就是一個復合指標,夜間燈光指數(shù)通常也用于測度城鎮(zhèn)化水平,而城鎮(zhèn)化水平本身與經(jīng)濟社會發(fā)展也具有很強的相關(guān)性,下一步工作可考慮采用主成分分析等指標去相關(guān)性的評價方法。最后,由于空間尺度效應和地區(qū)、城鄉(xiāng)間的差異,本文得出的結(jié)論不一定適用于更大的國家尺度和更小的鄉(xiāng)鎮(zhèn)、村、家庭等尺度。此外,本文僅選擇兩個年份的截面數(shù)據(jù)開展多維貧困的識別,沒有進行基于面板數(shù)據(jù)的扶貧減貧績效監(jiān)測?？紤]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(shù)據(jù),不存在像元值的飽和溢出現(xiàn)象,今后的工作可嘗試基于多源時空數(shù)據(jù)的多維貧困精準監(jiān)測模型設計,或扶貧資源優(yōu)化配置系統(tǒng)開發(fā),以迎合貧困精準識別-精準幫扶-精準考核的國家減貧戰(zhàn)略部署。

空間異質(zhì)性是中國農(nóng)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(qū)資源、人力、物質(zhì)、生態(tài)等可持續(xù)生計資本和社會保障服務差異致使貧困空間分布格局發(fā)生變異。另外,各縣區(qū)在社會經(jīng)濟發(fā)展中面臨的致貧風險沖擊暴露程度不同,也會產(chǎn)生環(huán)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(qū)域到家庭再到個人、從宏觀到中觀再到微觀的逐步協(xié)同、逐步精準的過程。將基于區(qū)域(region-based)的戰(zhàn)略與基于個人(people-based)的政策相結(jié)合,方能實現(xiàn)扶貧、減貧的規(guī)劃目標?？沙掷m(xù)生計低-低的區(qū)縣聚為“多維貧困俱樂部”,其周邊縣區(qū)可持續(xù)生計狀況也低,提高生產(chǎn)生活水平面臨諸多障礙,此類縣區(qū)扶貧的重點是以制度建設為主,發(fā)展生產(chǎn)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(fā)展理念,采取就業(yè)扶持、易地搬遷、發(fā)展教育、生態(tài)補償、社保兜底的“五位一體”方式,大力發(fā)展旅游業(yè)等生態(tài)綠色產(chǎn)業(yè),實現(xiàn)整體脫貧。雖然經(jīng)濟發(fā)展是多維貧困縣的主要致貧因素,然而隨著經(jīng)濟的持續(xù)發(fā)展,經(jīng)濟的減貧效果會逐漸降低,而生態(tài)因素、環(huán)境背景脆弱性、社會發(fā)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(xù)生計發(fā)展的各項約束條件,有針對性地采取措施,補齊發(fā)展的短板,創(chuàng)造可持續(xù)生計發(fā)展的良性循環(huán)。