基于DMSP/OLS夜间灯光数据的中国经济空间格局

倪金星, 杨 剑， 徐冬冬， 马志飞， 王 毅， 丁正山

(南京师范大学 地理科学学院， 南京 210023)



基于DMSP/OLS夜间灯光数据的中国经济空间格局

倪金星*, 杨 剑， 徐冬冬， 马志飞， 王 毅， 丁正山

(南京师范大学 地理科学学院， 南京 210023)

基于中国2303个县域单元1998年～2013年的人均GDP和夜间灯光遥感数据，采用空间自相关分析方法研究中国县域经济发展的空间格局，结果表明：1)整体上，中国区域经济增长两极分化严重，区域发展空间格局大体保持不变.其中，东部地区的珠三角、福建沿海、长三角、山东半岛、京津唐、辽中南依旧为典型的经济发达区，成为全国性的经济增长极，但是其经济溢出效应不足；西南地区的贵州、四川行政区的边缘及西藏东南部和甘肃南部为典型的经济落后区；中西部的省会城市成为区域经济增长中心，对周边县市产生虹吸作用.2)从时间序列变化趋势来看，不同聚类类型的变化趋势差异显著.HH类型区的空间格局总体上稳定，年际变化小；LL类型区年际起伏变化大；HL类型和LH类型区变化不显著.从空间分布特征来看，HH类型和LL类型区具有集中连片分布的特征，HL类型和LH类型区趋于分散，其中HL类型呈点状分布于中西部省会城市(武汉、西安、兰州、成都、重庆、贵阳、南宁、昆明).

DMSP/OLS； 空间格局； 人均GDP数据； 夜间灯光数据； 中国县域

经济增长差异是经济地理学的重要研究方向.进入新世纪以来，中国经济差异不断呈现新格局，而识别经济增长的新格局对于适时制定区域发展政策具有重要意义.现有中国区域经济差异的研究虽已囊括多尺度视角、多机制解析、多方法测度等特点，但这往往基于传统统计指标的研究[1]，如GDP、人均GDP、综合评价指标等[2-10]，而这些数据有一定的局限性，如GDP数据在一些偏远地区不易获得，国家收入计算方法标准化缺失，数据收集缺乏一致的方法，调查人员效率低，以及不同国家地区间的政治经济情况的差异等缺点[11]，导致研究结论存在偏差.因此，客观精准的数据测度中国经济差异有其必要性，其中，徐康宁等人认为夜间灯光亮度在一定条件下可以作为观察经济增长数据的替代变量[12].故尝试结合人均GDP数据和夜间灯光数据两个指标共同诊断新时期中国经济增长的新格局将是有益的探索.

随着遥感技术的广泛应用，夜间灯光数据的可获得性普遍提高，由于其具有客观、信息获取快捷、时效性等优势，国外一些学者尝试利用DMSP/OLS(Defense Meteorological Satellite Program/Operational Linescan System)夜间灯光数据进行研究城市空间扩张、城市潜能、城镇化测度、人口分布、能源消耗、碳排放、经济发展评价等领域[13-22]；而国内学者已开始利用DMSP/OLS夜间灯光数据对经济增长进行研究，其中，一些学者利用夜间灯光数据进行反演经济增长[23-24]、评价经济发展水平[25]，另一些学者利用夜间灯光数据进行估算经济密度[26-30]，相关研究证实了灯光数据表征经济发展水平的客观真实性，这为本文进一步从更小县域尺度来判断中国经济增长空间新模式提供了可靠支撑.

故本文综合利用DMSP/OLS夜间灯光数据及人均GDP数据，采用局部自相关技术，对1998-2013年间中国县域经济增长的空间格局新特征进行识别.首先，基于人均GDP分析中国县域经济增长空间格局，其次，利用夜间灯光数据识别中国县域经济增长空间格局，最后通过综合比较和叠加分析，以此识别新时期中国县域经济增长共同的空间格局特征.

1数据来源与处理

中国县级行政边界来自长江三角洲科学数据平台(http://nnu.geodata.cn：8008/).人均GDP数据来自各年份《中国县市社会经济统计年鉴》、地级市年鉴及部分市、县、区国民经济与社会发展统计公报，统一按照2008年行政区划进行归并，经过处理后，得到2303个县域单元1998～2013年可比价的人均GDP数据；而夜间灯光数据获取于美国美国空军气象局(Air Force Weather Agency，AFWA)整理的DMSP/OLS原始数据及NOAA国家地球物理数据中心(http://www.ngdc.noaa.gov/eog/dmsp.html)对其进行处理而生成.本文采用的是稳定灯光数据，该数据包含城镇以及其它类型的稳定灯光，排除了太阳光、云、月光等因素的影响，分辨率为30秒弧度，其值代表年平均灯光强度，范围是1～63，背景值为0，将夜间灯光数据投影至兰勃特等积方位投影坐标系下，采用最邻近法重采样得到分辨率为1km格网栅格.本文主要选择1998年、2003年、2008年及2013年4个时点进行分析.

2研究方法

为真实揭示中国经济发展的空间格局特征，首先，运用ArcGIS10.2软件统计县域单元的夜间灯光值总量，然后从全局的角度考察人均GDP和夜间灯光值的空间关联程度，再利用局域空间自相关工具分别绘制县级地域人均GDP和县域夜间灯光数据的空间聚类图，最后将两个图层叠加识别出空间聚类的公共部分，则得到共同探测的中国经济增长的空间格局特征.

2.1全局空间自相关

全局自相关指数Moran’s I是从整个区域的角度衡量空间要素之间相互关系和空间集聚程度，表达式为[31]:

(1)

2.2局域空间自相关

局域自相关指数Moran’s I(LISA)是从局部尺度上衡量空间要素之间的相互关系和空间差异程度，表达式为：

(3)

式中，zi、zj分别表示观测值的标准化形式，其余变量含义与式(1)相同.局域空间自相关分析结果形成4种空间分布形式：HH代表高属性值的区域被同样是高值的区域所包围；HL代表高值区域被低值区域包围；LL代表低值区域被同样是低值区域包围；LH代表低值区域被高值区域包围[33].

3结果分析

3.1中国县域经济增长的空间关联性分析

运用ArcGIS10.2软件分别计算2303个县域单元人均GDP和夜间灯光数据的全局Moran’sI统计值，如表1.从县域人均GDP数据来看，全局Moran’sI检验结果显著，说明我国县域单元人均GDP呈现正的空间自相关，从Moran’sI指数年际变化来看，并未发生巨大波动，说明1998年～2013年期间以人均GDP为指标的我国经济总体格局呈现较为稳定的空间关联度.从县域夜间灯光数据来看，全局Moran’sI检验结果显著，表明我国夜间灯光数据呈现正的空间自相关.总体来看Moran’sI指数不断提升，说明我国县域夜间灯光值的空间关联程度整体逐年增强.通过比较得出，总体上中国县域夜间灯光数据的空间集聚水平低于县域单元人均GDP的空间集聚水平，县域人均GDP空间关联程度随时间变化呈现稳定的态势而县域夜间灯光数据空间关联程度随时间演进不断增强.

3.2中国县域增长的局域空间格局

3.2.1县级尺度人均GDP空间格局特征分析 进一步对县级行政单元人均GDP的局域自相关进行分析，结果如图1及表2.其中，1998年HH类型的县域主要分布于辽宁中部和南部、北京、河北的东北部、山东半岛、长三角、福建沿海、珠三角、湖北中部以及新疆的乌鲁木齐和克拉玛依等地区，LL类型主要集中分布于陕西、重庆东部、贵州、甘肃南部、宁夏南部、西藏东南以及新疆南部等地区；与1998年相比，2003年HH集聚类型的分布在京冀、山东半岛、长三角、珠三角地区有所扩大，并在内蒙古的鄂托克旗、伊金霍洛旗和甘肃北部等地区出现新的集聚区，LL类型最明显的变化是在西藏地区变为不显著区以及在河南与安徽交界的大别山区由不显著类型变为LL类型；2008年HH类型在内蒙古西部、甘肃北部以及青海北部形成大范围连片地区，在珠三角地区有所缩小，福建地区只剩下厦门、晋江和福清等小范围地区，LL类型发生显著变化的是四川周边、云南南部、湖南西部的地区有所扩大，在我国西南地区形成大范围的环状集聚区；到2013年HH和LL类型的县域单元明显减少，约分别占全国的9.2%和5.2%，具体表现为HH类型在珠三角、长三角和环渤海地区的分布明显减少，福建的HH类型则消失，而山东大部分地区成为HH集聚类型，LL类型在我国西南地区的分布锐减，但仍主要分布于贵州和广西的交界、甘肃南部、西藏东南等地区.

表1 1998年～2013年我国县域人均GDP和夜间灯光值的全局 Moran’s I指数估计值

整体来看，县级尺度以人均GDP为变量的空间格局以HH和LL类型为主，而HL和LH类型则分布较少且分散；且HH类型区集中分布于珠三角、福建、长三角、山东、环渤海以及内蒙古地区，LL类型区主要分布在西部地区，尤其是西南地区.

表2 1998年～2013年我国县域人均GDP局域空间集聚统计

图1 1998年～2013年我国县域人均GDP局部空间自相关分析Fig.1 LISA cluster map of per capita GDP at the county level in China during 1998～2013

3.2.2县级尺度夜间灯光空间格局特征分析 对县级行政单元的夜间灯光数据的局域空间自相关方法进行分析，结果如图2及表3.总体来看，1998年～2013年夜间灯光数据HH类型区的空间分布相对稳定，HH类型县域总量占全国的8%～10%，主要集中于珠三角、长三角、江苏、山东、京津、辽宁中南部、哈长城市群(哈尔滨和长春)等地区.LL类型区总体变化显著，但分布区域主要集中于我国西南地区.HL和LH类型区分布数量较少，1998年～2013年间两种类型分别约占0.5%和0.4%，其中HL类型区以分布于中西部省会城市为主.

表3 1998年～2013年我国县域夜间灯光值局域空间集聚统计

图2 1998年～2013年我国县域夜间灯光数据局部空间自相分析Fig.2 LISA cluster map of nighttime light at the county level in China during 1998～2013

3.2.3县域经济数据与夜间灯光数据共同空间格局特征分析 由图1、图2可以看出，存在分别以人均GDP和夜间灯光值为变量的空间格局特征不相协调的区域.一方面官方统计的GDP数据存在“虚假”.例如，2008年～2013年间县域人均GDP的空间关联类型中内蒙古为HH类型区，而在夜间灯光数据中的空间关联类型为不显著区，而2013年仅有包头市、东胜市和伊金霍洛旗三个县市的人均GDP和夜间灯光值同为HH类型区.这是由于传统的统计数据表征的经济发展水平存在着“虚假”性[34]，事实上，内蒙古鄂尔多斯、阿拉善盟、锡林格勒盟等地区大规模资源开发带来的人均GDP迅速增长的背后可能掩盖了经济发展与地区整体产业结构失调和社会发展滞后的现象[5]，人口数量少且低水平城市化解释了内蒙古夜间灯光值较低的原因，说明内蒙古作为新兴的区域经济增长中心，达到综合平衡发展还需要时间的积累，也从侧面说明夜间灯光数据可反映经济增长的质量.一方面存在夜间灯光值不能完全反映真实的经济发展水平.例如，以夜间灯光值为变量的空间关联类型中长春和哈尔滨以出现HH类型，而在县域经济的空间关联类型中为不显著区域，出现差异的主要原因是整体上东北地区的人口、经济、空间城市化的协调性比较差，尤其是哈长城市群的人口城市化水平高于经济城市化水平[35]，夜间灯光值比较高可能是其城市人口集聚程度较高.所以需要采用人均GDP和夜间灯光值两个变量叠加分析识别共同空间格局，揭示出新时期的经济空间格局特征.

运用ArcGIS10.2软件将人均GDP和夜间灯光值进行叠加分析，识别出两者的公共聚类空间，结果如图3及表4.整体来看，不同聚类类型的变化趋势差异显著，其中，1998年～2013年间，县级尺度的人均GDP和夜间灯光值相同HH类型县市的空间格局总体上较稳定，年际变化小，集中分布于珠三角、福建沿海、长三角、山东半岛、京津唐以及辽中南地区，这说明上个世纪90年代以来，东部沿海地区随着技术、资本、人才等要素的不断集聚，成为我国重要的经济核心区，在经济扩散效应作用下，形成了环渤海、长三角和珠三角重要的区域经济增长极；相同LL类型区的县市数量起伏变化大，虽然在2003年只有江口县，但是到2008年又迅速增多，在2013年有明显减少的趋势.由图3知，我国大部分西北地区成为不显著区，表明在西部大开发战略作用下，没有成为经济塌陷区，但也并未缩小与东部地区的差异，而西南地区受地理区位及生态环境保护压力的影响，经济发展缓慢，一直处于我国经济“洼地”；相同HL类型区分布以中西部的省会城市为主，说明中西部省会城市作为区域的增长极，对周边县市的发展具有“虹吸作用”；相同LH类型区分布数量少，特征不明显.

表4 1998年～2013年我国县域人均GDP和夜间灯光值公共局域空间集聚统计

图3 1998年～2013年我国县域人均GDP和夜间灯光值双变量局域空间自相关分析Fig.3 spatial clustering map of LISA for per capita GDP and nighttime light at the county level in China during 1998～2013

综上分析，1998年来中国经济增长呈现出显著地东部沿海和西南地区两极分化的空间格局，经济不平等性较为严重，尤其是东部6个城市群：珠三角、福建沿海、长三角、山东半岛、京津唐、辽中南，一直是经济增长的高地；西南地区成为我国经济增长的洼地；中西部的省会城市(武汉、西安、兰州、成都、重庆、贵阳、南宁、昆明)作为区域经济增长的中心，对周边地区形成虹吸作用；这进一步反映出东部地区的经济增长溢出效应不足，至多对中部地区产生外溢效应，而对东北地区、西北地区与西南地区的辐射拉动效应较弱[36].

4结论和讨论

文章从时间和空间两个维度分析1998年～2013年期间我国县级尺度经济发展的时空格局特征，得到以下结论.

1) 整体上，中国区域经济增长两极分化严重，区域发展空间格局大体保持不变.其中，东部地区的珠三角、福建沿海、长三角、山东半岛、京津唐、辽中南依旧为典型的经济发达区，成为全国性的经济增长极，但是其经济溢出效应不足；西南地区的贵州、四川行政区的边缘及西藏东南部和甘肃南部为典型的经济落后区；中西部的省会城市成为区域经济增长中心，对周边县市产生虹吸作用.

2) 从时间序列变化趋势来看，不同聚类类型的变化趋势差异显著.HH类型区的空间格局总体上稳定，年际变化小；LL类型区年际起伏变化大；HL类型和LH类型区变化不显著.从空间分布特征来看，HH类型和LL类型区具有集中连片分布的特征，HL类型和LH类型区趋于分散，其中HL类型呈点状分布于中西部省会城市(武汉、西安、兰州、成都、重庆、贵阳、南宁、昆明).

通过对县级尺度的人均GDP和夜间灯光值两个变量的叠加分析，能够较为准确的识别出我国县域的经济空间格局，具有较好的可信度，可以弥补人均GDP单一指标测度的缺陷.但夜间灯光数据也有其局限性，如人口增多可以增加灯光强度，即便是在经济低迷时期[37]，可见仅用一个指标来反映地区经济发展水平，会产生偏差，有失准确性，也因此需要一个综合指标更加准确的反映一个区域的经济发展水平.由于人均GDP与夜间灯光数据的影响因素较多，文章采用区域的灯光值总和与人均GDP两个指标通过综合比较和叠加分析的方法识别经济空间格局也具有一定的局限性，因而下一步将探索建立一个考虑人口、城镇用电情况等数据的综合指标更能够全面解释中国的经济格局.

[1] OVERMAN G H. Can we learn anything from economic[J]. Journal of Economic Geography, 2004, 4(5): 501-516．

[2] 冯长春, 曾赞荣, 崔娜娜. 2000年以来中国区域经济差异的时空演变[J]. 地理研究, 2015, 34(2): 40-52．

[3] 李 丁, 冶小梅, 汪胜兰, 等. 基于ESDA-GIS的县域经济空间差异演化及驱动力分析——以兰州-西宁城镇密集区为例[J]. 经济地理, 2013, 33(5): 25, 33-38．

[4] 张改素, 丁志伟, 王发曾. 我国中部地区经济密度的时空分异研究[J]. 经济地理, 2013, 33(5): 17-25．

[5] 齐元静, 杨 宇, 金凤君. 中国经济发展阶段及其时空格局演变特征[J]. 地理学报, 2013, 68(4): 87-101．

[6] 洪国志, 胡华颖, 李 郇. 中国区域经济发展收敛的空间计量分析[J]. 地理学报, 2010, 65(12): 110-120．

[7] 芦 惠, 欧向军, 李 想, 等. 中国区域经济差异与极化的时空分析[J]. 经济地理, 2013, 33(6): 15-21．

[8] 王 洋, 修春亮. 1990-2008年中国区域经济格局时空演变[J]. 地理科学进展, 2011, 30(8): 1037-1046．

[9] 刘 玉, 潘瑜春, 陈秧分. 山东省县域经济发展的时空动态研究[J]. 经济地理, 2012, 32(5): 43-48．

[10] 周 扬, 李 宁, 吴文祥. 1982-2010年中国县域经济发展时空格局演变[J]. 地理科学进展, 2014, 33(1): 103-113．

[11] 吴祥佑. 基于匹配性的宏观经济统计数据质量的评估[J]. 统计与决策, 2016(3): 6-9．

[12] 徐康宁, 陈丰龙, 刘修岩. 中国经济增长的真实性：基于全球夜间灯光数据的检验[J]. 经济研究, 2015(9): 19-31, 59．

[13] WU J S, MA L, LI W F, et al. Dynamics of urban density in China_ estimations based on DMSP_OLS nighttime light data[J]. Applied Earth Observations and Remote Sensing, 2014, 7(10): 1404-1939．

[14] MIGUEL A S D, ZAMORANO J, CASTANO J G, et al. Evolution of the energy consumed by street lighting in Spain estimated with DMSP-OLS data[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2013, 139: 109-117．

[15] SHI K F, CHEN Y, YU B L, et al. Modeling spatiotemporal CO2(carbon dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis[J]. Applied Energy, 2016, 168: 523-533．

[17] PANDEY B, JOSHI P K., SETO K C. Monitoring urbanization dynamics in India using DMSPOLS night time lights and SPOT-VGT data[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 49-61．

[18] SMALL C P F, ELVIDGE C D. Spatial analysis of global urban extent from DMSP-OLS night lights[J]. Remote Sensing of Environment, 2005, 96: 277-291．

[19] SOUKNILANH K, MAGNUS A, OLA H. Monitoring economic development from space using nighttime light and land cover data to measure economic growth[J]. World Development , 2015, 66: 322-334．

[20] MAA T, ZHOUA Y K, ZHOUA C H, et al. Night-time light derived estimation of spatio-temporal characteristics of urbanization dynamics using DMSP/OLS satellite data[J]. Remote Sensing of Environment, 2015, 158: 453-464．

[21] 杨 洋, 黄庆旭, 章立玲. 基于DMSP/OLS夜间灯光数据的土地城镇化水平时空测度研究——以环渤海地区为例[J]. 经济地理, 2015, 35(2): 143-150, 170．

[22] 马明娟, 王黎明, 董 南. 基于Globcover和DMSP/OLS数据的中国大陆城市潜能分析[J]. 地球信息科学学报, 2015, 17(11): 106-115．

[23] 王 琪, 袁 涛, 郑新奇. 基于夜间灯光数据的中国省域GDP总量分析[J]. 城市发展研究, 2013, 20(7): 51-55．

[24] 柴子为, 王帅磊, 乔纪纲. 基于夜间灯光数据的珠三角地区镇级GDP估算[J]. 热带地理, 2015, 35(3): 380-385．

[25] 刘 浩, 马 琳, 李国平. 1990s以来京津冀地区经济发展失衡格局的时空演化[J]. 地理研究, 2016, 35(3): 471-481．

[26] 李 峰, 米晓楠, 王粉鸽, 等. 基于DMSP/OLS和Landsat8数据的省域GDP空间化方法——以北京市为例[J]. 重庆师范大学学报(自然科学版), 2016, 33(1): 143-147．

[27] 杨 妮, 吴良林, 邓树林, 等. 基于DMSP/OLS夜间灯光数据的省域GDP统计数据空间化方法空间化方法——以广西壮族自治区为例[J]. 地理与地理信息科学, 2014, 30(4): 109-111．

[28] 韩向娣, 周 艺, 王世新, 等. 基于夜间灯光和土地利用数据的GDP空间化[J]. 遥感技术与应用, 2012, 27(3): 74-83．

[29] 韩向娣, 周 艺, 王世新, 等. 夜间灯光遥感数据的GDP空间化处理方法[J]. 地球信息科学学报, 2012, 14(1): 132-140．

[30] 梁友嘉, 徐中民. 基于夜间灯光辐射数据的张掖市甘州区GDP空间分布建模[J]. 冰川冻土, 2013, 35(1): 253-258．

[31] 方叶林, 黄震方, 涂 玮, 等. 基于地统计分析的安徽县域经济空间差异研究[J]. 经济地理, 2013, 33(2): 34-38．

[32] 陈 浩, 邓祥征. 中国区域经济发展的地区差异GIS分析[J]. 地球信息科学学报, 2011, 13(5): 18-25．

[33] 王培安, 罗卫华, 白永平. 基于空间自相关和时空扫描统计量的聚集比较分析[J]. 人文地理, 2012, 27(2): 120-127．

[34] 乌 敦, 佟喜梅, 李百岁. 1980年以来内蒙古城市化水平趋势及其特征[J]. 干旱区资源与环境, 2011, 25(6): 1-6．

[35] 孙平军, 丁四保. 人口-经济-空间视角的东北城市化空间分异研究[J]. 经济地理, 2011, 31(7): 1095-1100．

[36] 潘文卿, 李子奈. 三大增长极对中国内陆地区经济的外溢性影响研究[J]. 经济研究, 2008, (6): 85-94．

[37] 王鹤饶, 郑新奇, 袁 涛. DMSP/OLS数据应用研究综述[J]. 地理科学进展, 2012, 31(1): 11-18.

The spatial pattern of China’s economic development based on DMSP/OLS nighttime light data

NI Jinxing, YANG Jian, XU Dongdong, MA Zhifei, WANG Yi, DING Zhengshan

(School of Geography Science， Nanjing Normal University， Nanjing 210023)

Studying the spatial pattern of county economic development is extremely important for providing a scientific base for the policy making and promoting balanced economic development among regions. Based on the 2，303 counties’ per capita GDP and nighttime light in 1998， 2003， 2008 and 2013， the spatial autocorrelation analysis were used to investigate the spatial patterns of county economic development. The results of the research are as follows: (1) overall， China’s regional economic growth is sharply unbalanced and polarization is serious， with spatial pattern of regional economic development remaining largely unchanged. Economy developed area mainly distributed in 6 urban agglomerations (Pearl River Delta， Yangtze River Delta， Shandong Peninsula， Coast of Fujian， Beijing-Tianjin-Tangshan， Central-southern of Liaoning); Guizhou， The edge of Sichuan Administrative Region， Southeast Tibet and southern Gansu present typical economic backwardness; the capital city of the central and western regions has become the center of regional economic growth. (2) From the point of view of time series， the change trends of different cluster types of county units were significantly different. The spatial pattern of “High-High” area is steady in general， and the inter-annual variation is small. The changes of “High-Low” and “Low-High” area are not obvious. From the point of view of spatial distribution characteristics， “High-High” and “Low-Low” pattern of economic development， have contiguous distribution characteristics， while “High-Low” and “Low-High” pattern of economic development are disperse， with “High-Low” pattern of economic development dotted in the central and western provincial capital cities (Wuhan， Xi’An， Lanzhou， Chengdu， Chongqing， Guiyang， Nanning， Kunming)．

DMSP/OLS; spatial pattern; per capita GDP; nighttime light; China county

2016-07-13.

国家自然科学基金项目(41271176).

1000-1190(2016)06-0930-07

TP79；F061.5

A

*E-mail: njx413@126.com