基于夜间灯光数据的四川省县域经济差异时空格局演变及影响因素研究
2025-01-12海宜峰陈航张和周佳妮高林爽杨帆陈希勇邓元杰
基于四川省183个县域单元2013—2021年夜间灯光数据，采用空间自相关、重心转移、标准差椭圆分析等方法来探究四川省县域经济的时空格局演变，并利用多元线性回归模型对造成四川省县域经济差异的影响因素进行分析.研究表明：从整体上看，四川省县域经济呈现出两极分化的格局，四川盆地地区经济发展态势良好，川西高原地区经济发展则不明显;标准差椭圆总体上呈现“东北-西南”分布格局，同时四川省经济重心变动幅度较小，且变动速度呈现递减趋势;从空间关联性来看，四川省县域经济发展存在显著的正相关，空间关联程度呈现出波动上升趋势，具有较强的空间异质性和区域集聚性;根据多元线性回归模型测定影响因素，正向因素中城镇化水平是最主要的正向影响因素，而产业结构则是次要的正向影响因素，投资水平、教育水平以及市场规模是四川省县域经济发展的重要正向影响因素，政府作用力则为限制性因素.
夜间灯光数据; 四川省县域; 经济差异; 时空格局
F127; K902 A 0231-11 02.008
县域经济是中国国民经济的基本单元，是中国式现代化的蓄水池，其能否实现平衡高效发展直接影响到中国经济推动高质量发展的成效.当前，中国发展县域经济面临着一系列困难和挑战，其中县域经济发展不平衡的现象最为突出[1]，已是中国目前亟待解决的重大问题，其中四川省的县域经济差异最为典型[2].原因在于，四川省的产业结构合理程度不同以及政策倾斜程度不一等影响因素，造就了以成都平原为中心的经济发达地区和以三州地区为主的经济欠发达地区的显著经济差异，四川省县域经济现状与中国县域经济现状高度契合，通过对四川省县域经济差异的研究能够为解决中国县域经济存在差异的问题提供新思路.因此，对四川省县域经济差异的研究具有十分重要的理论和现实意义.
当前，学界对县域经济发展研究较为丰富，主要分为2个方面.一方面，一些学者通过描述县域经济时空分布变化来探究县域经济发展差异.例如：王东清[3]刻画了成渝双城经济圈县域经济空间格局演化过程，得出了成渝极化现象明显，不发达地区集中分布的结论;庄成祥等[4]通过分析黑龙江省时空演变特征并探讨其成因，得出了黑龙江省呈“南高北低，东高西低”的空间格局，不发达型县域在中心集聚的结论;武文超[5]分析黄河流域县域经济发展不均衡性的时空演化情况，结果显示黄河流域县域经济发展不均衡性的绝对程度扩大，相对程度缩小;马存霞等[6]利用GIS空间分析等方法探究了宁夏县域经济发展水平差异演变趋势及其空间分布特征，发现宁夏南北县域经济发展水平差距显著.另一方面，一些学者认为仅从时空差异出发，并不能对造成差异的成因做出解释，故进一步，在对县域经济时空分布变化分析的基础上，运用计量回归模型来探究导致县域经济差异形成的原因.例如：常迎辉等[7]运用地理探测器方法分析了河南省县域经济差异的主导影响因子，结果显示第二产业增加值、经济基础等是主导因素;吴玮怡等[8]通过地理探测器定量分析影响广东省县域经济差异的主导因子和交互作用，得出城镇居民可支配收入、第三产业产值等是影响广东省县域经济差异的主要因素;张佰发等[9]利用回归模型，得出了自然禀赋、产业结构等为主要影响因素的结论;史利江等[10]运用数理统计分析，对汾河流域县域经济差异的驱动因素进行探究，结论显示自然条件、资源禀赋与产业结构是主要因素.综上所述，前人研究为我们探究县域经济差异的时空格局及其影响因素提供了一定的参考，然而以上研究均采用统计年鉴中获得的人均GDP数据来衡量县域的经济发展水平，人均GDP数据受人为干预影响的可能性较大，且存在统计数据时标准不一、统计数据遗漏或缺失、统计结果滞后性强、获取成本高等诸多问题，且GDP指标的核算都是建立在各种人为统计资料、报表之上，并且以行政单元为基础，缺乏准确、合理有效的空间位置信息[11]等，不利于对县域经济差异的客观掌握.近年来，随着科学技术的不断完善和发展，越来越多的学者选择利用夜间灯光数据作为衡量经济发展水平的一个代理变量，与传统的GDP统计数据相比，夜间灯光数据最大限度地消除了GDP统计中的人为因素，相对来说更为客观且不受价格因素干扰，且夜间灯光数据还具有明确的地理空间属性[12].鉴于此，夜间灯光数据开始被用作GDP的替代变量用于研究经济差异的相关研究中.例如：斯丽娟等[13]基于十大城市群的夜间灯光数据，得出了外商投资、人力资本、科技创新对城市群经济收敛具有显著正向影响，而工业化水平具有显著负向影响的结论;崔百胜等[14]基于长三角地区夜间灯光数据，探究长三角地区空间溢出效应，研究发现长三角地区各省市经济发展具有显著为正的空间溢出效应;晁静等[15]基于长江经济带三大城市群比较分析不同时段长江经济带三大城市群经济差异时空演变及影响因素，结果表明总体差异、群内差异及群间差异均逐年缩小，政府投资、市场水平及对外开放是推动三大城市群之间及各城市群内部经济差异的核心因素.前人基于夜间灯光数据，在研究区域经济差异中取得了一定的成果.然而，目前还极少有学者基于夜间灯光数据，以县域单元为研究样本探究其经济差异，涉及四川省的研究则更为缺乏.因此，本文将基于夜间灯光数据探究四川省县域经济差异.
截止2021年，四川省常住人口为8 372万人，全省GDP总量达53 850.79亿元，同比增长8.2%，人均GDP为64 326元.基于地级市视角，从GDP总量来看，位于发展水平首位的是成都市，GDP总量达19 916.98亿元，同比增长8.6%，人均GDP达到94 622元，经济发展水平较低的是甘孜藏族自治州、阿坝藏族羌族自治州等市（州）.基于县域单元视角，截止2021年，武侯区人均GDP居于全省首位，达18.28万元，最低的为美姑县，人均GDP为1.70万元，极差为16.58万元，前者是后者的10.75倍.四川省是中国西部地区第一大省，是中国西南地区的经济、科技、人才、政治、文化、教育中心.四川省存在成都平原等经济发达地区;同时也存在“三州”地区等经济欠发达地区，川东平原地区经济普遍好于川西高原地区[16].由此可见，四川省内部各县域之间在经济发展的过程中存在经济发展极不平衡，两极分化格局明显的特征.因此，研究四川省县域经济差异能够以小见大的为中国县域经济实现平衡、健康发展提供有效建议.基于此，本文将以四川省为研究区域，基于2013—2021年NPP/VIIRS夜间灯光数据，用其表征经济发展，运用标准差椭圆、空间相关性分析等方法，分析四川省县域层面经济差异的动态演化特征，并借助多元线性回归法分析经济差异的影响机制，以期为四川省乃至全国实现共同富裕、区域协调发展与经济高质量发展政策制定提供科学化的依据和参考.
1 研究区域范围与数据来源
1.1 四川省区域概况
四川省，位于中国西南部，地处长江上游，面积居全国第5位.全省面积48.6万km2，辖21个市（州）、183个县（市、区），与重庆、贵州、云南、西藏、青海、甘肃和陕西等7省（自治区、直辖市）接壤，有全国最大的彝族聚居区、第二大藏族聚居区和唯一的羌族聚居区.因此，本文选取了四川省所囊括的183个县域单元作为研究尺度，对NPP-VIIRS夜间灯光数据做预处理，构建时间序列的四川省县域经济夜间灯光数据集，来对四川省范围进行县域经济发展时空演变特征分析.
1.2 数据来源
本文使用的数据包括夜间灯光数据、行政边界矢量数据和社会经济统计数据，3类数据的详细来源如下.
1） 夜间灯光数据.夜间灯光数据以其具有的高度客观性、时序稳定性与尺度全面性三大优点，被学界当作GDP替代指标，广泛地用在衡量区域经济发展水平的研究中[17-18].当前，学界所使用的夜间灯光数据主要有2种，分别为DMSP/OLS数据和NPP/VIIRS数据.本文将使用NPP/VIIRS数据用于衡量区域经济发展水平的指标，原因如下：首先，在数据时效性上，NPP/VIIRS数据相比于DMSP/OLS数据更好[18]，虽然后者时间序列较长，但却只提供1992—2013年的数据，而前者却能提供2012—2021年的数据.其次，在数据分辨率上，NPP/VIIRS数据相比于DMSP/OLS数据更高，后者的空间分辨率仅为1 km，而前者的空间分辨率则提升至500 m，能够更为准确地刻画小尺度地表照明分布[19]，使NPP/VIIRS数据的辐射范围更广.最后，在数据灵敏度上，NPP/VIIRS数据相比于DMSP/OLS数据更高，能有效克服DMSP/OLS数据存在的夜间灯光值过饱和问题，进而使NPP/VIIRS数据的灯光总量和灯光面积与经济数据的相关性要强于DMSP/OLS数据[20]，能更客观准确地反映经济发展情况.
综上所述，本文使用NPP/VIIRS数据，数据处理如下：首先，使用Google Earth Engine平台下载得到四川省2013—2021年夜间灯光数据，数据版本为Annual VNL V2.1.其次，借助ArcGIS软件赋予其Albers投影坐标系，并采取临近法重采样得到500 m分辨率.再次，基于四川省183个县域矢量图，借助ArcGIS软件中的“以表格显示分区统计”工具得到相应县域的夜间灯光值总量.最后，参考陈洪章等[21]的研究，将各县域夜间灯光值总量与相应县域面积的比值，用作衡量四川省各县域经济发展水平的指标.
2） 行政边界矢量数据.本文所使用的四川省县域行政边界矢量数据下载于全国地理信息资源目录服务系统所发布的1∶100万全国基础地理数据库（https：//www.webmap.cn/commres.do？method=result100W）.
3） 社会经济统计数据.本文所使用的四川省县域社会经济统计数据整理于四川省统计局公布的《四川省统计年鉴（2014—2022）》，数据下载地址为：http：//tjj.sc.gov.cn/scstjj/c105855/nj.shtml.对于缺失数据，通过查询各地级市统计年鉴和中国县域统计年鉴获取，依然缺失的数据通过插值法加以补充.
2 研究方法
2.1 空间自相关分析
空间自相关是反映空间变量在同一个分布区内的观测数据之间潜在的相互依赖性的空间分析方法，分为全局空间自相关（IGM）和局部空间自相关（ILM）.
2.1.1 全局空间自相关
以四川省县域单元作为空间单元，采用全局空间自相关分析四川省县域夜间灯光数据的空间相关性，公式[22]为：
IGM=n∑ni=1∑nj=1Wij（Xi－）（Xj－）∑ni=1∑nj=1Wij∑ni=1（Xi－）2，
（1）
式中，Xi、Xj分别为i县（市、区）和j县（市、区）的夜间灯光数值;n为县级行政单元数量;为平均值;Wij为空间权重.全局空间自相关系数取值范围为[-1，1].当IGMgt;0时，表示空间正相关，代表四川省县域经济发展格局在空间上呈现集聚;当IGMlt;0时，表示空间负相关，代表四川省县域经济发展格局在空间上呈现离散;倘若IGM=0，则表现为四川省县域经济发展格局在空间内随机分布.
2.1.2 局部自相关分析
用局部空间自相关来衡量研究区域的夜间灯光观测值与周边区域的聚集程度，公式[22]为：
ILM=（Xi－）S2i∑nj=1，j≠iWij（Xj－），
（2）
式中，S2i代表各县夜间灯光数值的方差.ILM能够反映空间变量分布中空间异质性与不稳定性等局部空间特性.ILM可分为4类模式：高高集聚型（HH）、低低集聚型（LL）、高低离散型（HL）和低高离散型（LH）.
2.2 标准差椭圆模型分析
标准差椭圆模型（standard deviation ellipse，SDE）是一种反映评价要素空间分布的整体特征及演变过程的空间统计方法，主要通过中心、长轴、短轴、方位角等参数直观地表达要素空间分布的相对位置、离散程度以及发展趋势[23].椭圆的长半轴表示的是数据分布的方向，短半轴表示的是数据分布的范围，长短半轴的值差距越大（扁率越大），表示数据的方向性越明显;短半轴表示数据分布范围，越短表示数据向心力越明显;中心点表示数据中心位置，该模型主要参数计算公式[24]如下.
标准差椭圆的中心：
DSE，x=∑ni=1（xi－）2/n，
DSE，y=∑ni=1（yi－）2/n，
（3）
式中，DSE，x和DSE，y代表标准差椭圆的中心点坐标;（xi，yi）表示研究对象的区位坐标;（，）表示研究对象的平均中心;n为研究对象的总个数.
标准差椭圆轴的方向：
tan θ=A+BC， A=∑ni=12i-∑ni=12i，
（4）
B=（∑ni=12i－∑ni=12i）2+4（∑ii）2，C=2（∑ii）2，
（5）
式中，θ为标准差椭圆的方位角，即正北方向顺时针旋转到椭圆长轴的角度;i和i分别表示各研究对象坐标到平均中心的坐标偏差.
标准差椭圆轴长的标准差距离：
σx=2∑ni=1（icos θ-isin θ）2n，
σy=2∑ni=1（isin θ-icos θ）2n，
（6）
式中，σx和σy分别表示为x轴和y轴的长度.
2.3 经济重心分析
经济重心是指在区域经济空间里的某一个点，在该点各方向上的经济力量能够维持均衡.通过研究经济重心的转移可以有助于研究观察某一经济变量在区域内部的时序空间变化[20]，了解经济变量在一个经济区域中的发展方向.本文引入夜间灯光数据来测算经济重心坐标.经济重心主要计算公式[21]如下：
X=∑ni=1Ni×xi∑ni=1Ni， Y=∑ni=1Ni×yi∑ni=1Ni，
（7）
式中，X、Y表示灯光重心坐标;Ni表示第i个影像单元夜间灯光数据值;（xi，yi）表示第i个次行政区域中心的坐标;n为影像单元个数.
经济重心的转移可以反映区域发展轨迹，利用不同年份经济重心转移的距离和角度来描述经济重心转移规律.经济重心转移及角度计算公式为：
Dt=（xt1－xt2）2+（yt1－yt2）2，
θt=t=arctanyt2－yt1xt2－xt1，
（8）
式中，xti、yti表示t年的区域重心坐标.
2.4 影响因素分析方法
经济发展的水平受到多种因素的影响，本文在参考前人研究[25-31]的基础上，根据四川省实际情况，选取了产业结构、投资水平、城镇化水平、教育水平、市场规模、政府作用力6方面作为探究影响经济发展的影响因素（表1）.因四川省自然地理条件复杂且自然环境统计数据的获取难度较大，本文将不选取自然环境变量.本文将采用多元线性回归模型检验上述因素对四川省县域经济差异的具体影响.
基于以上变量，构建以经济发展水平为被解释变量，产业结构、投资水平、城镇化水平、教育水平、市场规模、政府作用力为解释变量的面板数据最小二乘回归估计模型，为了增强数据可视化程度，减少个别极端值影响，消除异方差.现对模型中各个指标分别进行对数处理，模型构建[21]如下：
ln nilit=α+β1ln insit+β2ln invit+
β3ln urbanit+β4ln eduit+β5ln marketit+
β6ln govit+εit，
（9）
式中，ln nilit为被解释变量;i代表县（市、区）;t代表年份，ln nilit则就是i区域第t年的夜间灯光数据的自然对数;α为常数项;β1～β6为解释变量线性部分回归系数;εit为计算中存在的随机误差项.
3 结果分析
3.1 整体结果分析
将2013—2021年四川省夜间灯光数据关联到四川省县域空间矢量图上，制定相同标准分析空间分布格局差异，将四川省各年县域经济发展水平按照相同标准划分为高水平（gt;35.01），较高水平（25.01～35.00），中等水平（15.01～25.00），较低水平（5.01～15.00），低水平（lt;5.00）5个等级（图1）.由图1知，经济发展的高水平区域集中在成都市下辖的县级行政区以及攀枝花市下辖行政区;经济发展的较高水平区域则主要环绕成都呈现环形分布;经济发展中等水平以及较低水平区域则广泛分布在四川盆地的县级单位;经济发展低水平区域集中在川西高原以三州地区为主.从各个等级所对应的县级单位数量上来看，低水平的县（市、区）的数量要远远大于其余等级的数量，等级越高所对应的数量就越少.从时间趋势上来看，与2013年相比，2021年经济发展高水平以及较高水平的县（市、区）的数量有明显增加，表明经济持续向上向好发展，但经济发展不平衡依然显著.从划分区域来看，四川省内各县（市、区）差异增强，四川盆地各县（市、区）经济增长速率较快，成效显著，西部川西高原地区经济增长效果不明显.
3.2 空间方向性结构分析
为进一步明确四川省县域经济在地理空间上的变动方向和集中程度，本文利用ArcGIS软件空间统计模块中的Directional Distribution（standard deviational ellipse）工具和Mean Center工具，对2013—2021年四川省县域经济的重心和标准差椭圆进行了测算.结果如表2和图2所示.夜间灯光数据与人类活动、人口数量、社会经济之间存在正相关，可以客观反映经济发展，用于社会经济研究.四川省县域经济的标准差椭圆覆盖范围主要是乐山市、眉山市、成都市、德阳市、绵阳市.全省经济标准差椭圆总体变化较小，以成都市为中心向外扩张.四川省经济发展的热点区域主要集中于该区域，是四川省经济最发达的区域.
从转角θ来看，四川省县域经济总体上呈现较为稳定的“东北-西南”分布格局，但也有一定摆动.2013—2016年，椭圆θ角由33.70°扩大到34.26°，表明总体上呈现“东北-西南”分布格局，并且该格局有向逆时针方向的变动趋势，“东北-西南”分布格局进一步强化.2016—2019年，椭圆θ角由34.26°扩大到39.30°，表明“东北-西南”分布格局进一步强化，逆时针方向上变动趋势进一步加强.2019—2021年，椭圆θ角由39.30°缩小到39.10°，表明分布格局顺时针回摆，“东北-西南”分布格局弱化.
从椭圆长短轴长度看，椭圆长半轴长度呈现波动缩小的趋势，2013—2021年长轴长度由185.05 km减少至179.52 km，表明在研究区间和时段经济发展集中度略有增强;椭圆短半轴长度呈现波动扩大的趋势，2013—2021年短轴长度由102.14 km增加至122.15 km，表明经济发展的离心力增强，离散程度加大.基于夜间灯光数据的标准差椭圆短轴伸缩变化度远远强于长轴，表明推动四川省县域经济发展的主要力量来自于南北方向上的县域经济增长.
根据重心变化分析，经济重心主要在成都市双流区境内移动且变动幅度较小.根据重心运动的轨迹以及距离分析，经济重心大致沿东南-东北-东南的方向变动，2013—2021年重心共移动29.55 km，其中2013—2014年向东方向移动了3.25 km，2014—2016年，向北方向移动了11.96 km，2016—2017年向南方向移动了3.55 km，2017—2018年向东方向移动了3.49 km，2018—2019年向北方向移动了1.43 km，2019—2020年向南方向移动了4.48 km，2020—2021年向西方向移动了1.39 km，总体上重心南北移动幅度大于东西移动幅度，且速度呈现递减趋势.
3.3 空间关联性结果分析
3.3.1 全局自相关分析
利用ArcGIS软件空间统计模块中的Moran’s I工具，以各年夜间灯光数据为基准，从县域尺度计算四川省夜间灯光数据的全局Moran’s I指数（表3），表示区域间差异.表3结果展示，2013—2021年夜间灯光的全局Moran’s I指数均为正，Z值均在17.00以上，并且均通过了显著性检验，表明四川省县域经济发展存在着明显的正相关关系.全局Moran’s I指数总体呈现上升趋势，表明四川省县域夜间灯光数值的空间关联程度呈现增强趋势.从全局Moran’s I指数来看，其数值均在0.7以上，数值较大，表明四川省总体空间集聚程度较高.此外，夜间灯光数值高值区集中在省会城市成都下辖的县级行政区周边，其他县域灯光数值较低，尤其是三州地区，表现出经济发展水平欠发达地区空间集聚的特征.
3.3.2 局部自相关分析
为了进一步阐释四川省县域经济局部空间差异性，利用ArcGIS软件空间统计模块中的Anselin Local Moran’s I工具，基于夜间灯光数据计算了2013、2016、2019以及2021年四川省县域夜间灯光数据的局部Moran’s I指数，将局部空间格局分为了高高集聚区（HH）、高低离散区（HL）、低低集聚区（LL）、低高离散区（LH）4类（图3），
显著性空间特征以正相关为主.从空间趋势分布来看，高高集聚区主要分布在成都市所下辖的县级行政区以及周边地区，低低集聚区则主要分布在三州地区以及广元市和巴中市，低高离散区主要分布在高高集聚区周边并呈环绕状，高低离散区在四川省没有分布.从时间趋势上来看，显著性集聚空间单元从2013年的79个降低到2021年的75个.其中，高高集聚区由2013年的13个增加到了2021年的16个，低低集聚区由2013年的55个减少到了2021年的51个，2种集聚类型占比超过89％.结果表示，四川省县域经济发展的显著性空间特征以正相关为主，总体来看，有较强的空间异质性和区域集聚性.
3.4 影响因素结果分析
3.4.1 描述性统计
考虑到各个县域在不同年份可能会出现撤县设区，更名，合并等多种情况，本文将分析影响因素研究的时间跨度定为2013—2021年，研究区域定为四川省183个县（市、区），共计1 647条数据.为了增强数据可视化程度，且为了缩小数据之间的绝对差异，避免个别极端值的影响，对原始数据取了对数.表4展示了主要指标的描述性统计结果.
3.4.2 回归结果及分析
本文运用Stata软件根据多元线性回归模型来探究四川省县域2013—2021年经济发展水平的影响因素，回归结果如表5所示.
城镇化水平对四川省经济发展具有正向作用.具体而言，城镇化水平每增加1%，经济发展水平增加1.163%，且在1%水平上显著.城镇化是推动县域经济发展的重要引擎，城镇化过程也是生产要素在城镇的集聚，要素的集聚带来规模效应，提高城镇居民的收入[32].根据四川省统计年鉴中城镇化水平数据表明，城镇化水平较高地区集中在成都平原地区，如锦江区、金牛区、武侯区等区县，城镇化率达到了100%，而三州地区城镇化水平则明显较低，如甘洛县、美姑县、雷波县等城镇化率均在30%以下.由此可见，城镇化水平与经济发展水平具有互动性.
产业结构对四川省经济发展具有正向的促进作用.具体而言，产业结构每增加1%，经济发展水平则会提升0.779%，且在1%水平上显著.经济增长离不开新兴的产业体系支撑.已有的研究表明，产业结构的优化升级对于经济增长有显著影响.随着技术的进步和比较优势的变化，生产要素从低端基础部门向高端技术部门移动，生产力向更高水平迈进，从而带来的产业结构调整优化促进经济持续高质量健康发展[21].推动产业结构优化升级对于四川省县域经济可持续化健康高效发展有重要作用.以四川省宜宾市为例，宜宾市全力改造提升传统产业，加快培育新兴产业并完成产教融合趋势，培养吸引人才.宜宾市进行了积极的产业结构调整，这切实有效地推动了当地经济发展.
教育水平、市场规模以及投资水平都是四川省县域经济发展的重要正向促进因素.
教育水平每增加1%，经济发展水平则会提升0.233%，且在1%水平上显著.教育是影响人力资本结构的主要影响因素，也是人力资本构成的核心.人力资本质量是影响国家经济增长的重要因素，而教育是提升人力资本质量的重要手段[33].例如，成都市和绵阳市是四川省教育资源较为集中的地区，基础教育十分发达，同时也是四川省经济较发达地区发展前两位的地区.由此可见，教育水平的提升对经济增长具有良好的推动作用.
市场规模每增加1%，经济发展水平则会提升0.19%，且在1%水平上显著.市场规模的扩大可以推动消费水平提高，消费结构优化升级.以成都市为例，成都市人均消费位居全省第一位，成都市消费市场的日益活跃，为成都市的发展提供动力.根据供求关系定律，消费水平提高，消费结构优化升级可以促进生产者生产的产品符合人民消费需求，从而促进经济增长.
投资水平每增加1%，经济发展水平则会提升0.12%，且在1%水平上显著.投资水平越高对经济增长越有利，这表明投资水平是对经济增长的巨大推动力.投资水平的提高可以为经济发展提供充足的资金支持，促进经济的良性发展，对提高经济运行效率产生显著作用[21].例如，成都市优越的政策条件、区位优势以及营商环境吸引了大量投资，使其成长为西部重要的经济中心城市.
政府作用力回归系数显著为负，是四川省经济发展的限制性因素.政府作用力每增加1%，经济发展水平则会下降0.116%，且在1%水平上显著.可能的原因是行政的过度干预扰乱正常市场经济秩序，阻碍了经济的正常有序发展.过度的政府干预可能促进经济增长，也可能因过多的行政干预举措如行政审批过程中的繁琐程序而降低效率，阻碍经济增长，诱发类似权钱交易等一些寻租活动[31].
4 结论与对策
4.1 结论
为避免人为因素的干扰，本文区别于以往以人均GDP指标来衡量县域经济发展水平的研究，而是基于夜间灯光数据来测度县域经济发展水平，运用空间自相关、重心转移、标准差椭圆分析方法，对四川省县域经济空间格局进行可视化分析.此外，还结合多元线性回归模型讨论了产业结构、投资水平、城镇化水平、教育水平、市场规模、政府作用力这6种影响因素与四川省县域经济发展水平之间的关联.本文得到的主要结论如下.
1） 对四川省县域经济差异的空间格局分析可得，四川省经济发展的重心位于成都平原地区，经济重心发展方向沿东南-东北-东南的方向变动.标准差椭圆长半轴长度波动缩小，短半轴长度波动扩大，呈现“东北-西南”分布格局，这表明在研究时段四川省县域经济发展集中度略有增强，经济离心力增强，离散程度加大.
2） 对四川省县域经济差异的空间关联性分析可得，全局莫兰指数显著反映了四川省县域经济呈现出正的空间自相关，且数值较大，表明集聚程度较高.局部空间自相关检验结果则表示四川省县域经济发展具有较强的空间异质性和区域差异性.高高集聚区集中在成都平原地区，而三州地区则长期处在低低集聚区呈现出连片特困的表现特征.
3） 对四川省县域经济差异的影响因素分析可得，城镇化水平、产业结构、教育水平、市场规模、投资水平以及政府作用力都在不同影响程度下影响四川省县域经济发展.其中城镇化水平、产业结构、教育水平、市场规模、投资水平与经济发展呈正相关是促进因素，政府作用力呈负相关为限制性因素.
4.2 政策建议
县域连城带乡，是城乡融合发展的关键支撑.拥有183个县（市、区）、数量居全国首位的四川，将发展县域经济作为畅通城乡经济循环的重要切入点.为了更好发展四川省县域经济，使四川省县域经济发展更平衡、更充分，综上，提出以下建议.
1） 根据对四川省县域经济空间自相关的分析，发现四川省各县域之间存在较强的空间关联性.基于此，首先应当继续推动强化经济发展优势地区发展，以优势地区辐射带动周边地区经济发展.发挥发达地区的辐射带动作用，真正实现“先富带动后富”[34].以成都市为例，大力发展成都市经济，在虹吸效应的作用下，周边地区资源要素会向成都市集聚，形成四川省经济发展的中心城市，而后以成都市为中心向外发散和溢出带动周边地区经济增长[35-36].其次应当建立四川省县域协同机制，深化区域合作，打破行政区划壁垒与市场分割.在制度层面上推动各县市的信息流通与资源整合，形成“利益共享、风险共担”的利益分配机制，从而推动县域经济全面协调发展，并在一定程度上改善经济发展不平衡不充分的发展局面[21].
2） 通过对四川省县域经济发展的影响因素的分析，得出了资金、技术以及教育等因素对县域经济发展起正向的推动作用.因此，应当深化对三州地区等经济欠发达地区的政策扶持，推动资金、技术、教育等资源向经济欠发达地区流动，推动经济平衡健康发展.为此，可具体从以下3个方面入手：首先，针对资金因素，应加大招商引资力度，推动更多大型项目、新兴产业等落户欠发达地区，为重大项目开展绿色通道[18].通过资金流入可以缓解欠发达地区经济增长的资金需求，开阔市场，促进消费结构升级，拉动经济增长，并创造就业岗位避免劳动力流失，为欠发达地区产业结构优化升级提供必要的资金支持.同时，资金流入还能够有效促进城镇化水平的提高，推动要素集聚实现资源的合理配置，进一步促进经济发展[37].其次，针对技术因素，考虑到三州地区等地区矿产、水利资源丰富，技术资源流入能够帮助有效的将自身的资源优势转化为经济优势，并通过促进产业技术结构的优化升级来促进经济增长.最后，基于教育因素，三州地区等经济欠发达地区教育水平较为落后，优化中小学设点布局，同时建设一批中等、高等职业学校培养适应县域发展需要的高水平技能型人才.促进教育资源的流入能够有效提升该地区人口素质，培养高水平的劳动者，推动经济高质量发展.
致谢 四川轻化工大学2023年校级大学生创新训练计划项目（CX2023108）和成渝地区双城经济圈川南发展研究院一般项目（CYQCNY20234）对本文给予了资助，河北大学经济学院侯孟阳对本文修改提供了帮助，谨致谢意.
参考文献
[1] 文雁兵，郭瑞，史晋川. 用贤则理：治理能力与经济增长：来自中国百强县和贫困县的经验证据[J]. 经济研究，2020，55（3）：18-34.
[2] 邓小菲. 四川省县域经济差异时空演化特征分析[J]. 西南大学学报（自然科学版），2019，41（10）：72-78.
[3] 王东清. 广西区域经济发展差异的时空演变分析[D]. 桂林：广西师范大学，2023.
[4] 庄成祥，姜丽丽，焦子毓，等. 黑龙江省县域经济差异时空演变分析[J]. 合作经济与科技，2022（15）：19-22.
[5] 武文超. 黄河流域县域经济发展不均衡性的时空演化分析[J]. 统计与决策，2021，37（21）：132-135.
[6] 马存霞，魏丽，张小红. 宁夏县域经济发展水平时空差异研究[J]. 农业科学研究，2021，42（3）：27-33.
[7] 常迎辉，朱庆伟，苏德国，等. 2005—2019年河南省县域经济空间差异及影响因素探测[J]. 测绘通报，2022（2）：149-153.
[8] 吴玮怡，钟凯文，许剑辉. 广东省县域经济差异时空演化及影响因素研究[J]. 测绘科学，2021，46（6）：156-163.
[9] 张佰发，苗长虹，冉钊，等. 核心—边缘视角下的黄河流域县域经济差异研究[J]. 地理学报，2023，78（6）：1355-1375.
[10] 史利江，刘敏，李艳萍，等. 汾河流域县域经济差异的时空格局演变及驱动因素[J]. 地理研究，2020，39（10）：2361-2378.
[11] 陈颖彪，郑子豪，吴志峰，等. 夜间灯光遥感数据应用综述和展望[J]. 地理科学进展，2019，38（2）：205-223.
[12] 王贤彬，黄亮雄. 夜间灯光数据及其在经济学研究中的应用[J]. 经济学动态，2018（10）：75-87.
[13] 斯丽娟，王超群. 中国城市群区域经济差异、动态演变与收敛性：基于十大城市群夜间灯光数据的研究[J]. 上海经济研究，2021，33（10）：38-52.
[14] 崔百胜，李家琪. 长三角地区经济差异动态变化以及空间溢出效应：基于夜间灯光数据[J]. 经济地理，2022，42（10）：10-18.
[15] 晁静，赵新正，李同昇，等. 长江经济带三大城市群经济差异演变及影响因素：基于多源灯光数据的比较研究[J]. 经济地理，2019，39（5）：92-100.
[16] 曾永明，张果. 基于GIS和BP神经网络的区域农村贫困空间模拟分析：一种区域贫困程度测度新方法[J]. 地理与地理信息科学，2011，27（2）：70-75.
[17] 曾冰，邱志萍. 省际交界区经济网络空间结构研究：以湘鄂赣的灯光数据为实证[J]. 财经科学，2018（11）：110-121.
[18] 曾冰. 基于NPP-VIIRS夜间灯光数据的湘鄂赣省际交界区县域经济空间格局及影响因素[J]. 地理科学，2020，40（6）：900-907.
[19] 罗庆，李小建. 基于VIIRS夜间灯光的中国城市中心的分异特征及其影响因素[J]. 地理研究，2019，38（1）：155-166.
[20] 曾冰，谢琦. 基于夜间灯光数据的黄河流域经济发展空间特征与影响机制分析[J]. 中国沙漠，2022，42（3）：41-50.
[21] 陈洪章，曾冰，郭虹. 黄河流域县域经济时空分异及影响因素：来自夜间灯光数据的检验[J]. 经济地理，2022，42（11）：37-44.
[22] 王明杰，颜梓晗，余斌，等. 电子商务专业村空间格局演化及影响因素研究：基于2015—2020年中国淘宝村数据[J]. 地理科学进展，2022，41（5）：838-853.
[23] 唐健雄，何庆，刘雨婧. 长三角城市群城镇化质量与规模的时空错位及影响因素分析[J]. 华中师范大学学报（自然科学版），2022，56（4）：703-716.
[24] 毛丰付，高雨晨，周灿. 长江经济带数字产业空间格局演化及驱动因素[J]. 地理研究，2022，41（6）：1593-1609.
[25] 吴建祖，王碧莹. 政绩考核与环境治理效率：基于政绩考核新规的准实验研究[J]. 公共管理评论，2023，5（2）：117-137.
[26] 张晖，李靖，权天舒. 数字基础设施建设促进了数字经济与实体经济融合吗？基于“宽带中国”战略的准自然实验[J]. 经济问题探索，2023（10）：1-15.
[27] 杜明军. 区域能源转型的绿色金融策略研究[J]. 区域经济评论，2023（5）：108-119.
[28] 沈湘平. 朝向涵养全部生命的城市化[J]. 新视野，2022（5）：38-44.
[29] 方蔚琼，魏国江. 我国教育资源集聚收敛及其对区域经济的影响[J]. 经济研究参考，2022（8）：120-133.
[30] 孙昌盛，胡欣琪，张春英，等. 广西壮族自治区县域经济发展差异及影响因素分析[J]. 浙江大学学报（理学版），2023，50（5）：619-627.
[31] 黄庆杰. 试论政府能力与有效性[J]. 宁夏社会科学，2003（1）：4-9.
[32] 王新越，秦素贞，吴宁宁. 新型城镇化的内涵、测度及其区域差异研究[J]. 地域研究与开发，2014，33（4）：69-75.
[33] 王士红. 人力资本与经济增长关系研究新进展[J]. 经济学动态，2017（8）：124-134.
[34] 李子联. 中国式减贫的逻辑[J]. 当代经济研究，2020（6）：32-38.
[35] 祝树金，彭彬，段凡，等. 要素流动视角下县域高铁开通对中国企业出口产品质量的影响研究[J]. 湖南大学学报（社会科学版），2023，37（6）：62-73.
[36] 王鸽. 长三角城市群产业功能协同效应研究[D]. 杭州：浙江财经大学，2020.
[37] 胡洋，陈闻君. 新疆城镇化对经济发展的作用机制研究[J]. 经济论坛，2014（4）：52-55.
Study on the Evolution of Spatio-temporal Patterns for County Economic
Differences and Influencing Factors in Sichuan Province Based on Night Light Data
HAI Yifeng1， CHEN Hang1， ZHANG He1， ZHOU Jiani1，
GAO Linshuang1， YANG Fan1， CHEN Xiyong1，2， DENG Yuanjie1，2
（1. School of Economics， Sichuan University of Science amp; Engineering， Zigong 643000， Sichuan;
2. Agricultural Economy Research Centre， Sichuan University of Science amp; Engineering， Zigong 643000， Sichuan）
Based on the 2013—2021 nighttime lighting data of 183 county units in Sichuan Province， this paper uses spatial autocorrelation， center of gravity shift， and standard deviation ellipse analysis to explore the evolution of the spatio-temporal pattern for the county economy in Sichuan Province， and uses multiple linear regression models to do an analysis of the influencing factors that cause the differences in the county economy in Sichuan Province. The study shows that： as a whole， the county economy of Sichuan Province shows a polarized pattern， the economic development of the Sichuan Basin area is good， while the economic development of the western Sichuan Plateau area is not obvious; the standard deviation ellipse shows a “northeast-southwest” distribution pattern in general， and at the same time， the economic center of gravity in Sichuan Province shows a small change， and the speed of change shows a gradual change. The standard deviation ellipse generally shows a “northeast-southwest” distribution pattern， while the economic center of gravity of Sichuan Province shows a small change in the magnitude of the change， and the rate of change shows a decreasing trend. From the point of view of spatial correlation， there is a significant positive correlation between the economic development of counties in Sichuan Province， and the degree of spatial correlation shows a fluctuating upward trend， with strong spatial heterogeneity and regional agglomeration. Based on the multivariate linear regression model for determining the influencing factors， the urbanization level of the positive factor is the most important positive influencing factor， while the industrial structure is the secondary positive influencing factor. The level of investment， the level of education and the market size are important positive influences on the economic development of the counties in Sichuan Province， while the government’s power is a limiting factor.
nighttime lighting data; Sichuan province counties; economic differences; spatio-temporal patterns
（编辑 周 俊）
