沈丹， 周亮，3， 王培安

(1.蘭州交通大學(xué)測(cè)繪與地理信息學(xué)院，蘭州 730070； 2.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，蘭州 730070； 3.中國(guó)科學(xué)院地理科學(xué)與資源研究所，北京 100101)

0 引言

近年來(lái)，國(guó)內(nèi)外學(xué)者在精準(zhǔn)扶貧研究的基礎(chǔ)上，結(jié)合區(qū)域特色和實(shí)際情況展開(kāi)了4個(gè)方面探索性研究： ①精準(zhǔn)識(shí)別貧困內(nèi)容主要由單一維度向多維度轉(zhuǎn)變，維度擴(kuò)展至區(qū)域地理特征、生態(tài)環(huán)境、基礎(chǔ)教育均等化、交通可達(dá)性、衛(wèi)生醫(yī)療和大病防治等眾多領(lǐng)域[1]； ②研究方法主要采用可持續(xù)生計(jì)框架[2]、多層模型[3]和機(jī)器學(xué)習(xí)[4]等； ③研究數(shù)據(jù)逐漸多元化，主要有實(shí)際野外調(diào)查與抽樣數(shù)據(jù)、電子商務(wù)數(shù)據(jù)和遙感影像等進(jìn)入貧困研究領(lǐng)域[5]； ④研究尺度由全國(guó)尺度[6]、市縣尺度[7]和行政村尺度，最終精準(zhǔn)到扶貧家庭及個(gè)人貧困測(cè)度發(fā)展，粒度逐漸深入到家庭和個(gè)體細(xì)胞。這些探索性研究的提出開(kāi)拓了較多研究思路，但由于部分研究基于特定區(qū)域(如北京)數(shù)據(jù)的可獲取性、精細(xì)粒度難以深入等原因，對(duì)現(xiàn)實(shí)解釋能力較差[8]、難以滿足快速動(dòng)態(tài)的精準(zhǔn)識(shí)別要求。此外，中國(guó)農(nóng)村貧困統(tǒng)計(jì)數(shù)據(jù)的缺乏與不同省份數(shù)據(jù)統(tǒng)計(jì)口徑的不一致使貧困識(shí)別數(shù)據(jù)獲取困難，尤其是西部偏遠(yuǎn)地區(qū)。地區(qū)的差異、統(tǒng)計(jì)數(shù)據(jù)的偏差和貧困地區(qū)一些領(lǐng)導(dǎo)干部的“急功”，也會(huì)使貧困的真實(shí)情況出現(xiàn)偏差。

因?yàn)橐陨显?，學(xué)者們開(kāi)始借助夜間燈光數(shù)據(jù)對(duì)貧困進(jìn)行評(píng)估和輔助研究。Noor等[9]采用DMSP-OLS數(shù)據(jù)和資產(chǎn)數(shù)據(jù)構(gòu)建貧困指數(shù)評(píng)估非洲37個(gè)國(guó)家貧困狀況，研究表明貧困指數(shù)與燈光亮度間有高度相關(guān)性； Elvidge等[10]借助LandScan人口數(shù)據(jù)和DMSP-OLS夜間燈光數(shù)據(jù)估算的2006年全球貧困人口與世界銀行估算的結(jié)果相一致； Wang等[11]使用主成分分析法構(gòu)建綜合貧困指數(shù)探討夜間燈光指數(shù)與貧困指數(shù)間的關(guān)系，發(fā)現(xiàn)兩者有良好的線性正相關(guān)關(guān)系； Yu等[12]通過(guò)中國(guó)2 856個(gè)縣的區(qū)域燈光值和國(guó)家貧困縣比對(duì)，結(jié)果顯示燈光值低的區(qū)域同時(shí)也屬于國(guó)家貧困縣； 潘竟虎等[13]運(yùn)用夜間燈光指數(shù)與多維貧困指數(shù)(multidimensional poverty index,MPIstatistical)間的線性回歸模型將貧困空間化，識(shí)別出848個(gè)多維貧困縣。上述研究?jī)H僅對(duì)燈光數(shù)據(jù)和社會(huì)經(jīng)濟(jì)數(shù)據(jù)進(jìn)行簡(jiǎn)單處理且只在短時(shí)間內(nèi)評(píng)估貧困。鑒于此，本文以六盤(pán)山連片特困區(qū)為研究區(qū)，選用DMSP-OLS和NPP-VIIRS燈光數(shù)據(jù)，運(yùn)用不變目標(biāo)區(qū)域法校正燈光數(shù)據(jù)提取區(qū)域燈光指數(shù)(average light index,ALI)，借助灰色關(guān)聯(lián)模型構(gòu)建多維貧困體系產(chǎn)生MPIstatistical，以兩者的線性擬合關(guān)系生成貧困模擬模型，從而識(shí)別研究區(qū)的貧困現(xiàn)狀與特征，實(shí)現(xiàn)基于多期夜間燈光數(shù)據(jù)對(duì)貧困的連續(xù)動(dòng)態(tài)監(jiān)測(cè)彌補(bǔ)統(tǒng)計(jì)數(shù)據(jù)短缺問(wèn)題。

1 研究區(qū)與數(shù)據(jù)源概況

六盤(pán)山連片特困區(qū)跨陜西、甘肅、青海與寧夏4省區(qū)，地處黃土高原中西部及其與青藏高原的過(guò)渡地帶，地形破碎，山、川、塬并存，溝、峁、墚相間； 地勢(shì)西高東低，平均海拔在1 900 m左右(圖1)； 屬于溫帶大陸性干旱半干旱氣候，土質(zhì)疏松，植被稀疏，干旱等自然災(zāi)害頻發(fā)。該地區(qū)是國(guó)家新一輪扶貧開(kāi)發(fā)攻堅(jiān)戰(zhàn)主戰(zhàn)場(chǎng)之一，有國(guó)家扶貧開(kāi)發(fā)工作重點(diǎn)縣49個(gè)、革命老區(qū)縣12個(gè)和民族自治地方縣20個(gè)。2010年農(nóng)民人均年純收入僅相當(dāng)于全國(guó)平均水平的54.7%，當(dāng)年在1 274元扶貧標(biāo)準(zhǔn)以下的農(nóng)村人口有313.1萬(wàn)人，貧困發(fā)生率為15.9%，高于全國(guó)13.1%，比西部地區(qū)平均水平高9.8%。按照2 300元扶貧標(biāo)準(zhǔn)，2011年區(qū)域扶貧對(duì)象為642萬(wàn)人，貧困發(fā)生率35%，高出全國(guó)22.3%。

圖1 六盤(pán)山連片特困區(qū)區(qū)位

研究數(shù)據(jù)主要包括： ①燈光數(shù)據(jù)，2種燈光數(shù)據(jù)分別為2000—2012年的DMSP-OLS及2015年的NPP-VIIRS夜間燈光，數(shù)據(jù)來(lái)源于美國(guó)國(guó)家海洋和大氣管理局(National Oceanic and Atmospheric Administration，NOAA)網(wǎng)站，空間分辨率分別為1 000 m×1 000 m和500 m×500 m。F162006輻射定標(biāo)后的燈光數(shù)據(jù)來(lái)源于美國(guó)國(guó)家地球物理數(shù)據(jù)中心； ②基礎(chǔ)地理數(shù)據(jù)，縣級(jí)行政區(qū)劃圖來(lái)源于國(guó)家基礎(chǔ)信息中心、數(shù)字高程模型(digital elevation model，DEM)空間分辨率為30 m×30 m； ③經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)，如農(nóng)民人均純收入等，來(lái)源于2011—2016年各省市統(tǒng)計(jì)年鑒。

本研究利用ArcGIS10.2與ENVI5.1平臺(tái)，通過(guò)4個(gè)處理步驟實(shí)現(xiàn)貧困識(shí)別(圖2)。

圖2 數(shù)據(jù)處理流程

具體步驟為： ①通過(guò)投影、重采樣等創(chuàng)建中國(guó)燈光數(shù)據(jù)庫(kù)并對(duì)主要市轄區(qū)的部分社會(huì)經(jīng)濟(jì)數(shù)據(jù)(國(guó)內(nèi)生產(chǎn)總值(gross domestic product，GDP)、城鎮(zhèn)建成區(qū)面積等)進(jìn)行分析，選擇黑龍江省鶴崗市市轄區(qū)作為不變目標(biāo)區(qū)域，借助不變目標(biāo)區(qū)域法對(duì)數(shù)據(jù)進(jìn)行初次校正[14]； ②對(duì)同一年份的2期數(shù)據(jù)進(jìn)行年內(nèi)整合以及對(duì)不同年份的數(shù)據(jù)進(jìn)行跨年校正，最終完成DMSP-OLS數(shù)據(jù)校正[14]； ③通過(guò)剔除偶然燈光等對(duì)NPP-VIIRS數(shù)據(jù)進(jìn)行校正[15]； ④通過(guò)建立燈光和社會(huì)經(jīng)濟(jì)數(shù)據(jù)產(chǎn)生的ALI和MPIstatistical間的線性關(guān)系，生成貧困評(píng)估模型與多維貧困指數(shù)估算值(MPIestimated)識(shí)別貧困。

2 研究方法

以國(guó)內(nèi)外多維貧困指標(biāo)測(cè)算體系為依據(jù)、以統(tǒng)計(jì)數(shù)據(jù)為基礎(chǔ)建立貧困指標(biāo)體系； 以夜間燈光數(shù)據(jù)為基礎(chǔ)產(chǎn)生ALI，從而構(gòu)建貧困評(píng)估模型。

2.1 MPIstatistical構(gòu)建

構(gòu)建全面描述貧困狀況的多維貧困指標(biāo)體系是精準(zhǔn)測(cè)度貧困程度的重要前提[6]，并且多維貧困指標(biāo)的客觀性和必要性已被世界銀行等國(guó)際機(jī)構(gòu)和學(xué)者們所廣泛接受[7-8]，因此，MPIstatistical可用于驗(yàn)證ALI模擬貧困的精確性[12]。綜合來(lái)看，多維度貧困的評(píng)價(jià)指標(biāo)主要由經(jīng)濟(jì)維度、社會(huì)維度和環(huán)境維度組成[16]。此外，農(nóng)民人均純收入指標(biāo)仍然是劃分貧困縣和集中連片特困區(qū)的重要經(jīng)濟(jì)依據(jù)[17]。依據(jù)前人研究的基礎(chǔ)上，根據(jù)研究目的、指標(biāo)選擇的科學(xué)性和數(shù)據(jù)的可得性及可比性等原則，本文選用9大指標(biāo)構(gòu)建貧困指標(biāo)體系，采用熵值法賦予權(quán)重，其原理是信息量與不確定性成反比即信息量越大、不確定性就越小，熵越小、權(quán)重則越大[12]。與其余權(quán)重方法相比熵值法更具客觀性，從而常用與構(gòu)建經(jīng)濟(jì)、社會(huì)和自然多維的貧困度測(cè)算。9個(gè)指標(biāo)如表1所示。

表1 MPIstatistical指標(biāo)權(quán)重

由于評(píng)價(jià)體系具有復(fù)雜性和不確定性特征，而灰色關(guān)聯(lián)系數(shù)會(huì)縮小主觀對(duì)結(jié)果的影響，能更精準(zhǔn)測(cè)算個(gè)體的貧困程度[18]，即

(1)

式中：x0(k)為特征序列；xi(k)為因素序列，其中有k個(gè)子序列，即xi(k)={xi(1)，…，xi(k)}；i分別代表各個(gè)指標(biāo)；e為分辨率，其值為0.5；δ(k)為灰色關(guān)聯(lián)系數(shù)。

運(yùn)用熵值法和灰色關(guān)聯(lián)系數(shù)法確定的權(quán)重與指標(biāo)值，計(jì)算MPIstatistical，即

(2)

式中：wi為各個(gè)指標(biāo)的權(quán)重；n為指標(biāo)總個(gè)數(shù)。

2.2 ALI構(gòu)建

夜間燈光數(shù)據(jù)是通過(guò)探測(cè)小規(guī)模低強(qiáng)度燈光反映區(qū)域的社會(huì)經(jīng)濟(jì)情況，而區(qū)域經(jīng)濟(jì)發(fā)展薄弱等社會(huì)經(jīng)濟(jì)多方面因素導(dǎo)致貧困[12]，通過(guò)構(gòu)建代表不同區(qū)域燈光強(qiáng)度的ALI反映區(qū)域間社會(huì)經(jīng)濟(jì)水平的差異性，進(jìn)而探究ALI與MPIstatistical的關(guān)系[13]，即

(3)

式中：P為縣級(jí)行政單元像元的個(gè)數(shù)；ALI為縣級(jí)區(qū)域燈光指數(shù);DNp為第p個(gè)像元的DN值。

2.3 誤差檢驗(yàn)

借助MPIstatistical與ALI之間的線性回歸方程，將特困區(qū)貧困空間化生成MPIestimated。采用誤差公式[13]檢驗(yàn)MPIstatistical與MPIestimated間的誤差，即

(4)

(5)

式中：MRE和RE分別表示平均相對(duì)誤差和相對(duì)誤差；M為區(qū)縣數(shù)目。誤差越小，表明MPIestimated估算的精度越高，越接近真實(shí)的貧困狀態(tài)。

3 結(jié)果與分析

3.1 精度評(píng)價(jià)

3.1.1 區(qū)縣MPIstatistical與ALI的比較

通過(guò)構(gòu)建多維貧困體系獲得MPIstatistica值，值越小則相應(yīng)區(qū)縣貧困程度越高，反之，貧困程度越低。2000—2015年間MPIstatistical值較大的區(qū)縣主要位于市區(qū)，而值較小的區(qū)縣主要分布在生態(tài)環(huán)境惡劣、經(jīng)濟(jì)發(fā)展基礎(chǔ)薄弱的寧夏等少數(shù)民族、革命老區(qū)。為了更好地探究貧困分布格局，按照從小到大的順序采用綜合自然分界法(基于數(shù)據(jù)中固有的自然分組將對(duì)分類間隔加以識(shí)別，可對(duì)相似值進(jìn)行最恰當(dāng)?shù)胤纸M并使各個(gè)類之間的差異最大化)將各年份的值分成5級(jí)(極貧困、高度貧困、中度貧困、輕度貧困和非貧困)。蘭州市城關(guān)區(qū)、西寧市城西區(qū)等地區(qū)相較于其余區(qū)縣經(jīng)濟(jì)發(fā)展水平較高，多年來(lái)處于輕度貧困或非貧困； 屬中等貧困的白銀市白銀區(qū)、蘭州市西固區(qū)等擁有較好的工業(yè)基礎(chǔ)； 海東市平安區(qū)等區(qū)縣鄰近城區(qū)屬于高度貧困； 而屬于極貧困的縣分布在少數(shù)民族聚集區(qū)和邊緣地區(qū)。整體上，MPIstatistical準(zhǔn)確、客觀地反映了特困區(qū)真實(shí)的貧困狀態(tài)。

夜間燈光本身是人類活動(dòng)的結(jié)果，燈光特征反映地區(qū)經(jīng)濟(jì)水平[19]，社會(huì)經(jīng)濟(jì)發(fā)展繁榮的地區(qū)在夜間有明亮的燈光。通過(guò)式(3)獲得多年各區(qū)縣的ALI，極高的ALI值出現(xiàn)在繁華的市區(qū)，而極低的ALI值則發(fā)生在貧困的縣。按照ALI值從大到小的順序采用相同的方法對(duì)不同年份數(shù)據(jù)分級(jí)，城關(guān)區(qū)和城西區(qū)等有最高的ALI值，屬非貧困或輕度貧困； 具有極低ALI值的縣有固原市涇源縣、白銀市會(huì)寧縣和定西市隴西縣等，絕大部分縣少數(shù)民族人口眾多并多以農(nóng)業(yè)為主，屬極貧困。

為了進(jìn)一步探究ALI值的合理性，通過(guò)相應(yīng)年份相應(yīng)區(qū)縣的MPIstatistical與ALI等級(jí)之間作差比較(表2)發(fā)現(xiàn)： 78個(gè)區(qū)縣中有50個(gè)以上區(qū)縣的等級(jí)是一致的，占所有區(qū)縣比例的64.10%以上。例如，白銀區(qū)、天水市秦州區(qū)等具有較好的經(jīng)濟(jì)基礎(chǔ)，為當(dāng)?shù)氐耐顿Y、基礎(chǔ)設(shè)施建設(shè)提供良好的服務(wù)； 具有極低ALI值和MPIstatistical值的固原市彭陽(yáng)縣、武威市古浪縣和臨夏回族自治州東鄉(xiāng)族自治縣等因人口眾多，工業(yè)與服務(wù)業(yè)發(fā)展不足而導(dǎo)致持久的貧困。等級(jí)差距在±1之間的區(qū)縣有21～25個(gè)，而僅有1～4個(gè)區(qū)縣存在較大的等級(jí)差距?？偠灾?，通過(guò)MPIstatistical與ALI等級(jí)比較，表明用燈光數(shù)據(jù)識(shí)別貧困是合理、客觀的。

表2 2000—2015年MPIstatistical與ALI的等級(jí)比較

3.1.2 各區(qū)縣MPIstatistical與ALI之間的關(guān)系

為了更好探究研究區(qū)各區(qū)縣MPIstatistical與ALI之間的關(guān)系，分別運(yùn)用冪函數(shù)、線性和多項(xiàng)式等回歸模型擬合MPIstatistical與ALI值，最終選用效果最優(yōu)的線性方程探討兩者關(guān)系(圖3)，分析發(fā)現(xiàn)： 兩者之間存在明顯的線性關(guān)系。決定系數(shù)R2分別為0.51，0.67，0.77，0.88和0.85，表明ALI值高的區(qū)縣社會(huì)經(jīng)濟(jì)發(fā)展水平高、就業(yè)率和人民收入增加，而人民收入的增加使區(qū)縣的貧困程度降低； ALI值低的區(qū)縣社會(huì)經(jīng)濟(jì)基礎(chǔ)薄弱，以農(nóng)業(yè)為主，人民收入減少并具有不穩(wěn)定性，進(jìn)而導(dǎo)致貧困程度高。為了檢驗(yàn)結(jié)果的可信度，對(duì)各年份的擬合結(jié)果進(jìn)行F檢驗(yàn)與t檢驗(yàn)。2000—2015年間F值分別為78.14，152.95，250.14，578.75和441.88；t值分別為56.31，64.82，72.76，98.55和88.68； 所有F值和t值均大于臨界值表中F0.01，76與t0.01，77，表明各年份MPIstatistical與ALI之間的回歸模型都通過(guò)了檢驗(yàn)。

(a) 2000年 (b) 2004年 (c) 2008年

(d) 2012年 (e) 2015年

3.1.3 MPIstatistical空間化與結(jié)果檢驗(yàn)

以MPIstatistical與ALI之間的線性回歸方程為基礎(chǔ)，借助柵格計(jì)算器對(duì)校正好的燈光數(shù)據(jù)作柵格運(yùn)算實(shí)現(xiàn)柵格化的特困區(qū)貧困空間化并產(chǎn)生MPIestimated(圖4)。通過(guò)年內(nèi)與年際間校正后的燈光像元值相較于校正前具有長(zhǎng)時(shí)間的連續(xù)性，因此可進(jìn)行2000—2012年間貧困空間化對(duì)比。由圖4可知，城區(qū)具有極高M(jìn)PIestimated值，而邊緣等區(qū)域有極低值，這與六盤(pán)山區(qū)的貧困現(xiàn)象相符合。隨著時(shí)間推移，特困區(qū)的社會(huì)經(jīng)濟(jì)條件逐漸改善，貧困狀況逐漸好轉(zhuǎn)，MPIestimated的最大值與最小值不斷增大。運(yùn)用誤差式(4)和式(5)獲得2000—2015年間實(shí)際的MPIstatistical與估算的MPIestimated之間的平均相對(duì)誤差分別為3.21%，3.38%，3.14%，3.44%和3.52%。相較于目前已有研究12.51%的誤差[23]而言，3.14%～3.52%間的平均相對(duì)誤差表明估算貧困的精度高,與實(shí)際貧困接近。

(a) 校正后的像元總DN值 (b) 2000年MPIestimated(c) 2004年MPIestimated

(d) 2008年MPIestimated(e) 2012年MPIestimated(f) 2015年MPIestimated

3.2 貧困識(shí)別

3.2.1 各區(qū)縣貧困識(shí)別

2000—2015年間特困區(qū)MPIestimated年平均值分別為0.361，0.372，0.375，0.378和0.382，貧困程度逐年減輕。表3為六盤(pán)山連片特困區(qū)貧困程度識(shí)別個(gè)數(shù)與比例比較。

表3 六盤(pán)山連片特困區(qū)貧困程度識(shí)別個(gè)數(shù)與比例比較

通過(guò)表3可發(fā)現(xiàn)，2000—2012年間極貧困與高度貧困總和介于76.92%～84.61%； 而中度、輕度以及非貧困所占比重僅介于15.38%～23.08%，貧困程度兩極分化極其嚴(yán)重。但隨著時(shí)間的推移，極貧困與高度貧困的比例逐年減少，中度、輕度以及非貧困的比例逐年增加。2015年，極貧困與高度貧困比例之和為78.20%，輕度以及非貧困的比例之和為11.54%，表明貧困程度兩極分化情況加重。

3.2.2 貧困空間特征

貧困空間集聚性反映著貧困的整體特征，因此借助Opengeoda工具運(yùn)用queen標(biāo)準(zhǔn)構(gòu)建權(quán)重采用全局Moran’s I指數(shù)探究多年MPIestimated的集聚性。2000—2015年Moran’s I指數(shù)分別為0.49，0.45，0.47，0.49和0.43，表明78個(gè)區(qū)縣的貧困程度具有明顯的集聚性，即MPIestimated值高的區(qū)縣彼此鄰近，MPIestimated值低的區(qū)縣也彼此呈帶狀集中。此外，借助ArcGIS軟件探究了MPIestimated冷熱點(diǎn)分布規(guī)律，發(fā)現(xiàn)2000—2015年間冷點(diǎn)與次冷點(diǎn)分布在貧困區(qū)中經(jīng)濟(jì)發(fā)展基礎(chǔ)薄弱的涇源縣和定西市漳縣，多民族聚居和農(nóng)業(yè)人口多的中衛(wèi)市海原縣和東鄉(xiāng)族自治縣，自然災(zāi)害頻發(fā)的定西市通渭縣和岷縣等縣； 而熱點(diǎn)與次熱點(diǎn)分布在鄰近城關(guān)區(qū)、城西區(qū)的永登縣和湟中縣等區(qū)縣。

4 結(jié)論與討論

本研究以六盤(pán)山連片特困區(qū)為例，以社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)為基礎(chǔ)并采用灰色關(guān)聯(lián)模型構(gòu)建MPIstatistical。以2000—2015年間的DMSP-OLS/NPP-VIIRS燈光數(shù)據(jù)為基礎(chǔ)，運(yùn)用不變目標(biāo)區(qū)域法、年內(nèi)年際間相互校正構(gòu)建足以實(shí)際反映特困區(qū)社會(huì)經(jīng)濟(jì)發(fā)展水平的ALI。采用回歸模型進(jìn)一步檢驗(yàn)兩者關(guān)系，最終實(shí)現(xiàn)貧困空間化生成MPIestimated并開(kāi)展貧困識(shí)別。

1)基于夜間燈光開(kāi)展貧困空間化生成的MPIestimated相較于社會(huì)經(jīng)濟(jì)數(shù)據(jù)生成的MPIstatistical而言，平均相對(duì)誤差介于3.14%～3.52%之間，與利用NPP-VIIRS數(shù)據(jù)對(duì)貧困識(shí)別的平均相對(duì)誤差12.51%相比較，其精度更高。由此可見(jiàn)，利用校正后的夜間燈光數(shù)據(jù)能夠較為準(zhǔn)確、真實(shí)地反映六盤(pán)山連片特困區(qū)的貧困程度。

2)2000—2015年間縣域MPIestimated年平均值分別為0.361，0.372，0.375，0.378和0.382，貧困程度逐年減輕。2000—2012年間識(shí)別出極貧困縣39～46個(gè)、高度貧困縣20～21個(gè)、中度貧困縣4～9個(gè)，輕度貧困和非貧困縣3～6個(gè)。2015年識(shí)別出極貧困縣45個(gè)，高度貧困縣16個(gè)，中度貧困、輕度貧困和非貧困縣分別為8，4和5個(gè)，表明特困區(qū)貧困程度兩極分化現(xiàn)象嚴(yán)重。

3)2000—2015年間Moran’s I指數(shù)分別為0.49，0.45，0.47，0.49和0.43，表明78個(gè)區(qū)縣的貧困程度具有明顯集聚性。多年來(lái)冷點(diǎn)分布在貧困區(qū)的西南與東南部，次冷點(diǎn)集中在東北部和邊緣區(qū)域，而熱點(diǎn)與次熱點(diǎn)分布蘭州與西寧地區(qū)。

綜上所述，識(shí)別微觀空間的貧困程度是涉及多學(xué)科的問(wèn)題。本文基于夜間燈光對(duì)六盤(pán)山連片特困區(qū)的實(shí)證研究，有效地證明夜間燈光數(shù)據(jù)對(duì)貧困模擬的合理性、客觀性以及可識(shí)別出長(zhǎng)時(shí)間貧困程度的時(shí)空演化規(guī)律。然而，由于研究區(qū)統(tǒng)計(jì)數(shù)據(jù)獲取的有限性導(dǎo)致體系的建立還存在一定局限性； 同時(shí)燈光數(shù)據(jù)在現(xiàn)有的校正方法上依舊存在誤差。因此，構(gòu)建更加完善的貧困評(píng)估體系和增強(qiáng)估算精度將是進(jìn)一步研究的主要方向。