一种新的贫困评估方法以及贫困与生态环境质量之间的时空耦合协调机制：以中国云贵高原为例

《Ecological Indicators》：A novel methodology for poverty evaluation and spatiotemporal coupling coordination between poverty and eco-environment quality: a case study in the Yunnan-Guizhou Plateau, China

本研究基于多源遥感数据构建了Geospatial Comprehensive Poverty Index（GCPI）和Remote Sensing Ecological Index（RSEI），并采用Local and Tele-coupling Coordination Degree（LTCCD）模型评估了云南-贵州高原（YGP）2012-2023年贫困与生态质量的时空协调机制。结果表明：GCPI年均下降率为-0.0015，RSEI年均增长率为0.0035，LTCCD值0.592-0.829，表明贫困与生态质量整体协调性较高，但局部存在发展失衡，需针对性生态修复与产业升级策略。

　　在人类社会发展的进程中，贫困与生态环境之间的关系一直备受关注。特别是在中国西南部的云贵高原（Yunnan-Guizhou Plateau, YGP），随着扶贫工作的持续推进，生态环境的脆弱性日益显现。传统的贫困测量方法在数据收集、模型构建和动态分析方面面临诸多挑战，同时贫困与生态环境质量（Ecological Environment Quality, EEQ）之间的互动机制仍不明确。因此，本研究提出了一种新的地理空间综合贫困指数（Geospatial Comprehensive Poverty Index, GCPI），利用多源数据集识别贫困，并验证其适用性。此外，本研究还采用了本地与遥耦合协调度（Local and Tele-coupling Coordination Degree, LTCCD）模型，分析贫困与EEQ之间的互动关系。通过对2012年至2023年期间GCPI、RSEI和LTCCD的时空动态进行研究，揭示了云贵高原在贫困治理与生态修复之间的协同发展趋势。

本研究的背景在于，贫困问题不仅是全球性的社会议题，更是影响区域经济发展与生态环境质量的关键因素。在2015年联合国提出的2030年可持续发展议程中，消除极端贫困被列为重要的发展目标之一。中国作为世界上最大的发展中国家，自2012年以来，其贫困率显著下降，从10.2%降至2019年的0.6%。到2020年底，中国已根据国家标准成功将所有贫困人口脱贫，实现了精准扶贫的目标。然而，以往研究表明，扶贫与经济增长在一定程度上增加了能源消耗、加快了城市化进程和工业化发展，加剧了城市热岛效应和碳排放。这些影响对区域生态环境质量带来了负面影响，包括景观破碎化、空气污染和对森林与农田的侵占等。因此，评估区域贫困与生态环境质量，并分析其相互关系，对于推动区域社会经济与生态环境的可持续发展具有重要意义。

传统的贫困评估方法主要依赖于单一的经济指标，如收入、支出、GDP或人均GDP。然而，贫困的成因不仅限于经济层面，还涉及社会、政治和环境等多个维度。因此，单一经济指标难以全面反映贫困的真实状况。随着社会经济统计数据的完善，贫困评估方法逐渐向多维指标转变，如人类贫困指数（HPI）、多维贫困指数（MPI）、多源数据贫困指数（MDPI）和人类发展指数（HDI）等。这些指标通常采用公理化方法、信息论技术或重要性-绩效分析等构建。尽管这些方法在一定程度上提高了贫困测量的准确性，但它们依赖于详尽且高质量的调查数据，这些数据往往难以获取，成本较高，且在时效性和空间性方面存在局限。相比之下，高分辨率、易获取且客观的遥感数据在地理贫困（具有空间信息的区域贫困）识别方面具有显著优势。一些研究指出，夜间灯光（Nighttime Light, NTL）数据能够有效反映区域的社会经济发展水平。然而，由于NTL数据难以全面刻画贫困的多维属性，许多学者通过多源遥感数据（如NTL、Sentinel-2、Sentinel-5P、地形和兴趣点数据）构建了地理空间综合贫困指数，以实现对地理贫困的高精度监测。

本研究的另一个重点是生态环境质量的评估。远程感应生态指数（Remote Sensing Ecological Index, RSEI）是一种常用的指标，整合了植被绿度、湿润度、干旱度和温度等四个生态要素，这些要素能够被人类直观感知。RSEI由徐涵秋于2013年提出，因其在时效性、可视化和可扩展性方面的优势，已被广泛应用于不同生态系统（如城市、森林、采矿区、湿地和沙漠）的生态环境质量评估。为了提高RSEI在特定地理环境中的准确性，一些研究者提出了改进策略，如替换原始指标、添加新指标或调整权重设定方法。例如，刘等人（2023）通过计算森林的三维绿度，替代了RSEI中的植被指数（NDVI），构建了改进的RSEI，以实现对森林生态环境质量的更科学评估。尽管RSEI在生态环境质量评估中取得了进展，但在评估其动态变化和驱动因素方面仍存在不足。因此，本研究结合多源遥感数据，构建了GCPI和RSEI，以评估云贵高原的贫困状况和生态环境质量，并通过LTCCD模型量化两者之间的耦合协调关系。

本研究通过四个技术阶段进行方法构建。首先，利用多源遥感数据集构建贫困和生态环境指标，如植被指数（NDVI）、湿润度指数（WET）、建成区与土壤指数（NDBSI）、地表温度（LST）等。其次，这些指标被用于构建RSEI和GCPI，采用主成分分析（PCA）方法进行综合评估。第三，利用LTCCD模型量化贫困与生态环境质量之间的耦合度。第四，探索贫困、生态环境质量和LTCCD之间的时空动态，以提供云贵高原发展的决策建议。通过这一方法框架，本研究旨在揭示贫困与生态环境质量之间的耦合协调机制，并为区域社会经济与生态环境的可持续发展提供支持。

研究结果表明，GCPI在云贵高原呈现下降趋势，年均下降率为-0.0015年?1，表明扶贫政策的有效性。RSEI则表现出上升趋势，年均增长率为0.0035年?1，其均值从0.5318增加到0.5830，反映了云贵高原生态环境质量的持续改善。LTCCD在所有县的范围内从0.592到0.829，呈现出略微上升的趋势，表明云贵高原的贫困与生态环境质量之间存在高度协调的发展关系。本研究提出的GCPI和LTCCD模型，为评估贫困与生态环境质量之间的耦合协调关系提供了新的方法论，有助于支持区域社会经济与生态环境系统的长期可持续发展。

在方法构建方面，GCPI的计算基于主成分分析（PCA）方法，结合了坡度、人类定居指数（HSI）、兴趣点密度（PD）和兴趣点成本距离（PCD）等多个指标。这些指标能够反映地形变化、人类居住条件、经济活力和社会经济发展水平。PCA方法用于确定各贫困指标的权重，其中第一主成分（PC1）整合了最多的信息，因此被选为构建GCPI的主要依据。通过这一方法，GCPI能够更全面地反映贫困的多维特征。同时，为了确保GCPI与RSEI在方向性上的一致性，研究中对GCPI进行了标准化处理。RSEI则基于四个生态要素（植被绿度、湿润度、干旱度和温度）进行计算，采用主成分分析确定各生态指标的权重，并通过归一化处理消除指标之间的单位差异。

在LTCCD模型的构建中，研究引入了逆距离权重（IDW）方法，以量化贫困与生态环境质量之间的本地和遥耦合协调度。该模型不仅能够揭示区域内部系统之间的相互作用，还能反映不同区域之间的遥耦合关系。研究中，LTCCD的计算公式结合了本地和遥耦合的贡献系数（μ和λ），并利用IDW方法计算各区域之间的权重。最终，LTCCD被划分为十个等级，从“极度不平衡”到“极度协调”，以反映贫困与生态环境质量之间的不同协调程度。

在时空动态分析方面，研究采用Theil-Sen中位数斜率估计器和Mann-Kendall趋势检验方法，对GCPI和RSEI的变化趋势及其显著性进行评估。这些方法不受数据误差、异常值和缺失值的影响，因此适用于长期时间序列数据的分析。研究发现，GCPI在云贵高原呈现出明显的下降趋势，年均下降率为-0.0015年?1，表明贫困得到了有效缓解。RSEI则表现出上升趋势，年均增长率为0.0035年?1，其均值从0.5318增加到0.5830，反映出生态环境质量的持续改善。同时，研究还分析了LTCCD在云贵高原的时空分布，发现其呈现出较高的协调度，且空间异质性逐渐降低。

通过对比GCPI与人均GDP和贫困县数据，研究验证了GCPI在贫困识别方面的可靠性。结果显示，GCPI在贫困县和深度贫困县中呈现出较高的值，而在非贫困县中则较低，表明GCPI能够较为准确地反映贫困状况。此外，研究还结合Google Earth图像对GCPI进行了定性验证，发现GCPI在高山、常年积雪和喀斯特地貌等恶劣环境中具有较高的识别能力，而在城市区域则表现出较低的值，这与实际的人口分布和基础设施状况相吻合。GCPI不仅考虑了经济收入，还涵盖了经济发展潜力、基础设施和生态环境质量等多维因素，因此在贫困识别方面具有较高的准确性。

研究还指出，云贵高原的贫困与生态环境质量之间存在显著的互动关系。在一些贫困程度较高的县，如德钦、东川和元谋，LTCCD值较低，表明贫困与生态环境质量之间的协调度不足。而在西南和东部地区，LTCCD值较高，表明贫困与生态环境质量之间的协调度较好。这些结果揭示了云贵高原在不同区域之间的贫困与生态环境质量的差异，并为区域政策制定提供了参考。例如，在贫困与生态环境质量协调度较低的地区，应加强生态保护和严格的土地使用控制，以减少对生态环境的破坏并防止贫困的再次发生。而在协调度较高的地区，应进一步发展绿色经济，如生态旅游和有机农业，并利用遥感技术进行实时监测，以确保生态环境质量的持续改善。

研究的局限性在于，当前的GCPI和RSEI模型主要依赖于经济和社会数据，而忽略了政治和环境因素的综合影响。因此，未来的研究应结合更多类型的多源数据，以更全面地反映贫困和生态环境质量的驱动因素。此外，当前研究使用的遥感数据空间分辨率相对较低（500米），难以准确捕捉云贵高原特有的喀斯特地貌、石漠化和景观破碎化等微生态特征。因此，未来的研究应采用更高空间分辨率的遥感数据，以提高评估的准确性。同时，GCPI的准确性仅通过人均GDP和贫困县的识别进行验证，缺乏外部数据的交叉验证，如家庭调查、贫困登记和独立验证等。因此，未来的研究应引入更多类型的外部数据，以增强模型的可靠性。最后，LTCCD模型虽然考虑了距离权重，但其在描述贫困与生态环境质量之间的跨区域影响（如跨境贸易、人口迁移和运输联系）方面仍存在不足。因此，未来的研究应进一步探索这些跨区域因素对贫困与生态环境质量互动的影响，以实现对区域社会经济与生态环境系统更全面的动态耦合分析。

综上所述，本研究构建了GCPI和RSEI，为评估云贵高原的贫困状况和生态环境质量提供了新的方法论。通过LTCCD模型，研究揭示了贫困与生态环境质量之间的耦合协调关系，并分析了其时空动态变化。研究结果表明，云贵高原的贫困状况得到了有效缓解，生态环境质量也有所改善。然而，部分贫困程度较高的县仍面临贫困复发的风险，需要采取针对性的策略，如生态移民和陡坡生态治理。此外，研究还提出了未来研究的方向，包括采用更高空间分辨率的遥感数据、引入更多类型的外部数据以及进一步探索跨区域因素对贫困与生态环境质量互动的影响。这些研究成果不仅有助于推动云贵高原的可持续发展，也为其他生态敏感和经济欠发达地区的贫困治理与生态环境修复提供了参考。