综述：贫困地图绘制：数据、模型及应用

《Annual Review of Fluid Mechanics》：Poverty mapping: Data, models and applications

　　**摘要**
贫困制图对于监测联合国2030年议程中的可持续发展目标1（SDG 1）日益重要，该目标旨在消除一切形式的贫困。然而，及时且高分辨率的贫困估计仍然具有挑战性，因为传统的基于人口普查和调查的方法成本高昂、频率低，并且往往在贫困最严重的地区数据不足。由于贫困是由人类流动、社会互动、基础设施和经济活动等复杂的社会经济系统共同作用的结果，新兴的计算方法和非传统数据源为贫困估计和制图提供了新的机遇。这些方法结合了统计物理学、复杂系统科学和数据科学，使得能够在更精细的空间和时间尺度上进行贫困估计。本文总结了贫困的主要概念及用于测量的主要框架，并探讨了利用卫星图像、手机数据、社交媒体数据和多源数据融合进行贫困估计和制图的最新进展。同时，也讨论了与代表性、跨区域适用性、可解释性和不确定性量化相关的持续挑战。最后，本文阐明了当代贫困制图的分析潜力与实际局限。

**引言**
贫困制图本质上是一个在空间、时间和制度限制下的测量问题。贫困不仅在国家间分布不均，而且在区域、城市和社区内部也存在显著差异。因此，贫困监测不能仅依赖总体统计数据，而需要能够及时、按空间细分并提供政策干预所需解释性的估计。这一测量问题与国际发展议程紧密相关。第一个千年发展目标（MDG 1）旨在减少极端贫困和饥饿[1][2]，随后在联合国2030年议程下提出了17个可持续发展目标（SDGs 2015–2030），其中SDG 1的目标是在全球范围内消除一切形式的贫困[3]。这一转变将监测重点从追踪总体贫困减少情况扩展到了识别贫困持续存在的地区、涉及哪些贫困维度以及官方统计数据中哪些人群被忽视的情况[4]。

传统上，贫困估计依赖于家庭调查和人口普查。自1984年以来，人口与健康调查（DHS）计划[5]已在90多个低收入和中等收入国家（LMICs）开展了超过400次调查[6]。实际上，调查和普查记录也为小范围估计提供了实证基础，从而可以将局部观察结果推广到更大的行政或地理单位[7][8]。然而，这些数据难以替代，因为它们直接提供了关于收入、消费、资产、健康、教育和生活条件的信息。不过，这些数据收集成本高昂、更新频率低，且在贫困严重或难以观察的地区数据尤为稀少。在单个国家进行一次人口普查通常需要150万到200万美元的费用[9]，而官方贫困统计数据往往滞后数月甚至数年才能发布。2015年世界银行的评估指出，在超过三分之一的LMICs中，普查和调查无法有效监测贫困状况[11]。当贫困在地理上分布不均时，这些局限性尤为突出。经济不平等、种族隔离、 forced displacement（此处可能是“强制流离失所”的误译）和非正式城市化等因素可能导致同一国家或城市内部贫困状况的巨大差异。因此，需要在国家层面以下识别贫困热点地区，以便针对具体情况采取应对措施[12]，包括识别贫民区和分别绘制城市与农村贫困的地图[14]。

在近期全球性冲击下，对及时且空间分辨率高的贫困估计的需求变得更加紧迫。COVID-19大流行中断了全球减贫数十年的进展，并暴露了许多发展中经济体取得的成果的脆弱性[15][16]。与气候相关的 disruptions（此处可能是“中断”或“干扰”的误译）、通货膨胀、贸易壁垒的显著增加以及地缘政治冲突（如以色列-巴勒斯坦冲突和俄罗斯-乌克兰战争）进一步加剧了贫困动态的波动性[17][18][19][20][21]。在这些情况下，贫困状况的变化可能快于调查周期的监测速度，其空间分布也可能在城市、农村和冲突地区发生转移。这种贫困状况变化与数据收集周期之间的不匹配要求我们采用更新更频繁、空间细节更丰富的贫困估计方法。这样的估计需要详细且最新的数据，以及能够将异构观测转化为政策相关指标的计算方法。计算能力、地理空间数据和人工智能的最新进展使得从大规模观测数据中推断贫困状况成为可能。因此，非传统数据源和计算模型越来越多地被整合到贫困制图中，作为基于调查统计的补充[22][23][24]。

从复杂系统的角度来看，贫困相关状况可以被视为空间、行为、基础设施和网络过程耦合的宏观结果。非传统数据源能够捕捉这些过程的可见痕迹。因此，贫困制图不仅是一个预测任务，也是一个在空间尺度上表示和解释贫困相关社会经济状况的问题。

卫星图像提供了夜间照明、土地利用、基础设施、居住形态和建成环境的广泛空间观测数据。夜间光照（NTL）图像被广泛用作经济活动的代理指标[25]。白天图像、高分辨率图像、非常高分辨率图像和OpenStreetMap（OSM）数据扩展了贫困制图的空间范围和视觉信息。结合机器学习技术，这些数据被用于推断贫困人口的分布[26][27][28][29][30]。即使在偏远地区，手机的广泛使用也提供了丰富的数据来源，包括通信模式的时间记录、交易日志中的数字痕迹和定位数据，这些数据反映了人们的移动情况[31]。这些数据为流动性、机会和社会经济活动提供了行为指标，支持了从疫情建模到灾害响应和区域发展分析等多种应用[32][33][34][35][36][37][38][39]。来自X、Facebook和Google Trends等公开在线平台的数据也被用于预测经济活动和估计贫困相关结果[40][41][42][43][44]。虽然单一数据源的使用具有信息价值，但多源方法通过结合互补信息可以提高预测性能。例如，结合手机数据和卫星图像构建的孟加拉国高分辨率贫困地图比仅基于NTL或手机数据的模型表现更好[45]。

然而，这些发展并未消除贫困制图的方法论难题。贫困通常是通过在不同空间和时间尺度上观察到的不完美代理指标间接推断出来的。数据源不仅在名义分辨率上有所不同，还在代表性、验证要求、可转移性和社会经济解释性方面存在差异。贫困地图的有效分辨率不仅取决于输入数据，还取决于预测在多大程度上保持准确、可转移和与既定贫困概念相关。因此，对该领域的批判性评估不仅需要比较数据源和模型的预测性能，还需要考虑它们所代表的机制、引入的偏差以及能够解决的空问异质性。

本文旨在探讨数据可用性增加与可靠社会经济推断之间存在的冲突。由于贫困通过不同的概念框架定义和测量，我们首先明确了贫困概念和指标的基础。随后，我们探讨了如何利用非传统数据源和计算模型在不同空间和时间尺度上进行贫困估计和制图。为了系统地梳理相关文献，我们根据数据来源、建模策略和研究目的对代表性研究进行了分类，补充了现有的行业特定评估。目的是提供关于当代贫困制图能力的结构化描述，指出其不确定之处，以及它如何补充而非替代传统的贫困统计方法。

本文的其余部分安排如下：第2节介绍了贫困的主要定义及贫困测量的概念基础；第3节总结了基于遥感图像、手机数据、社交媒体数据和多源数据融合的贫困制图方法；第4至7节分别讨论了相关数据来源、建模方法、典型应用和方法论限制；第8节综合了该领域的主要进展，并讨论了开放性挑战，包括数据代表性、不确定性、可转移性、有效空间分辨率、可解释性和贫困估计的评估。附录列出了可用于实证分析的贫困指标和公开可获取的数据集（表S1和S2）。

**术语解释**
**贫困定义**
尽管减贫被广泛认为是可持续发展目标（SDGs）的核心目标，但贫困的概念在学术研究和政策实践中仍存在争议。为了明确如何定义和测量贫困，本节回顾了四种主要的贫困概念化方法，即货币方法、能力方法、社会排斥方法和参与式方法。

**贫困测量**
传统的贫困测量方法主要基于收入和消费等单维指标，因此通常被称为“货币衡量”方法。由于这些方法简单易用，各国普遍采用，因此具有广泛认可度（图1(a)）。然而，根据所采用的测量方法不同，贫困分类可能会有很大差异，这使得适当的贫困测量变得至关重要。

**数据来源与描述**
遥感（RS）是指在无需直接物理接触的情况下获取地球对象信息的技术，通常通过安装在卫星、飞机或无人机上的专用传感器实现。随着针对性减贫需求的增长，RS技术在贫困制图中的重要性日益凸显。其价值在于能够捕捉与贫困相关的物理、基础设施和活动指标。

**数据来源与描述**
虽然遥感（RS）能够高效且大规模地观测物理环境和自然资源，但在捕捉人口行为动态方面的信息相对有限，这限制了其在刻画社会经济条件方面的能力。相比之下，大规模手机数据提供了前所未有的空间和时间分辨率下的行为信息[131]。

**数据来源与描述**
社交媒体数据因其实时性和大规模特征，已成为监测和预测现实世界现象的重要资源[159]。用户之间的行为差异部分受到社会经济条件的制约，使其成为推断个人和区域经济状况的有效信号来源[160]。

**多源数据融合与模型改进**
贫困的多方面特征使得通过单一数据模式难以实现准确量化，无论是在理论构建还是实际应用中都是如此。整合来自多个来源的多模态数据可以提高贫困制图的准确性，并通过结合建成环境、人类流动、社会活动、可访问性和行政条件等互补信息来加深对根本因素的理解。

**讨论与展望**
贫困制图已逐渐从静态统计报告发展为对复杂社会经济系统中贫困状况的推断。贫困相关状况受到空间、行为、基础设施和网络过程的共同影响，包括居住形态、服务与机会的获取、人类流动、通信网络、数字连接性和经济活动。非传统观测数据使得其中一些过程得以在实证层面上可见。刘建国：撰写声明——利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益冲突或个人关系。

致谢
本项工作得到了中国国家自然科学基金（92467302、72421002、72474223、72371150）、教育部基础学科和交叉学科创新突破计划（JYB2025XDXM202）、湖南省科技创新计划（2024RC3133）以及国防科技大学创新研究基金（JS24-04）的支持。

作者名单：
谭索怡｜王梦宁｜孔翊秀｜白慧敏｜刘建国｜德克·布罗克曼｜张一成｜卢欣
国防科技大学系统工程学院，中国长沙，410073