COVID-19疫情背景下2020年第一季度廣東省二、三產業GDP空間分布變化分析

王 正，賈公旭，張清凌，黃 粵

(1.中國科學院新疆生態與地理研究所，烏魯木齊 830011；2.中國科學院大學，北京 100049；3.中山大學航空航天學院，廣州 510275)

0 引言

當前，我國新冠肺炎疫情防治工作已經進入常態化防控階段，但是2020年第一季度 COVID-19給我們的生產生活帶來的負面沖擊力依然歷歷在目，其中受到沖擊力最大的當屬服務業。因為COVID-19導致人員活動和集體活動受限、終端消費需求下降，具體體現在交通、旅游、餐飲、賓館等服務業都出現“斷崖式下跌”。為了更加直觀詳細地比較分析COVID-19對省域經濟的影響情況，借助遙感技術大范圍動態監測能力對省域經濟受影響狀況進行回顧性分析，對評估疫情的影響以及在未來制定更好的應對突發公共衛生事件的預案是十分有必要的。廣東省自1989年起，其國內生產總值連續居全國第一(至2019年)，是中國第一經濟大省，占全國經濟總量的1/8。因此廣東省受COVID-19的影響受到廣泛關注。疫情期間廣東省各地方政府陸續出臺政策措施,幫助企業渡過難關，加快恢復生產生活秩序，宏觀的政策和調節力度能夠推動經濟社會平穩有序運行，但無法完全精準有效地幫扶到中小企業，因此要盡快推動分區分級的精準復工復產，這對中小企業非常重要。本文利用夜光遙感進行GDP23空間格網化的研究對于精準復工復產具有較高參考價值，本研究也可為評估分析新冠疫情對其他國家和地區造成經濟影響提供借鑒。

在社會科學研究中，很多學者通過建立由美國國防氣象衛星計劃(Defense Meteorological Satellite Program，DMSP)發射的F-1衛星上搭載的OLS(Operational Linescan System)傳感器(簡稱DMSP-OLS)數據與GDP數據之間的關系[1-5]，通過夜間燈光數據來客觀地反映人類社會的工業生產、商業活動和能源消費，并用于度量地區經濟的發展水平。但是，DMSP-OLS 數據中的像素過飽和和溢出現象削弱了燈光數據與社會經濟數據的相關性，而新一代的夜間燈光數據可見光紅外成像輻射儀(National Polar-orbiting Partnership’s Visible Infrared Imaging Radiometer Suite,NPP-VIIRS)卻不存在上述問題[6]。因此，本研究在綜合分析經濟統計數據的基礎上，建立NPP-VIIRS燈光數據與廣東省GDP23500 m尺度的空間化模型[7]，更加詳實準確地模擬出廣東省GDP23空間分布狀況，分析各市2019年與2020年GDP23的變化，利用POI數據與GDP23減少較大的2個城市的像元進行耦合[8]，提取得到GDP23差異較大區域的主要服務業類別。

1 研究區概況及數據源

1.1 研究區概況

廣東省簡稱“粵”，地處中國大陸最南部。東鄰福建，北接江西、湖南，西連廣西，南臨南海。全境位于N20°13′～25°31′和E109°39′～117°19′之間。廣東省境內陸地面積為17.98萬km2，島嶼面積1 592.7 km2[9]。廣東省屬于東亞季風區，從南到北分別為中亞熱帶、南亞熱帶和熱帶氣候，是中國光、熱和水資源最豐富的地區之一。全省年平均氣溫約22.3℃，年平均降水約1 801.8 mm[10]。廣東省是我國第一經濟大省，在許多經濟指標上均列全國第一。如地區生產總值、社會消費品零售總額、居民儲蓄存款、專利申報量、進出口總額、旅游總收入等等。

1.2 數據源及其處理

數據源包括夜光遙感數據(NPP-VIIRS)、基礎地理數據和POI數據，以及2020年第一季度廣東省各市的疫情監測數據，如表1所示?；A地理數據包括廣東省市級行政邊界數據和廣東省各市第一季度GDP23的增長值；夜間燈光數據(NPP-VIIRS)影像分辨率較高(500 m)且消除了燈光過飽和現象，本文使用的是廣東省2019年和2020年的1—3月的日平均數據；POI通過百度地圖API接口獲取，共計編碼、類型、名稱、地址、精度、緯度和類別7個字段。為更好地進行精準復工復產評價，本文選擇了與GDP23相關的6類數據，分別是購物、生活服務、文化傳媒、金融、房地產和公司企業，共獲取廣州市15 455條、韶關市10 854條、深圳市33 622條和中山市11 555條數據，數據信息豐富且較為精準。廣東省第一季度疫情實時監測數據來自于2020年第一季度疫情期間廣東省衛健委通報。

表1 數據源描述Tab.1 Description of data source

原始夜間燈光數據文件為NASA標準化處理的NPP-VIIRS夜光數據產品VPN46A2，該產品為日平均產品，處理級別較高[11]。本研究利用數據自帶的質量評價波段去除數據集中質量較差的像元，形成質量較高的穩定燈光日數據，并篩選了工作日影像進行了季度均值合成。兩幅圖像的原始坐標系均為地理坐標系，為使得投影變形最小，轉換成Albers投影，以雙線性采樣法重采樣成500 m格網大小，采用雙線性的方法是使圖像平滑，可抑制圖像中可能存在的孤立極大值像元，即去除了部分高值噪聲。

圖1 廣東省概況圖Fig.1 General map of Guangdong Province

2 廣東省疫情數據分析及燈光變化

廣東省首例病例于2020年1月19日在深圳發現，之后病例數持續增長，本文搜集了廣東省各市自1月19日后的每日新增和現存病例數，并對現存病例以空間化顯示，見圖2。由圖2可知，自深圳市發現病例之后，其周邊城市也迅速發現病例，如廣州市、東莞市和惠州市等；且在整個第一季度時間范圍內，廣州市和深圳市一直是省內病例數存在較高的地區，云浮市是唯一病例為0的地區，在2月底至3月份的病例清零過程中，廣東省的邊緣城市率先完成了清零，之后又出現病情反復現象。

(a)廣東省1月19日現存病例分布 (b)廣東省1月21日現存病例分布 (c)廣東省1月25日現存病例分布 (d)廣東省1月27日現存病例分布 (e)廣東省1月31日現存病例分布

根據研究時間范圍內的穩定夜間燈光日數據的時間分布，按照時間間隔為10 d提取廣東省2020年第一季度的各市總夜間燈光指數值，結合各市對應夜間燈光數據日期的日新增病例數，分析燈光變化與病例數的關系，見圖3。圖3中紅色線是廣東省日平均新增病例，綠色線是廣東省日平均燈光總值，可以看出，自1月19日出現病例以來，燈光總值開始降低，這是因為防疫政策公布，限制居民活動范圍導致的結果；新增病例數在1月30日左右達到峰值，但并不能直接反映到燈光總值上，因為隨著防疫政策的加深，居民的活動是逐步受到限制，各大商場及娛樂場所的歇業也有一個緩沖的過程，所以燈光總值是一個持續降低的過程；廣東省于2月5日起，逐步對口罩加工廠等與防疫相關的企業進行復工復產，之后疫情逐步穩定后，省政府逐步放寬復工復產的企業類型，于3月12日(第71天)政府公布復工復產率達到51%，圖3中自3月起，省平均總燈光指數呈現出穩定增長的趨勢，說明政府的復工復產政策得以執行，但是燈光總值還未能夠達到1月初的水平，且隨著城市的正常建設與發展，區域燈光總值應該是持續穩定增長的，因此，為了判斷復工復產的重點行業，本文結合POI數據從需要復工復產的行業入手，為精準復工復產提供科學指導。

圖3 廣東省各市日新增病例和總燈光強度的時間序列變化圖Fig.3 Time series change chart of daily new cases and city TNL in Guangdong Province

3 研究方法

本文通過建立夜間燈光數據與 GDP23之間的回歸模型[12]，對廣東省2019年、2020年第一季度GDP23進行空間格網化，對COVID-19疫情背景下廣東省2020年第一季度GDP23空間格局的變化進行對比分析。作為第二產業的工業、建筑業和以服務業為主的第三產業都與城市夜間燈光強度有較為緊密的關系，第二、三產業的生產總值與夜間燈光數據之間的關系的建模結果要優于單獨建模的結果[6]。因此本文用夜間燈光數據對廣東省第二、三產業生產總值之和建立關系。

3.1 不同燈光指數與GDP23的回歸分析

燈光指數是表征夜間燈光強度的指標，目前反映社會經濟水平的常用燈光指數指標有總燈光強度(TNL)、平均燈光強度(I)、燈光面積比(S)、線性加權綜合燈光指數(L)和綜合燈光指數(CNLI)[13-15]。

1)總燈光強度(total night light,TNL)，行政單元內燈光DN值的總和。

2)平均燈光強度I，夜間燈光總強度占最大燈光強度的比率。

3)燈光面積比S，燈光面積與行政單元面積之比。

4)綜合燈光指數(compounded night light index，CNLI)，平均燈光強度與燈光面積比的乘積。

計算公式分別為：

(1)

I=TNL/(DNmax×NL)，

(2)

S=An/A，

(3)

CNLI=I×S，

(4)

L=p1I+p2S，

(5)

式中：NDi和ni分別為行政單元內第i級灰度像元值和像元數；NL和An分別為行政單元在[DNmin,DNmax]區間的像元總數和所占據的面積；A為行政單元面積；L為I和S的函數;p1和p2分別為指標I和S的權重，通過多元線性擬合的方式求出p1和p2的值分別為 0.9和0.1，即：

L=0.9I+0.1S。

(6)

線性和冪函數模型是分析夜間燈光數據常用的回歸模型，本文基于線性和冪函數模型對5種夜間燈光指數與廣東省21個市GDP23進行擬合分析，得出廣東省GDP23與夜間燈光指數的最佳擬合函數，并進行GDP23的空間化，公式為：

GDP23=a×xlight+b，

(7)

GDP23=a×xlightb，

(8)

式中：a和b為回歸系數，xlight為燈光指數，公式為：

lnGDP23=a×lnxlight+b。

(9)

式(9)是式(8)的線性表達形式。利用廣東省21個市的TNL，I，S，L和CNLI這5種燈光指數與GDP23統計數據根據式(7)、(9)進行回歸，回歸結果如表2所示。由表2可知TNL燈光指數和GDP23之間具有良好的冪函數關系，如圖4和圖5所示，擬合得到的2019年和2020年第一季度GDP23線性形式的冪函數模型見式(10)，(11)，可用其來進行GDP23的空間化，公式為：

圖4 2019年GDP23與TNL的冪函數回歸模型Fig.4 Regression model of linear function between GDP23 and TNL in 2019

圖5 2020年GDP23與TNL的冪函數回歸模型Fig.5 Regression model of linear function between GDP23 and TNL in 2020

表2 2019年、2020年GDP23與燈光數據指標的回歸模型參數Tab.2 Regression model parameters for 2019 and 2020 between GDP23 and night-time data indicators

lnGDP23=1.608×lnTNL-15.090 ，

(10)

lnGDP23=1.654×lnTNL-16.173 。

(11)

3.2 省域GDP空間化建模方法

對社會經濟數據空間化時，格網尺度大小對最終模擬結果有著重要的影響，格網尺度并非越小越好。研究表明，國家和全球格網尺度為1 km或5 km，省市區域的格網尺度在100～1 000 m之間為佳。確定格網尺度的原則為:在顧及地理數據尺度的前提下，既要反映社會經濟數據的原始分布狀態，又要反映出其連續分布的現實[16，17]。鑒于廣東省經濟發達且經濟活動密度高，結合夜間燈光數據的空間分辨率，本次研究選用了500 m 格網尺度。采用式(7)和式(8)模擬得到廣東省2019年和2020年第一季度GDP23的空間分布。

在利用式(10)、(11)進行GDP23的空間化時，TNL被替換為空間化格網范圍內的TNL，本研究中為一個像元，空間化后誤差較大，需要利用GDP23的實際產值通過線性調整進行校正[6],公式為：

(12)

式中：GDPc為校正后格網j空間化模擬GDP23；GDPj為校正前直接利用式(10)、(11)模擬的格網j的GDP23；GDPr和GDPR分別為模擬的和實際的城市的GDP23。

3.3 精準復工復產建模方法

根據廣東省2019年和2020年第一季度GDP23的空間分布可以計算得到廣東省2019年至2020年的GDP23的差異空間分布。根據廣東省2019年和2020年的GDP23的空間化結果，可知GDP23增加最大的兩個城市(韶關市和深圳市)和GDP23減少最大的兩個城市(廣州市和中山市)，結合2019年和2020年GDP23差異空間和4個城市的POI數據，通過空間分析得到影響GDP23變化的行業類別，統計各市影響GDP23的不同行業的差異，得出應精確復工復產的行業，從而為省市政府精確復工復產提供輔助性的建議。

4 結果分析

4.1 空間化結果

利用式(10)—(12)對廣東省2019年與2020年第一季度GDP23進行空間化模擬，模擬結果見圖6和圖7。GDP23空間化的結果可以從兩個方面來反映廣東省GDP23的情況。從空間上，2019年和2020年的GDP23空間分布具有很好的一致性，且廣東省GDP23高密度區域集中分布在廣州、深圳、佛山和東莞4個城市，這與統計數據結果相同。其他城市GDP23的密度則相對均衡，每個城市都有一個GDP23

圖6 2019年第一季度廣東省500 m空間分辨率GDP23圖Fig.6 The GDP23 spatial distribution map of Guangdong Province with 500 m spatial resolution in First quarter of 2019

圖7 2020年第一季度廣東省500 m空間分辨率GDP23圖Fig.7 The GDP23 spatial distribution map of Guangdong Province with 500 m spatial resolution in First quarter of 2020

密度高的中心區域，這個中心區域一般就是城市的商業中心。廣東省21個城市中，廣州和深圳的GDP23最高，但2個城市的GDP23高密度區域面積占比存在差別。深圳市GDP23的高密度區域面積占比將近80%，而廣州市GDP23的高密度區域面積占比僅40%。從2座城市的發展歷程來看，深圳市是從改革開放的經濟特區發展起來的，因此全市大部分地區是近幾十年新建成以二三產業為主導的區域，所以高密度區域面積占比很大。廣州市為廣東省省會，歷史悠久，在一二三產業上都有悠久的歷史發展，而且廣州市的山地、丘陵、平原等地貌均有分布且山地分布在東北部區域，這也與GDP23空間化模擬結果相符合，因此廣東省雖然GDP23高密度區域面積大，但占比卻遠不及深圳。

在時間上，對2019年和2020年廣東省第一季度的GDP23空間化模擬結果進行差值運算，如圖8所示，其中正值表示2020年GDP23相對于2019年增加的產值，負值表示2020年GDP23相對于2019年減少的產值。從圖8可以看出，GDP23密度增加和減少比較劇烈的格網呈現出團塊聚集相間的分布模式，GDP23增加和減少所占的像元數目較為均衡，但GDP23增加和減少的像元值差異較大，變化程度最大的正是經濟較為發達的城市(廣州、深圳、東莞和佛山)。這表明越是經濟發達的地區，其經濟受到COVID-19的沖擊影響也越大。值得注意的是雖然有些格網顯示經濟出現正增長，但是這并不能表示這些格網區域未受到疫情沖擊，有可能只是經濟增長減少。

圖8 廣東省2019年與2020年第一季度的GDP23的差異的空間分布Fig.8 Spatial distribution of GDP23 difference between 2019 and 2020 in Guangdong Province

對廣東省21個市2019年和2020年GDP23的空間化模擬結果與實際統計值進行誤差分析，結果見表3。根據表3可知對2019年和2020年廣東省各市的GDP23的模擬精度都很高，相對誤差均<1%，能夠滿足對2019年和2020年GDP23對比分析的精度需求。這說明夜間燈光數據是對GDP參數進行空間化的良好數據源。

表3 廣東省各市2019年和2020年GDP23模擬值和實際統計值的相對誤差Tab.3 The relative error between the simulated value and the actual statistical value of GDP23 in 2019 and 2020 for each city in Guangdong Province

4.2 精準復工復產評價結果

通過表3可知2019—2020年GDP23產值增加最多的2個城市為韶關市和深圳市，減少最多的2個城市為廣州市和中山市。為了進一步分析原因，提取這4個城市GDP23變化較大像元對應處的POI數據，對各市GDP23變化較大像元對應處的POI數據進行統計分析，得到影響GDP23的不同行業類別POI分布百分比，如圖9和圖10所示?？梢钥闯?，盡管廣州市和中山市同樣發生經濟衰退，但是廣州市在生活服務行業、文化傳媒行業和金融行業占比上均高于中山市，中山市在購物消費、房地產和公司企業上高于廣州市，2個城市經濟衰退的原因不同，故針對2個城市的復工復產政策也不同。此外，同樣為經濟增長的深圳市和韶關市在增長原因上也不相同，深圳市在金融和文化傳媒行業上占比都高于韶關市，在生活服務行業和公司企業占比上低于韶關市，房地產行業和購物對兩市經濟增長的貢獻度基本相同。

圖9 廣州-中山經濟衰退差異Fig.9 Guangzhou - Zhongshan economic recession difference

圖10 深圳-韶關經濟增長差異Fig.10 Shenzhen-Shaoguan economic growth difference

5 結論與討論

本文利用2019年和2020年廣東省疫情實時監測數據、夜間燈光數據、GDP23統計數據對GDP23進行空間化模擬和時空變化分析，再結合POI數據對廣東省2019年和2020年GDP23變化較大(增加和減少)的重點城市進行空間分析，為省市政府精準復工復產提出意見和建議。

1)廣東省夜間燈光強度受疫情影響具有較為明顯的變化，燈光數據強度變化的節點與疫情發展變化的節點基本一致，而夜間燈光數據強度與經濟活動強度直接相關，因此可以利用夜間燈光數據反映疫情對經濟活動的影響。

2)NPP-VIIRS夜間燈光GDP23空間化方法可以精確估算廣東省GDP23產值，反映廣東省21個市的經濟空間分布特征。研究結果表明：GDP23與各市NPP-VIIRS總燈光強度呈現較強的冪函數關系;從500 m格網分辨率的GDP23空間化模擬精度上來看，校正后分配在每個格網的GDP23之和與各個地市統計GDP23總量的相對誤差均小于1%，模擬精度較高。

3)從廣東省GDP23的空間分布來看，無論是2019年第一季度還是2020年第一季度，廣東省的GDP23空間分布都表現出了一致性，即2019年的高值區在2020年依舊是高值區，說明廣東省GDP23高值區的行業占廣東省GDP23的比重較大，即使受到了較大影響，依然屬于高值區。

4)根據廣東省2019年至2020年的GDP23差異的空間分布，廣東省21市的GDP23高密度區域的值大都減少，這反映出疫情對廣東省第二三產業的影響很大，在空間上疫情影響的范圍比較廣；從值上來看，對原GDP23高密度的城市GDP23影響較大。這一結果也表明廣東省的經濟結構，即具有較強經濟活力的區域是受疫情影響比較大的行業。在防控政策的影響下，這些行業收到比較嚴重的沖擊。

5)盡管廣州市和中山市在2020年都出現經濟衰退現象，但是原因不同。廣州市作為廣東省省會，是廣東省的政治中心和行政管理中心，基于這樣的屬性下，城市的發展則更多的表現在文化傳媒和生活服務上，而中山市則更加注重購物、房地產和一些公司企業上。由于受到新型冠狀病毒的沖擊，使人們出行受限和收入降低，從而極大的降低了這些行業產生的GDP23值，進而廣州市和中山市出現經濟倒退現象。因此，在疫情已經得到穩定控制的現在，省市政府可以對廣州市通過促進市民購物消費和分階段實施公司企業復工復產來實現GDP的回升，對中山市可以通過促進市民投資理財和幫助市民提升生活品質上來實現GDP的回升。

6)當前中國的疫情已經穩定，COVID-19疫情防控已經轉入常態化，經濟活動已經基本恢復到疫情前的水平。但是本研究仍然具有意義，特別是在全球COVID-19仍在大流行的階段，對于評估其他國家乃至全球經濟受COVID-19的影響程度以便合理制定國際貿易政策仍具有參考意義。

本研究也存在一定的不足，對于2019年和2020年的GDP23對比分析只從增長與減少的角度進行考慮，沒有考慮經濟增長模型對2020年的GDP進行校正，因為增加的區域并不能說明疫情沒有造成影響，只能說明沒有造成經濟衰退。利用POI數據進行受疫情影響的行業分析的準確性需要進一步驗證。最后，對造成經濟正增長和負增長差異的產業結構原因也有待進一步研究。

志謝：衷心感謝中國科學院地理與資源研究所裴韜研究員的建設性意見和建議，感謝中山大學劉迪博士的幫助與支持。