0 引言

中国于2013年提出共建“丝绸之路经济带”和“21世纪海上丝绸之路”倡议（简称“一带一路”倡议），使亚、欧、非各国联系更为紧密，成为命运共同体^[1]，共建“一带一路”国家的发展也渐渐成为社会所关注的热点．东南亚是经济发展迅速、经济活跃的重要区域，其在“一带一路”建设中的作用日益突出，中国和东南亚地区的区域经济合作机制得到了进一步完善，生产要素快速流动、资源充分利用、区域合作的规模不断扩大^[2]．东盟作为全球第五大经济体，是全球经济最有活力的区域^[3]，了解东南亚区域经济发展，对我国进一步推进“一带一路”倡议和中国-东盟自由贸易区的建设具有极其重要的现实意义^[4]．

各区域经济发展都存在差异、不平衡的问题．为促进经济的平衡发展，国内外学者在区域经济发展差异方面做了大量研究．Chung等^[5]对基于邻里层面的社会经济地位进行群组分析，考察群组效应的社会经济差异; 宁朝山等^[6]通过分析全要素生产率了解中国各省份及东西部地区间的经济质量差距; 杨丰硕等^[7]利用GDP数据，综合探测了一系列地理环境因子对江西贫、富县县域经济差异的影响．已有研究大多利用统计数据分析区域经济的差异，但统计数据存在空间尺度不一、指标体系不同和数据缺失等诸多问题，且统计数据多以行政区域为单位进行调查，导致统计单位内的经济差异难以体现^[8]．因此，获取尺度精细的数据研究地区经济发展的时空格局特征极其重要．

与传统统计数据相比，夜间灯光数据具有时空连续、独立客观等优点^[9]．夜间灯光遥感传感器获取的是夜间地表发射的可见光-近红外电磁波，其可以更直观地反映人类活动的差异．学者们利用夜光遥感影像数据来估算社会经济参数，研究城市空间结构^[10]、光污染^[11]等．美国军事气象卫星的线扫描传感器DMSP/OLS生产的夜间灯光数据揭开了夜间灯光遥感的新篇章^[12]:Marx等^[13]验证了DMSP/OLS夜间灯光数据DN值与国内生产总值（GDP）之间的强相关性; Yang等^[14]运用校正后的DMSP/OLS夜间灯光数据计算了省级和市级的夜间稳定光，并结合各社会经济指标进行相关性分析，结果表明夜间亮度与GDP及电能消耗高度关联．已有研究为夜间灯光数据作为经济指标的代理变量提供了可靠依据．DMSP/OLS夜间灯光数据于2013年停止更新，其后推出的美国国家极地轨道合作卫星NPP搭载的可见光红外成像辐射仪VIIRS获取的日夜波段DNB数据，继承并优化了DMSP/OLS的探测能力，有更高的空间分辨率和更广的辐射探测范围^[15]．李峰等^[16]使用夜间灯光数据拟合京津冀地区社会统计指标，通过DMSP/OLS数据和NPP/VIIRS数据的对比分析，发现NPP/VIIRS数据对县域GDP的拟合效果更优; 李林玥等^[17]以灯光数据作为GDP的替代量，应用引力模型研究中国与共建“一带一路”国家的贸易发展状况; 王森等^[18]利用机器学习算法分析NPP/VIIRS数据，对长三角GDP进行智能预测．

已有基于夜光遥感影像开展的经济方面的研究主要围绕GDP^[13]、贫困度^[19]等指标的估算以及建成区的提取和分析^[20]展开，对于经济发展的时空格局特征研究较少．国内现有研究对东南亚的经济分析多以统计数据展开，而东南亚作为沟通印度洋和太平洋的“十字路口”，基于夜光数据研究其更精细尺度下的经济发展格局，对于推动中国与东盟国家经济社会共同发展具有重大意义．因此，本文基于2012—2021年东南亚地区NPP/VIIRS夜光遥感影像，通过计算夜光数据的重心、标准差椭圆和莫兰指数，分析东南亚11个国家经济发展的方向特征、总体空间布局特征和空间聚集特征，综合探究2012—2021年东南亚经济发展时空格局特征，了解东南亚国家的经济发展趋势，以期为打开我国和东南亚各国之间的经济贸易通道及促进经济一体化提供参考．

1 研究区概况与数据来源

1.1 研究区概况

东南亚地处亚洲东南部，位于92°~140°E，10°S~28°N之间，共有11个国家（泰国、新加坡、印度尼西亚、缅甸、老挝、柬埔寨、马来西亚、菲律宾、越南、文莱、东帝汶），面积约457万km²，总人口大约6.689亿．研究区位置如图1所示．东南亚主要由马来群岛和中南半岛组成，其中，马来群岛是世界上最大的群岛，由2万多个岛屿组成．东南亚北部与中国、印度接壤，东连太平洋，西临大西洋，是海运和空运的重要枢纽．位于马六甲海峡东南部的新加坡，在11个国家中国土面积最小，但由于得天独厚的地理位置，其物流业和航运业极为繁盛，是11个国家中唯一的发达国家．其他国家受益于丰富的劳动力和自然资源，形成了以热带农业和季风农业为主的农业地域类型，但是经济结构比较单一．20世纪60年代以后，东南亚各国发展了外向型市场经济与国家干预相结合的经济发展模式．东南亚是目前经济发展最有潜力的地区之一，在构建人类命运共同体的背景下具有重要的战略地位和政治经济作用．

1.2 数据来源

本文使用的数据包括遥感影像数据、矢量数据和统计数据．其中，遥感影像数据为2012—2021年NPP/VIIRS夜间灯光数据的年度合成数据（Annual VNL V2），用于计算东南亚地区的经济重心和标准差椭圆，以及统计各省级行政区内的夜间灯光总值．美国国家海洋和大气管理局和国家地球科学数据中心（NOAA/NGDC）于2013年发布了NPP/VIIRS夜间灯光数据．地球观测小组（Group on Earth Observations，EOG）根据日度VIIRS数据生产了2015年和2016年两年的年度合成数据（Annual VNL V1）．2020年发布了第二版年度合成数据，在Annual VNL V1的基础上，过滤掉生物质燃烧、极光等异常值，且Annual VNL V2整个系列的所有处理步骤和阈值相同^[21]，因此，研究使用的夜光遥感数据为第二版本的500 m×500 m年度合成数据Annual VNL V2．矢量数据为东南亚国家省级行政区划数据，统计数据为东南亚各国2012—2021年国内生产总值（GDP），分别下载自全球行政区域数据库和世界银行数据库．

2 研究方法

2.1 夜间灯光预处理

首先裁剪出2012—2021年东南亚地区NPP/VIIRS夜间灯光数据，然后进行重投影、重采样等数据预处理工作．尽管Annual VNL V2数据是基于NPP/VIIRS月度数据合成的，且EOG已经对月度数据进行剔除杂散光、闪电、月光和云层覆盖等处理^[22]，但仍存在异常值，需进一步校正异常像元．

为尽量减少面积变形，将其重投影为Albers等积投影坐标系．利用Google Earth影像，在东南亚区域选取30个无光源地样本点，如自然保护区、山地和农田等．在VIIRS影像中寻找样本点坐标对应的像元，计算30个点位的平均亮度值作为最小阈值，将亮度值小于最小阈值的像元替换为0值并代入后续计算，以剔除异常值．

2.2 相关性分析

在对比发现长时间序列下东南亚11个国家GDP与夜间灯光数据之间总体变化趋势相似的基础上，本文通过计算皮尔逊相关系数来验证其相关性．相关计算过程如下:

式中:X_i，Y_i 为变量; $\stackrel{-}{X}$，$\stackrel{-}{Y}$为变量均值．

2.3 方向特征分析

在度量地理要素分布的方向特征时常用的模型是重心和标准差椭圆，其可以反映出地理要素分布的空间状态及移动趋势^[23]．因此，本文通过计算经济重心和标准差椭圆的特征参数来分析东南亚经济发展的空间特征．

2.3.1 重心计算

重心也称平均中心，中心的X，Y坐标是通过计算平面中所有要素的X，Y平均值得到的．各地区经济发展情况不同，且地区内的经济体量并非均匀分布，所以经济重心会产生迁移，通过分析经济重心的位置以及移动轨迹可以评价经济发展的方向．重心的计算公式为

式中: ${\stackrel{-}{x}}_s$和${\stackrel{-}{y}}_s$分别为第s年经济重心的横纵坐标; I_si表示第s年第i个单元的亮度值; X_si和Y_si分别表示第s年第i个单元的横纵坐标．

2.3.2 标准差椭圆

标准差椭圆模型可以反映地理要素空间分布的整体特征．通过标准差椭圆的重心、方位角、长轴、短轴、面积等特征参量，从空间全局性的角度精准解释地理要素空间分布的特征，反映地理要素的整体空间分布情况，对比长时间序列的计算结果可反映在时间推移中的演化过程^[24]．标准差椭圆的面积反映了地理要素空间分布的范围变化; 长轴代表空间分布的主要趋势，短轴代表次要趋势; 长轴与短轴的比值，即扁率反映方向性的明显度; 方位角则反映地理要素空间分布的主导方向的变化趋势; 标准差椭圆的圆心^[25]即重心的计算参考式（2）．方位角是以正北方向为0°，顺时针旋转到椭圆的长轴时的角度，方位角α计算公式为

式中: ${\tilde{X}}_i$和${\tilde{Y}}_i$分别表示第i个单元到平均中心${\stackrel{-}{x}}_s$和${\stackrel{-}{y}}_s$的坐标偏差．x轴和y轴标准差计算公式为

最终确定标准差椭圆模型如下:

式中:f为置信度，研究设置的置信度为65%，即有65%的数据点落在椭圆范围内．

2.4 方向特征分析

受空间相互作用和空间扩散的影响，相邻区域的经济发展在空间分布上存在关联的可能性极大，这种关联表现为空间集聚性^[26]．空间相关性反映的是事物在空间上是否具有聚集特征以及是否是随机分布的，莫兰指数是常用的空间相关性的特征指数，分为全局莫兰指数与局部莫兰指数．

2.4.1 全局莫兰指数

全局莫兰指数^[27]用于分析地理要素在空间上的整体分布情况，判断所有地理要素有无集聚情况，考察地理要素在空间中是否存在明显的分布模式^[28]．在计算莫兰指数之前，要统计夜间灯光总值（Total Nighttime Light，TNL）．由于研究区域为东南亚11个国家，所以统计单位为省级区域，计算单位区域内所有像元亮度值总和，记为该区域夜间灯光总值．全局莫兰指数的计算式如下:

式中:I为全局莫兰指数; x_i和x_j分别表示i，j要素的TNL; H_ij为i，j要素的空间权重矩阵; $\stackrel{-}{x}$表示所有要素TNL的平均值．全局莫兰指数取值归一化为[-1，1]．若I大于0，表明要素间存在空间正相关性，且莫兰指数值越大相关性越强; 若I小于0，则表明各要素间具有负向的空间相关性，值越小差异性越大; 若I等于0，则表明各要素随机分布，并无相关性^[29]．

2.4.2 局部莫兰指数

为了解决数据量过大时，会出现局部区域的属性数据由于自身的随机性导致局部不平稳的情况，引入局部莫兰指数^[30]来实现局部区域的自相关评价，在聚类和离群分析中实现Anselin局部Moran's I统计^[31]．全局莫兰指数用于解释空间中是否存在聚集，局部莫兰指数用于反映哪些区域单位存在空间聚集现象．局部莫兰指数的计算结果主要分为5类，分别是:高高聚集、高低聚集、低高聚集、低低聚集以及不显著．局部莫兰指数的计算如下:

式中:x_i表示要素i的TNL; $\stackrel{-}{X}$是各要素属性值的平均值; H_ij为i，j要素的空间权重．

3 结果分析

3.1 夜间灯光与经济发展水平相关性分析

调查东南亚国家GDP与夜间灯光数据之间的相关性，以夜间灯光数据作为GDP的代理值^[32]，分析2012—2021年期间东南亚社会经济发展时空变化特征．选择预处理后的11个国家的夜间灯光数据统计灯光总值（TNL）和GDP数据构建趋势散点图，如图2所示．对比发现两者在时间序列下的总体变化趋势相似，表明夜间灯光总值和GDP存在相关性．

计算Pearson相关系数验证其相关性．将2012—2021年东南亚11国的GDP数据和夜间灯光总值代入计算式（1），计算所得相关参数如表1所示．表1中Pearson相关系数反映的是各国GDP与夜间灯光总值的相关性．sig值为显著性，一般情况下以0.05为界，p值小于0.05即认为两个变量之间有显著相关性．

相关性系数是介于[-1，+1]之间的实数．当相关性系数介于[-1，0）之间时，表明变量之间存在负相关关系; 当相关性系数介于（0，1]之间时，表明变量之间存在正相关关系; 当相关性系数为0时，二者之间不存在相关性．当相关性系数的绝对值大于0.5时，一般认为变量间存在强相关．表2中所示的11个国家中GDP与夜间灯光总值的相关系数均大于等于0.5，且9个国家的sig值（显著性）小于等于0.05，仅新加坡和东帝汶的sig值略大于0.05．综上所述，夜间灯光数据与GDP数据间呈高度正相关，故将TNL作为GDP的代理变量具有一定的科学性与合理性，且夜间灯光数据的广覆盖面和高分辨率在研究区域经济发展研究方面有独特的优势．

3.2 东南亚经济发展方向特征分析

3.2.1 重心迁移特征分析

从数据层面来看，利用统计数据计算经济重心时基本计算单位为国家，一方面空间分辨率过低，整个东南亚11个国家，参与计算的要素数量过少; 另一方面，在计算时假定各国GDP在国域内均匀分布，忽视了GDP的空间异质性．因此，利用统计数据进行空间分析研究的关键在于统计数据的统计单位要足够小，这无疑工作量巨大且难以收集．而利用分辨率为500 m夜间灯光数据进行分析时，参与计算的样本共有263 284个，有效地保留了数据的空间分布属性，弥补了统计数据存在的缺陷，因此，本文采用基于夜间灯光数据计算的经济重心来分析东南亚社会经济重心的迁移．利用夜间灯光数据与行政区划结合数据计算东南亚地区2012—2021年各年份基于像元单位的经济重心和标准差椭圆，分布情况如图3所示．

从图3中可以看到，夜间灯光数据计算的经济重心整体上向西北方向迁移，2012—2013年以及2020—2021年的迁移最为显著．总的来说，2012—2021年的经济重心整体向西北方移动，2012年与2021年的经济重心相距约476 km，说明在近10年的发展中，东南亚西北部的经济体量增速大于东南部．社会经济的发展受到地理位置、自然资源、科技水平和政策实施等多方面因素影响．在全球金融危机持续的情况下，2012—2013年东南亚最大经济体印度尼西亚的经济衰退，GDP从9 178.7亿美元下降到9 125.2亿美元，此后3年也呈下降趋势，这是因为对外贸易在印度尼西亚国民经济中占重要地位，受金融危机影响较大．北部的泰国和越南等国家在危机期间积极采取行动，扩大内需和刺激经济，使国内经济保持平稳状态或缓慢增长．经济体量大的国家出现衰减，而经济体量相对较小的国家趋于平稳或缓慢增长，导致经济重心向北迁移．此外，经济重心移动也和“一带一路”倡议有关，中国同东南亚各国的频繁经贸往来也可能促使区域经济向北扩张，双方的贸易与投资迅速发展，目前东盟已经成为中国第二大贸易伙伴^[33]．

3.2.2 标准差椭圆方向特征分析

从标准差椭圆来看，利用行政区划数据结合GDP数据计算的标准差椭圆在2012年、2016年、2021年之间变化不大，甚至2016年与2021年的椭圆几乎重合．利用夜间灯光数据计算的标准差椭圆在面积、覆盖区域等特征上都有明显差异．基于夜间灯光数据的标准差椭圆具体参数如表4所示．长轴从2012年的2 946 km缩减到2021年的2 547 km，短轴从2012年的2 073 km缩减到2021年的1 689 km，相应的椭圆所覆盖的面积也随之减小，从2012年的4 798 220 km²减小到2021年的3 440 963 km²．方位角的变化不大，即东南亚近10年的经济发展方向特征并无明显变化，基本保持南北向的方向性，这也与经济重心向北迁移的方向相符合．椭圆扁率从2012年的0.296增大到2021年的0.337，说明东南亚经济发展的方向性越来越明显．

关于标准差椭圆长短轴缩减的原因，并非该区域的经济逆增长，而是受东南亚地区经济一体化的影响．二战结束后，东南亚的经济发展从殖民地经济向工业化经济转变．20世纪90年代，世界经济区域化快速发展，北美自由贸易区以及欧洲共同体的建立，依赖西方市场的东南亚国家经济发展面临巨大挑战^[34]，东南亚国家意识到只有加强本区域的经济合作才能保证自己的利益．东盟国家为加快区域一体化经济建设，积极制定和调整战略，构建自由贸易协定框架．21世纪以来，东南亚区域经济一体化发展迅猛，东盟经济体计划构建一个单一市场与生产基地，在增强区域经济竞争力的同时实现区域经济的平衡发展，然后融入全球经济体系．东盟区域经济一体化注重区域内的共同建设，也强调与外界的经济合作，东盟成员国与多国签订双边自由贸易协定，且自由贸易的目标和内容多样化，突破了区域和距离的限制．2015年，东盟宣布东盟共同体正式建成，这意味着东盟经济跨入共同体时代．上述可以解释2012—2021年的标准差椭圆长短轴长度缩减现象．椭圆的扁率增大，且从表2中可以看出2016—2021年的椭圆长轴小幅度增长，是因为东盟共同体渐渐融入到世界的经济体系当中，国际竞争力逐渐增强，故经济发展的方向性愈发明显．

3.3 东南亚经济发展空间聚集性特征分析

本文使用东南亚地区各省级区域的夜间灯光总值作为该地区的经济代理变量，以此避免统计数据缺失、统计标准不一、缺乏空间异质性等问题．计算2012—2021年东南亚各省级区域的夜间灯光总值，选取2012年和2021年的结算结果用于分析经济发展空间聚集性特征．2012年和2021年各省夜间灯光总值分级渲染结果如图4所示．从图4中可以看出，夜间灯光总值的最低值从2012年的5.56增长到2021年的245.71，最高值也从2012年的200 662.31增长到2021年的612 623.11，表明近10年东南亚经济发展迅速．

3.3.1 全局空间聚集性特征分析

使用统计的夜间灯光总值数据计算全局莫兰指数，以判断研究区域内是否存在空间聚集．全局莫兰指数的计算结果如表3所示．2012年与2021年的计算结果中显示，Moran I指数分别为0.615和0.430，均大于0; z得分分别为16.343和11.073，均远大于2.58; p值为0，所以在0.01的显著性水平下两个年份的研究区域中均存在空间相关性，各单位并不是随机分布的．

3.3.2 局部空间聚集性特征分析

局部莫兰指数结果如图5所示，从2012年东南亚经济发展空间聚集情况可以看出，高高聚集区域主要分布在缅甸北部、印度尼西亚和马来西亚部分地区，整体来看高高聚集的区域主要分布于东南亚的中西部，这也与经济重心处于中西部的情况相符．低低聚集区域主要分布在柬埔寨、菲律宾与东帝汶，泰国、老挝和越南有少数分布．以印度尼西亚为例，其疆域东西跨度巨大，富含石油、煤和天然气，是最大的动力煤出口国，矿产是印度尼西亚重要的支柱产业; 另外，印度尼西亚海域广阔，渔业资源丰富． 印度尼西亚富饶的自然条件与强大的经济条件吸引了大量外界的人才和资金，促使了区域经济的快速发展．高高聚集的地区具有很好的辐射作用，带动了周边地区的经济发展，到2021年，印度尼西亚近一半的地区都是高高聚集，其中最具代表性的中加里曼丹省，从2012年的低高聚集地到2021年转变为高高聚集地．柬埔寨的低低聚集区域明显减少，越南南部和马来西亚西部还出现了新的高高聚集地，但菲律宾的低低聚集区域却有所增加，主要是受新冠疫情的影响，菲律宾是东南亚区域受疫情影响最为严重的国家，曾一度成为东南亚区域累计确诊人数最多的国家^[35]．

4 结论与讨论

本文以2012年—2021年NPP/VIIRS全球年度合成数据（Annual VNL V2）和东南亚各国GDP数据为主要数据，基于重心、标准差椭圆、莫兰指数等模型考察了东南亚经济的演变格局、发展方向和空间聚集特征，探究了2012—2021年东南亚国家社会经济发展的时空特征，得出的主要结论如下:

1）夜间灯光总值（TNL）与GDP数据间呈高度正相关，将TNL作为GDP的代理变量具有科学性与合理性，且夜间灯光数据的广覆盖面和高分辨率使得研究结果比统计数据所得结果更为准确地表征了东南亚经济的时空演变特征．

2）从整体的时空演变格局来看，2021年东南亚地区灯光高值地主要聚集在中南半岛与马来群岛部分岛屿，且研究时段内马来半岛中的怡宝、吉隆坡等地夜间灯光明显增长; 从东南亚地区经济发展的方向特征来看，研究时段内东南亚地区的经济重心总体向北迁移，且迁移幅度较大，标准差椭圆的方位角基本保持不变，面积有缩减现象，但扁率增大; 从东南亚地区经济发展的空间聚集特征来看，全局莫兰指数结果表明研究区域内存在空间聚集的现象，各单位并不是随机分布的，局部莫兰指数结果表明最为显著的两种空间关联类型为高高聚集和低低聚集，且2012年高高聚集地主要分布于东南亚的中西部，其中印度尼西亚占比最多，2021年高高聚集区域明显增加，柬埔寨低低聚集区域大幅减少．

3）从东南亚经济发展变化原因来看，经济重心迁移是因为南北经济发展差异，以及“一带一路”背景下，中国与东南亚地区贸易往来频繁，促使该区域的经济增长向北扩张; 标准差椭圆面积缩减、扁率增大的原因在于东南亚经济一体化，融入世界经济体系后经济发展的方向特征更为显著; 高高聚集区域主要分布在印度尼西亚等地，是因为该地富饶的自然条件与强大的经济条件吸引了大量外界的人才和资金，在辐射作用下进一步带动了周边地区的经济发展; 2020—2021年，夜间灯光总值增幅变小或者呈减小趋势可能原因是在新冠疫情背景下，东南亚人民的生活和工作受到严重影响，东南亚地区经济发展增速变缓．

现有基于统计数据的东南亚经济发展相关研究已取得一定的研究成果，但仍存在数据缺失、精度不足与统计标准不统一等局限性．为弥补现有研究的不足，本文的边际贡献主要在于:

1）本文是中国学者中第1篇利用夜间灯光数据对东南亚国家经济发展进行模拟分析的文献，与统计数据相比在更精细的尺度上分析了东南亚的经济发展，这不仅拓展了中国学者分析东南亚国家经济发展时可能采用的研究方法，同时丰富了东南亚经济发展研究的可用数据．

2）研究结合金融危机、东盟共同体、疫情等宏观因素综合分析了东南亚国家经济发展变化的原因，可为东南亚地区的经济建设与宏观调控政策制定提供一定参考，有利于更好地促进中国与东南亚的经济共同发展与一体化建设．

3）研究以东南亚为研究区，再次证实了夜间灯光数据用于衡量与可视化经济发展的可行性与可靠性．

有待进一步探讨的内容:

1）NPP/VIIRS数据更新的起始年份为2012年，到目前为止共10年数据，DMSP/OLS于1982年问世，停更于2013年，虽然DMSP/OLS数据的质量不如NPP/VIIRS，但其时间跨度更大，对于研究长时间序列的地区经济发展等问题可以提供更多数据支撑．如将两种数据整合，以延长研究时间段，可以对区域的经济发展做出更完整的探查．

2）对于区域经济发展时空特征研究可用工具不止重心、标准差椭圆和莫兰指数，还可利用其他工具，比如基尼系数、变异指数等，可为研究结果提供更加完整的论证依据．

参考文献