基于夜光遥感数据的中国东部城市区域经济指标空间化：方法、实践与展望

基于夜光遥感数据的中国东部城市区域经济指标空间化：方法、实践与展望一、引言1.1研究背景与意义1.1.1研究背景中国东部地区作为我国经济发展的前沿阵地，在全国经济格局中占据着举足轻重的地位。这片区域涵盖了众多经济发达的城市，如上海、北京、广州、深圳等，它们凭借优越的地理位置、雄厚的经济基础、先进的科技水平以及丰富的人力资源，成为推动国家经济增长的核心引擎。以2023年为例，东部地区的国内生产总值（GDP）占全国总量的比重高达55%以上，在工业、服务业、科技创新等领域均取得了显著成就，对全国的经济发展、就业吸纳和税收贡献发挥着不可替代的作用。传统的经济指标统计，如GDP、人均收入等，主要依赖于行政统计调查，通过各级政府部门收集企业和居民的数据，再经过层层汇总和核算得出。这种方式在数据获取过程中，面临着诸多挑战。一方面，统计过程需要耗费大量的人力、物力和时间成本，统计周期较长，导致数据的时效性较差，难以实时反映经济发展的动态变化。例如，年度GDP数据通常要在次年才能发布，季度数据也存在一定的滞后性，这使得决策者在依据这些数据制定政策时，可能无法及时应对经济形势的快速变化。另一方面，行政统计数据往往以行政区划为单位进行统计，难以精确反映经济活动的空间分布情况。经济活动并非严格按照行政区划界限展开，在城市内部不同区域以及城市之间的经济联系和发展差异无法通过传统统计数据得到细致呈现，这在一定程度上限制了对经济现象的深入分析和精准把握。随着航天技术的飞速发展，夜光遥感数据应运而生，为经济研究领域带来了新的契机。夜光遥感通过卫星搭载的传感器，在夜间对地表发出的可见光和近红外光进行探测，能够捕捉到城市灯光、工业活动、交通枢纽等人类活动产生的光亮。这些光亮与区域的经济活动强度、人口密度、城市化水平等因素密切相关，因此夜光遥感数据可以作为一种有效的工具，从空间视角反映经济活动的分布和发展状况。与传统统计数据相比，夜光遥感数据具有覆盖范围广、获取周期短、空间分辨率高、客观性强等优势，能够克服传统统计方法的诸多局限性，为区域经济研究提供全新的数据支持和分析视角，使得我们能够更加直观、全面地了解经济现象的空间特征和动态演变规律。1.1.2研究意义从理论层面来看，本研究有助于完善区域经济研究的方法体系。传统区域经济研究主要依赖于统计数据和经济模型，在空间分析方面存在一定的局限性。引入夜光遥感数据，能够拓展区域经济研究的数据源，将空间分析方法与传统经济分析方法相结合，为研究区域经济发展的空间格局、空间关联和空间异质性提供新的途径。通过探究夜光遥感数据与经济指标之间的内在关系，构建基于夜光遥感数据的经济指标空间化模型，可以丰富区域经济理论的研究内容，为进一步理解经济活动的空间分布规律提供理论支持，推动区域经济研究从传统的基于统计数据的分析向多源数据融合的空间分析转变，促进区域经济理论的创新与发展。在实践应用方面，本研究成果对城市发展决策具有重要的指导意义。对于城市规划者而言，夜光遥感数据能够直观展示城市不同区域的经济活力和发展潜力，帮助他们识别城市发展的热点区域和薄弱环节，从而更加科学合理地规划城市空间布局，优化资源配置。例如，在基础设施建设方面，可以根据夜光遥感反映的经济活动强度和人口分布情况，确定交通、能源、供水等基础设施的建设重点和布局方案，提高基础设施的利用效率；在产业布局规划中，依据夜光遥感数据所呈现的产业集聚特征，引导产业向优势区域集中，促进产业协同发展，提升产业竞争力。同时，夜光遥感数据还可以用于城市经济发展的动态监测和评估，及时发现经济发展过程中的问题和趋势，为政策制定者调整政策提供依据，有助于制定更加精准有效的区域发展政策，推动城市经济的可持续发展，实现经济增长与资源环境的协调共进。1.2国内外研究现状1.2.1夜光遥感数据在经济领域应用研究国外对夜光遥感数据在经济领域的应用研究起步较早，取得了一系列具有开创性的成果。早在20世纪90年代，Elvidge等学者就开始关注夜光遥感数据与经济活动之间的联系，通过对DMSP/OLS夜光遥感影像的分析，发现夜光总量与GDP之间存在显著的相关性，为夜光遥感数据在经济研究中的应用奠定了基础。此后，众多学者围绕这一领域展开深入研究。如在经济增长监测方面，一些研究利用夜光遥感数据长时间序列，对不同国家和地区的经济增长趋势进行监测和分析，发现夜光亮度的变化能够及时反映经济的扩张与收缩，弥补了传统统计数据在时效性上的不足。在区域经济差异分析中，学者们通过夜光遥感数据对比不同区域的夜光强度，揭示了区域经济发展的不平衡性，为区域经济政策的制定提供了科学依据。在产业经济研究中，有研究利用夜光遥感数据识别产业集聚区域，分析产业空间分布特征，探讨产业发展与夜光亮度之间的关系，为产业布局优化提供了新的视角。国内在夜光遥感数据经济应用方面的研究虽然起步相对较晚，但发展迅速。随着夜光遥感技术的不断进步和数据获取的日益便捷，国内学者积极开展相关研究，在多个领域取得了丰硕成果。在宏观经济指标估算方面，众多研究通过构建夜光遥感数据与GDP、人口等宏观经济指标的数学模型，实现了对经济指标的空间化估算，提高了经济数据的空间分辨率和准确性。在城市经济研究中，利用夜光遥感数据分析城市夜间经济活动的时空分布特征，探讨夜间经济对城市发展的影响，为城市夜间经济规划和管理提供了决策支持。在区域经济协同发展研究中，通过夜光遥感数据研究区域间经济联系和协同发展程度，为促进区域经济一体化提供了有益参考。例如，有研究以京津冀、长三角、珠三角等城市群为对象，分析城市群内部城市之间的夜光联系，揭示了城市群经济协同发展的现状和问题。1.2.2中国东部城市区域经济研究进展对中国东部城市区域经济的研究一直是学术界关注的焦点，众多学者从不同角度展开深入探讨，取得了丰富的研究成果。在经济发展特点方面，研究表明东部城市区域经济呈现出高度集聚、外向型和创新驱动的特征。东部地区凭借优越的地理位置和政策优势，吸引了大量的资金、技术和人才，形成了多个经济增长极，如长三角、珠三角和京津冀等城市群，这些城市群在全国经济中占据重要地位。同时，东部城市区域积极参与国际经济合作与竞争，对外贸易和投资规模庞大，外向型经济特征显著。此外，创新驱动成为东部城市区域经济发展的重要动力，高新技术产业、战略性新兴产业蓬勃发展，科技创新成果不断涌现。在经济发展差异方面，学者们通过多种方法对东部城市区域内部的经济差异进行了测度和分析。研究发现，东部城市区域经济差异主要体现在城市之间、产业之间以及城乡之间。不同城市在经济规模、产业结构、发展水平等方面存在较大差距，一些核心城市如上海、北京、深圳等经济实力雄厚，而部分中小城市经济发展相对滞后。产业结构差异也是导致经济差异的重要因素，高端制造业、现代服务业在部分城市高度集聚，而传统产业在其他城市仍占据较大比重。此外，城乡之间在经济发展水平、居民收入、基础设施等方面也存在明显差距。关于经济发展的影响因素，研究认为区位条件、政策支持、产业结构、科技创新等是影响东部城市区域经济发展的关键因素。优越的区位条件使得东部城市区域便于开展对外经济交流与合作，吸引国内外资源。国家和地方政府出台的一系列优惠政策，如经济特区、沿海开放城市、国家级新区等政策，为东部城市区域经济发展提供了有力支持。合理的产业结构调整和升级，推动了东部城市区域经济的高质量发展，从传统产业向高端制造业、现代服务业转型，提升了产业竞争力。科技创新能力的提升，为东部城市区域经济发展注入了新的活力，研发投入的增加、创新人才的集聚以及创新平台的建设，促进了科技成果的转化和应用。1.3研究内容与方法1.3.1研究内容本研究旨在基于夜光遥感数据，实现中国东部城市区域经济指标的空间化，深入剖析其经济发展的空间格局与特征，为区域经济研究和发展决策提供科学依据。具体研究内容如下：夜光遥感数据与经济指标关系研究：收集中国东部城市区域的夜光遥感数据，包括DMSP/OLS和VIIRSDNB等不同传感器获取的数据，并对其进行预处理，如辐射校正、几何校正、去噪等，以提高数据质量。同时，收集对应区域的经济指标数据，如GDP、人口数量、工业增加值等。运用相关性分析、回归分析等方法，探究夜光遥感数据与各项经济指标之间的定量关系，建立数学模型，确定夜光亮度与经济指标之间的转换系数，为经济指标的空间化提供理论基础。经济指标空间化建模：在明确夜光遥感数据与经济指标关系的基础上，利用地理信息系统（GIS）技术，将经济指标按照夜光遥感数据的空间分布特征进行空间化建模。以夜光遥感影像的像元为基本单元，根据建立的数学模型，将经济指标分配到每个像元上，实现经济指标从行政单元统计数据到空间连续分布数据的转换。例如，将GDP数据按照夜光亮度的空间分布进行细化，得到每个像元对应的GDP估计值，从而更直观地展示中国东部城市区域经济发展的空间差异。经济空间格局分析：基于经济指标空间化结果，运用空间分析方法，如空间自相关分析、热点分析、趋势分析等，深入研究中国东部城市区域经济的空间格局和分布特征。通过空间自相关分析，揭示经济发展在空间上的集聚或分散程度，确定经济发展的高值集聚区和低值集聚区；利用热点分析，识别出经济发展的热点区域和冷点区域，分析其形成原因和发展趋势；通过趋势分析，探讨经济发展在不同方向上的变化趋势，为区域经济规划和政策制定提供参考依据。模型验证与应用：采用多种方法对经济指标空间化模型进行验证，如与其他独立数据源进行对比分析、利用实地调查数据进行验证等，评估模型的准确性和可靠性。将验证后的模型应用于中国东部城市区域经济发展的监测和预测，分析经济发展的动态变化，预测未来经济发展趋势，为区域经济发展决策提供科学支持。例如，通过对比不同年份的经济指标空间化结果，分析经济增长的空间变化情况，为城市规划和产业布局调整提供依据。1.3.2研究方法为实现上述研究内容，本研究将综合运用多种研究方法，确保研究的科学性和可靠性。数据收集与处理方法：收集中国东部城市区域的夜光遥感数据，涵盖不同年份和不同传感器的数据，以获取全面的夜间灯光信息。同时，收集相关的经济统计数据，包括国家统计局、地方统计年鉴以及其他经济研究机构发布的数据。在数据处理方面，运用ENVI、ArcGIS等遥感和地理信息处理软件，对夜光遥感数据进行辐射校正、几何校正、镶嵌、裁剪等预处理操作，去除噪声和异常值，提高数据的精度和可用性。对经济统计数据进行整理和清洗，确保数据的准确性和一致性。模型构建与分析方法：运用统计学方法，如相关性分析、回归分析等，构建夜光遥感数据与经济指标之间的关系模型。通过相关性分析，确定夜光亮度与经济指标之间的相关程度和方向；利用回归分析，建立具体的数学回归模型，确定模型参数，实现经济指标的空间化估算。在空间分析方面，运用ArcGIS软件的空间分析模块，进行空间自相关分析、热点分析、趋势分析等。通过空间自相关分析，计算全局和局部空间自相关系数，判断经济发展的空间集聚特征；利用热点分析，识别经济发展的热点和冷点区域；通过趋势分析，生成经济发展的趋势面，直观展示经济发展的空间变化趋势。对比验证方法：为验证经济指标空间化模型的准确性，采用对比分析的方法。将空间化结果与传统统计数据在相同的行政单元上进行对比，分析两者之间的差异和一致性。同时，收集其他相关的空间数据，如人口密度数据、土地利用数据等，与经济指标空间化结果进行交叉验证，评估模型的可靠性。此外，利用实地调查数据，对部分典型区域的经济发展情况进行实地验证，进一步检验模型的准确性和实用性。二、夜光遥感数据概述2.1夜光遥感数据的特点2.1.1覆盖范围广夜光遥感数据具备极为广泛的覆盖范围，能够获取全球范围的灯光数据。以美国国防气象卫星计划（DMSP）搭载的线性扫描业务系统（OLS）为例，其扫描条带宽度达3000公里，可对南纬65°至北纬75°、经度0°至180°的区域进行观测，为全球尺度的经济分析提供了数据基础。又如美国国家极轨卫星系统（NPP）搭载的可见光红外成像辐射仪（VIIRS），同样能够实现对全球大部分地区的夜间灯光监测。这种全球覆盖的特性，使得研究者可以对不同国家、不同地区的经济发展状况进行对比分析，无论是经济高度发达的欧美地区，还是处于快速发展阶段的亚洲、非洲地区，都能通过夜光遥感数据进行研究，从而揭示全球经济发展的空间格局和地域差异。2.1.2时空分辨率特性不同类型的夜光遥感数据在时间和空间分辨率上存在显著差异。DMSP/OLS数据的时间分辨率为每天2次，可获取白天和黑夜各一幅全球影像，其空间分辨率约为1000米。这种分辨率在一定程度上能够反映城市和大型经济活动区域的大致范围和分布情况，但对于一些小型城镇和局部经济活动的细节展示不够精确。而NPP/VIIRS数据的时间分辨率同样为每天2次，空间分辨率则提高到了750米，能够更清晰地呈现城市内部的功能分区和经济活动的细微差异，如城市中不同商业区、工业区的灯光分布特征。我国发射的珞珈一号卫星，其空间分辨率更是达到了130米，能够捕捉到更为精细的夜间灯光信息，对于研究城市内部小尺度的经济活动，如街区级别的商业繁荣程度、小型工业园区的活跃度等具有重要意义。时间分辨率方面，较高的时间分辨率使得夜光遥感数据能够实时或近实时地反映经济活动的动态变化，如在监测突发的经济事件（如重大项目开工、商业中心开业等）对夜间灯光的影响时，高时间分辨率的数据可以及时捕捉到这些变化，为经济研究提供时效性更强的数据支持。2.1.3客观反映人类活动夜光遥感数据能够客观直观地体现人类夜间活动强度与分布。人类的经济活动，如工业生产、商业运营、交通运输等，在夜间往往伴随着灯光的产生。城市中繁华的商业区，夜晚灯火辉煌，夜光遥感数据能够清晰地捕捉到这些区域的高强度灯光，反映出该区域活跃的商业活动和较高的经济活力；而工业区的灯光分布则与工业生产活动密切相关，持续稳定的灯光表明工业生产的连续性和规模。相比传统的统计数据，夜光遥感数据不受人为统计误差和主观因素的影响，能够直接从空间上展示人类活动的分布和强度，进而反映经济活跃程度。例如，在一些发展中国家，由于统计体系不完善，传统经济数据可能存在偏差，而夜光遥感数据可以通过灯光分布客观地呈现出不同地区的经济发展水平，为经济研究和政策制定提供可靠的依据。2.2夜光遥感数据的获取方式2.2.1常用卫星数据源介绍夜光遥感数据主要来源于搭载特定传感器的卫星，不同卫星数据源在数据特性上存在差异，为研究提供了多样化的选择。美国国防气象卫星计划（DMSP）搭载的线性扫描业务系统（OLS）是较早用于夜光遥感监测的卫星传感器，从1992年至2013年提供了长时间序列的夜光数据。其扫描条带宽度达3000公里，每天可获取2次全球影像，涵盖白天和黑夜，空间分辨率约为1000米。DMSP/OLS数据在反映城市和大型经济活动区域的总体分布上具有重要价值，在研究全球经济格局的宏观变化时，能够展现出不同国家和地区经济发展的大致轮廓。但该数据存在明显的局限性，其传感器辐射分辨率较低，像元值范围仅为0-63，导致城市核心区域容易出现“过饱和”现象，即灯光强度高于传感器可探测最大值的区域，其真实亮度无法准确体现，这在一定程度上影响了对城市内部经济活动强度差异的精确分析。美国国家极轨卫星系统（NPP）搭载的可见光红外成像辐射仪（VIIRS），自2011年发射以来，成为夜光遥感数据的重要来源。VIIRS数据每天同样可获取2次全球影像，空间分辨率提升至750米，能更清晰地呈现城市内部的功能分区和经济活动细节。其DNB波段的光谱分辨率达到14-bit，并且执行了在轨辐射定标操作，这使得该数据对灯光强度的探测更为灵敏，能够捕捉到更微弱的灯光信息，有效改善了DMSP/OLS数据的“过饱和”问题。在研究城市内部小型商业区、新兴产业园区等经济活动相对较弱但具有发展潜力的区域时，NPP/VIIRS数据能够提供更详细准确的信息。然而，由于其传感器的高灵敏性，数据中容易出现“噪点”，如渔船灯光、冰雪高反射导致的数值异常等，在数据处理过程中需要进行去噪处理。我国发射的珞珈一号卫星，在夜光遥感领域具有独特优势，其空间分辨率高达130米，能够获取极为精细的夜间灯光信息。这对于研究城市内部小尺度的经济活动，如街区级别的商业繁荣程度、小型工业园区的活跃度等具有重要意义。在分析城市中某一特定街区的商业发展情况时，珞珈一号的数据可以清晰地展示出该街区不同店铺的灯光分布，从而推断出商业活动的活跃程度和分布规律。但目前珞珈一号数据可获取量相对较少，数据覆盖范围和时间序列的完整性有待进一步提升。2.2.2数据获取途径与平台夜光遥感数据可通过多个官方网站和平台获取。美国国家海洋与大气管理局（NOAA）的地球观测组（EOG）网站（/eog/）是获取DMSP/OLS和NPP/VIIRS数据的重要平台之一。在该网站上，用户可以下载DMSP/OLS的年均稳定灯光影像数据，这些数据经过了去云、去噪等预处理，能够较好地反映长时间序列的灯光变化情况。对于NPP/VIIRS数据，网站提供了月均夜光影像数据下载，数据更新较为及时，能够满足对近期夜光数据的需求。在获取数据时，用户需根据网站提示，选择所需的数据年份、月份以及数据格式（如TIFF格式），按照下载流程进行操作。另一个重要的数据获取平台是美国地质调查局（USGS）的EarthExplorer网站（/）。该平台不仅提供夜光遥感数据，还整合了多种其他类型的遥感数据，方便用户进行综合分析。用户在EarthExplorer网站注册登录后，可通过搜索功能筛选出夜光遥感数据，通过设置空间范围、时间范围等参数，精确获取所需的数据。在下载数据时，要注意查看数据的元数据信息，了解数据的获取时间、分辨率、辐射定标情况等，确保数据符合研究需求。对于我国的珞珈一号数据，可通过其官方指定的数据分发平台获取。由于珞珈一号数据的特殊性和相对较少的获取量，用户在获取数据前，需详细了解平台的使用规则和数据申请流程。通常需要填写数据申请表格，说明研究目的、数据使用范围等信息，经审核通过后才能下载数据。在数据下载过程中，要注意网络环境的稳定性，避免因网络问题导致数据下载失败或数据损坏。2.3数据预处理方法2.3.1辐射定标辐射定标是将传感器记录的数字量化值（DN）转换为绝对辐射亮度值的关键过程，其原理基于传感器的响应特性和已知的辐射源。在夜光遥感数据中，传感器接收到的信号不仅包含地物发射的辐射，还受到传感器自身特性、大气传输等因素的影响。通过辐射定标，能够消除传感器本身的误差，确定传感器入口处的准确辐射值，使不同时间、不同传感器获取的图像具有可比性。对于夜光遥感数据，辐射定标可通过多种方法实现。常用的方法包括实验室定标、场地定标和交叉定标。实验室定标是在遥感器发射之前，利用标准辐射源对其进行定标，建立仪器输出值与辐射值之间的定量关系。例如，在DMSP/OLS传感器发射前，通过在实验室中对其进行严格的辐射定标，确定其在不同波段下的响应函数。场地定标则是在遥感器处于正常运行条件下，选择具有代表性的辐射定标场地，如沙漠、湖泊等均匀稳定的目标区域，通过地面同步测量获取地物的光谱反射率和大气光谱等参量，利用大气辐射传输模型计算出遥感器入瞳处的辐射亮度，进而确定定标系数。交叉定标是利用定标结果良好的在轨卫星传感器来标定待标定的卫星传感器，当两颗卫星同时观测同一目标时，通过对比两者的观测数据，实现对待标定传感器的定标。在实际应用中，辐射定标对消除夜光遥感数据误差、准确反映灯光强度起着至关重要的作用。以DMSP/OLS数据为例，由于其传感器缺乏在轨辐射定标，不同年份或不同卫星获取的数据缺乏可比性。经过辐射定标处理后，可以有效校正数据的辐射误差，使不同年份的数据能够在同一辐射尺度上进行分析，从而更准确地反映灯光强度的变化，为研究区域经济发展的动态变化提供可靠的数据支持。例如，在分析某城市多年的经济发展趋势时，辐射定标后的夜光遥感数据能够更准确地反映城市灯光强度的逐年变化，进而推断出经济活动强度的变化情况。2.3.2去饱和校正在夜光遥感数据中，尤其是DMSP/OLS数据，城市灯光饱和问题较为突出。由于DMSP/OLS传感器的辐射分辨率较低，其像元值范围仅为0-63，当城市核心区域的灯光强度超过传感器可探测的最大值时，这些区域的像元值会被限制为63，导致影像所表示的灯光强度低于其真实值，这就是所谓的“过饱和”现象。这种现象会严重影响对城市内部经济活动强度差异的精确分析，因为无法准确区分灯光强度相近但实际经济活动强度差异较大的区域。为解决这一问题，需要进行去饱和校正。去饱和校正的方法有多种，其中一种常用的方法是基于辐射定标和数学模型的校正方法。通过对传感器进行辐射定标，获取更准确的辐射响应信息，然后利用数学模型对饱和像元进行校正。例如，有研究利用高分辨率的辅助数据，如土地利用数据、人口密度数据等，结合夜光遥感数据的辐射定标结果，建立数学模型，对饱和像元的灯光强度进行估算和校正。具体来说，根据土地利用类型和人口密度等因素，确定不同区域的灯光强度修正系数，然后对饱和像元的DN值进行调整，使其更接近真实的灯光强度。去饱和校正对提高夜光遥感数据精度具有重要意义。在研究城市经济发展时，准确的灯光强度信息能够更真实地反映城市内部不同区域的经济活动强度，有助于识别经济发展的热点区域和潜力区域。通过去饱和校正，可以有效改善数据的质量，提高基于夜光遥感数据的经济指标估算和空间分析的准确性。例如，在估算城市GDP的空间分布时，经过去饱和校正的数据能够更准确地反映不同区域的经济贡献，避免因灯光饱和而导致的经济指标低估或高估。2.3.3图像拼接与裁剪在获取夜光遥感数据时，由于研究区域往往较大，需要使用多景影像来覆盖整个区域。这些多景影像需要进行拼接，以形成一幅完整的研究区域影像。图像拼接的过程主要包括几何配准和影像镶嵌。几何配准是通过选择同名控制点，将不同影像的坐标系统统一到相同的地理坐标系下，以消除影像之间的几何变形和位移。在夜光遥感数据拼接中，通常选择明显的地物特征点，如河流交汇点、道路交叉点等作为同名控制点。利用这些控制点，通过多项式变换等方法对影像进行几何校正，使不同影像的对应地物在空间位置上准确对齐。影像镶嵌则是将几何配准后的多景影像按照一定的规则进行合并，形成一幅无缝的大影像。在镶嵌过程中，需要考虑影像的重叠区域，通过选择合适的镶嵌算法，如基于像元值加权平均、基于最小二乘法等方法，对重叠区域的像元值进行处理，以消除拼接缝隙和色调差异，使拼接后的影像在色调和亮度上保持一致。拼接完成后，需要根据研究区域的边界对影像进行裁剪，以得到仅包含研究区域的影像。在ArcGIS软件中，可以通过创建研究区域的矢量边界文件，然后使用裁剪工具，按照矢量边界对拼接后的影像进行裁剪。这样可以去除研究区域以外的无关信息，减少数据量，提高后续数据分析的效率。例如，在研究中国东部城市区域经济时，通过裁剪得到的影像能够更专注地反映该区域的灯光分布和经济活动情况，避免周边地区的干扰。通过图像拼接与裁剪，能够将多景夜光遥感影像整合为符合研究需求的影像数据，为后续的经济指标空间化和分析提供准确的数据基础。三、中国东部城市区域经济发展现状分析3.1经济发展总体特征3.1.1经济规模与增长趋势近年来，中国东部城市区域经济规模持续扩张，在全国经济版图中占据着极为重要的地位。以2023年为例，东部地区GDP总量达到了59.6万亿元，占全国GDP总量的56.3%，展现出强大的经济实力。从具体城市来看，上海作为东部地区的经济中心，2023年GDP总量高达4.72万亿元，同比增长5.38%，其经济规模庞大，在金融、贸易、航运等领域具有显著的优势，对全国经济发展起到了重要的引领和辐射作用。北京作为我国的首都，2023年GDP总量为4.36万亿元，同比增长5.25%，在科技创新、文化创意、总部经济等方面表现突出，是东部地区重要的经济增长极。深圳和广州作为粤港澳大湾区的核心城市，经济规模也十分可观。深圳2023年GDP总量为3.46万亿元，同比增长6.85%，其在电子信息、生物医药、金融科技等新兴产业领域发展迅猛，是我国高新技术产业发展的前沿阵地；广州2023年GDP总量为3.04万亿元，同比增长4.58%，在汽车制造、商贸会展、现代服务业等方面具有较强的竞争力。从经济增长趋势来看，东部城市区域经济增长呈现出稳中有进的态势。在过去的十年间，东部地区GDP年均增速达到了7.2%，高于全国平均增速。尽管受到全球经济形势波动、疫情等因素的影响，东部城市区域经济依然展现出较强的韧性和抗风险能力。例如，在疫情期间，东部地区积极推动复工复产，加大对实体经济的支持力度，通过出台一系列政策措施，如财政补贴、税收减免、金融信贷支持等，帮助企业渡过难关，实现了经济的快速恢复和增长。一些城市在新兴产业领域的布局和发展，也为经济增长注入了新的动力。如杭州在数字经济领域的快速发展，以阿里巴巴为代表的互联网企业带动了相关产业的集聚和发展，使得杭州的经济增长保持在较高水平，2023年杭州GDP增长6.96%，增速在东部城市中名列前茅。然而，东部城市区域内部经济增长也存在一定的差异，部分中小城市经济增长速度相对较慢，与大城市之间的差距有进一步扩大的趋势，这需要在未来的发展中加以关注和解决。3.1.2产业结构特点中国东部城市区域产业结构呈现出明显的“三二一”特征，第三产业占比持续上升，已成为经济发展的主导力量。2023年，东部地区三次产业结构比例为5.2:40.5:54.3，第三产业占比超过了一半，表明东部城市区域经济已进入服务化阶段。在第三产业中，金融、信息技术服务、文化创意、商务服务等现代服务业发展迅速，成为推动经济增长的新引擎。以上海为例，2023年上海第三产业增加值占GDP的比重达到了73.2%，其中金融业增加值占比为19.5%，信息技术服务业增加值占比为12.8%。上海作为国际金融中心，拥有完善的金融市场体系和丰富的金融产品，吸引了大量国内外金融机构的入驻，金融服务辐射全国乃至全球；在信息技术服务业方面，上海集聚了众多知名互联网企业和软件研发企业，在人工智能、大数据、云计算等领域取得了显著的成果，推动了数字经济与实体经济的深度融合。第二产业在东部城市区域经济中仍占据重要地位，是经济发展的重要支撑。但随着产业结构的调整和升级，第二产业内部结构不断优化，高端制造业、战略性新兴产业快速发展，传统制造业占比逐渐下降。以深圳为例，2023年深圳第二产业增加值占GDP的比重为38.4%，其中先进制造业增加值占规上工业增加值的比重达到了72.1%，战略性新兴产业增加值占GDP的比重为38.5%。深圳在电子信息、新能源、生物医药、高端装备制造等战略性新兴产业领域具有较强的竞争力，培育了一批具有国际影响力的企业，如华为、比亚迪、大疆等。这些企业在技术创新、产品研发、市场拓展等方面表现出色，推动了深圳制造业向高端化、智能化、绿色化方向发展。第一产业在东部城市区域经济中的占比较小，但农业现代化水平较高。东部地区凭借先进的农业技术、完善的农业基础设施和发达的农业产业化经营，实现了农业的高效发展。例如，江苏在农业科技创新方面取得了显著成效，推广了一系列先进的种植技术和养殖技术，提高了农业生产效率和农产品质量；同时，江苏积极发展农业产业化经营，培育了众多农业龙头企业，推动了农产品加工、销售等环节的发展，促进了农业增效、农民增收。尽管东部城市区域产业结构不断优化升级，但仍存在一些问题。部分城市产业结构同质化现象较为严重，产业特色不突出，在区域竞争中缺乏优势。一些城市在发展过程中过于依赖传统产业，新兴产业培育和发展不足，导致产业发展后劲不足。此外，产业协同发展水平有待提高，城市之间在产业布局、产业链整合等方面缺乏有效的沟通与协作，影响了区域整体竞争力的提升。3.2区域经济差异分析3.2.1经济指标差异测度为深入了解中国东部城市区域经济发展的差异程度，本研究采用标准差和变异系数等指标对东部城市间的经济指标进行测度。标准差能够反映数据的离散程度，体现经济指标在各城市间的绝对差异。以2023年东部城市GDP数据为例，经计算，其标准差达到了8756.3亿元。这一数值表明东部城市间GDP的绝对差异较为显著，如上海GDP总量高达4.72万亿元，而部分中小城市GDP总量不足千亿元，两者之间差距巨大。这种绝对差异反映了不同城市在经济规模、产业基础、发展水平等方面存在的明显差距，经济发达城市凭借完善的产业体系、强大的创新能力和丰富的资源优势，在经济规模上远远超过经济欠发达城市。变异系数则是用标准差除以均值得到的相对指标，能够消除数据量纲的影响，更准确地反映经济指标的相对差异程度。计算2023年东部城市GDP的变异系数，结果为0.58。该数值显示东部城市间GDP的相对差异也较为突出，即不同城市经济增长速度存在较大差异。一些新兴城市如深圳，凭借其在高新技术产业领域的快速发展，经济增长速度较快，而部分传统产业占比较高的城市，经济增长相对缓慢。这种相对差异反映了东部城市在产业结构调整、创新驱动发展等方面的不同进程，新兴产业发展迅速的城市在经济增长上具有更大的优势，而依赖传统产业的城市面临着转型升级的压力。进一步分析人均GDP的标准差和变异系数，也能发现类似的差异特征。2023年东部城市人均GDP的标准差为4.6万元，变异系数为0.35。这表明东部城市在人均经济水平上同样存在较大的绝对差异和相对差异。在绝对差异方面，北京、上海等城市人均GDP超过18万元，而一些城市人均GDP不足8万元，反映出不同城市居民生活水平和经济发展质量的差距。在相对差异上，人均GDP的变异系数显示各城市人均经济增长速度的差异，经济发展较快的城市人均GDP增长迅速，进一步拉大了与其他城市的差距。通过对标准差和变异系数的分析，还可以观察到东部城市区域经济差异在时间序列上的变化趋势。对比过去十年的数据，发现GDP和人均GDP的标准差和变异系数总体呈现先上升后波动下降的趋势。在早期，随着东部地区经济的快速发展，城市间经济差异逐渐扩大，标准差和变异系数上升。近年来，随着区域协调发展政策的推进，如京津冀协同发展、长三角一体化发展、粤港澳大湾区建设等，各城市之间的经济联系加强，产业转移和协同发展取得成效，经济差异在一定程度上得到缓解，标准差和变异系数出现波动下降。但总体而言，东部城市区域经济差异仍然较为明显，需要进一步采取措施促进区域经济协调发展。3.2.2空间分布特征借助地图直观展示中国东部城市区域经济发展水平的空间分布特征，能够清晰地发现经济发展水平呈现出明显的集聚性和梯度性。从空间分布来看，长三角、珠三角和京津冀三大城市群是东部地区经济发展的核心区域，经济发展水平较高。以上海为核心的长三角城市群，包括苏州、南京、杭州、宁波等城市，2023年GDP总量占东部地区的32.6%，是我国经济最发达的地区之一。该区域凭借优越的地理位置、完善的交通网络、雄厚的产业基础和丰富的人力资源，形成了以上海为龙头，周边城市协同发展的格局。在产业方面，长三角地区涵盖了高端制造业、现代服务业、科技创新等多个领域，如上海的金融、航运、贸易等服务业在全国具有重要地位，苏州、无锡等地的电子信息、装备制造等高端制造业发展迅猛。以广州、深圳为核心的珠三角城市群，包括佛山、东莞、珠海等城市，2023年GDP总量占东部地区的22.8%。珠三角地区是我国改革开放的前沿阵地，在电子信息、家电制造、服装纺织等产业领域具有较强的竞争力。深圳作为我国高新技术产业的重要基地，汇聚了众多知名科技企业，如华为、腾讯等，在5G通信、人工智能、生物医药等领域取得了显著的创新成果。广州则在商贸、物流、文化等领域发挥着重要作用，是珠三角地区的中心城市之一。京津冀城市群以北京、天津为核心，2023年GDP总量占东部地区的16.5%。北京作为我国的政治、文化和国际交往中心，在科技创新、总部经济、金融服务等领域具有独特优势。中关村作为我国科技创新的重要引擎，集聚了大量的高新技术企业和科研机构，在人工智能、生物医药、信息技术等领域开展前沿研究和创新应用。天津则是北方重要的经济中心和港口城市，在制造业、航运物流等领域发展迅速。除了三大城市群外，东部地区还存在一些经济发展水平相对较低的区域，主要分布在东部沿海的部分中小城市以及内陆地区。这些地区经济发展相对滞后，产业结构单一，主要以传统制造业和农业为主，缺乏创新能力和核心竞争力。例如，东部沿海一些小城市，虽然拥有一定的制造业基础，但大多集中在劳动密集型产业，产品附加值较低，面临着市场竞争和产业升级的压力。内陆地区部分城市由于地理位置相对偏远，交通不便，资源开发利用程度较低，经济发展受到一定限制。经济发展水平的空间分布形成原因是多方面的。地理位置和交通条件是重要因素之一，三大城市群地处沿海，拥有便利的海运和陆运交通，便于开展对外贸易和区域间经济合作，能够更好地吸引国内外资源和投资。政策因素也起到了关键作用，国家在东部地区实施的一系列改革开放政策，如设立经济特区、沿海开放城市、国家级新区等，为这些地区的经济发展提供了政策支持和制度保障。产业基础和科技创新能力也是影响经济发展空间分布的重要因素，经济发达地区通常拥有较为完善的产业体系和较强的科技创新能力，能够不断推动产业升级和经济结构调整，实现经济的持续增长。人力资源的集聚和流动也对经济发展空间分布产生影响，经济发达地区凭借良好的发展机会和生活条件，吸引了大量高素质人才，为经济发展提供了智力支持。3.3传统经济指标统计的局限性3.3.1行政单元统计的局限性传统经济指标统计多以行政单元为基础进行数据收集与汇总，这在很大程度上掩盖了区域内部经济发展的异质性。在实际经济活动中，城市内部不同区域的经济功能、产业布局和发展水平存在显著差异。以北京为例，作为我国的首都和重要的经济中心，其内部经济发展呈现出明显的不均衡性。从产业分布来看，朝阳区是北京的商务中心区（CBD），汇聚了众多金融机构、跨国企业总部和高端服务业，经济活动高度活跃，GDP贡献率高；而远郊区县如延庆区，产业结构以农业和生态旅游业为主，经济规模和活跃度远低于朝阳区。2023年，朝阳区GDP达到7617.8亿元，人均GDP超过20万元；延庆区GDP仅为286.9亿元，人均GDP约为6.5万元。这种巨大的差异在以北京市为整体的行政单元统计中无法得到充分体现，导致对区域经济发展的认识不够精准。在城市内部，不同街道或社区之间的经济发展也存在明显差异。在上海浦东新区，陆家嘴街道是金融核心区域，拥有众多摩天大楼和金融机构，其金融服务业的产值占据浦东新区GDP的重要比重；而周边一些街道可能以制造业或居民服务业为主，经济发展水平和产业结构与陆家嘴街道截然不同。如果仅以浦东新区这一行政单元进行经济指标统计，将无法反映出不同街道之间的经济差异，难以准确把握区域经济发展的微观特征。这种行政单元统计的局限性，在区域经济规划和政策制定中可能导致决策偏差。由于无法准确了解区域内部经济发展的具体情况，政策制定者可能无法针对不同区域的特点制定差异化的发展策略，从而影响政策的实施效果。例如，在制定产业政策时，如果忽视了区域内部不同产业集聚区的需求差异，可能导致政策无法有效促进产业的协同发展和转型升级；在基础设施建设规划中，若不能根据区域内部经济活动的强度和分布进行合理布局，可能造成资源的浪费或配置不足。3.3.2数据更新时效性问题传统经济指标统计的数据更新周期较长，难以实时反映经济发展的动态变化。以GDP统计为例，我国年度GDP数据通常在次年的年初才能发布，季度GDP数据也存在一定的滞后性。这意味着在经济形势快速变化的时期，政策制定者和研究者无法及时获取最新的经济数据，从而影响对经济形势的准确判断和决策的及时性。在2020年新冠疫情爆发初期，经济形势急剧变化，企业停工停产，消费市场受到严重冲击。然而，由于传统经济统计数据的更新滞后，政策制定者在疫情初期难以迅速掌握经济受影响的程度和范围，无法及时制定针对性的政策措施，导致经济在一定时期内面临较大的下行压力。随着经济全球化和数字化的快速发展，经济活动的变化更加频繁和复杂，对经济数据的时效性要求越来越高。新兴产业的崛起、技术创新的加速以及市场环境的动态变化，都使得传统经济指标统计的数据更新速度难以满足实际需求。以互联网经济为例，近年来，直播电商、共享经济等新兴业态发展迅猛，其经济规模和影响力不断扩大。但传统统计体系难以快速捕捉这些新兴经济活动的数据，导致对这些领域的经济贡献和发展趋势的评估存在滞后性。这不仅影响了对经济发展全貌的准确把握，也不利于及时制定相关政策，引导新兴产业健康发展。数据更新时效性问题还会影响企业的市场决策。企业在制定生产计划、投资决策和市场拓展策略时，需要依据最新的经济数据和市场动态进行分析。如果传统经济指标统计数据更新滞后，企业可能无法及时了解市场需求的变化、竞争对手的动态以及宏观经济环境的调整，从而导致决策失误，影响企业的竞争力和发展前景。例如，在市场需求快速变化的行业中，企业如果不能及时获取最新的经济数据，可能会出现生产过剩或供应不足的情况，造成资源浪费和市场份额的损失。四、基于夜光遥感数据的经济指标空间化模型构建4.1经济指标选取与数据准备4.1.1选取代表性经济指标在区域经济研究中，准确选取具有代表性的经济指标是构建空间化模型的基础。本研究选择国内生产总值（GDP）、人均收入等作为反映中国东部城市区域经济状况的关键指标。GDP作为衡量一个国家或地区经济总量的核心指标，能够全面反映区域经济活动的规模和水平。在东部城市区域，不同城市的GDP规模差异显著，如上海、北京等城市GDP总量庞大，反映出其强大的经济实力和活跃的经济活动。2023年，上海GDP总量高达4.72万亿元，北京GDP总量为4.36万亿元。GDP不仅体现了区域内各产业的综合产出，还反映了消费、投资、进出口等经济活动的总体情况，是衡量区域经济发展的重要标尺。通过分析GDP与夜光遥感数据的关系，可以直观地了解经济总量在空间上的分布特征，为区域经济发展的宏观规划提供依据。人均收入是反映居民生活水平和经济发展质量的重要指标。它综合考虑了区域内人口数量和经济总量的关系，能够更准确地体现居民从经济发展中获得的实际收益。在东部城市区域，不同城市的人均收入水平存在明显差异，这与城市的产业结构、就业机会、经济发展阶段等因素密切相关。例如，深圳作为高新技术产业集聚的城市，其人均收入水平较高，2023年深圳人均可支配收入达到7.2万元，这得益于其发达的电子信息、生物医药等产业提供的高收入就业岗位。而一些产业结构相对单一、经济发展相对滞后的城市，人均收入水平则较低。分析人均收入与夜光遥感数据的关系，可以深入了解区域内居民生活水平的空间差异，为制定促进区域均衡发展的政策提供参考。此外，人均收入还与消费能力密切相关，较高的人均收入通常意味着更强的消费能力，进而带动区域内商业、服务业等相关产业的发展，这在夜光遥感数据中也会有所体现，如商业繁华区域的灯光强度较高。通过研究人均收入与夜光遥感数据的关联，可以从微观层面揭示经济活动与居民生活的空间联系，为城市功能分区规划、商业布局优化等提供科学依据。4.1.2多源数据融合为构建准确有效的经济指标空间化模型，需要融合夜光遥感数据与统计年鉴、地理信息等多源数据。夜光遥感数据能够提供区域经济活动的空间分布信息，其灯光强度在一定程度上反映了经济活动的强度和密度。但夜光遥感数据本身存在局限性，如无法直接获取具体的经济指标数值，且受到天气、地形等因素的影响。因此，需要与其他数据进行融合，以弥补其不足。统计年鉴数据包含了丰富的经济统计信息，如GDP、人均收入、产业结构等数据。这些数据经过专业的统计和核算，具有较高的准确性和权威性。通过将统计年鉴中的经济指标数据与夜光遥感数据进行关联分析，可以建立两者之间的定量关系，从而实现经济指标的空间化。例如，利用统计年鉴中各城市的GDP数据和对应的夜光遥感影像，通过回归分析等方法，确定夜光亮度与GDP之间的转换系数，进而根据夜光遥感数据估算不同区域的GDP值。地理信息数据，如土地利用类型、交通网络、人口密度等数据，对于理解经济活动的空间分布和影响因素具有重要作用。土地利用类型数据可以反映不同区域的功能定位，如商业区、工业区、居住区等，不同功能区域的经济活动强度和夜光亮度存在差异。交通网络数据则影响着经济活动的可达性和要素流动，交通便利的区域通常经济活动更为活跃，夜光亮度也相对较高。人口密度数据与经济活动密切相关，人口密集区域往往是经济活动的集中地，夜光遥感数据也能反映出这些区域的灯光集聚特征。将地理信息数据与夜光遥感数据相结合，可以更全面地分析经济活动的空间分布及其影响因素，提高经济指标空间化模型的准确性和可靠性。在数据融合过程中，首先需要对不同来源的数据进行预处理，使其具有统一的地理坐标系和空间分辨率。对于统计年鉴数据，要进行整理和清洗，确保数据的准确性和一致性。对于地理信息数据，要进行矢量化、投影转换等处理，使其与夜光遥感数据能够进行有效的叠加分析。然后，利用地理信息系统（GIS）技术，将夜光遥感数据、统计年鉴数据和地理信息数据进行融合，建立多源数据的空间数据库。通过该数据库，可以方便地进行数据查询、分析和可视化展示，为后续的经济指标空间化建模和分析提供全面的数据支持。4.2模型构建原理与方法4.2.1线性回归模型线性回归模型作为一种经典的统计分析方法，在探究夜光强度与经济指标关系中具有重要作用。其基本原理基于最小二乘法，通过构建线性方程来描述夜光强度与经济指标之间的数量关系。假设经济指标为因变量Y，夜光强度为自变量X，线性回归模型的基本形式为Y=\beta_0+\beta_1X+\epsilon，其中\beta_0为截距，代表当夜光强度为0时经济指标的基础值；\beta_1为回归系数，反映夜光强度每变化一个单位，经济指标的变化量；\epsilon为随机误差项，服从均值为0的正态分布，用于表示模型中无法解释的部分。在利用线性回归建立夜光强度与经济指标关系时，首先需要收集中国东部城市区域的夜光遥感数据和对应的经济指标数据。对夜光遥感数据进行预处理，包括辐射定标、去饱和校正、图像拼接与裁剪等操作，以提高数据质量。对经济指标数据进行整理和清洗，确保数据的准确性和一致性。然后，运用统计分析软件，如SPSS、R等，将夜光强度作为自变量，经济指标作为因变量，进行线性回归分析。在分析过程中，通过最小化残差平方和，即预测值与真实值之间差值的平方和，来确定回归系数\beta_0和\beta_1的最优值。例如，在研究GDP与夜光强度的关系时，将每个城市的夜光强度值代入线性回归方程，得到预测的GDP值，通过不断调整回归系数，使预测GDP值与实际GDP值的残差平方和最小，从而得到最优的回归方程。线性回归模型构建完成后，需要对模型进行检验和评估。常用的检验指标包括决定系数R^2、F检验、t检验等。决定系数R^2用于衡量模型的拟合优度，其值越接近1，说明模型对数据的拟合效果越好，即夜光强度能够解释经济指标变化的程度越高。F检验用于检验整个回归模型的显著性，判断自变量对因变量是否有显著影响。t检验则用于检验每个回归系数的显著性，判断每个自变量对因变量的影响是否显著。通过对这些指标的分析，可以评估线性回归模型的可靠性和有效性，为经济指标的空间化提供科学依据。4.2.2地理加权回归模型地理加权回归（GWR）模型是一种能够有效考虑空间非平稳性的局部回归分析方法，相较于传统的全局回归模型，具有独特的优势。在区域经济研究中，传统的线性回归模型假设回归参数在整个研究区域内是恒定不变的，但实际情况是，经济活动受到多种因素的影响，如地理位置、资源禀赋、政策环境等，这些因素在空间上存在差异，导致经济指标与夜光强度之间的关系并非均匀一致，即存在空间非平稳性。地理加权回归模型能够充分考虑这种空间非平稳性，允许回归参数在空间上发生变化，从而更准确地反映不同地理位置上经济指标与夜光强度之间的关系。地理加权回归模型的构建过程基于空间权重矩阵。在模型中，每个观测点都有其对应的空间位置信息，通过计算观测点之间的空间距离，利用空间权重函数生成空间权重矩阵。常用的空间权重函数有高斯函数、双平方指数函数等。以高斯函数为例，其表达式为w_{ij}=exp(-\frac{d_{ij}^2}{h^2})，其中w_{ij}表示观测点i与j之间的权重，d_{ij}为两点之间的空间距离，h为带宽参数，决定了权重随距离衰减的速度。带宽参数的选择至关重要，它直接影响模型的拟合效果和参数估计的准确性。通常可以采用交叉验证（CV）或修正的Akaike信息准则（AICc）来确定最优带宽。交叉验证通过将数据集划分为多个子集，轮流将其中一个子集作为测试集，其余子集作为训练集，计算模型在不同带宽下的预测误差，选择预测误差最小的带宽作为最优带宽。AICc则综合考虑模型的拟合优度和复杂度，选择使AICc值最小的带宽。在确定空间权重矩阵和带宽参数后，地理加权回归模型的表达式为Y_i=\beta_0(u_i,v_i)+\sum_{k=1}^{p}\beta_k(u_i,v_i)X_{ik}+\epsilon_i，其中Y_i为观测点i的经济指标值，\beta_0(u_i,v_i)为观测点i的截距，\beta_k(u_i,v_i)为观测点i自变量X_{ik}的回归系数，(u_i,v_i)表示观测点i的空间坐标，\epsilon_i为观测点i的随机误差项。该模型通过对每个观测点进行局部加权回归，得到每个观测点的局部回归系数，从而反映出经济指标与夜光强度之间关系的空间变化特征。例如，在研究中国东部城市区域人均收入与夜光强度的关系时，地理加权回归模型可以揭示出不同城市或地区人均收入对夜光强度的响应差异，为深入理解区域经济发展的空间异质性提供有力工具。4.3模型验证与精度评估4.3.1验证方法选择为确保基于夜光遥感数据构建的经济指标空间化模型的可靠性，本研究采用多种验证方法对模型进行全面验证。交叉验证是一种常用且有效的模型验证方法，它将数据集划分为多个互斥的子集，通过多次训练和测试来评估模型的性能。在本研究中，采用10折交叉验证的方式。具体操作如下：首先将收集到的中国东部城市区域的夜光遥感数据和对应的经济指标数据划分为10个大小相近的子集。每次选择其中1个子集作为测试集，其余9个子集作为训练集，利用训练集数据对模型进行训练，然后在测试集上对训练好的模型进行评估，记录模型在测试集上的预测误差。重复这个过程10次，每次选择不同的子集作为测试集，最终将10次的评估结果进行平均，得到模型的平均预测误差。这种方法充分利用了所有数据，避免了因数据集划分方式不同而导致的评估结果偏差，能够更全面、准确地评估模型在不同数据子集上的表现，从而提高模型评估的可靠性。留出法也是本研究中重要的验证方法之一。该方法将原始数据集按照一定比例划分为训练集和测试集，通常将70%-80%的数据作为训练集，20%-30%的数据作为测试集。在本研究中，采用75%的数据作为训练集，25%的数据作为测试集。首先，从收集的数据中随机选择75%的数据作为训练集，利用这些数据对模型进行训练。然后，将剩余的25%数据作为测试集，用训练好的模型对测试集数据进行预测，并计算模型在测试集上的预测误差。留出法操作简单，能够快速评估模型在独立测试集上的性能。但由于其划分方式相对固定，评估结果可能会受到数据集划分随机性的影响，因此通常与其他验证方法结合使用。将交叉验证和留出法相结合，能够充分发挥两种方法的优势，更全面地验证模型。通过交叉验证，可以在不同的数据子集上多次评估模型，减少因数据集划分导致的误差，提高评估结果的稳定性；而留出法可以提供一个独立的测试集，用于评估模型在未知数据上的泛化能力。例如，在完成10折交叉验证后，再利用留出法得到的独立测试集对模型进行测试，对比两种方法得到的评估结果，若结果相近，则进一步证明模型的可靠性；若结果差异较大，则需要分析原因，可能是模型在不同数据分布上的表现存在差异，或者是模型存在过拟合或欠拟合等问题，需要对模型进行调整和优化。4.3.2精度评估指标运用决定系数（R^2）、均方根误差（RMSE）等指标对模型精度进行评估，以准确判断模型的优劣。决定系数（R^2）是衡量模型拟合优度的重要指标，其取值范围在0到1之间。在本研究中，R^2用于评估模型对经济指标与夜光强度之间关系的解释程度。R^2值越接近1，表示模型对数据的拟合效果越好，即夜光强度能够解释经济指标变化的比例越高。例如，若模型的R^2值为0.85，说明夜光强度可以解释85%的经济指标变化，模型能够较好地捕捉到经济指标与夜光强度之间的关系；反之，若R^2值较低，如0.3，则表示模型对数据的拟合效果较差，夜光强度对经济指标变化的解释能力较弱，可能存在其他重要因素影响经济指标，而模型未充分考虑这些因素。均方根误差（RMSE）用于衡量模型预测值与真实值之间的平均误差程度。其计算公式为RMSE=\sqrt{\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{n}}，其中y_i为第i个样本的真实值，\hat{y}_i为第i个样本的预测值，n为样本数量。RMSE的值越小，说明模型的预测值与真实值越接近，模型的预测精度越高。在本研究中，通过计算模型在测试集上的RMSE，来评估模型对经济指标的预测准确性。例如，若模型在测试集上的RMSE为500（单位：万元），表示模型预测的经济指标值与实际值之间的平均误差为500万元。在实际应用中，可根据研究的具体需求和经济指标的量级，判断该RMSE值是否在可接受范围内。若RMSE值过大，说明模型的预测精度较低，可能会影响对经济发展状况的准确评估和决策。除了决定系数和均方根误差外，还可以考虑平均绝对误差（MAE）等指标进一步评估模型精度。平均绝对误差是所有样本预测值与真实值误差的绝对值的平均值，其计算公式为MAE=\frac{\sum_{i=1}^{n}|y_i-\hat{y}_i|}{n}。MAE能够直观地反映模型预测值与真实值之间的平均偏差程度，与RMSE相比，MAE对异常值的敏感度较低。在本研究中，通过计算MAE，可以从另一个角度评估模型的预测准确性，与RMSE等指标相互补充，更全面地了解模型的性能。例如，若模型的MAE为300（单位：万元），说明模型预测值与真实值之间的平均绝对偏差为300万元，结合RMSE等指标，可以更准确地判断模型在不同样本上的预测表现。通过综合运用多种精度评估指标，可以更全面、准确地评估基于夜光遥感数据的经济指标空间化模型的性能，为模型的优化和应用提供科学依据。五、实证研究：以中国东部典型城市为例5.1研究区域选择与数据收集5.1.1典型城市选取本研究选取上海、广州、深圳等东部城市作为典型研究区域，这些城市在经济规模、产业结构、地理位置等方面具有显著的代表性。上海作为中国的经济中心和国际化大都市，2023年GDP总量高达4.72万亿元，在全国城市中名列前茅。其经济发展水平高，产业结构高度多元化，金融、贸易、航运、科技创新等领域均处于国内领先地位。上海拥有众多国内外知名金融机构，是中国重要的金融市场所在地，金融服务业的发展水平在全国乃至全球都具有重要影响力；在贸易领域，上海的进出口总额庞大，是我国对外贸易的重要窗口；航运方面，上海港货物吞吐量和集装箱吞吐量长期位居世界前列。从地理位置来看，上海位于长江入海口，是长江经济带的龙头城市，具有优越的区位优势，能够辐射带动周边地区的经济发展。广州是广东省的省会，也是珠江三角洲地区的核心城市之一，2023年GDP总量为3.04万亿元。广州在商贸、制造业、交通物流等领域表现突出。广州是我国重要的商贸中心，拥有悠久的商业历史和完善的商业体系，每年举办的广交会吸引了大量国内外商家，是中国对外贸易的重要平台。在制造业方面，广州的汽车制造、电子信息、生物医药等产业发展迅速，形成了较为完整的产业链。广州还是重要的交通枢纽，拥有白云国际机场、广州港等重要交通设施，交通网络发达，便于人员、物资的流动。深圳作为中国改革开放的前沿阵地，从一个边陲小镇发展成为国际化大都市，经济发展迅速，2023年GDP总量为3.46万亿元。深圳以高新技术产业为支柱，在电子信息、生物医药、新能源、人工智能等领域取得了显著成就。华为、腾讯、大疆等一批知名科技企业在深圳崛起，这些企业在技术创新、产品研发、市场拓展等方面具有强大的竞争力，推动了深圳经济的快速发展。深圳的创新生态系统完善，拥有众多高校、科研机构和创新平台，为科技创新提供了有力支撑。同时，深圳紧邻香港，在区域经济合作中发挥着重要作用。这些城市在经济发展的不同方面具有代表性，通过对它们的研究，可以更全面地了解中国东部城市区域经济发展的特点和规律，为基于夜光遥感数据的经济指标空间化研究提供丰富的样本和实践基础。5.1.2数据收集与整理针对选取的典型城市，收集多源数据并进行系统整理。夜光遥感数据方面，获取美国国防气象卫星计划（DMSP）搭载的线性扫描业务系统（OLS）从1992-2013年的年均稳定灯光影像数据，以及美国国家极轨卫星系统（NPP）搭载的可见光红外成像辐射仪（VIIRS）从2012年4月至今的月均夜光影像数据。这些数据分别来自美国国家海洋与大气管理局（NOAA）的地球观测组（EOG）网站（/eog/）和美国地质调查局（USGS）的EarthExplorer网站（/）。在数据获取过程中，根据研究区域的范围和时间需求，对数据进行筛选和下载。对于经济统计数据，从国家统计局、地方统计年鉴以及相关经济研究机构收集各城市的GDP、人均收入、产业结构等数据。例如，从《上海统计年鉴》获取上海历年的GDP、各产业增加值、人口数量等详细经济指标数据；从《广州统计年鉴》收集广州的相关经济数据。同时，还收集了各城市的地理信息数据，如土地利用类型、交通网络、人口密度等数据。土地利用类型数据可从国土资源部门获取，交通网络数据通过交通部门或相关地理信息数据库获取，人口密度数据根据人口普查资料和行政区划数据进行计算得到。在数据整理阶段，首先对夜光遥感数据进行预处理。利用ENVI、ArcGIS等软件，对DMSP/OLS数据进行辐射定标、去饱和校正、图像拼接与裁剪等操作，以消除数据中的噪声和异常值，提高数据质量。对于NPP/VIIRS数据，除进行上述预处理外，还需进行去噪处理，去除因渔船灯光、冰雪高反射等因素导致的异常数值。对经济统计数据进行清洗和整理，检查数据的完整性和准确性，去除错误数据和缺失值。将地理信息数据进行矢量化、投影转换等处理，使其与夜光遥感数据具有相同的地理坐标系和空间分辨率。最后，利用地理信息系统（GIS）技术，将夜光遥感数据、经济统计数据和地理信息数据进行融合，建立多源数据的空间数据库，为后续的模型构建和分析提供数据支持。5.2经济指标空间化结果分析5.2.1GDP空间分布特征通过基于夜光遥感数据构建的经济指标空间化模型，对中国东部城市区域GDP进行空间化处理，得到了该区域GDP的空间分布结果。从空间分布来看，GDP呈现出明显的集聚特征，主要集中在长三角、珠三角和京津冀三大城市群以及部分省会城市。在长三角城市群，以上海为核心，周边的苏州、无锡、南京、杭州、宁波等城市GDP集聚明显。上海作为国际经济、金融、贸易、航运中心，其中心城区的GDP密度极高，如浦东新区的陆家嘴金融贸易区，凭借众多金融机构和跨国企业总部的集聚，成为经济活动高度活跃的区域，夜光遥感影像上表现为高强度的灯光聚集，对应的GDP空间化结果显示该区域GDP贡献巨大。苏州紧邻上海，凭借发达的制造业和外向型经济，GDP总量在长三角地区名列前茅，其昆山、张家港等县级市经济实力强劲，在空间上形成了多个GDP高值集聚区。南京作为江苏省会，在科技创新、高端制造业、现代服务业等领域发展迅速，城市核心区域如玄武区、秦淮区等地GDP集中，夜光亮度较高。杭州以数字经济为特色，阿里巴巴等互联网企业带动了相关产业的发展，使得杭州的GDP在空间上呈现出以主城区为核心向外辐射的分布格局，特别是滨江区作为互联网产业集聚地，GDP增长迅速，夜光亮度突出。珠三角城市群以广州、深圳为核心，广州作为区域中心城市，在商贸、金融、制造业等领域优势明显，天河区、黄埔区等地GDP集中，夜光遥感影像上灯光强度较高，反映出该区域经济活动的活跃程度。深圳作为高新技术产业之都，南山区的高新技术产业园区汇聚了大量科技企业，如华为、腾讯等，是深圳GDP的主要贡献区域，在空间上呈现出高GDP值的集聚，夜光亮度在整个珠三角地区最为突出。佛山、东莞等城市以制造业为支柱，形成了多个产业集群，在GDP空间分布上表现为相对集中的高值区域，如佛山顺德的家电产业集群、东莞的电子信息产业集群，对应的夜光亮度也较高。京津冀城市群中，北京作为首都，在科技创新、总部经济、金融服务等领域具有独特优势，海淀区的中关村作为科技创新核心区，汇聚了大量高新技术企业和科研机构，GDP集聚明显，夜光亮度高。朝阳区的商务中心区（CBD）是北京的金融和商务核心区域，众多金融机构和企业总部入驻，GDP贡献突出，在夜光遥感影像上呈现出高强度的灯光。天津作为北方重要的经济中心和港口城市，滨海新区在制造业、航运物流等领域发展迅速，是天津GDP的重要增长极，在空间上表现为GDP高值区域，夜光亮度也较为显著。除三大城市群外，东部地区其他城市的GDP分布也呈现出一定的集聚特征，主要集中在城市主城区和经济开发区。例如，青岛的主城区和西海岸新区，凭借发达的海洋经济和制造业，GDP集聚明显，夜光亮度较高。济南的高新区和历下区，在科技创新、金融服务等领域发展较好，GDP相对集中，夜光遥感影像上表现为灯光相对密集的区域。通过对GDP空间分布与夜光强度的相关性分析发现，两者具有显著的正相关关系。夜光强度高的区域，GDP值通常也较高，说明夜光遥感数据能够较好地反映经济活动的强度和GDP的空间分布情况。然而，在一些偏远山区或经济欠发达地区，夜光强度较低，GDP值也相对较小，这些地区的经济发展水平有待进一步提高。同时，在部分城市的城乡结合部，由于经济活动相对不活跃，夜光亮度较低，GDP分布也相对较少，反映出这些区域在经济发展和城市化进程中存在的差距。5.2.2产业经济空间格局基于夜光遥感数据的经济指标空间化结果，对中国东部城市区域第二、三产业经济指标进行分析，能够清晰地揭示产业经济的空间格局特征。在第二产业方面，其空间分布呈现出明显的集聚与分散相结合的特点。在长三角地区，上海的宝山区、嘉定区等是重要的制造业集聚地，宝山区的钢铁产业历史悠久，拥有宝钢等大型钢铁企业，形成了完整的钢铁产业链，在夜光遥感影像上表现为高强度的灯光聚集，反映出该区域第二产业的活跃程度。嘉定区的汽车制造业发达，上汽集团等汽车企业及其配套产业在此集聚，带动了相关产业的发展，GDP贡献较大，空间上呈现出第二产业经济指标的高值区域。苏州的昆山、太仓等地以外向型制造业为主，电子信息、机械制造等产业发展迅速，众多外资企业在此设厂，形成了产业集群，对应的夜光亮度较高，第二产业经济指标集聚明显。珠三角地区，深圳的南山区、宝安区是高新技术制造业的核心区域，南山区的高新技术产业园区集聚了大量电子信息、生物医药等领域的高科技企业，如华为、中兴等，在第二产业经济指标空间化结果中表现为高值区域，夜光亮度突出。宝安区的制造业也十分发达，尤其是电子设备制造、机器人制造等产业，形成了完善的产业生态，为深圳的GDP增长做出了重要贡献。广州的黄埔区是汽车制造、电子信息等产业的重要集聚区，广汽集团等汽车企业在该区域布局，带动了上下游产业的发展，第二产业经济指标集中，夜光遥感影像上灯光强度较高。京津冀地区，北京的亦庄经济技术开发区是高端制造业的重要基地，集聚了汽车制造、电子信息、生物医药等产业，奔驰汽车等企业在此设厂，形成了高端制造业集群，在第二产业经济指标空间分布上呈现出高值区域，夜光亮度较高。天津的滨海新区是第二产业的核心区域，石油化工、装备制造、航空航天等产业发展迅速，形成了多个产业集群，如中石化天津分公司、空客天津总装线等，在空间上表现为第二产业经济指标的高值集聚，夜光遥感影像上灯光强度明显。在第三产业方面，其空间分布主要集中在城市的核心区域和商业中心。在长三角地区，上海的浦东新区陆家嘴是金融、贸易、航运等高端服务业的集聚地，众多国内外金融机构、贸易公司和航运企业在此设立总部或分支机构，如上海证券交易所、交通银行总部等，是第三产业经济指标的高值区域，夜光亮度极高，反映出该区域第三产业的高度发达。南京的新街口商圈是城市的商业中心，汇聚了大量购物中心、酒店、写字楼等，商业活动频繁，第三产业经济指标集中，夜光遥感影像上灯光密集。杭州的西湖区是互联网金融、电子商务等新兴服务业的重要发展区域，阿里巴巴等互联网企业的总部位于此，带动了相关服务业的发展，第三产业经济指标集聚明显，夜光亮度较高。珠三角地区，广州的天河区是金融、商贸、文化等第三产业的核心区域，天河路商圈是广州最繁华的商业地带之一，拥有众多高端购物中心、写字楼和金融机构，如中信广场、广州国际金融中心等，第三产业经济指标在空间上呈现出高值集聚，夜光亮度突出。深圳的福田区是金融中心，深交所、招商银行总部等金融机构汇聚于此，同时也是商业、文化等服务业的重要发展区域，第三产业经济指标集中，夜光遥感影像上灯光强度较高。京津冀地区，北京的朝阳区CBD是金融、商务、文化等高端服务业的集聚地，众多国际知名企业总部、金融机构和文化创意企业在此设立，如国贸商圈、三里屯商圈等，是第三产业经济指标的高值区域，夜光亮度极高。天津的和平区是商业、金融等第三产业的重要发展区域，滨江道商圈是天津最繁华的商业街之一，商业活动活跃，第三产业经济指标集中，夜光遥感影像上灯光密集。通过对第二、三产业经济指标空间化结果的分析，发现不同产业在空间分布上存在一定的差异，且与城市的功能定位和产业规划密切相关。第二产业主要集中在城市的开发区、工业园区等产业集聚区域，而第三产业则主要集中在城市的核心商业区、金融区等区域。这种产业空间布局特征反映了东部城市区域在经济发展过程中产业结构的优化升级和城市功能的逐步完善。同时，也可以看出夜光遥感数据能够有效地反映产业经济的空间格局，为产业发展规划和区域经济协调发展提供重要的参考依据。5.3与传统统计结果对比分析5.3.1结果差异比较将基于夜光遥感数据的经济指标空间化结果与传统统计数据进行对比，发现两者存在一定差异。以GDP为例，在部分城市，空间化结果与传统统计数据在数值上存在偏差。在对上海的研究中，传统统计数据显示2023年上海GDP总量为4.72万亿元，而基于夜光遥感数据空间化模型估算的GDP总量为4.65万亿元，两者相差0.07万亿元。这种差异可能源于多种因素。夜光遥感