EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 4: 783 - 793

DOI: https://doi.org/10.12082/dqxxkx.2023.220087

经济与社会

基于多源开放数据的中国农村可达指数评估

  • 刘垚明 , 1 ,
  • 李宛静 1 ,
  • 张修远 2 ,
  • 张宇恒 1 ,
  • 李然 3 ,
  • 周琪 , 1, *
展开
  • 1.中国地质大学（武汉）地理与信息工程学院，武汉 430074
  • 2.北京大学遥感与地理信息系统研究所，北京 100871
  • 3.国家基础地理信息中心，北京 100830
*周琪（1984—），男，湖北武汉人，博士，副教授，研究方向为数据质量评价、数据挖掘与分析。 E-mail:

刘垚明（1999—），男，河北承德人，硕士生，研究方向为数据挖掘与分析。E-mail:

收稿日期: 2022-03-02

  修回日期: 2022-05-19

  网络出版日期: 2023-04-19

基金资助

可持续发展大数据国际研究中心主任青年基金(CBAS2022DF010)

国家自然科学基金项目(41771428)

国家自然科学基金项目(42001327)

中国科学院A 类战略先导科技专项“地球大数据科学工程”(XDA19090131)

收起

Evaluating Rural Access Index across China with Multi-source Open Data

  • LIU Yaoming , 1 ,
  • LI Wanjing 1 ,
  • ZHANG Xiuyuan 2 ,
  • ZHANG Yuheng 1 ,
  • LI Ran 3 ,
  • ZHOU Qi , 1, *
Expand
  • 1. School of Geography and Information Engineering, China University of Geosciences, Wuhan 430074, China
  • 2. Institute of Remote Sensing and Geographic Information System, Peking University, Beijing 100871, China
  • 3. National Geomatics Center of China, Beijing 100830, China
*ZHOU Qi, E-mail:

Received date: 2022-03-02

  Revised date: 2022-05-19

  Online published: 2023-04-19

Supported by

Director Fund of the International Research Center of Big Data for Sustainable Development Goals,(CBAS2022DF010)

National Natural Science Foundation of China(41771428)

National Natural Science Foundation of China(42001327)

Strategic Priority Research Program of the Chinese Academy of Sciences(XDA19090131)

Fold

摘要

农村可达指数（RAI）是联合国可持续发展目标（SDGs）的重要评估指标（SDG 9.1.1），用于衡量享受道路交通服务的农村人口比例，但是目前存在指标不全、范围有限、数据有偏和解释不足等问题。因此，本文基于1：25万道路数据、1：100万行政区划数据、100 m分辨率人口数据、城市建成区数据、高程数据和GDP数据六种全球或区域开放的地理空间数据，评估了全国2852个区县单元的RAI和NSRP（难以享受道路交通服务的农村人口）指标，并引入社会经济变量和地形变量理解这2个指标的空间格局。研究发现：① 虽然我国仍有485.3万难以享受道路交通服务的农村人口；但是享受道路交通服务的农村人口比例为99.5%，且该值远高于世界银行给出的评估结果（71.8%）；② RAI和NSRP的空间格局均沿“胡焕庸线”呈两极化分布：“胡焕庸线”以东地区的RAI值较高、NSRP值较低；而“胡焕庸线”以西地区的RAI值较低、NSRP值较高；③ RAI和NSRP与社会经济和地形变量显著相关，且与地形变量的相关性更高，表明地形对2个指标空间格局影响显著。本研究首次在区县级尺度上揭示了我国农村交通服务的空间格局，可以为改善农村道路交通设施提供决策支持。

关键词： SDG 9.1.1; 可达性; 农村; 道路; 人口; 空间格局; GDP; 地形; 中国

本文引用格式

刘垚明 , 李宛静 , 张修远 , 张宇恒 , 李然 , 周琪 . 基于多源开放数据的中国农村可达指数评估[J]. 地球信息科学学报, 2023 , 25(4) : 783 -793 . DOI: 10.12082/dqxxkx.2023.220087

Abstract

Rural Access Index (RAI) is an indicator (SDG 9.1.1) of the UN's Sustainable Development Goals (SDGs), and it measures the proportion of the rural population who live within 2 km of all-season roads. Currently, there is a lack of evaluation on RAI's spatial pattern in China and its influencing factors in existing studies. To fill this gap, our study proposes another indicator, Non-Served Rural Population (NSRP), and employs six open datasets including 1:250 000 road data, 1:1 000 000 county-level division data, 100 m population data, urban extent data, DEM data, and GDP data to evaluate both the RAI and NSRP indicators for 2852 counties in China. We also select two categories of variables (i.e., socio-economic and terrain variables) to analyze the spatial patterns of RAI and NSRP. Results show that: (1) The RAI and NSRP of China are 99.5% and 4.8 million, respectively. It means that 99.5% of rural population in China live within 2 km of all-season roads, and this value is much higher than that published by The World Bank. However, there still are 4.8 million rural population that live outside the 2 km of all-season roads; (2) The spatial patterns of both RAI and NSRP can be divided into two parts. That is, a relatively high RAI and low NSRP in the southeast of the “Hu Huanyong Line”, but on the contrary, a relatively low RAI and high NSRP in the northwest of the “Hu Huanyong Line”; (3) Both the RAI and NSRP are significantly correlated with socio-economic and terrain variables, and the correlation between RAI (or NSRP) and the terrain variable is the strongest, which indicates that the terrain may be a main factor that affecting the spatial patterns of these two indicators. This study first maps the spatial pattern of SDG 9.1.1 in China, which provides basic data, helpful information, and knowledge for improving road infrastructure in rural areas of China.

Key words： SDG9.1.1; accessibility; rural; road; population; spatial pattern; GDP; terrain; China

1 引言

2015年，联合国提出2030年可持续发展目标（Sustainable Development Goals, SDGs），共包括17个目标和169个子目标，旨在以综合的方式解决全球在环境、经济和社会等方面的发展问题[1-2]。2017年，联合国审议通过了可持续发展目标全球指标框架，共包括232个指标，旨在为评估与监测可持续发展目标提供依据[3-4]。农村可达指数（Rural Access Index, RAI）是SDG 9.1.1的指标内容，它是指“居住在四季通行道路2km之内的农村人口所占比例”[5]。该指标可以衡量享受道路交通服务的农村人口，为改善道路基础设施提供决策支持[6]。此外，“形成广覆盖的农村交通基础设施网”是我国于2019年在《交通强国建设纲要》[7]中提出的战略规划，RAI可能为该规划提供指标支撑，助力新农村建设。
传统方法主要基于家庭调查计算RAI，成本高、实施难度大，且难以进行空间分析和定期更新[8-9]。为了弥补传统方法的局限性，2016年世界银行提出利用空间数据和空间技术计算RAI的新方法，即基于道路、人口和城市建成区等数据，通过GIS空间叠加分析和缓冲分析计算RAI。该方法已被应用于评估不同国家和地区的RAI指标[8⇓⇓-11]。例如， Mugisha等[12]基于国家道路网和人口数据评估了乌干达全国及行政区划尺度的RAI；Piloyan等[13]基于相似的数据和方法评估了亚美尼亚的RAI；Jia等[6]分析了阿尔及利亚道路修建前后RAI的改善情况；Mikou等[14]还基于由全球志愿者通过互联网在线提供的开放道路数据（OpenStreetMap， OSM）等评估了全球166个国家的RAI。
以上研究的实验区域主要集中于非洲等欠发达国家和地区。也有学者分析了我国农村地区的道路可达性。例如，徐州等[15]基于地形指数、乡镇间节点可达指数和乡镇内节点可达指数等分析了重庆巫山县农村道路可达性及其空间格局，并发现地形指数对农村道路可达性的影响程度较高。马雪莹等[16]分析了重庆石柱县的农村道路可达性，发现其与国民生产总值（GDP）呈正相关。肖京格等[17]分析了重庆道路可达性的时空特征及演化规律，也发现道路可达性与经济发展有关。罗雨等[18]还分析了陕西山阳县的农村道路可达性及其对经济发展的影响，并提出通过优化农村道路可达性促进经济发展的建议。然而，这些研究并没有计算RAI，其结果也难以支撑SDGs的评估。虽然Xu等[19]评估了德清县的RAI，但是该研究仅以单个县作为实验区域。
综上所述，现有研究仍存在不足：① 指标不全：RAI仅是一个百分比，无法体现难以享受道路交通服务的农村人口数量，需要计算其他指标作为补充；② 范围有限：缺少针对我国全域、区县尺度RAI的系统评估；③ 数据有偏：道路数据是评估RAI的重要数据源。虽然现有研究基于OSM等全球开放数据评估了我国的RAI[14]，但是也有研究表明：我国OSM数据的完整性偏低[20-21]。因此，现有研究计算我国RAI的值（71.8%）可能被低估；④ 解释不足：现有研究侧重于计算RAI的值，尚未探讨该指标与社会经济和地形等因素的关系，而该关系有助于理解RAI的空间格局。
因此，本研究提出难以享受道路交通服务的农村人口指标（Non-Served Rural Population，NSRP）对RAI指标进行补充，全面表征我国农村交通服务情况；并基于从全球或区域开放获取的道路、行政区划、人口、城市建成区、高程和GDP数据评估全国及行政区划尺度的RAI和NSRP，还引入社会经济变量和地形变量理解2个指标的空间格局。

2 研究方法和数据来源

2.1 农村交通服务相关指标定义

本文基于2类指标表征农村交通服务情况。首先，农村可达指数（RAI）反映居住在四季通行道路附近的农村人口比例，其计算公式为：
R A I = P O P s e r v e d P O P r u r a l × 100 %
式中： R A I表示农村可达指数； P O P r u r a l表示农村地区的人口总数； P O P s e r v e d表示居住在四季通行道路2 km之内的农村人口总数。RAI的取值介于0%和100%之间，100%表示所有农村人口均居住在四季通行道路2 km之内；0%表示所有农村人口均居住在四季通行道路2 km之外。
本文首次定义了难以享受道路交通服务的农村人口（NSRP）。由于RAI指标是一个百分比，无法衡量难以享受道路交通服务的农村人口数量。为解决此问题，本文提出NSRP指标，即计算居住在四季通行道路2 km之外的农村人口，具体公式如下：
N S R P = P O P r u r a l - P O P s e r v e d
式中： N S R P表示难以享受道路交通服务的农村人口； P O P r u r a l表示农村地区的人口总数； P O P s e r v e d表示居住在四季通行道路2 km之内的农村人口总数。NSRP值越高，表示难以享受道路交通服务的农村人口数量越多。当NSRP值等于0时，表示农村人口均居住在四季通行道路2 km之内或均可以享受道路交通服务。

2.2 基于多源开放数据的农村交通服务相关指标自动提取

RAI与NSRP指标本质上表达了农村人口分布与道路分布之间的关系，因而2个指标的自动提取需要考虑3个关键难题：① 如何提取农村人口分布? ② 如何提取四季通行道路?③如何度量二者之间关系?针对上述3个问题，本文提出基于多源开放数据的RAI和NSRP指标自动提取方法。本文基于道路、行政区划、城市建成区、人口和高程数据，分别提取农村地区和四季通行道路，并计算距离道路2 km之内和之外的农村人口，以及RAI和NSRP指标（图1）。以单个区县单元为例，具体计算流程如下：
图1 RAI和NSRP指标的计算流程

Fig. 1 The workflow of measuring RAI and NSRP indicators

为解决难题①，即提取农村人口分布，本文叠加行政区划和城市建成区数据，裁剪出该行政区划内的非城市建成区作为农村地区；叠加农村地区和人口数据，得到农村地区的人口数据，并统计该区县单元内的农村人口总数。
为解决难题②，即提取四季通行道路，本文通过数据库筛选道路数据得到四季通行道路。由于高速公路和高架路一般为封闭道路，且可能受特殊天气（如大雾）影响而无法通行，因此将高速公路和高架路以外的道路作为四季通行道路。
为解决难题③，即度量农村人口分布与四季通行道路之间关系，本文计算各个人口格网中心点到四季通行道路数据的最近距离（即近邻分析），并用地形数据修正该距离。以2 km为判定阈值，统计四季通行道路2 km之内的农村人口数量和2 km之外的农村人口数量（即NSRP）。距离修正计算公式为：
D ' = D 2 + ( E p o p - E r o a d ) 2
式中： D '表示修正后的距离； D表示人口格网中心点到四季通行道路数据最近垂点的平面距离； E p o p 和 E r o a d分别表示人口格网中心点及其到四季通行道路数据最近垂点的高程值。最终，根据道路2 km之内的农村人口数量和农村人口总数计算RAI。

2.3 指标空间分布与驱动因素解析方法

本文针对RAI和NSRP这2个指标的空间格局和驱动因素（社会经济变量和地形变量）进行分析与讨论，致力于回答我国农村交通服务的空间分异性和驱动因素2个科学问题。为此，本文使用皮尔逊相关系数度量RAI和NSRP的相关性，进而使用皮尔逊相关系数度量2个指标与社会经济变量和地形变量之间相关性。
为度量农村交通服务的空间格局，本文计算全国及2852个区县单元的RAI和NSRP，可视化与分析2个指标的空间格局；再计算2个指标的相关性，并分析它们的相似性和差异性。采用皮尔逊相关系数度量RAI和NSRP指标的相关系数，该系数定义为2个指标之间的协方差和标准差的商，计算公式如下：
P e a r s o n x , y = c o v ( x , y ) σ x σ y = ∑ x y - ∑ x ∑ y N ( ∑ x 2 - ( ∑ x ) 2 N ) ( ∑ y 2 - ( ∑ y ) 2 N )
式中： P e a r s o n x , y表示皮尔逊相关系数；x和y 分别表示区县单元RAI和NSRP的值； c o v ( x , y )表示x与y之间的协方差， σ x、 σ y表示变量x和y的标准差，N代表样本数量。皮尔逊相关系数介于-1和1之间，正值表示正相关，负值表示负相关，且该值的绝对值越大，指标与解释变量之间的相关性越强[22]。
为解析影响农村交通服务的驱动因素，本文考虑了社会经济变量和地形变量理解我国RAI和NSRP指标的空间格局。① 社会经济变量：现有研究发现我国农村道路可达性与经济发展有关[16⇓-18]。因此，考虑了区县单元的人口和GDP解释变量。这2个解释变量分别基于人口数据和GDP数据计算得到；② 地形变量：也有研究发现我国农村道路可达性与地形有关[15]。因此，还考虑了地形变量，即每个区县单元的高程平均值和坡度标准差，计算公式如下：
H a = ∑ i = 1 m H i m
S s = ∑ i = 1 m ( S i - S a ) 2 m
式中： H a表示高程平均值； S s表示坡度标准差； m表示区县单元地形数据的格网个数； H i表示第i个格网的高程值； S i表示第i个格网的坡度； S a表示区县单元地形数据的坡度平均值[23]。这2个解释变量基于高程数据计算得到。参照式（4），采用皮尔逊相关系数度量RAI和NSRP指标分别与上述 4个解释变量之间的相关性。

2.4 研究数据

本研究面向中国地区、区县行政尺度，提取RAI和NSRP指标，并解析二者影响因素，考虑到研究区域范围广、尺度较为精细、指标综合性强，故使用6类开放地理空间数据。
（1）道路数据：从全国地理信息资源目录服务系统平台获取了1:25万全国基础地理数据库的道路数据。该数据的现势性为2017年，包括国道、省道、县道、乡道、其他公路、街道、乡村道路等不同的道路类型。
（2）行政区划数据：从全国地理信息资源目录服务系统平台获取了1:100万全国基础地理数据库的区县级行政区划数据，共计2852个区县单元。
（3）人口数据：获取了2017年全球100 m分辨率人口数据产品WorldPop。该数据产品是基于人口普查、夜间灯光和土地利用等数据，利用随机森林模型估算得到[24]，已被世界银行推荐为评估RAI指标的数据来源[9]。
（4）城市建成区数据：获取了2017年全球1 km分辨率城市建成区数据。该数据是Zhao等[25]基于时间序列夜间灯光数据生产的全球城市建成区数据集。
（5）高程数据：获取了全球100 m分辨率数字高程模型，该数据来源于美国航天局、地理空间情报局，以及德国和意大利的航天机构合作开展的航天飞机雷达地形测绘任务（Shuttle Radar Topography Mission，SRTM）[26]。
（6）GDP数据：从中国县域统计年鉴以及各省市的统计年鉴获取了2017年全国各个区县单元的GDP数据。

3 结果与分析

基于上述方法，本文提取了全国RAI和NSRP的空间分布，统计发现全国RAI为99.5%，NSRP为485.3万人，表明中国99.5%的农村人口居住在四季通行道路2 km之内，能享受道路交通服务；但是，中国仍有485.3万农村人口难以享受道路交通服务。

3.1 中国区县尺度RAI提取结果

图2为全国区县单元RAI指标的空间格局。由图2可知：2852个区县单元的RAI值介于52%和100%之间。其中，2331个区县单元的RAI值大于99%，占区县单元总数的81.7%；RAI值相对较低（<80%）的区县单元仅有36个；从省级尺度来看（详见附录A），西藏自治区的区县单元的RAI平均值最低（84.3%），但是24个省市的区县单元的RAI平均值均高于99%。表明我国大多数农村人口居住在四季通行道路2 km之内。
图2 全国区县单元RAI指标的空间格局

Fig. 2 The spatial pattern of RAI at a county-level scale

从空间格局上看，RAI值沿“胡焕庸线”呈两极化分布[27]，即东南半壁的区县单元，RAI值整体较高，且90.7%的区县单元高于99%，RAI值相对较低（如低于99%）的区县单元主要位于黑龙江、陕西、吉林东部、湖南北部和重庆南部等区域；而西北半壁的区县单元，RAI值相对较低，且RAI值低于80%的区县单元全部位于西北半壁；而高于99%的区县单元仅占34.6%，主要位于宁夏、内蒙古中部、甘肃南部、青海东部和新疆西北部等区域。

3.2 中国区县尺度NSRP提取结果

图3为全国区县单元NSRP指标的空间格局。由图3可知：1876个区县单元的NSRP值低于0.1万人，占区县单元总数的65.8%；886个区县单元的NSRP值介于0.1至1万人之间；仅90个区县单元的NSRP值超过1万人。从省级尺度来看（详见附录B），14个省市的区县单元的NSRP平均值低于0.1万人，仅7个省市（山东、黑龙江、湖南、重庆、甘肃、青海、新疆）的区县单元的NSRP最大值超过 2万人。
图3 全国区县单元NSRP指标的空间格局

Fig. 3 The spatial pattern of NSRP at a county-level scale

从空间格局上看，NSRP值沿“胡焕庸线”呈两极化分布。东南半壁的区县单元，NSRP值整体较低，且73.2%的区县单元低于0.1万人；高于2万人的区县单元主要位于重庆南部、湖南北部、黑龙江西南部和山东西部。而西北半壁的区县单元，NSRP值相对较高，如73.1%的区县单元高于0.1万人；14个区县单元的NSRP值高于2万人，且全部位于新疆、青海和甘肃3个省/区。

3.3 RAI和NSRP指标的相关性分析

图4为RAI和NSRP指标的相关性分析结果。结合图2和图3的空间格局，考虑了全国、东南半壁和西北半壁3个区域分别计算2个指标的相关性。
图4 RAI与NSRP指标的相关性

Fig. 4 Correlations between RAI and NSRP

由图4可知：3个研究区域（全国、东南半壁和西北半壁）的RAI和NSRP指标均呈显著负相关，表明：总体而言，RAI值越高的区县单元（如甘肃省的碌曲县，图5），其NSRP值越低；RAI值越低的区县单元（如甘肃省的瓜州县，图5），其NSRP值越高。尽管如此，2个指标仅呈中度相关，相关系数介于 -0.503（西北半壁）和-0.682（东南半壁）之间，表明部分区县单元的RAI值较高，其NSRP值也可能较高。例如，甘肃省宁县的RAI和NSRP值均较高，分别为96.34%和1.4万人（图5）。类似地，部分区县单元的RAI值较低，其NSRP值也可能较低。例如，甘肃省阿克塞哈萨克族自治县的RAI和NSRP值均较低，分别为79.90%和0.3万人（图5）。这是因为阿克塞哈萨克族自治县的总人口（1.5万人）远低于宁县的总人口（38万人）。上述结果表明：NSRP指标可以作为RAI指标的补充，衡量难以享受道路交通服务的实际农村人口数量，符合联合国所倡导的“不让任何一个人掉队”的原则[28]。
图5 甘肃省RAI和NSRP指标的空间格局

Fig. 5 The spatial patterns of RAI and NSRP for Gansu province

3.4 RAI和NSRP指标的空间格局分析

以全国、东南半壁和西北半壁为研究区域分别计算2个指标（RAI和NSRP）与4种解释变量（包括人口、GDP、高程平均值和坡度标准差）之间的相关性，结果如表1所示。
表1 RAI和NSRP指标与4种解释变量的相关性结果

Tab. 1 Correlations between two indicators and four explanatory variables

人口 GDP 高程平均值 坡度标准差
RAI 全国 0.241** 0.156** -0.654** -0.329**
东南半壁 0.136** 0.121** -0.232** -0.212**
西北半壁 0.466** 0.290** -0.594** -0.365**
NSRP 全国 -0.087** -0.121** 0.353** 0.247**
东南半壁 0.048* -0.062** 0.067** 0.123**
西北半壁 -0.057 -0.061 0.193** 0.229**

注：**显著性水平<0.01；*显著性水平<0.05。

3个研究区域的RAI与人口和GDP均呈显著正相关，表明我国人口越多、经济越发达的地区，享受道路交通服务的农村人口越多。虽然东南半壁的RAI与人口和GDP仍呈显著正相关，但是相关性相对较低（<0.2）。这是因为东南半壁的RAI值普遍较高（>99%），也表明该地区大多数农村人口可以享受道路交通服务。RAI与高程平均值和坡度标准差均呈显著负相关，表明我国海拔越高或地形起伏越大的地区，享受道路交通服务的农村人口占比越少。特别地，全国和西北半壁的RAI与高程平均值的相关性接近或小于-0.6，表明地形可能是影响我国RAI指标空间格局的主要因素。例如，西北半壁由于海拔较高且人口较少，道路修建的难度更大、成本更高，所以RAI值相对较低。
3个研究区域的NSRP与人口和GDP均呈弱相关或不显著，可能是因为大多数区县单元的NSRP值差异较小（<0.1万人）。但是从全国来看，NSRP与人口和GDP均呈显著负相关，表明我国人口越多、经济越发达的地区，其难以享受道路交通服务的农村人口越少。3个研究区域的NSRP与高程平均值和坡度标准差均呈显著正相关（相关性为0.247~0.353），表明海拔较高、地形起伏越大的地区，难以享受道路交通服务的农村人口越多。该结果与分析RAI和地形相关性的结论一致。

4 讨论

（1）本文首次揭示了全国2852个区县单元RAI和NSRP指标的空间格局，并计算出全国2017年RAI的值为99.5%。但是，该值与Mikou等[14]给出的全国RAI值（71.8%）存在较大差异。可能原因是：Mikou等14]基于全球开放的OSM道路数据计算RAI，而本文则基于由国家基础地理信息中心开放提供的全国1:25万道路数据计算RAI。如图6所示，全国大多数的区县单元，1：25万道路数据的道路总长（ L 25）大于OSM道路数据的道路总长（ L o s m），表明我国OSM道路数据（特别在农村地区）的完整性较低[20-21]。因此，OSM数据并不适用于计算我国的RAI指标。
图6 全国1：25万道路数据与OSM道路数据的长度比值

Fig. 6 The length ratio between national road dataset (at 1:250,000 scale) and OSM road dataset

（2）虽然我国RAI与NSRP指标的空间格局相似且2个指标呈显著负相关，但是RAI只是一个百分比，无法衡量难以享受道路交通服务的农村人口（即NSRP）。NSRP指标可以弥补RAI指标的不足，为改善农村地区的道路基础设施提供决策支持。
（3）本研究探讨了RAI指标与社会经济变量和地形变量的相关性，发现地形变量（特别是高程平均值）对我国RAI和NSRP的空间格局影响显著。因此，地形变量可能被应用于分析其他国家和地区RAI和NSRP的空间格局。
（4）本研究基于多源开放数据评估了全国区县单元的RAI和NSRP。然而，这些开放的数据不可避免地存在数据质量问题。例如，现有研究发现WorldPop人口数据在农村地区可能被低估[29]；1:25万全国道路数据可能因地图综合等因素，舍弃了部分重要性较低的道路数据[30]。尽管使用开放数据存在上述不足，但是联合国可持续发展指标中，有68%的指标仍面临缺失官方统计数据的问题[31]，基于开放的地球大数据支撑联合国2030年可持续发展目标是解决该问题的方法之一[32]。

5 结论与展望

本研究基于国家测绘机构和全球的开放地理信息数据，包括道路、行政区划、人口、城市建成区、高程和GDP数据，首次揭示了全国区县单元RAI和NSRP共2个指标的空间格局及其驱动因素。主要结论：
（1）全国RAI和NSRP的值分别为99.5%和485.3万人，表明全国99%以上的农村人口居住在四季通行道路2 km之内、能享受道路交通服务；但是，全国仍有485.3万农村人口难以享受道路交通服务。其中，21个区县单元的NSRP值高于2万人。
（2）全国RAI和NSRP的空间格局均沿“胡焕庸线”呈两极化分布。东南半壁多数区县单元的RAI值大于99%、NSRP值低于0.1万人；RAI值小于80%的区县单元全部位于西北半壁，且多数区县单元的NSRP值高于0.1万人。2个指标的空间格局呈显著负相关。
（3）高程平均值和坡度标准差均与RAI指标呈显著负相关（如-0.654和-0.365），与NSRP指标呈显著正相关（如0.353和0.247）；人口和GDP与RAI指标呈显著正相关（如0.466和0.290），与NSRP指标呈显著负相关（如-0.087和-0.121），表明RAI和NSRP指标的空间格局均与社会经济和地形有关，且与地形的相关性更高。
在今后研究中：① 将考虑其他的人口（如LandScan[33]）和城市建成区数据（如GHS-UCDB[34]）计算全国的RAI和NSRP，并验证结果的准确性；② 将引入时空数据，计算不同年份的RAI和NSRP，以及评估享受道路交通服务的农村人口变化；③ 将考虑道路等级（如国道、省道、县道和乡道等），以及评估针对不同道路等级计算RAI和NSRP指标的空间格局。

附录A 31个省（区/市）区县单元RAI指标的统计结果（%）

序号 省市区名称 平均值 最大值 最小值
1 天津市 99.9 100.0 99.6
2 北京市 99.9 100.0 99.6
3 河南省 99.9 100.0 98.3
4 上海市 99.9 100.0 98.8
5 河北省 99.9 100.0 96.0
6 江苏省 99.8 100.0 97.6
7 安徽省 99.8 100.0 97.2
8 浙江省 99.8 100.0 95.6
9 湖北省 99.8 100.0 97.7
10 辽宁省 99.8 100.0 93.8
11 山西省 99.8 100.0 98.7
12 海南省 99.8 100.0 98.8
13 山东省 99.8 100.0 93.6
14 广东省 99.7 100.0 97.8
15 福建省 99.7 100.0 97.4
16 江西省 99.7 100.0 98.0
17 广西壮族自治区 99.6 100.0 96.9
18 吉林省 99.6 100.0 97.0
19 贵州省 99.5 100.0 94.4
20 宁夏回族自治区 99.5 100.0 95.9
21 云南省 99.5 100.0 89.9
22 湖南省 99.4 100.0 96.6
23 重庆市 99.3 100.0 94.7
24 陕西省 99.2 100.0 93.7
25 黑龙江省 98.9 100.0 87.8
26 四川省 98.1 100.0 78.6
27 内蒙古自治区 97.9 100.0 75.7
28 甘肃省 97.2 100.0 75.4
29 新疆维吾尔自治区 94.4 100.0 63.3
30 青海省 90.6 100.0 55.4
31 西藏自治区 84.3 99.3 52.0

附录B 31个省（区/市）区县单元NSRP指标的统计结果（人）

序号 省市区名称 平均值 最大值 最小值
1 天津市 301.7 2212 0
2 北京市 303.8 1282 0
3 山西省 450.7 5791 0
4 辽宁省 466.1 5303 0
5 浙江省 479.0 8568 0
6 河北省 489.9 17 749 0
7 海南省 499.7 2747 0
8 河南省 615.6 10 329 0
9 安徽省 639.1 15 007 0
10 湖北省 694.0 13 830 0
11 福建省 699.2 6118 0
12 上海市 715.8 8531 0
13 江苏省 830.2 13 573 0
14 宁夏回族自治区 916.5 7483 2
15 广西壮族自治区 1001.2 5899 0
16 吉林省 1024.6 7232 0
17 广东省 1035.9 7530 0
18 云南省 1122.9 5695 0
19 山东省 1235.3 39 805 0
20 江西省 1242.4 13 193 0
21 贵州省 1253.2 10 537 0
22 陕西省 1673.3 17 889 0
23 四川省 2001.7 19 764 0
24 黑龙江省 2064.3 28 226 0
25 内蒙古自治区 2563.2 12 572 0
26 湖南省 3190.8 26 041 0
27 重庆市 3583.0 27 888 0
28 甘肃省 4091.1 30 883 0
29 西藏自治区 5080.1 17 197 465
30 青海省 6432.8 25 814 0
31 新疆维吾尔自治区 7352.8 39 346 0

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
UN. Transforming our world: The 2030 agenda for sustainable development[R]. New York: UN, 2015.

[2]
郭茹, 戴欣宇, 刘林京, 等. 可持续发展目标评价研究进展及中国实践[J]. 生态经济, 2022, 38(1):211-217.

[Guo R, Dai X Y, Liu L J, et al. Research progress on assessment of Sustainable Development Goals and the practices of China[J]. Ecological Economy, 2022, 38(1):211-217.]

[3]
IAEG-SDGs. Global indicator framework for the Sustainable Development Goals and targets of the 2030 agenda for sustainable development[EB/OL]. available from: https://unstats.un.org/sgds/indicators/indicators-list/.

[4]
UN General Assembly. Resolution adopted by the General Assembly on work of the statistical commission pertaining to the 2030 agenda for sustainable development[Z]. 2017.

[5]
Roberts P, Kc S, Rastogi C. Rural access index: a key development indicator[R]. Washington D.C.: World Bank, 2006.

[6]
Jia Z, Wu M, Niu Z, et al. Monitoring of UN sustainable development goal SDG-9.1.1: Study of Algerian “Belt and Road” expressways constructed by China[J]. PeerJ, 2020, 8:e8953. DOI:10.7717/peerj.8953

DOI

[7]
中共中央国务院印发《交通强国建设纲要》[N]. 人民日报,2019-9-20(004).

[The Central Committee of the Communist Party and The State Council of China issued Outline of building a strong transportation country. People's Daily, 2019-9-20(004).]

[8]
Iimi A, Ahmed F, Anderson E C, et al. New rural access index: Main determinants and correlation to poverty[R]. World Bank Policy Research Working Paper, 2016.

[9]
World Bank Group. Measuring rural access: using new technologies[M]. World Bank, 2016.

[10]
Workman R, McPherson K. Measuring rural access for SDG 9.1.1[J]. Transactions in GIS, 2021, 25(2):721-734. DOI:10.1111/tgis.12721

DOI

[11]
Ilie C M, Brovelli M A, Coetzee S. Monitoring SDG9 with global open data and open software: A case study from rural Tanzania[C]. International Society for Photogrammetry and Remote Sensing, 2019, 42(2/W13):1551-1558. DOI:10.5194/isprs-archives-XLII-2-W13-1551-2019

DOI

[12]
Mugisha G. Rural roads and household wealth: The case of Uganda[D]. Leeds: The University of Leeds, 2019. DOI:10.13140/RG.2.2.26892.74882

DOI

[13]
Piloyan A, Gevorgyan A. Measuring Rural Accessibility in the GIS environment: Case study of Armenia[C]. Proceedings of the 7th International Conference on Cartography and GIS, Sozopol, Bulgaria. 2018:18-23.

[14]
Mikou M, Rozenberg J, Koks E E, et al. Assessing rural accessibility and rural roads investment needs using open source data[R]. World Bank Policy Research Working Paper, 2019.

[15]
徐州, 林孝松, 朱荣, 等. 巫山县乡村地区公路网通达性空间格局研究[J]. 浙江大学学报(理学版), 2019, 46(4):511-520.

[Xu Z, Lin X S, Zhu R, et al. Research on the spatial structure of rural highway accessibility in Wushan county[J]. Journal of Zhejiang University (Science Edition), 2019, 46(4):511-520.] DOI:10.3785/j.issn.1008-9497.2019.04.018

DOI

[16]
马雪莹, 邵景安, 徐新良. 基于熵权-TOPSI的山区乡镇通达性研究——以重庆市石柱县为例[J]. 地理科学进展, 2016(9):1144-1154.

DOI

[Ma X Y, Shao J A, Xu X L. Rural transportation accessibility in mountainous areas based on the entropy-weight TOPSIS method: A case study of Shizhu county, Chongqing municipality[J]. Progress in Geography, 2016, 35(9):1144-1154.] DOI:10.18306/dlkx jz.2016.09.009

DOI

[17]
肖京格, 周廷刚, 姚林虎, 等. 重庆市交通网络的可达性时空特征及其演化规律[J]. 地球信息科学学报, 2015, 17(1):54-61.

DOI

[Xiao J G, Zhou T G, Yao L H. Spatial-temporal characteristics of Chongqing transport network accessibility and its evolution pattern[J]. Journal of Geo-information Science, 2015, 17(1):54-61.] DOI:10.3724/SP.J.1047.2015.00054

DOI

[18]
罗雨, 李同昇, 王昭, 等. 乡村振兴视角下秦巴山区农村路网通达性评价与分区优化研究——以陕西省山阳县为例[J]. 人文地理, 2020, 35(3):104-114.

[Luo Y, Li T S, Wang Z, et al. Assessment and zone optimization research on rural road network accessibility in Qin-Ba mountain areas from the perspective of rural revitalization: A case study of Shanyang county in Shanxi Province[J]. Human Geography, 2020, 35(3):104-114.] DOI:10.1 3959/j.issn.1003-2398.2020.03.012

DOI

[19]
Xu J, Bai J, Chen J. An improved indicator system for evaluating the progress of sustainable development goals (SDGs) sub-target 9.1 in county level[J]. Sustainability, 2019, 11(17):4783. DOI:10.3390/su11174783

DOI

[20]
Zhou Q, Tian Y. The use of geometric indicators to estimate the quantitative completeness of street blocks in OpenStreetMap[J]. Transactions in GIS, 2018, 22(6):1550-1572. DOI:10.1111/tgis.12486

DOI

[21]
Zhou Q, Lin H. Investigating the completeness and omission roads of OpenStreetMap data in Hubei, China by comparing with street map and street view[C]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020. DOI:10.48550/arXiv.1909.04323

DOI

[22]
Rice J A. Mathematical statistics and data analysis[M]. Boston: Cengage Learning, 2006.

[23]
Zhou Q, Lin H, Bao J Y. Spatial autoregressive analysis of nationwide street network patterns with global open data[J]. Environment and Planning B: Urban Analytics and City Science, 2021, 48(9):2743-2760. DOI:10.1177/2399808320987846

DOI

[24]
Stevens F R, Gaughan A E, Linard C, et al. Disaggregating census data for population mapping using random forests with remotely-sensed and ancillary data[J]. PLOS ONE, 2015, 10(2):e0107042. DOI:10.1371/journal.pone.0107042

DOI

[25]
Zhao M, Cheng C, Zhou Y, et al. A global dataset of annual urban extents (1992-2020) from harmonized nighttime lights[J]. Earth System Science Data, 2022, 14:517-534. DOI:10.5194/essd-2021-302

DOI

[26]
Jarvis A., H.I. Reuter A. Nelson E. Guevara. Hole-filled seamless SRTM data V4[DB/OL], International Centre for Tropical Agriculture (CIAT), available from:https://srtm.csi.cgiar.org, 2018.

[27]
胡焕庸. 中国人口之分布——附统计表与密度图[J]. 地理学报, 1935, 2(2):33-74.

DOI

[Hu H Y. The population distribution of China, with statistics and maps. Acta Geographica Sinica, 1935, 2(2):33-74.]

[28]
United Nations, Leaving No one behind: Equality and non-discrimination at the heart of sustainable development[EB/OL]. available from: https://unsceb.org/sites/default/files/imported_files/CEB%20equality%20framewor k-A4-web-rev3.pdf, 2017.

[29]
Zhang Y H, Zhou Q, Brovelli M A, et al. Assessing OSM building completeness using population data[J/OL]. International Journal of Geographical Information Science: 1-25[2022-02-09]. DOI:10.1080/13658816.2021.2023158

DOI

[30]
Li Z, Zhou Q. Integration of linear and areal hierarchies for continuous multi-scale representation of road networks[J]. International Journal of Geographical Information Science, 2012, 26(5):855-880. DOI:10.1080/13658816.2011.616861

DOI

[31]
IAEG-SDGS. Tier classification for global SDG indicators. New York: Interagency and Expert Group on SDG Indicators, 2021.

[32]
郭华东, 梁栋, 陈方, 等. 地球大数据促进联合国可持续发展目标实现[J]. 中国科学院院刊, 2021, 36(8):874-884.

[Guo H D, Liang D, Chen F, et al. Big earth data facilitates Sustainable Development Goals[J]. Bulletin of Chinese Academy of Sciences, 2021, 36(8):874-88.4.]

[33]
Dobson J E, Bright E A, Coleman P R, et al. LandScan: A global population database for estimating populations at risk[J]. Photogrammetric Engineering and Remote Sensing, 2000, 66(7):849-857.

[34]
Florczyk A, Corbane C, Schiavina M, et al. GHS Urban Centre Database 2015, multitemporal and multidimensional attributes[DB/OL]. European Commission, Joint Research Centre (JRC), available from: https://data.jrc.ec.europa.eu/dataset/53473144-b88c-44bc-b4a3-4583ed1f547e.

Options
文章导航

/

〈 〉