Assessering van die ruimtelike aard van armoede in Suid-Afrika met behulp van satelliettegnologie

  • 1

Assessering van die ruimtelike aard van armoede in Suid-Afrika met behulp van satelliettegnologie

Ewert Kleynhans, Skool vir Ekonomiese Wetenskappe, Noordwes-Universiteit en Clive Coetzee, TRADE Navorsingsentiteit, Noordwes-Universiteit

LitNet Akademies Jaargang 18(1)
ISSN 1995-5928

 

Opsomming 

Die artikel fokus op die ruimtelike aard en dinamika van armoede in Suid-Afrika. Deur sy metodiek ontwikkel hierdie studie ’n armoedeverspreidingskaart vir Suid-Afrika deur van satelliettegnologie gebruik te maak. Naglig- en infrarooi satellietbeelde en data, oorspronklik afkomstig van die Amerikaanse Departement van Verdediging, maak dit moontlik om armoede op ’n verfynde en deurlopende basis te karteer. Die resultate van die armoedeverspreidingskaarte dui daarop dat armoede in Suid-Afrika ruimtelik gegroepeer is en nie lukraak versprei is nie. Die kern van die ruimtelike kartering van armoede op ’n geruite vlak is dat fisiese ligging inderdaad belangrik is in die sin dat armoedevlakke van plekke verband hou met gebeure in naburige gebiede. Daar bestaan nie net ruimtelike verhoudings nie, maar dit wil voorkom asof armoede fundamenteel verband hou met unieke liggings. Hierdie armoedekaarte kan met vrug deur beplanners, ekonome en politici gebruik word in hul ekonomiese ontwikkelings- en opheffingsprogramme.

Trefwoorde: afstandswaarneming; armoede; bevolking; ligintensiteit; Moran I-statistiek; nagligte; satellietbeelde

 

Abstract

The spatial dynamics of poverty in South Africa: Assessing poverty using satellite technology and poverty maps

Poverty is antithetical to human well-being. Attempts are, therefore, continuously made to identify and quantify areas of poverty so that aid and developmental resources can be targeted most effectively and efficiently to assist populations living in poverty. Poverty maps, consequently, assume great importance. This article focuses on the spatial nature and dynamics of poverty in South Africa, as derived from the nightlight and infrared emissions sensed by American defence satellites. The spatial distribution of poverty has not yet been adequately studied, in contrast to the majority of poverty studies that focus on education, employment, income and health.

Within a South African context, the World Bank notes that poverty has a strong spatial dimension. Poverty, like many socio-economic problems, is a function of space, and spatial analysis can be a key to deeper understanding regarding the nature and dynamics of poverty. Geography and location have considerable explanatory power for the understanding of poverty.

This study primarily follows the methodology of other researchers, designing a granular poverty map for South Africa that indicates where the need is greatest. There have been promising signs in recent years that novel sources of high-resolution data can provide an accurate and up-to-date indication of living conditions. In particular, research illustrates the potential of features derived from remote sensing by satellites and geographic information system data (GIS).

The current study first creates spatially disaggregated 1 km2 resolution maps of the population in poverty. Secondly, spatially disaggregated data sources, i.e. the night-time stable lights and infrared satellite images along with the LandScan population grid, are employed for this purpose. Satellite images have the ability to update spatially disaggregated poverty maps annually, semi-annually, but also immediately in real time.

The use of satellite imagery and data addresses two fundamental constraints in poverty mapping thus far. It makes it possible to map poverty on a very detailed granular level and on a continuous basis, and also in much more detail. The primary data sources used are the LandScan global population distribution datasets for 2010 and 2015 augmented by the Socioeconomic Data and Applications Centre (SEDAC 2020) of the National Aeronautics and Space Administration’s (NASA) Gridded Population of the World dataset for 2020 and the Visible Infrared Imaging Radiometer Suite (VIIRS) night-time dataset for 2015 and 2020, augmented by the Operational Linescan System (OLS) night-time dataset for 2010. These data are freely available on the internet website of the Colorado School of Mines.

Given the availability of the gridded population and night-time lights imagery and data from 2000 to 2020, it is possible to develop granular poverty maps for South Africa over these 20 years. For this study, the poverty map will, however, cover three periods, i.e. 2010, 2015 and 2020. Although it is possible to develop maps at the 1 km2 level, this study focuses on a 35 km2 level. This is because some grids do not align perfectly between the various datasets and years at lower levels. To ensure a more reliable alignment between the grids of the various datasets and years, the 1 km2 grids were aggregated to 35 km2 grids. This significantly improves the alignment of the various grids, which is important for comparative reasons within and between data areas.

A poverty index is also developed to assist in the creation of a colour ramp image that is adjusted for lower values in abundantly lit areas where economic activity is high. High poverty index values occur in areas with a high population count and dim (or no) lighting as detected by the VIIRS. The normality test and normal probability plots indicate that none of the poverty indexes are normally distributed, suggesting a significant unequal spatial distribution of poverty in South Africa and that this unequal distribution has not changed much over the ten years. Spatial distribution of poverty is therefore not randomly distributed, suggesting spatial dependence and/or spatial relevance. The Moran I-statistic had a value of 0,49 in 2010, decreasing to 0,45 in 2020. The associated z-values for the three periods suggest a strong rejection of the null hypothesis of spatial randomness.

In general, it can be stated that clusters of high values can be classified as hot spots with many people living in poverty and clusters of low values as cold spots with lower poverty levels. High poverty locations (high clusters) are concentrated in the north-eastern, eastern and south-eastern parts of the country, while the low poverty locations are concentrated in the south-western, western and central parts of the country. In 2010, there were 3 423 identified high-high cluster locations compared to 3 436 and 3 438 in 2015 and 2020, respectively. This represents on average around 7,5% of the total (46 194) 35 km2 locations or about 10% of the total land surface of South Africa. In contrast, the number of low-low locations (clusters) represents approximately 25% of the total 35 km2 locations or about 33% of the total land surface of South Africa.

The results also show that the locations of poverty have not changed much over the ten years. During the five years 2015 to 2020, there were around 1 447 locations that experienced high increases in poverty, while only 645 locations experienced low increases in poverty (i.e. a decrease in the number of poverty locations). The vast majority of these high and low locations were also statistically significant.

The results of the granular poverty maps developed in this research study suggest that poverty in South Africa is spatially clustered and not randomly distributed. Locations with high and low poverty are generally not in close proximity. Cross-referencing the derived granular poverty maps with previous studies and day-time imagery suggests that it is indeed possible to identify areas or locations with high or low poverty levels using the poverty index estimated using both the LandScan gridded population and VIIRS gridded night-time light imagery and data.

The essence of the spatial mapping of poverty at a granular level is that “space matters indeed”, in the sense that the poverty levels in one location are related to what happens in neighbouring locations. Not only do spatial relationships exist, but poverty seems to be fundamentally related to unique locations.

Keywords: light intensity; Moran I-statistics; night lights; population; poverty; remote sensing; satellite images

 

1. Inleiding 

Hierdie studie ondersoek die ruimtelike verspreiding van armoede oor die Suid-Afrikaanse landskap, deur van satelliettegnologie gebruik te maak. Na raming leef nagenoeg die helfte van die land se mense in armoede (StatsSA 2021). Armoede staan direk in teenstelling met die mens se welstand. Daarom word daar voortdurend gepoog om gebiede van armoede te identifiseer en te kwantifiseer. Ontwikkelingsprogramme en hulpbronne kan dan daarvolgens die doeltreffendste aangewend word. Armoedelandkaarte is gevolglik van groot belang en word in die huidige studie vir Suid-Afrika ontwikkel.

Een van die grootste uitdagings in die stedelike gebiede is om die ligging van die minderbevoorregte bevolking te bepaal en sodoende sosiale programme te versterk en vir die bevolking geleenthede tot ontwikkeling te skep (Licona 2019). Newhouse (2020) ondersteun die verband tussen armoede en ligging deur aan te toon dat armoede akkuraat gekarteer moet word om ontwikkelingsintervensies doeltreffend toe te pas en te monitor. ’n Fyn ontleding van armoede op laer geografiese eenhede is daarom vir beleidmakers van besondere nut.

Die Wêreldbank (2018) benadruk die ruimtelike dimensie van armoede binne die Suid-Afrikaanse konteks. Hierdie artikel fokus op die ruimtelike aard en dinamiek van armoede in Suid-Afrika en nie op die oorsake, gevolge of oplossings daarvan nie. Armoede, net soos baie ander sosio-ekonomiese probleme, is ’n funksie van ligging, en ruimtelike ontleding kan ’n sleutel tot ’n dieper begrip van die aard en dinamiek van armoede wees (Vaziri e.a. 2019). Dit blyk dat geografie en ligging aansienlike verklarende vermoë rakende armoede het (Higgins e.a. 2010).

Empiriese bewyse toon ook ’n sterk verband tussen geografie en armoede (Vista 2011). Arm mense word dikwels op spesifieke plekke saamgegroepeer (Henninger en Snel 2002). Geografiese ligging het ’n sterk invloed op die lewenstandaard van mense wat in bepaalde gemeenskappe woon, veral in ontwikkelende lande (Bigman en Fofack 2000). Beduidende geografiese variasie in die voorkoms van armoede mag aan ’n verskeidenheid geografiese eienskappe soos toegang, klimaat en afstand te wyte wees (Bigman en Fofack 2000). Die verskil tussen hierdie geografiese eienskappe dui op ’n spesifieke patroon wat armoede besit (Safarida 2017).

Glasmeier (2002) beweer dat armoede inherent ’n ruimtelike probleem is en dat armoedebeleid in die verlede grotendeels oningelig en onkundig was oor die ruimtelike betekenis van armoede. Omdat armoede en die verspreiding daarvan deur plaaslike faktore soos klimaat, die topologie van die streek, infrastruktuur en toegang tot diensplekke beïnvloed word, kan afgelei word dat armoede ’n besondere ruimtelike dimensie bevat (Vista 2011). In ooreenstemming met hierdie menings bevind Daimon (2001) dat armoede nie lukraak voorkom nie, maar dat dit ’n spesifieke streekspatroon besit. Die verskynsel staan as ’n armoedestrik bekend, omdat daar ’n sterk verband tussen die geografiese omstandighede en die voorkoms van armoede bestaan.

Groot stelle data wat deur satelliete waargeneem is, is tot dusver grotendeels onbenut (Newhouse 2020). Beleidmakers het nodig om te verstaan waar presies die armste mense woonagtig is en die hoofdoel van die huidige studie is om die ruimtelike verdeling van armoede aan te toon deur van satellietgebaseerde aanwysers binne die Suid-Afrikaanse konteks gebruik te maak en armoedelandkaarte saam te stel. Wang e.a. (2012) het ondersoek ingestel na die moontlikheid om Defense Meteorological Satellite Program (DMSP)-OLS-satellietopnames te gebruik om die streeksarmoede van 31 streke op ’n provinsiale skaal in China te skat. Hul gevolgtrekking was dat nagbeelde as ’n maatstaf in die ontleding van armoede op streeksvlak van groot waarde kan wees. Daar moet egter onthou word dat daar wel gebiede mag wees waar armoede bestaan, maar waar geen nagligte waargeneem word nie weens die gebrek aan elektrisiteit. Dié tekortkoming moet in die finale ontleding in ag geneem word.

Die doel van die huidige studie is eerstens om ’n armoedekaart op ’n baie fyn skaal, met behulp van satellietbeelde, vir Suid-Afrika te ontwikkel. Die verdeling van die bevolking en die verspreiding van nagligte per koördinaatgebied vir Suid-Afrika word afgelei deur van die bestaande wêreldbevolkingsgetalle en datastelle van nagligbeelde gebruik te maak. Hierdie gegroepeerde datastelle word verwerk en aangepas vir die Suid-Afrikaanse geografie. Tweedens word ’n aantal ruimtelike datamodelle gebruik om onlangse en opkomende tendense van armoedeverspreiding in Suid-Afrika te identifiseer en afleidings te maak. Sulke aangepaste satellietgebaseerde kaarte is ’n belangrike stap in die rigting van intydse beramings, die ekonomiese ontwikkeling van die bevolking en die verligting van armoede.

Hierdie artikel is soos volg gestruktureer: In die volgende afdeling word die agtergrond geskets en die databronne wat in die studie gebruik is, verduidelik. Afdeling 3 fokus op die metodologie en die toepassing daarvan in die ontwikkeling van Suid-Afrikaanse armoedeverspreidingskaarte vir Suid-Afrika. Die afdeling toon ook aan hoe die inligting gebruik kan word om armoede-indekse te skat. Afdeling 4 vergelyk die beraamde armoede-indekse en landkaarte met resultate van vorige studies, terwyl afdeling 5 die afgeleide armoedekaarte met dagbeelde kruisverwys, wat in albei gevalle daarop dui dat dit wel moontlik is om gebiede of plekke met ’n hoë of lae armoede te identifiseer deur van die beraamde armoede-indeks gebruik te maak. Vir dié doel word die LandScan-bevolkingsrooster en VIIRS-naglig- en infrarooi data gebruik. Die ruimtelike ontleding van die armoedekaarte word hoofsaaklik in afdeling 6 gedoen deur van die plaaslike Moran I-metode en verwante statistiek gebruik te maak. Die studie word in die laaste gedeelte saamgevat.

 

2. Agtergrond en databronne

Castelán (2019) voer aan dat tradisionele armoede-inligting gewoonlik teen lae frekwensie beskikbaar is (elke 5 tot 10+ jaar) en slegs verteenwoordigend is van grootskaalse opnames met min detail. Die nuutste armoedesyfers vir Suid-Afrika is gedurende 2015 gepubliseer (StatsSA 2021). Dit is relevant in terme van Suid-Afrika, aangesien armoedekaarte gewoonlik op munisipale vlak fokus op grond van periodieke sensus- of gemeenskapsopname-data. David e.a. (2018) het byvoorbeeld ’n ruimtelike armoedekaart met behulp van die Suid-Afrikaanse bevolkingsensus 2011 op munisipale vlak ontwikkel. Hulle skat dan ’n ruimtelike ekonometriese model om die korrelate van armoede tussen munisipaliteite in Suid-Afrika te identifiseer. Alexander (2019) het weer armoede in Suid-Afrika gekarteer deur van die Suid-Afrikaanse gemeenskapsopname-data van 2016 gebruik te maak; op sowel provinsiale as munisipale vlak.

Om op munisipale vlak te fokus, is vanuit ’n ruimtelike perspektief moontlik nie baie produktief of betroubaar nie, aangesien die meeste munisipale gebiede uit dele van lae sowel as hoë of baie hoë armoede bestaan. Daarom kan munisipale armoedekaarte moontlik stede aandui met hoë vlakke van armoede, terwyl die teenoorgestelde in werklikheid waar mag wees. Kartering van armoede op munisipale vlak is dus nie heeltemal geskik om die werklike ligging van armoede aan te dui nie. Hierdie siening word deur Gosh e.a. (2013) ondersteun, wat verklaar dat baie armoedekaarte slegs beskikbaar is op die totale vlak waarin een waarde verteenwoordigend van ’n hele administratiewe eenheid is.

Die gebruik van amptelike sensus- of gemeenskapsopname-data is ook problematies, aangesien dit armoede slegs op ’n bepaalde tydstip aantoon. Steele e.a. (2017) voer aan dat tradisionele tegnieke afhanklik is van die beskikbaarheid van sensusdata, wat gewoonlik elke tien jaar versamel word en dikwels met ’n vertraging van een of meer jaar vrygestel word, wat die opdatering van armoedeskattings moeilik maak. Oor die algemeen word daar in Suid-Afrika elke tien jaar ’n bevolkingsensus geneem met gemeenskapsopnames tussen sensusperiodes. Wat die konsekwentheid en betroubaarheid van data betref, raak dit gevolglik problematies om bevolkingsensus- en gemeenskapsopname-data in tydreeksformaat te gebruik.

Steele e.a. (2017) beklemtoon dat daar egter die afgelope paar jaar belowende tekens was dat nuwe bronne van hoëresolusiegegewens ’n akkurate en opgedateerde aanduiding van lewensomstandighede kon bied. In die besonder illustreer onlangse werk die potensiaal van inligting wat verkry kan word uit data van satelliet-afstandwaarnemings en geografiese inligtingstelsels (GIS). Dit volg op ’n studie deur Elvidge e.a. (2009) waar hulle die eerste landkaart met ’n resolusie van 1 km² van die bevolking in armoede saamgestel het. Die satellietbeelde van stabiele naglig van 2003, tesame met die LandScan-bevolkingsrooster van 2004, is vir hierdie doel gebruik. Elvidge e.a. (2009) dui verder aan dat satellietbeelde dit sou moontlik maak om ruimtelik uiteenlopende armoedekaarte op ’n jaarlikse of halfjaarlikse basis by te werk.

Die Operational Linescan System (OLS) bestaan uit twee sensors; die een werk in die sigbare, naby-infrarooi (400 tot 1100 nm) spektrum en die ander in die termiese infrarooi (10,5 – 12,6 nm) omgewing. Elke sensor het ’n sigveld van 3 000 km en neem beelde met ’n resolusie van ongeveer ’n halwe kilometer (0,56 km) (Pestalozzi 2013). Die satelliete is tipies op ’n lae hoogte (830 km) in sonsinkroniese poolbane met ’n omwenteltyd van 101 minute. Met 14 wentelbane per dag, lewer dit elke 24 uur ’n wêreldwye nag- en dagdekking van die aarde. Elke satelliet neem elke aand op dieselfde oomblik tussen 8:30 en 22:00, plaaslike tyd, elke plek op die planeet waar. Die maandelikse gemiddelde waarde word dan geneem en dit is hierdie gemiddelde waarde wat gebruik word.

In 2011 het die National Aeronautics and Space Administration (NASA) en die National Oceanic and Atmospheric Administration (NOAA) die Suomi National Polar Partnership (SNPP)-satelliet geloods met die eerste Visible Infrared Imaging Radiometer Suite (VIIRS)-instrument. Die VIIRS is ontwerp om radiometriese data van hoë gehalte vir digitale analise en insette in numeriese modelle te versamel. Die VIIRS-instrument bevat ’n dag- en nagband (DNB) wat standaard- panchromatiese beelddata gedurende die dag versamel en snags ’n lae ligbeeld (Wu e.a. 2013).

Omar en Ismal (2019) verklaar dat satellietbeelde sedert 1992 stelselmatig gedigitaliseer is deur die National Oceanic and Atmospheric Administration (NOAA) se National Geophysical Data Centre (NGDC). Elke satellietjaar-datastel is ’n rooster wat die intensiteit van ligte as ’n ses-bis-syfer (in die geval van die DMSP-OLS-stelsel) en 14-syfer (in die geval van die SNPP-VIIRS-stelsel) digitale nommer (DN) weergee, vir die uitset van elke roostersel (“pixel”) van 30 boogsekonde (ongeveer 086 km2 oor die ewenaar) wat strek van minus 180 tot 180 lengtegraad en minus 65 tot 75 breedtegraad (NOAA 2021 en EOG 2021).

Die rou data wat deur beide die DMSP-OLS- en die SNPP-VIIRS-stelsel ontwikkel is, is vanaf 1992 openbaar beskikbaar. Die DMSP-OLS-satellietdata van 1992 tot 2013 is beskikbaar op die Colorado School of Mines se webwerf en SNPP-VIIRS-data vanaf 2012 tot 2021 op hul webwerf by op beide ’n maandelikse en jaarlikse basis.

Jean e.a. (2016) het ’n nuwe benadering tot masjienleer vir die onttrekking van sosio-ekonomiese data uit hoëresolusie-satellietbeelde gedurende die dag getoon. Dit is moontlik omdat satellietbeelde met ’n hoë resolusie toenemend op ’n wêreldwye skaal beskikbaar gestel word en dit ’n oorvloed inligting oor landskapskenmerke, wat met ekonomiese aktiwiteite verband hou, bevat. Die studie het ’n oordragleerbenadering (“transfer learning”) ontwikkel, waarin ’n oormaat maklik verkrygbare inligting oor armoede gebruik word om ’n indiepteleermodel te ontwikkel. Die model word dan gebruik om gemiddelde huishoudelike uitgawes of die gemiddelde huishoudelike welvaart gesamentlik op ’n trosvlak (“cluster”) te skat, met ’n resolusie ongeveer gelyk aan dorpe in landelike gebiede, of wyke in stedelike gebiede.

 

3. Navorsingsontwerp

Volgens Rogers e.a. (2006) kan die kartering van armoede een van twee benaderings volg. ’n Benadering van onder na bo voeg sosio-ekonomiese data op subnasionale vlak saam, soos data oor opnames en sensusse. Alternatiewelik kan ’n benadering van bo na onder met behulp van satellietbeelde, bestaande globale omgewingskaarte en GIS-modelle gevolg word. In die huidige studie word die benadering van bo na onder gebruik.

In hierdie studie word hoofsaaklik van Elvidge e.a. (2009) se metodiek gebruik gemaak om armoedeverspreidingskaarte vir Suid-Afrika te ontwikkel. Elvidge e.a. (2009) se metodologie spreek die twee fundamentele beperkings aan, naamlik die kartering van armoede op munisipale vlak en die gebruik van onlangse periodieke datastelle om dit te doen. Dit strook ook grootliks met onlangse metodologieë van Jean e.a. (2016) en Steele e.a. (2017).

Ten einde armoedeverspreidingskaarte en ’n armoede-indeks te ontwerp is twee ruimtelik verfynde databronne in breë trekke saamgevoeg. Die data is vanaf die LandScan-data se bevolkingsgetalle en die DMSP-nagligbronne verkry. Die indeks word bepaal deur die bevolkingsgetalle te deel deur die gemiddelde sigbare band se digitale hoeveelheid naglig. In gebiede waar daar geen lig opgespoor word nie, word ’n waarde van een aan die datastel-item toegeken, wat impliseer dat die LandScan-bevolkingstelling na die armoede-indeks oorgeskakel word.

Die primêre databronne wat vir die huidige artikel gebruik is, is die datastelle oor die wêreldbevolking deur LandScan van 2010 en 2015, aangevul deur die Socio-Economic Data and Applications Center Gridded Population of the World-datastel vir 2020 en die Visible Infrared Imaging Radiometer Suite (VIIRS)-nagdatastelle van 2015 en 2020, aangevul deur die Operational Linescan System (OLS)-nagdatastel van 2010.

Die LandScan-bevolkingsnetwerk is volgens die Oak Ridge National Laboratory (ORNL) ’n gemeenskapstandaard vir wêreldwye bevolkingsverspreidingsdata. Op ’n ruimtelike resolusie van ongeveer een kilometer verteenwoordig dit ’n omgewingsverdeling van die bevolking oor ’n gemiddelde 24 uur-tydperk. Die LandScan-algoritme gebruik ruimtelike data- en beeldontledingstegnologieë en ’n multi-veranderlike dasymetriese modelleringsbenadering om sensussyfers binne administratiewe grense te verdeel (LandScan 2018).

Die LandScan-metode gebruik ’n handmatige verifikasie- en wysigingsproses om die ruimtelike kwaliteit en die relatiewe omvang van die bevolkingsverspreiding akkuraat te skat. Beeldingsontleders identifiseer voor die hand liggende bevolkingsverspreidingsfoute en skep ’n addisionele ruimtelike data-laag van bevolkingswaarskynlikheidskoëffisiënt-wysigings om data-afwykings reg te stel of te versag. Uitstralingselle word omgeskakel na punte met ’n kenmerkveld vir die selveranderingswaardes. Baie stedelike gebiede en stedelike inligting word dan aangebring. Afgeleide landbedekkingsdata openbaar dikwels nie stedelike eiendomsinligting soos geboudigtheid of gebouhoogtes nie, maar dit kan maklik deur visuele inspeksie afgelei word deur van hoëresolusiebeelde gebruik te maak. Nuttige regstellings van die waarskynlikheidskoëffisiënte word met behulp van hoëresolusie-beeldmateriaal vir elke land aangebring namate tyd en begrotingsbeperkings dit toelaat (LandScan 2018).

Die Socioeconomic Data and Applications Center (SEDAC) se Gridded Population of the World is ’n datasentrum in NASA se aardwaarnemingstelseldata en -inligtingstelsel. Die doel van “Gridded Population of the World” is om elke vyf jaar ramings te gee van die bevolkingstelling vanaf 2000, in ooreenstemming met nasionale sensusse en bevolkingsregisters, as ruitnetwerkdata om data-integrasie te vergemaklik. Die bevolkingsrooster is ’n minimaal gemodelleerde versameling van gegewensdata. Bevolkingsberamings word geskep deur die ruwe sensusramings te ekstrapoleer na ’n reeks teikenjare: 2000, 2005, 2010, 2015 en 2020.

Om die datastelle vir die roosterpopulasie te skep, is die bevolkingsberamings versprei oor ’n ruitnetwerk van 30 boogsekondes (~1 km by die ewenaar) volgens ’n werklike situasie-gewigsmetode. Hierdie metode, ook bekend as eenvormige verspreiding of proporsionele toewysing, maak nie van enige ander geografiese gegewens gebruik om die sensuspopulasie ruimtelik te bepaal nie. Bevolkingsgetalle word toegeken aan die onderskeie roosterselle (“raster pixels”) deur die aanname te maak dat die populasie van ’n roostersel (“pixel”) die uitsluitlike funksie van die grondoppervlakte binne daardie “pixel” verteenwoordig. Vir roosterselle wat sub-nasionale of nasionale grense kruis, is die populasie toegeken op grond van die verhouding van die oppervlakte van die roostersel wat deur elke eenheid beset word (SEDAC 2020).

 

4. Die ontwikkeling van ’n armoedeverspreidingskaart vir Suid-Afrika

Vanweë die beskikbaarheid van beelde van die bevolkingsnetwerk en nagligbeelde van 2000 tot 2021, is dit moontlik om vir die 20 jaar-tydperk armoedeverspreidingskaarte vir Suid-Afrika te ontwikkel. Vir die doel van hierdie studie is armoedekaarte egter net vir drie tydperke, naamlik 2010, 2015 en 2020, ter illustrasie ontwikkel. Alhoewel dit moontlik is om kaarte op ’n vlak van 1 km2-ruit te ontwikkel, fokus hierdie studie op ’n 35 km2-vlak. Die rede hiervoor is omdat sommige ruite op die enkele km2-vlak nie volmaak ooreenstem met die verskillende datastelle en jare nie. Om ’n meer betroubare belyning van die ruitnetwerk tussen die verskillende datastelle en jare te verseker, is die ruite van een km² saamgevoeg om almal 35 km²-ruite op die koördinaatvlak te vorm.

Die LandScan-bevolkingsdata, op die tydstip van hierdie studie, was slegs tot 2018 beskikbaar. Die SEDAC-gegroepeerde bevolkingsdatastel het data vir 2020 ingesluit wat gebruik is om die LandScan-bevolkingsraamwerk vir 2020, met behulp van ’n strukturele benadering gebaseer op die 2015-rooster, vir die bevolking vir beide bronne te skat. Aan die ander kant het die VIIRS-datastel vir nagligwaarneming eers in 2012 begin. Die OLS-nagliggegewens vir 2010 is gebruik om die VIIRS-nagligdata van 2010 te ontwikkel, weereens met behulp van ’n strukturele benadering, gebaseer op die 2012-nagligdata vir albei bronne.

Die LandScan-bevolkingsnetwerke vir Suid-Afrika in “shapefile”-formaat sowel as die VIIRS-nagligroosters, op die 1 km²-vlak vir die drie tydperke, word in Figuur 1 getoon. Vir die huidige doel is ’n standaard- Suid-Afrikaanse ruitnetwerk van 35 km²-selle met ’n gratis beskikbare geografiese inligtingstelsel, QGIS, gegenereer. Die ses ruite van 1 km2 is toe saamgevoeg om die standaard-ruitnetwerk van 35 km², met behulp van die aansluitingseienskappe volgens plek, op te som met QGIS. Dit het die belyning van die verskillende ruite aansienlik verbeter, wat om vergelykende redes binne en tussen data-ruite belangrik is. Figuur 2 toon die standaard-ruitnetwerk van 35 km² vir Suid-Afrika wat op die westelike deel van die land fokus. 

Figuur 1. Bevolkingskaart (bo) en naglig (onder) vir die geselekteerde jare op 1 km²-vlak
(Bron: Skrywers se ontleding; LandScan, VIIRS en QGIS)

Tabel 1 toon die ruitnetwerk-dinamika van elk van die datastelle aan. Suid-Afrika se totale oppervlakte word op 1 221 037 vierkante kilometer geskat. Die LandScan-geruite bevolkingskaart van Suid-Afrika beslaan gemiddeld 628 014 km² grond gedurende die drie tydperke, of ongeveer 51% van die totale oppervlakte van Suid-Afrika. Die VIIRS-waarnemings vir nagligte beslaan gemiddeld 136 030 km² gedurende die drie tydperke, of ongeveer 12% van die totale oppervlakte van Suid-Afrika.

Figuur 2: Standaard- 5 km²-ruitnetwerk vir Suid-Afrika, Kaapstadomgewing
(Bron: Skrywers se ontleding met behulp van QGIS)

Tabel 1: Ruitnetwerkdinamika van elk van die datastelle
(Bron: Skrywers se skattings; LandScan en VIIRS met behulp van QGIS)

 

2010

2015

2020

1 km²-ruite

1 221 037

1 221 037

1 221 037

LandScan 1 km²-ruite (1 km²)

647 833

628 728

607 480

Naglig 1 km²-ruite

136 305

140 088

131 698

Standaard- SA 35 km²-ruitnetwerk

46 194

46 194

46 194

 

Die samevoeging van die LandScan-bevolking (oranje ruite) en VIIRS-nagligte (swart ruite) in die standaard- Suid-Afrikaanse ruitnetwerk van 35 km²-ruimtes (bruin ruite), is saamgevoeg en in Figuur 3 aangetoon. Die indeling en samevoeging is gedoen met behulp van die “create grid”-, “join attributes by location”- en “zonal statistics”-funksies van die rekenaarmatige geografiese informasieprogram, QGIS.

Figuur 3. Netwerksamevoeging
(Bron: Ontleding deur die skrywers; LandScan en VIIRS met behulp van QGIS)

’n Armoede-indeks (AI) is volgens Elvidge e.a. (2009) se metodologie vir Suid-Afrika ontwikkel. Bevolkingsgetalle is volgens die LandScan-bevolkingskaarte saamgevoeg op die 35 km²-vlak en gedeel deur die gemiddelde hoeveelheid sigbare stabiele digitale naglig. In gebiede waar bevolking teenwoordig is, maar geen lig waargeneem is nie, is die totale bevolking na die indeks oorgedra. In gebiede waar geen bevolking teenwoordig was nie, maar wel lig opgespoor is, is ’n nulwaarde aan die indeks toegeken, terwyl alle ander waardes daartussen geleë is. Die resultate van die berekeninge word in Tabel 2 vertoon. Die aantal 35 km²-ruite wat aan die kriteria voldoen, word in die tabel aangetoon.

Tabel 2: Aantal ruite van 35 km² volgens die kriteria

Kriteria

2010

2015

2020

LandScan- en ligdata

10 534

10 414

13 276

Slegs LandScan-data

26 986

28 317

25 267

Slegs ligdata

63

73

143

Geen LandScan- of ligdata

8 606

7 378

7 308

 

5. Resultate van die ontwikkeling van ’n armoedeverspreidingskaart vir Suid-Afrika

Die ontwikkeling van ’n armoede-indeks skep ’n kleuropnamebeeld wat aangepas is vir laer waardes in hoogs verligte gebiede met hoë ekonomiese aktiwiteit (Figuur 4). Hoë armoede-indekswaardes kom voor in gebiede met ’n hoë LandScan-bevolking of dowwe (of geen) beligting wat VIIRS kon opspoor. Die afgeleide armoede-indekskaarte (AI-kaarte) vir 2010, 2015 en 2020 word in Figuur 4 getoon. Swartgekleurde gebiede (35 km²-oppervlaktes) bevat geen bevolking nie en daarom ook geen naglig nie, terwyl gebiede met donker kleure, gebiede met baie hoë armoedevlakke (AI-waardes) verteenwoordig.

Die beskrywende statistiek vir elk van die armoede-indekse word in Tabel 3 aangedui. Sowel die gemiddelde as die mediaanstatistiek dui daarop dat armoede in absolute terme (soos gemeet deur die AI) tussen 2010 en 2020 toegeneem het, hoewel redelik beskeie. Dit toon ook dat die standaardafwyking gedurende dié tydperk toegeneem het; dit wil sê, die verspreiding van armoede (AI) het toegeneem. Volgens die Jarque-Bera-statistiek was armoede gedurende hierdie drie periodes nie normaal versprei nie. Dit blyk ook uit die histogram en die kerndigtheidsfunksies wat deur Figuur 5 geïllustreer word, en dui ook aan dat die meerderheid waardes in elke AI naby die nulwaarde geleë is.

Figuur 4. Armoedekaarte vir 2010, 2015 en 2020 per 35 km²
(Bron: Skrywers se ontleding; LandScan en VIIRS met behulp van QGIS)

Tabel 3: Beskrywende statistiek vir die armoede-indekse, n = 46 194
(Bron: Ontleding deur outeurs; LandScan en VIIRS met behulp van QGIS)

 

2010-AI

2015-AI

2020-AI

Gemiddeld

229,2468

226,3519

234,4594

Mediaan

42,43651

43

48,66774

Maksimum

11770,00

11449

12712,22

Minimum

0,000000

0,000000

0,000000

Standaardafwyking

549,7652

558,9518

585,8148

Kurtose

55,43865

50,18507

66,75867

Jarque-Bera

5556579

4533380

8142859

Waarskynlikheid

0,000000

0,000000

0,000000

Som

10589829

10456101

10830616

 

Die AI-afgeleide kartogram vir elke jaar (Figuur 6) dui daarop dat armoede hoofsaaklik in drie streke in Suid-Afrika voorkom, naamlik die noordoostelike, oostelike en suidoostelike dele van Suid-Afrika, ongeag die jaar.

Figuur 5. Histogram en kerndigtheid van armoede-indeks
(Bron: Ontleding deur outeurs; LandScan en VIIRS met behulp van EViews programmatuur)

Figuur 6. Kartogram van armoede-indekse vir 2010, 2015 en 2020 per 35 km²
(Bron: Outeurs se ontleding; LandScan en VIIRS met behulp van QGIS)

 

6. Vergelyking met ander studies

Volgens die WNNR (Seekings 2007), Alexander (2019) en die Global Insight Regional Explorer-databasis (GIRE 2021) kom die hoogste vlakke van armoede in die Oos-Kaap voor, en die laagste vlakke in die Wes-Kaap. Dit word in Tabel 4 aangetoon, wat die relatiewe armoedevlakke volgens provinsies beoordeel, afgelei uit die Suid-Afrikaanse 2011-Sensus en die SA Community Survey 2016-data. Die provinsiale rangorde is ook konsekwent tussen die verskillende bronne. Die AI, soos in die huidige studie (2010, 2015 en 2020) afgelei, weerspieël die relatiewe provinsiale armoedeverdeling soos deur Seekings, Alexander en GIRE (Tabel 4) gepubliseer.

Tabel 4: Provinsiale armoedeverdeling volgens rangorde

1 = laagste, 9 = hoogste armoede

Populasie

Rang (SARPN)

Rang (Alexander)

Rang (GIRE)

Rang 2010

Rang 2015

Rang 2020

Oos-Kaap

8

9

8

8

8

8

Vrystaat

7

3

4

4

4

4

Gauteng

2

2

1

2

2

2

KwaZulu-Natal

5

5

7

9

9

9

Limpopo

9

8

9

7

7

7

Mpumalanga

4

6

6

6

6

6

Noordwes

3

4

3

5

5

5

Noord-Kaap

5

7

5

1

1

1

Wes-Kaap

1

1

2

3

3

3

 

Die armoede-indekse (AI) van Suid-Afrikaanse provinsies word in Figuur 7 geïllustreer. Dit toon aan dat die armoede in KwaZulu-Natal die hoogste is, gevolg deur die Noord-Kaap. Dit toon ook aan dat die armoede in die Oos-Kaap en Limpopo oor die tydperk toegeneem het in vergelyking met die Vrystaat en Noordwes, waar dit verminder het. Aan die ander kant het die armoede in Gauteng, KwaZulu-Natal, Mpumalanga, die Noord-Kaap en Wes-Kaap redelik stabiel gebly.

Die AI-syfers en -statistiek stem ooreen met die amptelike Suid-Afrikaanse armoedesyfers en statistiek. In hul ondersoek rakende lewensomstandighede gedurende 2014/15 kom Statistiek SA (StatsSA) tot die gevolgtrekking dat die provinsies met die hoogste aantal volwasse persone wat in armoede lewe Limpopo (67,5%), die Oos-Kaap (67,3%), KwaZulu-Natal (60,7%) en Noordwes (59,6%) is. Die laagste persentasie volwassenes wat in armoede leef, is in Gauteng en die Wes-Kaap, met onderskeidelik 29,3% en 33,2%.

Figuur 7. Provinsiale verspreiding van armoede volgens die armoede-indeks, 2010, 2015 en 2020
(Bron: Skattings en ontleding deur die skrywers) (Y-as = AI)

Die beraamde AI-getalle en -statistiek word ook ondersteun deur ’n verslag van die Wêreldbank (2018) wat beweer dat die Oos-Kaap, KwaZulu-Natal en Limpopo deurgaans die drie armste provinsies tussen 2006 en 2015 was. Op 59,1% het die Oos-Kaap die hoogste armoede gehad en dit het ook die minste oor tyd gedaal. Limpopo het wel gedurende 2006 die hoogste aantal persone in armoede van 67,1% gehad, met 71,5% in 2009 en 52,7% in 2011 en 57% gedurende 2015. Gauteng het deurgaans die laagste armoedesyfers (19% in 2015). Met 26% was die grootste deel van Suid-Afrika se arm mense gedurende 2015 in KwaZulu-Natal woonagtig.

 

7. Vergelyking van dagbeeldresultate

Kruisverwysing na afgeleide armoede-indekse vanaf amptelike data en vorige studies dui op ’n noue ooreenkoms (David e.a. 2018; Frame e.a. 2016; Ghosh e.a. 2013; Wang e.a. 2012; Henninger en Snel 2002). Dit gee ’n mate van geloofwaardigheid aan die metodologie en gepaardgaande resultate van die huidige studie rakende die armoede-indekssyfers. Die gebruik van bevolkingsgetalle verdeel in ruitnetwerkblokke en naglig toon die moontlikheid aan om armoede op ’n geruite vlak te skat en in kaartvorm voor te stel. ’n Ander metode om die betroubaarheid van afgeleide armoede-indekse te toets, is om die geïdentifiseerde armoedegebiede volgens die armoede-indekse te vergelyk met die beelde van die werklike kenmerke van spesifieke gebiede. Armoede moet, byvoorbeeld, ooreenstem met kenmerke wat verband hou met armoede, soos om in ’n landelike gebied met min natuurlike hulpbronne te woon.

Figuur 8 illustreer die vergelyking tussen die dagbeelde van ’n redelik middelgrootte stad (Beaufort-Wes) in Suid-Afrika en sy naglig- en LandScan-bevolkingsbeelde as voorbeeld. Dit blyk dat die naglig- en LandScan-bevolkingsbeelde ooreenstem met dagbeelde. Die sentrale sakekern toon byvoorbeeld saans redelike hoë liguitstraling, terwyl die bevolkingsgetalle redelik laag is. Die middel- tot hoë-inkomste-voorstad aan die regterkant van die sentrale sakegebied vertoon ook saans redelike hoë ligvrystelling met ’n redelike groot aantal inwoners. Die informele voorstad met hoë digtheid, wat links en links onder die sentrale sakegebied geleë is, ondervind laer vlakke van liguitstraling gedurende die nag, maar het ook ’n redelike hoë bevolking (Figuur 8).

Figuur 8. Vergelyking tussen die dagbeeld, nagligbeeld en LandScan-bevolkingsbeeld: Beaufort-Wes
(Nota: Donkerder kleure stel hoër vlakke van ligintensiteit en bevolking in die nag voor.)

Hierdie syfers en kaart toon aan dat die sentrale sakegebied gewoonlik nie met hoë armoede geklassifiseer word nie. Dieselfde geld vir die voorstad aan die regterkant, terwyl die gebied links en links onder waarskynlik hoë vlakke van armoede bevat.

Figuur 9 toon die dagbeeld, nagligbeeld en LandScan-bevolkingsbeelde van Pietermaritzburg en sy omliggende voorstede. Weereens blyk dit duidelik dat die ligbeelde in die nag, die beelde van die dag in gebiede met ’n hoë ekonomiese aktiwiteit, soos die sentrale sakegebied en vervaardigingslokale, weerspieël. Voorstede links (wes) van die sentrale sakegebied vertoon snags baie min ligvrystelling. Hierdie voorstede is hoofsaaklik informele nedersettings met hoë bevolkingsdigtheid, hoë bevolkingsgetalle en hoë armoedesyfers.

Figuur 9. Vergelyking tussen die dagbeeld, nagligbeeld en LandScan- bevolkingsbeeld: Pietermaritzburg
(Nota: Donkerder kleure stel hoër vlakke van ligintensiteit en bevolking in die nag voor.)

Figuur 10 toon die dag-, naglig- en LandScan-bevolkingsbeeld vir ’n landelike gebied in die noordelike deel van KwaZulu-Natal (KZN). Hierdie gebied is in ’n sogenaamde tradisionele gebied geleë. Sulke gebiede is gewoonlik hulpbronskaars, met minimale ontwikkeling, ’n basiese landboufokus en hoë bevolkingsdigtheid, en ver van groot stede en markte af. Die nagligbeeld toon dit ook duidelik aan.

Figuur 10. Vergelyking tussen die dagbeeld, nagligbeeld en LandScan-bevolkingsbeeld: Noordelike KZN
(Nota: Donkerder kleure stel hoër vlakke van ligintensiteit en bevolking in die nag voor.)

Die armoede-indeks vir die spesifieke gebied word in Figuur 11 getoon en toon aan dat die bevolking in hierdie gebied hoë armoede ervaar.

Die resultate van die huidige studie dui daarop dat dit inderdaad moontlik is om gebiede of plekke met ’n hoë en lae armoede met behulp van die afgeleide armoede-indeks te identifiseer deur van die geruite LandScan-bevolking en VIIRS-ligbeelde en -data gebruik te maak.

Figuur 11. Armoede-indeks vir die gebied, 35 km²
(Nota: Donker kleure verteenwoordig hoër vlakke van armoede.)

 

8. Ruimtelike analise van die armoede-indekse (AI)

In die ruimtelike analise is daar in hierdie studie gebruik gemaak van normaliteitstoetse, ruimtelike outokorrelasie, verspreidingslandkaarte en nie-parametriese ruimtelike korrelogrammetodes. Die doel met hierdie metodes is om die ruimtelike verdeling van die onderwerp, wat in hierdie geval “armoede” is, te ontleed en voor te stel.

Die resultate van die normaliteitstoetse (Tabel 5) en die normale waarskynlikheidsgrafiek (Figuur 12) dui daarop dat geen AI-syfers normaal versprei is nie. Dit is ’n aanduiding dat daar ’n beduidende ongelyke ruimtelike verdeling van armoede in Suid-Afrika bestaan en dat hierdie ongelyke verdeling nie veel oor die tydperk van tien jaar verander het nie. Ruimtelike verdeling van armoede is gevolglik nie lukraak versprei nie, wat op ruimtelike afhanklikheid en ruimtelike relevansie dui.

Tabel 5. Normaliteitstoets vir die armoede-indekse vir 2010, 2015 en 2020
(Bron: Berekeninge deur die skrywers; LandScan en VIIRS met behulp van PAST-rekenaarprogrammatuur)

 

2010-AI

2015-AI

2020-AI

N

3745

3889

3898

Shapiro-Wilk W

0,4514

0,4489

0,4356

  p(normal)

3,05E-75

3,18E-76

8,85E-77

Anderson-Darling A

653,6

731,5

738,1

  p(normal)

0

0

0

  p(Monte Carlo)

0,0001

0,0001

0,0001

Lilliefors L

0,3246

0,3299

0,3322

  p(normal)

0,0001

0,0001

0,0001

  p(Monte Carlo)

0,0001

0,0001

0,0001

Jarque-Bera JB

3,15E+05

2,18E+05

3,19E+05

  p(normal)

0

0

0

  p(Monte Carlo)

0,0001

0,0001

0,0001

 

Figuur 12. Normale waarskynlikheidsdiagram vir die armoede-indekse vir 2010, 2015 en 2020
(Bron: Skrywers se analise; LandScan en VIIRS met behulp van PAST)

Ten einde die armoede-ruimtelike outokorrelasie-hipotese, soos in Tabel 5 en Figuur 12 voorgestel is, verder te toets, word van die Global Moran-indeks I en plaaslike Moran-indeks gebruik gemaak. Volgens Sowunmi e. a. (2012) lewer die wêreldwye ruimtelike outokorrelasie (Moran’s I) relevante statistiek op, wat die patroon van armoede van die hele studiegebied verteenwoordig. Daar word vanaf die aanname dat die patroon van armoede op alle plekke met dieselfde waardes gelyk is, vertrek. Hierdie aanname staan as die omvattende Moran-homogeniteit bekend. Positiewe waardes van Moran veronderstel dan dat ruimtelike groeperings met dieselfde waardes oor georuimte heen eenders is, terwyl beduidende negatiewe waardes daarop dui dat naburige waardes verskil. Dit impliseer dan die gereelde aanwesigheid van hoë waardes, te midde van lae waardes in ’n omgewing (Coetzee en Kleynhans 2018). Die Moran I-statistiek is soortgelyk aan die bekende Pearsonian-produk-moment-korrelasiekoëffisiënt, maar die maksimum en minimum moontlike waardes van Moran se I is nie tot binne die (–1, 1)-reeks beperk nie.

Die Moran-verspreidingsdiagram, wat aanvanklik deur Anselin (2019) uiteengesit is, bestaan uit ’n stippelkaart met die ruimtelik agtergestelde veranderlike op die y-as en die oorspronklike veranderlike op die x-as. Die helling van die lineêre aanpassing tot die spreidingsdiagram is gelyk aan Moran se I. Volgens Anselin (2005) is ’n belangrike aspek van die visualisering in die Moran-spreidiagram die klassifikasie van die aard van ruimtelike outokorrelasie in vier kategorieë. Aangesien hierdie stippeldiagram om die gemiddeld van nul sentreer, is alle punte regs van die gemiddelde positief (Moran I>0) en alle punte na links negatief (Moran I<0). Hierdie waardes word onderskeidelik as hoog en laag geklassifiseer, in die beperkte sin van hoër of laer as gemiddeld. Net so kan die waardes vir die ruimtelike agterstand bo en onder die gemiddelde as hoog en laag geklassifiseer word (Sowunmi e.a. 2012).

Die verspreidingsdiagram word dan maklik in vier kwadrante verdeel. Die kwadrant regs bo en die linkerkwadrant stem ooreen met positiewe ruimtelike outokorrelasie wat soortgelyke waardes op naburige plekke veronderstel. Dit word onderskeidelik ’n hoë-hoë en lae-lae ruimtelike outokorrelasie genoem. Hierteenoor kom die onderste regter- en boonste linkerkwadrant ooreen met negatiewe ruimtelike outokorrelasie, waar verskillende waardes op naburige liggings bestaan, dit wil sê hoë-lae en lae-hoë ruimtelike outokorrelasie.

 

Moran se I

2010
I = 0,49
z = 141,09

 

 

 

 

2015
I = 0,48
z = 140,34

 

 

 

 

 

2020
I = 0,45
z = 131,86

 

Figuur 13. Moran-verspreidingsperseel en plaaslike aanwyser van ruimtelike assosiasie
(Bron: Skrywers se berekeninge; LandScan en VIIRS met behulp van GeoDA. Nota: Moran I-statistiek is betekenisvol, z>7)

Die resultate van die wêreldwye ruimtelike outokorrelasie-ontleding (Moran's I) vir die drie tydperke word in Figuur 13 vertoon. Die Moran I-statistiek word in die eerste kolom getoon met ’n waarde van 0,49 in 2010 wat in 2020 tot 0,45 afgeneem het. Die gepaardgaande z-waardes vir die drie tydperke dui op ’n sterk verwerping van die nulhipotese van ruimtelike ewekansigheid. Figuur 13 bevestig (hoë vlakke van ruimtelike outokorrelasie in armoedeliggings) die resultate soos uiteengesit in Figuur 6 dat gebiede met hoë armoedesyfers wat hoë armoede beleef (hoë-hoë konsentrasies) gekonsentreerd is, asook die plekke met lae-lae konsentrasies. Die resultate toon ook aan dat die armoedegebiede oor die tien jaar dieselfde gebly het. Oor die algemeen kan gestel word dat konsentrasies (trosse) van hoë waardes as brandpunte geklassifiseer kan word en konsentrasies van lae waardes as meer gegoede gebiede.

Figuur 14. Verspreidingslandkaarte van ruimtelike nabyheid
(Bron: Skrywers se analise; LandScan en VIIRS met behulp van GeoDA)

Die landkaarte met aanwysers van ruimtelike nabyheid van waardes (ARN) vir die drie tydperke beklemtoon die plaaslike Moran I-statistiek met ’n aanduiding van die tipe ruimtelike verbintenis. Dit is gebaseer op die ligging van die waardes en ruimtelike agterstand in die Moran-verspreidingskaarte. Die resultaat van die ARN-trosontleding word in Figuur 14 vertoon. Die hoë-hoë liggings (in rooi) toon die liggings waar groter armoede voorkom, sowel as hul naburige liggings. Gedurende 2010 was daar 3 423 geïdentifiseerde hoë-hoë gekonsentreerde plekke vergeleke met 3 436 en 3 438 gedurende 2015 en 2020, onderskeidelik. Dit verteenwoordig gemiddeld ongeveer 7,5% van die totale (46 194) 35 km²-plekke of ongeveer 10% van die totale grondoppervlakte van Suid-Afrika. Daarteenoor verteenwoordig die aantal lae-lae konsentrasieplekke (trosse) ongeveer 25% van die totale 35 km²-plekke of 33% van die totale grondoppervlakte van Suid-Afrika.

Gebiede op die landkaarte wat beduidende ARN-waardes het, impliseer dat die Moran-statistiek ook daar beduidend is. Dit word in Figuur 15 deur verskillende skakerings van groen aangedui, met die ooreenstemmende waarskynlikheids-p-waardes in die sleutel aangetoon. Oor die algemeen blyk dit dat die hoë-armoede-trosse waarskynlikheidswaardes van 0,001 het, terwyl lae-armoede-trosse waardes van tussen 0,01 en 0,05 het. Dit dui daarop dat die skattings statisties beduidend is. Die totale getal belangrike liggings beslaan ongeveer 34% van die land se totale grondoppervlakte.

Figuur 15. Beduidendheid van ruimtelike waardes
(Bron: Skrywers se ontledings; LandScan en VIIRS met behulp van GeoDA)

Die Moran I-verspreidingskaarte, ARN-groep en beduidende ARN-waardes vir die verskillende tydperke 2010 tot 2015 en 2015 tot 2020 word in Figuur 16 en 17 getoon. Die verskil is daarin geleë dat die verandering in absolute terme, wat gedurende die spesifieke vyfjaartydperk plaasgevind het, in terme van die armoedewaardes van elke plek aangedui word. Gedurende die vyfjaartydperk van 2010 tot 2015 was daar ongeveer 1 323 gebiede wat ’n hoë toename in armoede ervaar het, terwyl 1 877 gebiede ’n lae toename in armoede gehad het. In werklikheid was daar ook ’n afname in die aantal liggings. Al hierdie hoë en lae gebiede is ook statisties betekenisvol.

Figuur 16. Moran I-verspreidingskaarte, ARN-groeperings en beduidende waardes, 2010 tot 2015
(Bron: Skrywers se ontledings; LandScan en VIIRS met behulp van GeoDA)

Gedurende die vyfjaartydperk 2015 tot 2020 het 1 447 gebiede ’n hoë toename in armoede ervaar, terwyl 645 plekke ’n afname in armoede ervaar het, soos wat die gemiddelde welvaart in die gebiede toegeneem het. Die meerderheid van hierdie resultate is ook statisties beduidend.

Figuur 17. Moran I-verspreidingskaarte, ARN-groeperings en beduidende waardes, 2015 tot 2020
(Bron: Skrywers se ontledings; LandScan en VIIRS met behulp van GeoDA)

’n Nie-parametriese ruimtelike korrelogram is ’n alternatiewe maatstaf vir globale ruimtelike outokorrelasie wat nie afhanklik van die spesifikasie van ’n ruimtelike gewigmatriks is nie. In plaas daarvan is plaaslike regressie-ontleding vir die kovariante of korrelasies wat vir alle waarnemingspare bereken word, as ’n funksie van die afstand tussen hulle bereken kan word, geskat (Anselin 2018). Die resultate van die ruimtelike korrelogram vir die drie tydperke word in Tabel 6 aangetoon.

Figuur 18 toon hoe die ruimtelike outokorrelasie oor afstand verander. Die x-as-waardes toon die ruimtelike outokorrelasie wat met die afstandsband soos op die y-as vertoon word, verband hou. Vir al drie tydperke stem die beginpunte ooreen met ongeveer 0,18 vir afstande tussen 0 en 1,7533 euklidiese afstand (Tabel 6). Die kruising tussen die korrelogram en die gestippelde nul-as, wat die omvang van ruimtelike outokorrelasie bepaal, vind plaas op die middelpunt van die vierde reeks (bin 3: 5,26 tot 7,013 euklidiese afstand), dit wil sê 5,36 euklidiese afstande. Buite die omvang is die outokorrelasie eers negatief en neem dan stadig toe tot op die nulwaarde (Tabel 6).

Figuur 18. Nie-parametriese ruimtelike verspreidingsgrafiek (korrelogram)
(Bron: Skrywers se ontleding; LandScan en VIIRS met behulp van GeoDA)

Tabel 6. Nie-parametriese ruimtelike korrelogram
(Bron: Skrywers se ontleding; LandScan en VIIRS met behulp van GeoDA)

 

bin-0

bin-1

bin-2

bin-3

bin-4

bin-5

bin-6

bin-7

bin-8

bin-9

Min

0

1,753

3,51

5,26

7,013

8,767

10,52

12,273

14,026

15,78

Maks

1,753

3,507

5,26

7,013

8,767

10,52

12,273

14,026

15,78

17,533

# Pare

72753

170070

210634

200383

148401

93394

58272

33170

12154

769

 

9. Gevolgtrekkings

Ekonomiese ontwikkeling is vir die Suid-Afrikaanse owerheid ’n prioriteit (ANC 1994). Ontwikkeling verskil van ekonomiese groei daarin dat dit op die verligting van armoede en ’n regverdige verdeling van inkomste fokus (Todaro en Smith 2020). Met meer as die helfte van die Suid-Afrikaanse bevolking wat onder die armoedelyn leef, is dit noodsaaklik vir die owerheid en ontwikkelingsbeplanners om te weet waar diegene wat in armoede lewe hulle bevind. Hierdie artikel fokus daarom op die ruimtelike aard en dinamika van armoede in Suid-Afrika. Die meerderheid armoedestudies fokus op onderwys, werk en gesondheid, terwyl hierdie artikel die fisiese ligging daarvan ondersoek.

Onlangse studies benadruk dit dat ruimte as ’n belangrike determinant van armoede beskou kan word (bv. SEDAC 2020; Licona 2019; Vaziri e.a. 2019; David 2018; Sulla en Zikhali 2018; Frame 2016). Armoede is ’n belangrike geografiese element en hierdie aspek verdien meer aandag. Hierdie taak is nou moontlik vanweë die beskikbaarheid van satellietbeeld-inligting en -data. Dit is nou moontlik om armoede vanuit ’n ruimtelike perspektief te bestudeer en daaruit besonder interessante en relevante bevindings te maak. Die huidige studie het dan ook bevind dat armoede wel ook ’n ruimtelike dimensie bevat.

Die huidige studie ontwikkel armoedeverspreidingslandkaarte vir Suid-Afrika. Die gebruik van satellietbeelde en -data spreek fundamentele beperkings in die kartering van armoede aan en maak dit moontlik om armoede op ’n baie fyn en deurlopende basis te karteer, dit dan te ondersoek en, onder andere, armoedeverligtingsprogramme te ontwerp.

Die primêre databronne wat gebruik is, is die datastelle vir die wêreldbevolking van LandScan vir 2010 en 2015, aangevul deur die SocioEconomic Data and Applications Center Gridded Population of the World-datastel vir 2020 en die VIIRS-nagligdatastel vir 2015 en 2020, aangevul deur die Linescan System (OLS) se nagdatastel vir 2010. Hierdie inligting is aanvanklik deur die Amerikaanse Departement van Verdediging beheer, maar is tans vrylik beskikbaar.

Die resultate van die gedetailleerde landkaarte vir armoede dui daarop dat armoede in Suid-Afrika ruimtelik van aard is en nie lukraak versprei is nie. Plekke met hoë en lae armoede is in die algemeen nie naby mekaar geleë nie. Armoede kom hoofsaaklik in die noordoostelike, oostelike en suidoostelike dele van Suid-Afrika voor, ongeag die jaar. Vergelykings met ander armoedeverspreidings van vorige studies dui daarop dat dit inderdaad moontlik is om gebiede of plekke met hoë en lae armoede met behulp van die geskatte armoede-indekse op grond van die LandScan-geruite bevolking en VIIRS-lig-beelde en -data te identifiseer.

Wat wel in gedagte gehou moet word, is dat daar, soos met enige databron, ook beperkings in die gebruik van satellietbeelddata is ten opsigte van die meting en kartering van armoede. Gebiede waar daar geen elektrisiteit beskikbaar is nie, die tyd van die nagbeelde en resolusietekortkominge is ’n paar voorbeelde hiervan. Hierdie tekortkominge behoort in verdere navorsing aandag te geniet.

Die kern van die ruimtelike kartering van armoede op ’n ruitnetwerk is dat ruimte inderdaad saak maak, in die sin dat armoedevlakke op een plek verband hou met wat op naburige plekke gebeur. Daar bestaan nie net ruimtelike verhoudings nie, maar dit lyk asof armoede fundamenteel verband hou met bepaalde ligging. Die detailinligting wat die landkaarte van hierdie studie ontwikkel het, kan ’n besondere bydrae tot die verligting van armoede in Suid-Afrika lewer.

 

Bibliografie

African National Congress (ANC). 1994. The Reconstruction and Development Programme (RDP). Johannesburg: Umanyano-uitgewers.

Anselin, L. 2005. Exploring spatial data with GeoDa: A workbook. University of Illinois, Urbana-Champaign: Department of Geography, Spatial Analysis Laboratory & Centre for Spatially Integrated Social Science, Urbana, Illinois.

—. 2018. Global Spatial Autocorrelation (1) Moran Scatter Plot and Spatial Correlogram. GeoDa, Universiteit van Chicago. https://geodacenter.github.io/workbook/5a_global_auto/lab5a.html (12 Februarie 2021 geraadpleeg).

—. 2019. The Moran Scatter Plot as an ESDA tool to assess local instability in spatial association. In Fischer, M. e.a. (reds.), pp.111–25.

Alexander, M. 2019. Mapping poverty in South Africa. South Africa Gateway. https://southafrica-info.com/people/mapping-poverty-in-south-africa (12 Februarie 2021 geraadpleeg).

Bigman, D. en H. Fofack. 2000. Geographical targeting for poverty alleviation: methodology and applications. Washington: Wêreldbank.

Castelán, C.R., I. Weber, D. Jacques en T. Monroe. 2019. Making a better poverty map. Washington: Wêreldbank. https://blogs.worldbank.org/opendata/making-better-poverty-map (12 Februarie 2021 geraadpleeg).

Coetzee, C.E. en E.P.J. Kleynhans. 2018. Investigating city economic convergence in KwaZulu-Natal, South Africa: Integration or isolation. Regional Science, Policy and Practice, 10(3):221−40.

Daimon, T. 2001. The spatial dimension of welfare and poverty: Lessons from a regional targeting programme in Indonesia. Asian Economic Journal, 15(4):345−67.

David, A., N. Guilbert, N. Hamaguchi, Y. Higashi, H. Hino, M. Leibbrandt en M. Shifa. 2018. Spatial poverty and inequality in South Africa: A municipality level analysis. Universiteit van Kaapstad: SALDRU, Werksdokument 221.

Earth Observations Group (EOG). 2021. VIIRS day/night band nighttime lights. Colorado School of Mines. https://eogdata.mines.edu/products/vnl (12 Februarie 2021 geraadpleeg).

Elvidge, C.D., P.C. Sutton, T. Ghosh, B.T. Tuttle, K.E. Baugh, B. Bhaduri en E. Bright. 2009. A global poverty map derived from satellite data. Computers & Geosciences, 35(8):1652–60.

Fisher, M., H.J. Scholten en D. Unwin. 2019. Spatial analytical perspectives on GIS. Londen: Taylor & Frances.

Frame, E., A. De Lannoy en M. Leibbrandt. 2016. Measuring multidimensional poverty among youth in South Africa at the sub-national level. Universiteit van Kaapstad: SALDRU, Werksdokument 169.

Global Insight (GIRE). 2021. Regional eXplorer database. https://www.ihsmarkit.co.za/Products/ReX (12 Februarie 2021 geraadpleeg).

Glasmeier, A.K. 2002. One nation, pulling apart: The basis of persistent poverty in the USA. Progress in Human Geography, 26(2):155–73.

Ghosh, T., S.J. Anderson, C.D. Elvidge en P.C. Sutton. 2013. Using nighttime satellite imagery as a proxy measure of human well-being. Sustainability, 5(12):4988–5019.

Henninger, N.H. en M. Snel. 2002. Where are the poor? Experiences with the development and use of poverty maps. Washington D.C. & Arendal, Norway: World Resources Institute & United Nations Environment Programme GRID-Arendal.

Higgins, K., K. Bird en D. Harris. 2010. Policy responses to spatial poverty traps. ODI/CPRC Werksdokument WP328, CPRC WP168. Londen: ODI en Manchester: CPRC, Universiteit van Manchester.

Jean, N., M. Burke, M. Xie, W.M. Davis, D.B. Lobell en S. Ermon. 2016. Combining satellite imagery and machine learning to predict poverty. Science, 353(6301):790–4.

LandScan. 2018. LandScan, High Resolution Global Population Data. UT-Battelle, LLC, Oak Ridge National Laboratory, https://landscan.ornl.gov (12 Februarie 2021 geraadpleeg).

Licona, G.H. 2019. Making a better poverty map. Washington: Wêreldbank. https://blogs.worldbank.org/opendata/making-better-poverty-map (12 Februarie 2021 geraadpleeg).

National Oceanic and Atmospheric Administration (NOAA). 2021. DMSP-OLS Nighttime Lights Time Series. https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html (12 Februarie 2021 geraadpleeg).

Newhouse, D. 2020. Mapping poverty by satellite. Washington: Wêreldbank. https://openknowledge.worldbank.org/handle/10986/29075 (28 Februarie 2021 geraadpleeg).

Omar, N.S. en A. Ismal. 2019. Night lights and economic performance in Egypt. Advances in Economics and Business, 7(2):69–81.

Pestalozzi, N., P. Cauwels en D. Sornette. 2013. Dynamics and Spatial Distribution of Global Nighttime Lights. Swiss Finance Institute Research Paper No. 13-02. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2237410 (26 April 2021 geraadpleeg).

Rogers, D., T. Emwanu en T. Robinson. 2006. Poverty Mapping in Uganda: An Analysis Using Remotely Sensed and Other Environmental Data, PPLPI Working Paper No. 36.

Safarida, R. 2017. The spatial pattern and determinants of poverty. Jakarta: Statistics Indonesia.

Seekings, J. 2007. Poverty and inequality after apartheid. Universiteit van Kaapstad, Centre for Social Science Research (CSSR). https://sarpn.org/documents/d0003024/index.php (12 Februarie 2021 geraadpleeg).

Socioeconomic Data and Applications Center (SEDAC). 2020. Gridded population of the world, palisades, New York: NASA. https://sedac.ciesin.columbia.edu/data/collection/gpw-v4 (12 Februarie 2021 geraadpleeg).

Sowunmi, F.A., V.O. Akinyosoye, V.O. Okoruwa en B.T. Omonona. 2012. The landscape of poverty in Nigeria: A spatial analysis using senatorial districts-level data. American Journal of Economics, 2(5):61–74.

Statistiek Suid-Afrika (StatsSA). 2021. Five facts about poverty in South Africa. Pretoria: StatsSA. www.statssa.gov.za/?p=12075 (12 Februarie 2021 geraadpleeg).

Steele, J.E., P.R. Sundsøy, C. Pezzulo, V.A. Alegana, T.J. Bird, J. Blumenstock, J. Bjelland, K. Engø-Monsen, Y.A. De Montjoye, A.M. Iqbal en K.N. Hadiuzzaman. 2017. Mapping poverty using mobile phone and satellite data. Journal of the Royal Society Interface, 14(127):20160690.

Sulla, V. en P. Zikhali. 2018. Overcoming poverty and inequality in South Africa: An assessment of drivers, constraints and opportunities. Werksdokument 124521. Washington: Wêreldbank.

Todaro, M. en S. Smith. 2020. Economic Development. London: Pearson.

Vaziri, M., M. Acheampong, J. Downs en M.R. Majid. 2019. Poverty as a function of space: Understanding the spatial configuration of poverty in Malaysia for sustainable development goal number one. GeoJournal, 84(5):317–1336.

Vista, B.M. 2011. Exploring the spatial patterns and determinants of poverty: The case of Albay and Camarines Sur Provinces in Bicol Region. Ongepubliseerde M.Sc.-verhandeling, Universiteit van Tsukuba.

Wang, W., H. Cheng en L. Zhang. 2012. Poverty assessment using DMSP/OLS night-time light satellite imagery at a provincial scale in China. Advances in Space Research, 49(8):1253–64.

Wu, J., Z. Wang, W. Li en J. Peng. 2013. Exploring factors affecting the relationship between light consumption and GDP based on DMSP/OLS nighttime satellite imagery. Remote Sensing of Environment, 134:111–19.

 


LitNet Akademies (ISSN 1995-5928) is geakkrediteer by die SA Departement Onderwys en vorm deel van die Suid-Afrikaanse lys goedgekeurde vaktydskrifte (South African list of Approved Journals). Hierdie artikel is portuurbeoordeel vir LitNet Akademies en kwalifiseer vir subsidie deur die SA Departement Onderwys.


  • 1

Kommentaar

  • Reageer

    Jou e-posadres sal nie gepubliseer word nie. Kommentaar is onderhewig aan moderering.


     

    Top