本文记录数学建模A题--关于长江三角洲区域一体化高质量发展问题,这一题目的问题三的分析与求解步骤、程序及结果。对于整个问题的初步分析可以参考上一篇文章。问题四的求解见后续。
基于遗传算法加速的投影寻踪法评价模型
模型的建立
沿用第一问的思路,对原指标体系做适当删减,将原来的64个底层指标删减为52个,拉长原有数据的时间维度,选取2010年-2020年共十年的数据。
模型的求解
在使用遗传算法迭代100次后,获得了这52个底层指标的客观赋权值,并按年度获得了S市综合评价得分。
年度 | 综合评价得分 |
2010 | 322.2667359 |
2011 | 259.4640879 |
2012 | 282.7775173 |
2013 | 371.6435687 |
… | … |
2018 | 499.2746331 |
2019 | 535.3144414 |
2020 | 536.0908361 |
可以从图表中看出,纵向测度上,S市的综合评价得分在推行长三角区域一体化以来,虽然偶有波动,但总体上以颇有动量的形势不断发展,十年间的的综合评价得分增长了约160%。结合问题一、二的,模型求解结果,发现,在横向测度上,S市的综合评价分数远超长江三角洲其它城市。
基于LASSO回归的S市发展潜力预测
模型的建立
Lasso回归是用于解决共线性问题的有偏估计回归,它类似于岭回归,Lasso 会就回归系数向量给出惩罚值项。它能够减少变化程度并提高线性回归模型的精度。
Lasso 回归使用的惩罚函数是L1范数。这导致惩罚(或等于约束估计的绝对值之和)值使一些参数估计结果等于零。如果预测的一组变量是高度相关的,Lasso 会选出其中一个变量并且将其它的收缩为零。其实现步骤如下所示:
Step1:通过交叉验证方法,确定λ值。λ值的选择原则是使得Lasso模型的均方误差最小。
Step2:通过λ和回归系数图,确定模型筛选的变量情况,其中标准化系数为零的变量可以认为被Lasso回归模型剔除。
Step3:得到Lasso回归模型的公式和预测情况,并且列出保留和被剔除的变量。其系数如下所示:
变量名 | 标准化系数 | 非标准化系数 | R² |
截距 | -55369.096 | -55369.096 | 0.97 |
年份 | 27.683 | 27.683 | 0.97 |
由此可得:模型的标准化公式:y=-55369.096+27.683 × 年份。模型的非标准化公式:y=-55369.096+27.683 × 年份。
模型的求解
最终,得到模型结果预测图如下所示:
从图像上可见,S市作为我国的经济、金融、贸易、航运、科技创新中心,横向上,根据第一问的解答可以看出,相对于其他城市在经济规模、发展外向度、经济效益等方面均表现出极大的优越性。纵向上,S市近年来随着区域一体化的不断推进,S市自己也实现了不断发展前进,并且时至今日仍具有巨大的发展动力、活力、潜力。如今,S市加快走创新驱动着力提升城市能级和核心竞争力,已经形成股票、债券、黄金、金融期货等较为完备的金融市场体系;在科技创新上,S市强化基础研究的厚度,实现关键核心技术的突破。
基于雷达图寻找发展制约点
沿用问题1和问题2的求解结果和思路,将S市的底层指标进行分类,得到八个方面。运行可视化工具画出雷达图,如下所示:
S市作为长江三角洲城市群的发展龙头,在经济发展、贸易开放、体量规模方面一路领跑,但是也存在部分发展制约点。生态建设、节能减排、交通与旅游方面略低一筹,仍有很大的发展空间。因此,S市在调整产业结构优化升级的同时,应把完善生态环境保护与经济发展相协调、促进城市建设尤其是交通道路优化、增强城市包容作为改善社会发展质量的首要任务。
在讲评时,老师指出发展制约因素建议使用多元线性回归等模型进行定量分析,依托雷达图去选定某个城市的发展制约因素主观性强,且没有量化制约程度,仅为定性分析。