成渝双城经济圈高质量发展质量及协调性研究

选取2006—2020年成渝双城经济圈16个市作为研究对象,探究人口与经济之间的时空协调性、构建空间面板模型探究各驱动因素对经济发展的影响机制、剖析社会发展质量、城市群结构发展空间分布格局等特征。实证结果表明:(1)人口发展协调指数整体呈现震荡式分布态势,2020年,城市耦合协调度基本高于0.8;(2)仅有人均GDP、对外开放水平对其经济指数具有明显促进作用;(3)社会发展格局呈现“核心高,中部、东北部低”的空间差异;(4)城市规模质量由2006年极度集中(D=2.05)降至2020年的相对均衡(D=1.08),整体规模表现为以成都和重庆为联系中心的放射状非均衡结构。

基于CNN-LSTM模型的全球气温预测研究

最新数据表明,自20世纪初以来,温室效应不断加剧,导致全球平均气温上升约1.4℃,极端高温天气严重影响了人们的生活、生产和健康。因此,对全球气温进行预测具有重要意义,本文根据气温时间序列构建ARIMA自回归时间序列预测模型和深度卷积长短期记忆网络模型(CNN-LSTM)对未来20年的全球年平均气温进行预测。为了对比CNN-LSTM模型和ARIMA模型的预测效果,我们分别利用1880年至2022年的全球平均气温数据对这两种模型进行了训练和预测。通过对预测结果的对比和精度验证,可以全面评估这两种模型在气温预测方面的表现。研究结果表明,CNN-LSTM模型在预测精度和稳定性方面优于ARIMA模型,CNN-LSTM模型结合了卷积神经网络(CNN)和长短期记忆网络(LSTM)的优点,CNN能够降低数据维度,而LSTM能保持对长时间跨度的时间序列的良好记忆。这种模型充分考虑了气象数据的时间相关性,从而可以提高对海量、长时间序列气温数据的预测精度。

融合集成算法与宽度学习的商品需求量预测

由于电商订单销售数据中全品类商品的种类繁多、分类多层化,且数据集还存在时序长度分布不均、地区差异、定性变量及非线性特征变量的处理等问题,导致需求量的预测任务较困难。为了解决上述问题,本研究提出一种宽度学习集成框架,将机器学习中的Random Forest、GBDT、XGBoost和LightGBM与宽度学习模型进行随机融合,并分别进行验证,对比模型效果。经实证分析结果表明:LightGBM-BLS模型具有最优的预测性能和计算性能,它在保持LightGBM模型计算优势的同时,大幅度地提升了模型本身的预测精度,使拟合优度达到0.99,评价指标RMSE、MSE降低90%以上,MAE降低85%以上。

我国教育支出影响经济发展水平吗?来自全国省际时空大尺度数据的经验验证

中国经济已经进入不同以往的、相对稳定的状态。我国经济工作现在面临的问题是产业结构转型和经济高质量发展。基于全国1978~2020年31个省市的面板数据,采用高相关、低方差滤波对原始数据集进行特征降维;其次,利用随机森林建模方法提取控制变量的贡献重要性特征;最后,构建个体固定效应下的静态和动态面板回归模型,探讨教育支出对经济发展水平的影响机制。结果表明:1) 不同省份的经济发展水平差异非常大;2) 教育支出对经济水平的影响显著;3) 经济发展水平整体上体现了区域协同发展的思想;4) 地区前一年的GDP对后一年的GDP有着正向的影响。据此建议:1) 重视教育发展;2) 提高教育支出;3) 实现均衡发展,加强成熟型城市群核心城市的教育吸引力,促进教育与经济的协调发展;4) 实现综合发展,各地应保持整体发展的态势,注重协同合作,推动经济蓬勃发展。