摘要：经济统计信息往往包含多维属性,需要采用降维方法将多维信息转换到三维以内的空间来实现多维信息可视化,这有助于研究其内在空间分布规律。在评价线性方法 (PCA)、非线性方法 (NLM和SOFM),以及监督分类方法 (SVM)等四种降维方法的基础上,以2007年四川省区县尺度为研究单元,运用不同分类方法针对区县社会经济发展现状进行聚类(分类)处理,并对成果的差异性展开了深入讨论,主要结论如下:PCA虽然能在整体上揭示经济发展趋势,但结果与实际情况差异较大;NLM能很好地展现出四川经济发展的区域态势和核心区域,准确反映了四川经济发展现状;SOFM的分类结果与发展现状较吻合,但局部地区存在一定的错分情况,且不能进行类内目标的比较;SVM是监督分类,需要已知样本来训练分类过程,在样本的选择上存在较大的主观性,且最优参数的搜索过程较为复杂。本文对几种降维方法的比较,并在经济统计领域中的应用,可以为相关的空间多维信息降维研究提供参考。

摘要：经济统计信息多包含多维度的属性,在研究数据内在结构时,需要采用降维方法将多维信息转换到三维以内的空间以实现多维信息可视化和聚类。支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中表现出许多特有的优势,但SVM是一种监督分类方法,需要已知样本集来训练分类过程。由于高维经济统计数据中往往缺少已知聚类中心,从其他方法的聚类结果选择小样本集作为聚类中心具有很大的主观性;空间自相关分析能揭示出高空间聚集区域和随机离散区域,并能分析出各区域的空间聚集模式,这为已知小样本的选择提供了可行的方法。该文以四川2007年统计年鉴的经济数据为例,通过主成分分析法和非线性映射法进行聚类,将各类中心和空间自相关分析揭示的高空间聚集目标作为已知样本集导入SVM,得到的结论是:采集于主成分分析法和非线性映射法的两个不同已知样本集的SVM分类结果之间的差异较大,已知样本集的选择具有很大主观性;空间自相关分析结果能大量减少特征样本集的数目,这不仅简化了SVM算法分类过程,并且结果也能准确反映四川发展实际情况。

摘要：在界定森林生态安全内涵的基础上,构建森林生态安全综合评价指标体系,建立基于SD模型的森林生态安全情景分析和调控模型,设计了林业政策扶持型、社会经济中速发展型、环境管理强化型、森林—社会经济—环境协调发展型等4种发展情景,并对各情景下的森林生态安全状况进行了仿真和动态评价分析。研究表明:初始状态中(即情景0),2000-2020年北京市森林生态安全综合评估值(FES)呈波动上升趋势,2013年达到最佳状态为0.527,但到2020年小幅下降到0.519,森林生态系统安全状况改善并不明显。与情景0相比,情景1~4均不同程度地提升了北京市森林生态安全水平,到2020年FES分别达到0.541,0.525,0.559和0.604,且森林资源的数量和质量也均有不同程度地改善。4种调控方案的模拟结果显示,北京市森林生态安全受林业政策实施、森林资源禀赋、社会经济发展和环境治理等因素的综合影响。只有保持森林资源的生产力和持续活力,注重维护森林生态环境的稳定健康,兼顾引导社会经济有序发展(即情景4),北京市森林生态安全才会显著改善。