基于多元统计学的我国各省市经济发展状况分析摘要：通过多元统计学的聚类分析和因子分析方法，使用SPSS23.0软件，根据2017年我国31个省
市自治区的生产总值分行业增加值表，综合统计各个行业产值的样本数据分析并输出结果。本文对31个省市进行了分类排名，进而分析出我国各省
市的基本发展状况，并可以根据相关结果对于不同地区的发展提供理论指导。关键词：经济发展；主成分分析；聚类分析；因子分析Analysi
softheEconomicDevelopmentofprovincesandcitiesinChinaBas
edonMultivariateStatisticsAbstract:Throughtheclusteranaly
sisandfactoranalysismethodsofmultivariatestatistics,SPSS2
3.0softwarewasusedtocomprehensivelyanalyzeandoutputthes
ampledataofoutputvalueofeachindustryaccordingtothevalu
e-addedtableofGDPof31provincesandautonomousregionsinCh
inain2017.Inthisstudy,31provincesandcitieswereclassifie
dandranked,.whichcanrealizethevariousprovincesandautono
mousregionsinChina''seconomicdevelopmentsituation,andcana
ccordingtorelevantresultsprovidetheoreticalguidanceforthe
developmentofdifferentregions.Keywords:Economicdevelopment
;Principalcomponentanalysis;Clusteranalysis;Factoranalysis
目录一、引言4二、相关分析方法51.聚类分析52.主成分分析63.因子分析7三、数据的准备及处理91.聚类分析102.主成分分析
123.因子分析163.1因子载荷分析193.2综合得分分析19四、结论与建议201.结论202.建议20（1）给予更多优惠和鼓励
、加大改革，同时注重保护环境20（2）协调地区经济发展，保障经济全面高速健康发展20（3）加大交通网络建设投入力度，促进优势互补、
区域协调21（4）完善社会保障制度，严格落实“科教育人”21五、参考文献22六、附录23查重结果截图23一、引言新中国成立以以来，
我们国家的综合发展水平有了很大的提升；特别是1978年的经济结构调整，为我国社会经济不断发展注入了强大的活力。据统计，国内生产总值
从1988年的1492.8亿元增长到2017年的82712.2亿元。诚然，这是一份值得骄傲的事情；但是，我们也必须清醒地看到，我国
社会各地区的发展经济水平极不平衡。虽然早期我们的国家政策设置为允许一部分人先富裕确实带动了我们国家的整体经济发展，但也导致了现阶段
国家经济存在的基本问题就是发展不平衡。以学者们对于中国经济发展的划分来看，中部、东部和西部三个区域便有着很大的差距在。综合来说，我
国东部城市由于处于沿海区域，发展较快；而西部地区的大部分城市仍旧属于欠发达城市，同样，我国东北地区也有着类似的情况。另外，我们也应
该认识到，对于国家经济的分析不能停留在对过往数据的研究，我们对各地区经济形势的理解和分析也应具有一定的时效性。只有这样，我们才能对
我国不同地区的经济发展水平有一定的了解，并为其未来的发展提供及时的指导和建议。本文基于2017年中国统计年鉴发布的地区生产总值分行
业增加值表，运用多元统计分析相关理论知识和SPSS软件，对我国各个地区的经济发展情况进行分析和研究，以期发现我国各区域之间经济发展
的差异，借以针对性地对各省市提出能助力发展的建设性意见，当然这对统筹国家的宏观经济发展，缩小地区贫富差距、避免两极分化具有着重要的
意义。二、相关分析方法1.聚类分析聚类分析是为了分析和解决如何对样本进行定量分类的问题。它是根据样本或变量(指标)之间的相似性，将
待研究的对象集合分成由相似对象组成的多个类别的一种多元统计分析方法。目前普遍研究最常用的就是K均值聚类法和系统聚类法。基于本研究中
多变量的特点，本文采用了系统聚类方法(也称层次聚类方法)。系统聚类是将不同层次的数据集划分成树状的聚类结构图，在分析时通过计算样本
之间的距离或类别之间的距离，以此来分析样本之间的相似性；聚类过程中主要有以下5种距离：设每个样品Xi、Yi有p个指标，他们的观测
值可表示为：这时，每个不同样品Xi、Yi可看成p维空间中的一个点，这就可以组成p维空间中的n个点。我们可以用不同的点之间的
距离来衡量每个样本之间的接近程度，（1）欧氏距离（2）Chebychev距离（3）Euclidean距离（4）SquaredEu
clidean距离（5）Minkovski距离而在实际操作中，到底采用哪种距离定义，通常都是尝试各种不同距离分析，最终采用最有
利于分类的距离。另外，根据类间距离定义的不同，学者们也将系统聚类划分为最短距离法、组间平均距离法、离差平方和法等等。本文所采取的的
聚类分析便是通过计算各组间的平均欧氏距离以达到合并、分类的目的。聚类分析的具体步骤可以分为以下五个：（1）将n个样品各作为一类；（
2）通过计算样品之间的距离建立距离矩阵；（3）合并距离最近的两类为一类；（4）计算新类与当前各类的距离，再合并，不断重复合并与计算
，直至只有一类为止；（5）画聚类图，解释。2.主成分分析在许多领域的研究与应用中，经常会遇到具有多个指标的样本数据。毫无疑问，多变
量大以及数据集固然会给我们研究发展提供更加丰富的信息，但是也在一定程度上增多了采集系统数据的工作量。更重要的是，在许多情况下，许多
变量之间可能仍然存在相关性，这导致了问题分析的复杂性。因此，在减少需要分析的指标的同时，我们应该尽量减少原始指标中包含的信息损失，
从而达到对收集到的数据进行全面分析的目的。主成分分析就是通过正交变换，将相关的原始随机向量转换成其成分不相关的新随机向量的过程。一
般来说，就是一个不断综合数个指标转为一个新指标的处理过程，以新指标的线性组合的方差贡献率为基准，以此类推可以构造第二、第三和第n主
分量，从而达到降低指标维数的目的。主成分分析的具体步骤如下：（1）标准化原来的指标，以消除变量在水平与量纲上的影响；（2）构建数
据的相关系数矩阵；（3）计算并求出矩阵的特征向量和特征根；（4）确定各个主成分，并解释各主成分所包含的信息。3.因子分析作为一种简
化数据的方法，因子分析是指通过分析许多变量之间的内在联系，最后用几个公共因子来表示其基本的数据结构的过程。当这些公共因子的累积方差
，即方差贡献率达到一定比例时，就表明这些公共因子集中反映了原始变量的绝大部分信息。一般来说，当累计方差贡献率达到80%时，就认定原
始数据的信息能够得到很好的解释。另外，由因子分析构建的综合评价权重数是伴随着数学变换计算而产生的，并非人为确定的，因此比较客观真实
。因子分析模型如下：其中X1、X2、……、Ｘn为n个标准化后的原始变量，F1、F2、........、Fm为m个因子变量。其矩
阵形式为:x=AF+e其中e是特殊因子，是指原始变量不能被公共因子所解释的部分；F为公共因子，作为测度公共因子相对重要性的
指标。公共因子Fi的方差贡献越大，就表明公共因子对X的贡献越大。A则为因子载荷矩阵，ａij为因子载荷，是指第ｉ个原有变量在第j个
因子变量上的负荷，反映第i个变量对第ｊ个公因子的重要性。因子分析的具体步骤如下：（1）将原始数据标准化，并进行数据检验检验数据是否
可行一般使用KMO检验和Bartlett球度检验：KMO检验检验变量间的偏相关性；统计量取值越接近1，变量间的偏相关性越强，因子分
析的效果就越好。一般而言，统计量>0.7即可Bartlett球度检验以相关系数矩阵为基础，假设相关系数矩阵是单位矩阵。如果不是，就
无法进行因子分析（2）因子提取因子提取在大多数情况下使用主成分法(这也是SPSS的默认选项)，通过主成分分析的基本原理提取公因子，
并假设变量是因子的线性组合来输出结果。本文采用的是最大似然法，因为最大似然法适合在样本量较大的数据时使用，且它不要求数据服从正态分
布。（3）因子命名一般而言，因子分析得到的公共因子的含义上都是比较隐晦的，需要重新解释、命名；通过因子旋转，可以让因子的含义更加清
晰，以便于对因子的命名和解释。因子命名更考验学者的专业素养，必须得结合实际问题和分析结果来综合解释。（4）计算因子得分因子分析得分
是指各个影响因子在每一份调查数据上的详细分值，它是组成变量的线性组合。三、数据的准备及处理本文根据2017年31个省市自治区的地区
生产总值分行业增加值表，以各行业的产值的统计数据为基础进行分析，数据见下表1。运用软件SPSS23.0中的数据处理方法，借助降维
-因子分析和分类-系统聚类功能，对下列数据进行处理分析表1地区生产总值分行业增加值表地区农林牧渔业工业建筑业批发和零售业交通运
输、仓储和邮政业住宿和餐饮业金融业房地产业其他西藏125.9102.16411.4975.134.0835.27623.5333
.49383.23青海242.04777.56384.85169.15103.6948.96308.9460.89563.09宁夏
266.271096.3484.36160.92199.3158.66274.6120.84742.21新疆1640.3332
54.181159.51702.18668.15180.03110.2323.162330.89海南993.25528.28470
.01496.72248.94221.441107.12434.9760.06甘肃8961763.44811.41563.232
93.5229.91314.69274.32074.52天津1746863.98745.662306.98780.4309.16
783.87783.274634.05吉林1137.716057.29964.141208.3603.12374.843203.
27525.583363.91山西764.065771.221019.841078.541052.14401.774655.37
798.733322.07上海115.18392.84970.794393.361344.54412.332509.191873
.057800.44北京122.8242741140.762486.81208.4413.816853.011766.211946
.78重庆1300.336587.081997.531595.88939.46424.781099.851048.253717.
69广西2964.655822.931635.691326.17955.7436.131194.67885.483223.11贵
州2139.974260.481169.47812.741070.22439.19787.88283.052577.83福建22
94.4312674.892707.822392.781889.69465.071951.751768.485933.4江西18
98.497789.591838.951415.12866.3465.581813.73890.553734.61辽宁2000.
47302.411999.283002.131310.02476.873533.051132.184221.37河北3297.76
13757.842109.032833.012497.88492.665330.541690.315284.39陕西1830.6
28691.792217.971762.33832.62497.62553.59861.533904.23安徽2706.7410
916.311943.561910.47875.38500.571964.581390.485110.9云南2388.55408
9.372123.681567.79366.59523.58709.64345.53776.61黑龙江3036.883332.59
852.781857.41801.33566.812640.86656.343866.19湖南3165.2811879.9422
78.652666.711496.01705.381300.11019.359081.33内蒙古1677.7151091291.4
51815.471050.02732.293651.56458.592861.83湖北3690.313060.082459.68
2682.211420.01814.181320.051642.987067.79四川4365.1111576.162838.3
52574.151595.81023.46932.352039.837764.09浙江1972.8419474.482845.48
6217.291938.171218.512053.443222.5411345.9河南4310.5518452.062694.1
13263.062162.851314.651610.312222.217624.15江苏4314.5334013.64651.
758070.233097.671406.822055.535016.5418514.75广东3712.7135291.83281
8.828976.593580.941646.851273.47635.9619188.52山东5114.728705.69427
6.979283.733268.011665.391663.593091.3713576.731.聚类分析从得出的聚类分析的冰柱图
或谱系聚类图可以看出，将31省市自治区大致可以分为四类：表2聚类分析结果第一类江苏，广东，山东第二类河北，浙江，湖北，四川，河
南，福建，安徽，湖南，河南，上海第三类北京第四类海南，青海，宁夏，广西，西藏，新疆，贵州，甘肃，黑龙江，云南，山西，吉林，重庆，江
西，陕西，内蒙古，辽宁，天津从聚类结果可以看出湖北，四川，湖南，安徽，福建，河北，浙江，河南，上海发展情况相近；江苏，广东，山东发
展情况大致相近；其余除北京外的各省市自治区如青海，宁夏等发展情况较为接近。图1聚类分析冰柱图图2聚类分析谱系图2.主成分分
析利用SPSS软件进行因子分析-主成分分析，分析结果见下表：通过进行KMO和巴特利特检验,发现KMO值为0.869>0.7，较适
合做主成分分析。表3KMO和巴特利特检验KMO取样适切性量数。.869巴特利特球形度检验近似卡方420.193自由度36显著
性.000且根据得出的相关性系数矩阵可知，数据具有良好的相关性和显著性。表4相关性系数矩阵农林牧渔业工业建筑业批发和零售业交通运
输、仓储和邮政业住宿和餐饮业金融业房地产业其他相关性农林牧渔业1.000.709.818.581.713.790.375.534.
545工业.7091.000.868.935.942.914.802.924.905建筑业.818.8681.000.786.82
3.846.629.694.758批发和零售业.581.935.7861.000.903.889.854.895.920交通运输、
仓储和邮政业.713.942.823.9031.000.876.794.875.872住宿和餐饮业.790.914.846.889
.8761.000.714.829.845金融业.375.802.629.854.794.7141.000.888.930房地产业
.534.924.694.895.875.829.8881.000.923其他.545.905.758.920.872.845.9
30.9231.000显著性（单尾）农林牧渔业.000.000.000.000.000.021.001.001工业.000.00
0.000.000.000.000.000.000建筑业.000.000.000.000.000.000.000.000批发和零售
业.000.000.000.000.000.000.000.000交通运输、仓储和邮政业.000.000.000.000.000.
000.000.000住宿和餐饮业.000.000.000.000.000.000.000.000金融业.021.000.000.
000.000.000.000.000房地产业.001.000.000.000.000.000.000.000其他.001.000
.000.000.000.000.000.000表5总方差解释成分初始特征值提取载荷平方和总计方差百分比累积%总计方差百分比累
积%17.46782.96782.9677.46782.96782.9672.8989.98392.9503.1771.9659
4.9144.1421.58296.4975.1231.36997.8656.0901.00298.8677.044.48599.
3528.042.46799.8199.016.181100.000表6成分矩阵成分1工业.980交通运输、仓储和邮政业.954
批发和零售业.953其他.945住宿和餐饮业.941房地产业.929建筑业.879金融业.860农林牧渔业.731由成分矩阵和总方
差分析中的特征值可以得出相应主成分的系数：表7主成分系数表线性组合中的系数工业（X1）0.3586交通运输、仓储和邮政业（X2
）0.3491批发和零售业（X3）0.3488其他（X4）0.3458住宿和餐饮业（X5）0.3444房地产业（X6）0.3400
建筑业（X7）0.3217金融业（X8）0.3147农林牧渔业（X9）0.2675分析表5、可知主成分1包含了原始数据82.96
7%的原始信息；可见效果相对较好，根据表6可以得到主成分Y的线性组合为：Y=0.3586X1+0.3491X2+0.3488
X3+0.3458X4+0.3444X5+0.34X6+0.3217X7+0.3147X8+0.2675X9其中X1
：工业，X2：交通运输、仓储和邮政业，X3：批发和零售业，X4：其他，X5：住宿和餐饮业，X6：房地产业，X7：建筑业，X8：金融
业，X9：农林牧渔业。根据主成分Y的线性组合，可以得到各省市自治区相对应的主成分得分和对应的排名，结果如下表8：表8主成分得分表
地区农林牧渔业工业建筑业批发和零售业交通运输、仓储和邮政业住宿和餐饮业金融业房地产业其他主成分得分排名广东3712.7135291
.832818.828976.593580.941646.851273.47635.9619188.5229137.431江苏4
314.5334013.64651.758070.233097.671406.822055.535016.5418514.7527
984.762山东5114.728705.694276.979283.733268.011665.391663.593091.3
713576.7324260.823浙江1972.8419474.482845.486217.291938.171218.512
053.443222.5411345.917357.434河南4310.5518452.062694.113263.062162
.851314.651610.312222.217624.1514882.055河北3297.7613757.842109.03
2833.012497.88492.665330.541690.315284.3912604.176四川4365.111157
6.162838.352574.151595.81023.46932.352039.837764.0911711.627湖北3
690.313060.082459.682682.211420.01814.181320.051642.987067.791159
2.038湖南3165.2811879.942278.652666.711496.01705.381300.11019.359
081.3311431.819福建2294.4312674.892707.822392.781889.69465.071951.
751768.485933.410952.2810北京122.8242741140.762486.81208.4413.8168
53.011766.211946.7810253.0411上海115.18392.84970.794393.361344.54
412.332509.191873.057800.449620.7212安徽2706.7410916.311943.56191
0.47875.38500.571964.581390.485110.99267.0313辽宁2000.47302.41199
9.283002.131310.02476.873533.051132.184221.378422.4214天津1746863
.98745.662306.98780.4309.16783.87783.274634.057935.4315陕西1830.6
28691.792217.971762.33832.62497.62553.59861.533904.237214.3416江西
1898.497789.591838.951415.12866.3465.581813.73890.553734.617014.
4417重庆1300.336587.081997.531595.88939.46424.781099.851048.25371
7.696371.8018山西764.065771.221019.841078.541052.14401.774655.377
98.733322.076369.5919内蒙古1677.7151091291.451815.471050.02732.2936
51.56458.592861.836243.2420广西2964.655822.931635.691326.17955.74
36.131194.67885.483223.116145.5621吉林1137.716057.29964.141208.36
03.12374.843203.27525.583363.915898.0422黑龙江3036.883332.59852.781
857.41801.33566.812640.86656.343866.195795.9423云南2388.554089.372
123.681567.79366.59523.58709.64345.53776.615290.6024贵州2139.9742
60.481169.47812.741070.22439.19787.88283.052577.834520.6125新疆16
40.333254.181159.51702.18668.15180.03110.2323.162330.893469.6426
甘肃8961763.44811.41563.23293.5229.91314.69274.32074.522420.9227海
南993.25528.28470.01496.72248.94221.441107.12434.9760.061701.8928
宁夏266.271096.3484.36160.92199.3158.66274.6120.84742.211150.2929
青海242.04777.56384.85169.15103.6948.96308.9460.89563.09892.1230西藏
125.9102.16411.4975.134.0835.27623.5333.49383.23593.0731从上表中的排名
可以明显呈现出，排在较前位置的省份为广东，江苏，山东等，显然这些省份的经济状况也相应较好。而西藏，青海，宁夏，新疆，甘肃等省市自治
区的排名相对靠后,这表明他们经济状况比较差，还有很大的发展和提升空间。3.因子分析在SPSS中采用降维-因子分析的方法，可以得出以
下输出。从表9可以看出：选取的三个公共因子的累计方差贡献率为93.079%，说明这三个公共因子已经可以达到很好的解释效果。表9总
方差解释因子初始特征值提取载荷平方和旋转载荷平方和总计方差百分比累积%总计方差百分比累积%总计方差百分比累积%16.8087
5.64675.6461.12012.44012.4404.99255.46155.46121.18613.17688.8226.
70874.53286.9722.33225.90681.3683.5285.86294.683.5506.10793.0791.
05411.71193.0794.1581.75996.4425.1171.29597.7386.0961.06198.7997.
053.59499.3938.034.38299.7749.020.226100.000提取方法：最大似然法。图3碎石图表10
因子矩阵因子123农林牧渔业-.195.812-.520工业.020.978.131建筑业-.089.901-.159批发和零售业
.108.926.244交通运输、仓储和邮政业.170.952.023住宿和餐饮业-.014.949-.045金融业.999-.0
01-.004房地产业.057.898.330其他.174.901.256提取方法：最大似然法。a.已尝试提取3个因子。需要
进行25次以上的迭代。（收敛性=.009）。已终止提取。表11旋转后的因子矩阵因子123农林牧渔业.350.909-.1
36工业.876.455-.009建筑业.638.657-.079批发和零售业.904.325.065交通运输、仓储和邮政业.80
5.513.155住宿和餐饮业.749.585-.019金融业.079-.095.992房地产业.926.244.004其他.89
6.295.129提取方法：最大似然法。旋转方法：凯撒正态化最大方差法。a.旋转在5次迭代后已收敛。根据旋转后的成分矩阵
，原变量可以相应的以此表示为(特殊因子忽略不计)：X1=0.350Fa+0.909Fb-0.136Fc；X2=0.876Fa+0.
455Fb-0.009FcX3=0.638Fa+0.657Fb-0.079Fc；X4=0.904Fa+0.325Fb+0.065F
cX5=0.805Fa+0.513Fb+0.155Fc；X6=0.749Fa+0.585Fb-0.019FcX7=0.079Fa-
0.095Fb+0.992Fc；X8=0.926Fa+0.244Fb+0.004FcX9=0.896Fa+0.295Fb+0.12
9Fc最后通过计算因子得分，以各个因子的方差贡献率在三个因子的总方差贡献率的占比作为权重，进行加权汇总，得出各城市的综合得分F为F
=(75.646Fa+13.176Fb+5.862Fc）/94.683，后将公共因子作为因变量，原始变量作为自变量，进行回线性回归
，进而求出相应的因子得分Fa，Fb，Fc，通过SPSS软件得出相应Fa，Fb，Fc的值，将解带入的各个城市，得出的综合得分和排名
结果如下表12：表12综合得分排名表地区FaFbFcF排名广东3.355-0.256-0.742.5991江苏2.39
0.788-0.1242.0112山东1.5151.758-0.1811.4443浙江1.566-0.567-0.1881.161
4上海0.938-1.7820.0040.5025河南0.141.632-0.1150.3326北京0.364-1.272.541
0.2717福建0.1950.167-0.0660.1758河北-0.2541.2451.9730.0929湖南-0.1130.7
71-0.35-0.00510天津-0.036-1.032.555-0.01411湖北-0.221.169-0.294-0.031
12四川-0.3941.696-0.448-0.10713辽宁-0.270.1610.86-0.14014安徽-0.3120.49
50.011-0.18015重庆-0.11-0.531-0.588-0.19816陕西-0.167-0.166-0.856-0.2
1017山西-0.288-0.6031.42-0.22618江西-0.3590.006-0.116-0.29319吉林-0.4-0
.4660.624-0.34620内蒙古-0.5540.110.944-0.36921广西-0.830.804-0.35-0.57
322贵州-0.7380.233-0.639-0.59723云南-0.7880.397-0.666-0.61624甘肃-0.55
2-0.826-1.022-0.61925新疆-0.658-0.267-1.075-0.62926宁夏-0.5-1.296-1.0
93-0.64727黑龙江-1.0490.9620.496-0.67428青海-0.539-1.311-1.073-0.67929
西藏-0.585-1.352-0.896-0.71130海南-0.744-0.672-0.547-0.722313.1因子载荷分析
分析旋转后的因子载荷矩阵，三个公共因子分别代表了原始变量的部分信息。公共因子Fa在批发和零售业、工业、其他、房地产业的载荷值都很大
，公共因子Fb在农林牧渔业、建筑业、住宿和餐饮业上的载荷相对较大，公共因子Fc在交通运输、仓储和邮政业和金融业的载荷相对较大。综合
得分是评价各个城市的综合发展水平的重要依据。在公共因子Fa上得分最高的前6个地区依次为广东、江苏、浙江、山东、上海、河南，而其中F
a最大的两个城市广东，江苏，远远高于其它省市自治区，这表明这两个城市在房地产业、批发和零售业、工业、其他上的发展情况远远高于其它地
区，相对的黑龙江、云南、贵州、海南、新疆这些地区在这些指标上的表现不是很好；Fb上的得分较高的是山东、河南、四川、河北；在北京、上
海、青海、西藏上得分较低，说明山东、江苏、河南、河北、四川这些地区在农林牧渔业、建筑业、住宿和餐饮业相对于其他地区较好。而Fc在北
京、天津的载荷值较大，说明交通运输、仓储和邮政业与金融业在这两城市发展的比较好。3.2综合得分分析为了分析各个地区的综合经济发展情
况，将各省市自治区在三个因子上的得分进行综合计算，就可以得到综合得分排名表。从表11可以看出，综合排名前3位的地区分别为：广东
，江苏，山东。综合得分最靠后的3个地区为：青海、西藏、海南。结合因子得分分析可得，在青海、西藏、海南这三个城市中，无论是房地产业、
金融业等的经济表现都不是很好，因此国家应加大对这些地区的建设，以提高我国整体的经济水平能力。相反，广东、江苏、山东这三个城市，金融
业、房地产业、其它、批发和零售、工业、交通运输、仓储和邮政业，都有着很好的优势，却在建筑业、农林牧渔业、住宿和餐饮业上相对而言比较
弱势。所以当地政府也该因地制宜地开发当地在这些方面的潜力，积极引入外界资源，以进一步巩固现有的经济发展水平。四、结论与建议1.结论
本文以2017年各省、市、自治区工业、农林牧渔业、建筑运输、仓储邮政、批发零售、住宿餐饮、房地产、金融等方面的产值为样本数据，运用
聚类分析和因子分析方法，将31省市自治区大致分为四类：第一类为江苏，广东，山东；第二类为四川，河南，湖北，安徽，河北，浙江，河南，
福建，湖南，上海；第三类为北京；第四类：山西，吉林，重庆，青海，宁夏，西藏，海南，贵州，云南，江西，新疆，甘肃，黑龙江，陕西，内蒙
古，广西，辽宁，天津。根据因子分析得出的综合得分排名和主成分得分排名可知：广东，江苏，山东这三个城市综合发展情况远远高于其他各省市
自治区，而像青海，宁夏，西藏，海南，贵州，新疆等地与这三个城市还有着极大的差距。而在因子分析中，广东、江苏在房地产业、批发和零售业
、工业、其他上的发展情况较好；江苏、山东、河南、河北、四川这些地区在农林牧渔业、建筑业、住宿和餐饮业相对于其他地区较好；而北京、天
津两地则在金融业和交通运输、仓储和邮政业发展较好。2.建议（1）给予西部更多优惠和鼓励、加大改革，同时注重保护环境提升我国的整体经
济和综合国力，决不能仅仅只靠几个龙头城市，国家的发展应多一点点的关注这些经济发展缓慢的城市。对于这些地区的发展和建设应该从多方面进
行入手，国家应给予更多的优惠和鼓励政策，加大改革力度。如青海、西藏等地在房地产业、金融业等的经济表现不是很好，国家对这些地区进行建
设改革时就应着重这些行业的发展，进而整体实现这些省市自治区的发展；当然在发展经济的同时也要注重自然环境的保护。（2）协调地区经济发
展，保障经济全面高速健康发展从全局、总量来讲，我国各个地区之间经济发展差距的悬殊，事实上是制约经济全面高速健康发展的一个重要因素。
固然现在东部地区发展迅猛，但我们也要认识到我国中西部区域辽阔，自然资源丰富的优势；作为尚待开发的战略市场，东部地区的经济发展需要更
广阔的市场支撑，这就靠西部地区的供给。如广东、江苏、山东这三个城市，在有优势的金融业、房地产业、其他、批发和零售等就应该携手落后地
区，以富带穷，以强带弱；而在比较弱势的建筑业、农林牧渔业、住宿和餐饮业上，就需要其他强势的城市带动。只有地区经济做到协调同步跟进，
国家经济发展才有不断蓬勃发展的资本。（3）加大交通网络建设投入力度，促进优势互补、区域协调加大交通网络的建设投入力度，有利于增强我
国各个地区的商流、物流、人流的联系，进而推动各个地区的协调发展。现阶段我国西部地区有着区域辽阔，资源丰富的优势，推进交通网络项目建设，不仅在一定程度上促进就业，服务民生改善，还能进一步引导西部资源外全国各地输送；另外，实现国家全体脱贫，全面踏进小康社会，需要特别关注中西部地区的脱贫工作，而这只能依托于交通网络的畅通无阻，以此促进优势互补、区域协调！完善社会保障制度，严格落实“科教育人”落后地域之所以一直未能发展起来，很重要的一个原因便是教育和科技力量跟不上需求。虽然目前国家也在大量引导国内优秀人才和资源落户中西部地区，但这仍然不能满足这些区域发展的需要。所以要想使落后地区吸引更多的生产力，就要完善好落后地区的社会保障制度，以此促进本地区的发展。而另一方面，必须认识和贯彻“科教兴国”的基本方针，加大对落后省市自治区的教育、科技投入数量，才能以科技促发展，以教育孕育未来！五、参考文献参考文献：[1]中国统计年鉴编委会.中国统计年鉴-2018[M].北京:中国统计出版社,2018.[2]矫希国,杨毅恒,孙凤兴等.多元统计分析方法[M].长春:吉林大学出版社,2000.[3]刘星言.基于因子分析法的内控报告质量评价[D].西安理工大学,2019.[4]何川,杨启昌.我国区域经济基本状况的因子分析[J].鞍山师范学院学报,2006(02):8-11.[5]李卫英.经济开放对经济增长影响的实证研究[D].广东外语外贸大学,2019.[6]单兰倩,安荣花,胡越.基于因子分析法的浙江省各市综合经济实力评价[J].统计与管理,2020,35(02):59-63.[7]葛仁良.因子聚类回归分析法在我国专利综合评价中的应用[J].科技管理研究,2006(07):192-195.[8]杨燕霄,陈亚宁,郑欣茹,张雨萌,侯田裕.中国经济发展状况分类研究[J].合作经济与科技,2020(09):4-6.[9]蒋蓬阳.基于因子分析的各省市综合经济实力评价[J].现代商贸工业,2017(21):7-8.[10]乔慧.关于我国31个省市自治区经济发展的多元统计分析[J].科技情报开发与经济,2011,21(01):160-162+173.[11]陈龙,陈婷,袁莹静,周芷仪,谢鹏辉.基于SPSS的我国各省市自治区经济发展状况分析[J].软件,2019,40(02):121-128.[12]张立欣,丛申.全国经济发展状况的比较分析[J].价值工程,2015,34(09):18-20.[13]薛薇．基于SPSS的数据分析[M].北京:中国人民出版社,2006. |
|
