【基于主成分分析法的城市发展研究12000字】

基于主成分分析法的城市发展研究目录1引言 [6]。城市发展要有效的改善所有居民的生活质量，解决贫困、失业、环境变化等问题。受到2020年疫情的影响，公共健康将成为城市发展的关键指标。疫情下进一步凸显了有效政策的实施对城市复苏有多么重要，同时为城市发展提供了新思路——公共健康应成为城市发展的新指标。未来10年，每个城市都将得到加速的发展，城市发展政策不仅要让它们产生直接的经济价值，也要注重社会价值的提高。它们可以使在岗职工平均工资增加，使妇女摆脱性别的歧视，为儿童和青年提供接受更高水平教育的机会，为老年人提供更好的养老环境。这种广泛的城市价值必然是未来城市发展的强大功能。

参考文献刘伟华,吴文飞,袁超伦,侯家和.城市智慧供应链发展指数构建及其应用[J].工业技术经济,2021,40(01):134-143.张帆,邱冰,万长江.基于主成分分析的城市开放空间满意度宏观因子研究——以南京主城区为分析对象[J].地域研究与开发,2015,34(06):52-57.林碧茹.聚类分析和主成分分析在消费数据中的应用[D].曲阜师范大学,2016.钟学思.城市基础设施发展对新型城镇化建设的影响研究[D].中南财经政法大学,2018.顾蕴韬.基于因子分析的城市宜居度评价研究[D].郑州大学,2019.本报记者朱唐编译.发现城市可持续发展的价值[N].社会科学报,2020-12-17001.汪芳.大时代背景下城市改造的思考[N].中华工商时报,2020-12-24003.孟静.中心城市现代化的动力机制与路径探索[J].现代经济探讨,2020,12:100-104.王斌会编著《多元统计分析及R语言建模》“十二五”国家级规划教材

附录附录1原始数据表数据库：主要城市年度数据（2019年）指标噪声监测教育贸易经济邮电财政金融房地产人口就业国民经济核算地区道路交通等效声级dB(A)普通本专科学生(万人)社会商品零售总额(亿元)邮政局(所)数(处)城乡居民储蓄年末余额(亿元)房地产开发投资额(亿元)年末总人口(万人)在岗职工平均工资(元)国内生产总值(亿元)北京69.660.154515063.7492737309.683838.381397.417320535371.28天津67.653.93664218.2326612639.642727.821108.1811160214104.28石家庄66.953.3072465.21827630.02887.641052.39795815810太原68.750.33261952.81635252.08696.54383.5828604029呼和浩特68.324.31751076.51192391.64175.22248.74841052791沈阳7042.41914479.62308337.611174.8756.4876966470大连029.058902416842.29711.06598.69954427002长春69.446.88533119.62055889.09876.79753.8880825904哈尔滨71.858.185903836291.84620.45951.34823855249上海68.252.658515847.6550331727.734231.381469.315177238155.32南京67.587.78947136.31818299.642501.26709.8212960514031杭州68.644.66836187.629811677.343396.75795.3712030815373宁波015.64554268.62717475.471703.59608.4711087811985合肥68.653.62424378.21854667.221556.08770.44951569409福州68.734.03341992386027.111812.77710.09889529392厦门015.66422257.9883062899.53261.1977795995南昌66.763.04852369.31643618.06913.04536884705596济南69.654.10975162.22526438.091489.38796.741005939443青岛041.58245126.62656755.241803.81831.0710312511741郑州67107.867553242457957.043349.86881.68803011590武汉69.3100.68947774.52618992.962966.21906.49804316223长沙69.466.586524706530.521672.96738.249845911574广州69.3115.29949551.624317980.563102.26953.7212349823629深圳009144.554116010.773041.65550.7112775726927南宁6948.73712327.81973960.311461.08781.97909864507海口68.913.8933823.9581838.69480.73182.89851211672重庆65.683.486411631.7883417860.44439.33416.298971423605.77成都69.287.93358313.457114900.552611.711500.079751917013贵阳69.841.11341380.41873164.121175.37427.83926504040昆明67.462.25833186.72795355.452096.25578.46940636476拉萨67.82.0948322.284471.78055.88127057618西安70.587.145140.92979553.932008.3956.74968679321兰州68.835.80316721563571.18550.67331.92883932837西宁69.96.6576632.11061548.93290.99209.37914941328银川65.911.1218830931867.01275.35199.57945591897乌鲁木齐64.921.218613891303171.71544.13226.82907293413数据来源：国家统计局附录2源代码data=read.table("clipboard",header=T)#读取数据plot(data)#绘制散点图chart.Correlation(data,histogram=TRUE,pch=19)#相关性热图X=scale(data)#数据标准化library(ape)hc1<-hclust(dist(X),"average")#类平均法plot(as.phylo(hc1),cex=1,label.offset=0.1,main="类平均法聚类图")#类平均法聚类图hc2<-hclust(dist(X),"complete")plot(as.phylo(hc2),cex=1,label.offset=0.1,main="最长距离法聚类图")#最长距离法聚类图hc3<-hclust(dist(X),"single")plot(as.phylo(hc2),cex=1,label.offset=0.1,main="最短距离法聚类图")#最短距离法聚类图hc4<-hclust(dist(X),"median")plot(as.phylo(hc2),cex=1,label.offset=0.1,main="中间距离法聚类图")#中间距离法聚类图hc5<-hclust(dist(X),"centroid")plot(as.phylo(hc2),cex=1,label.offset=0.1,main="重心法聚类图")#重心法聚类图hc6<-hclust(dist(X),"ward.D")plot(as.phylo(hc2),cex=1,label.offset=0.1,main="ward法聚类图")#ward法聚类图s<-cor(data)#计算相关矩阵round(s,2)#保留两位小数City.pr<-princomp(data,cor=T)#进行主成分分析City.prsummary(City.pr,loadings=T)#观察主成分分析的详细情况screeplot(City.pr,type="lines",mian="碎石图")#绘制碎石图City.pr$scores#主成分得分msa.pca<-function(X,cor=FALSE,m=2,scores=TRUE,ranks=TRUE,sign=TRUE,plot=TRUE){if(m<1)returnPC=princomp(X,cor=cor)Vi=PC$sdev^2Vari=data.frame('Variance'=Vi[1:m],'Proportion'=(Vi/sum(Vi))[1:m],'Cumulative'=(cumsum(Vi)/sum(Vi))[1:m])cat("\n")Loadi=as.matrix(PC$loadings[,1:m])Compi=as.matrix(PC$scores[,1:m])if(sign)for(iin1:m)if(sum(Loadi[,i])<0){Loadi[,i]=-Loadi[,i]Compi[,i]=-Compi[,i]}pca<-NULLpca$vars=Variif(m<=1)pca$loadings=data.frame(Comp1=Loadi)elsepca$loadings=Loadi;if(scores&!ranks)pca$scores=round(Compi,4)if(scores&plot){plot(Compi);abline(h=0,v=0,lty=3)text(Compi,s(X))# par(mar=c(4,4,2,3))# biplot(Compi,Loadi);abline(h=0,v=0,lty=3)# par(mar=c(4,4,1,1))}if(scores&ranks){pca$scores