下载文档原格式
基于主成分分析的区域经济发展研究-—以苏北地区为例，字
数500字
本文旨在探讨基于主成分分析（Principal Component Analysis，PCA）的苏北地区经济发展研究。
首先，通过收集当地经济发展数据，对相关指标进行全面分析，从而确定地区间的比较优势；其次，重点考察苏北地区的经济活力，主要以工业产值增长、就业率、投资规模、基础设施建设、物流业等指标作为参考，应用PCA把多个经济活动指标进行整合，从而把众多指
标之间统一起来；最后，加强政策制定，提升区域经济发展水平。
因此，基于PCA对苏北地区经济发展情况进行研究，可以更
规范地检验经济成长，正确判断经济发展的趋势。
首先，要根据实际情况，筛选出具有代表性的指标，需要从中确定出苏北地区的详尽的描述指标。
然后，通过PCA得出使经济发展指
标具有归一性的最少的描述指标，使研究者有效地找到主要的发展方向和空间结构。
有了这些有效参数，可以更有效地采取苏北地区相关经济发展政策，也可以更客观地考察经济增长的变化，使苏北地区更好地实现经济繁荣。
总体而言，PCA分析是一种有效的展示方法，可以帮助政府
统筹考虑经济发展政策，分析地域经济互动，拆解影响经济发展的因素，及时调整宏观经济调控政策，促进苏北地区的经济发展。
基于主成分分析的企业经济效益研究摘要：在多指标综合评价中, 主成分分析法利用降维的思想，把多指标转化为少数几个综合指标，是一种较为客观的综合评价方法。
对各地区工业企业经济效益进行综合评价和分类，是制定各地区工业企业发展政策和区域协调发展政策的重要依据。
目前，我国评价工业企业经济效益的指标很多，这些指标仅仅从不同侧面评价了工业企业的经济效益，但综合分析没有得以体现。
正是基于这一点，本文以2006年中国各地区全部国有及规模以上非公有工业企业主要经济效益指标为基础，运用主成分分析法，结合SPSS统计软件对全国三十一个地区的工业企业综合竞争力进行综合评价。
关键词：主成分分析；经济效益；综合指标1.背景介绍企业的经济效益就是企业在经济活动中所取得的劳动成果与劳动消耗的比值，企业的生产总值同生产成本之间的比例关系。
用公式表示：经济效益＝(生产总值/生产成本)=VC MV C+++C：消耗原材料价值；V：工人工资；M：利润。
对企业经济效益的评价主要依靠对企业财务指标的分析，实质就是对企业的偿债能力、盈利能力、营运能力等指标的评价。
从生产经营角度分析，经济效益可用资产报酬率、权益报酬率等指标反映；从物化劳动效果角度分析，经济效益可用销售利税率、成本费用利税率、固定资产生产率和流动资产周转率等指标反映；而从活劳动效果角度分析，经济效益可用全员劳动生产率和人均利税率等指标反映。
这些指标大多是依据财务报告数据计算出来的。
对企业经济效益因素分析，一是从资金占用和资金周转的角度，分析影响经济效益的资金因素；二是从原材料、工资、费用等支出角度，分析影响经济效益的成本因素。
此外还要把企业自身的微观经济效益与全社会的宏观经济效益联系起来，把当前的经济效益与长远经济效益结合起来。
1995年财政部公布了《企业经济效益评价体系》十项指标，国家统计局1998年制定了一套工业企业经济效益考核指标体系，含有总资产贡献率、资本保值增值率、流动资产周转率、成本费用利润率、全员劳动生产率、产品销售率和资产负债率七大指标，改变了过去采用产值和产量等单一指标考核的状况；2002年财政部、国家经贸委、中央企业工委、劳动保障部、国家计委制定了关于《企业绩效评价操作细则（修订）》28项指标。
主成分分析下的国民经济指标分析XXX省坚持主动作为、科学发展、大力实施“五大规划”战略，大力推进“十大重点产业”建设，全力构建“中蒙俄经济走廊”XXX陆海丝绸之路经济带，向全面建成小康社会大步迈进．“十三五”时期，XXX 省更要深刻理解把握中Y对我国发展环境基本特征的判断，客观分析、正确把握XXX省发展面临的问题和机遇，力促XXX经济处于良好的发展状况．为清晰把握住XXX省经济发展的主脉络，对XXX省内１２个省辖市的１２项国民经济指标，通过主成分分析法，以９５．２４１％的方差贡献率，用３个新指标来代替原来的１２个指标．这３个新指标是原指标的线性组合，且彼此之间是互不相关的，从而有效地将一个１２维变量系统降至３维，并解释了其反应的经济意义，可为有关部门的决策提供科学的数据资料．１XXX省主要国民经济指标主成分分析建模主成分方法［１－４］是一种考察多个变量间相关性的多变量分析方法，是化繁为简将指标数量尽可能压缩的降维技术，是一种多变量综合评价方法，最初是由英国统计学家皮尔逊（Ｋ．Ｐｅａｒｓｏｎ）于１９０１年首次引入到非随机变量，之后又由霍特林（Ｈｏｔｅｌｌｉｎｇ）将其推广至随机变量，后经众多学者专家努力逐步发展和成熟起来，并在经济社会发展的各个方面取得了大量成果［５－８］．从可操作性及统计数据支持程度的角度，本文选取年末总人口数、国内生产总值、全部工业总产值、第三产业总值、农林牧渔业总产值、对外贸易总额、全社会固定资产投资、实际利用外资额、地方预算内财政收入、社会消费品零售总额、在岗职工平均工资及城镇居民人均可支配收入１２个指标，并分别记为ｘ１，ｘ２，…，ｘ１２．具体数据见表１．数据来自XXX省人民政F网数据及２０１２年XXX各城市社会经济发展与统计公报。
由表１数据得到样本资料矩阵，通过ｓｐｓｓ软件得到相关系数矩阵（略），得到的所有特征值及其对方差的贡献率和累计方差贡献率见表２．从表２中可以看出，前三个主成分对方差的累计贡献率已达到９５．２４１％，它们分别对应着原样本数据点变异的第一大、第二大和第三大方向，是原变量系统的一个最佳组合，９５．２４１％的方差贡献率可以将原变量的有效维数由１２维降到３维，且降维效果很好．将此三个主成分结合，表３给出的原变量与主成分的相关系数对指标进行解释与分析．结合表２，第一主成分ｚ１与各原变量的相关系数都超过了０．９５０，且该主成分在这些指标上的载荷也较大，基本上反映了社会、经济发展的基本状况，可将ｚ１定义为社会经济发展因子．第二主成分ｚ２的方差贡献率为１７．９％，在ｘ１１（在岗职工平均工资）、ｘ１２（城镇居民人均可支配收入）的载荷较大，且与它们的相关系数也较高，由于这两个指标在一定程度上反映了居民的生活质量，所以可将该主成分定义为生活质量因子．第三主成分ｚ３与原变量ｘ７（对外贸易总额）的相关系数为０．９４１，高度相关，且与其他原始变量的相关系数都不超过０．２，可将其定义为对外贸易因子．选取前三个作为主成分因子，按主成分分析原理规则，分别求出各市的３个主成分得分．并以３个主成分的方差贡献率为权数作线性组合产生综合因子，对应计算XXX各城市发展能力的综合值。
主成分分析毕业论文主成分分析（Principal Component Analysis，简称PCA）是一种常用的多变量数据分析方法，广泛应用于统计学、机器学习、图像处理等领域。
它的主要目的是通过线性变换将原始数据转换为一组新的变量，这些新变量被称为主成分，它们能够最大程度地保留原始数据的信息。
PCA的基本思想是通过寻找数据中的主要方向，将高维数据降维到低维空间中。
在降维的过程中，PCA会按照数据中的方差大小对各个方向进行排序，将方差较大的方向作为主要方向。
这样做的好处是可以减少数据的维度，提高计算效率，同时保留了数据的主要特征。
PCA的数学原理比较复杂，但是在实际应用中，我们只需要掌握它的基本步骤和使用方法即可。
下面我将简要介绍一下PCA的具体步骤。
首先，我们需要对原始数据进行标准化处理，使得各个变量具有相同的尺度。
这是因为PCA是基于协方差矩阵进行计算的，如果各个变量的尺度不一致，会影响到计算结果的准确性。
接下来，我们需要计算协方差矩阵。
协方差矩阵反映了各个变量之间的相关性。
通过计算协方差矩阵，我们可以得到各个变量之间的相关性大小，从而确定主要方向。
然后，我们需要对协方差矩阵进行特征值分解。
特征值分解可以将协方差矩阵分解为特征值和特征向量。
特征值表示了各个主成分的方差大小，特征向量表示了各个主成分的方向。
接下来，我们将特征值按照大小进行排序，选择前k个特征值对应的特征向量作为主成分。
这样就得到了一组新的变量，它们是原始数据在主要方向上的投影。
最后，我们可以利用主成分对原始数据进行降维。
降维的过程就是将原始数据用主成分表示，可以将高维数据转换为低维数据，提取出数据的主要特征。
PCA在实际应用中有很多优点。
首先，它能够减少数据的维度，提高计算效率。
其次，它能够提取出数据的主要特征，降低了数据的噪声和冗余信息。
此外，PCA还可以用于数据的可视化，将高维数据转换为二维或三维空间，方便我们对数据进行观察和分析。
主成分分析在经济学领域的应用研究主成分分析（Principal Component Analysis，PCA）是一种常用的多变量数据降维技术，可以将高维数据转化为低维数据，以便更好地分析和解释数据的内在结构。
在经济学领域，主成分分析被广泛应用于数据降维、因子分析、经济变量的关联性研究等方面，为经济学研究提供了重要的工具和方法。
以下是主成分分析在经济学领域的应用研究内容：1. 数据降维与可视化分析主成分分析在经济学中最常见的应用是对多维经济数据进行降维处理，以便更好地进行数据分析和解释。
通过主成分分析，可以将大量经济指标或变量投影到几个主成分上，从而得到更少但信息含量丰富的综合指标，方便进一步的分析和处理。
同时，主成分分析还可以通过对数据的可视化分析，帮助经济学家更直观地理解数据的结构和特征。
通过绘制主成分分析得到的降维后的数据的散点图或者热力图，可以直观地观察不同经济变量之间的关系，发现潜在的经济规律和变量之间的相互作用。
2. 因子分析主成分分析在经济学中还被广泛应用于因子分析。
因子分析是一种统计方法，用于确定能够解释变量间方差共享的潜在因子。
通过主成分分析可以得到各个因子的权重系数，进而可以对经济变量进行综合性的评价和分析。
例如，在金融领域中，经济学家可以使用主成分分析来分析股票市场的规律和影响因素。
他们可以将股票市场的多个指标作为原始变量，然后应用主成分分析将这些指标转化为几个潜在的因子。
通过分析这些因子的权重和影响，可以更好地理解和解释股票市场涨跌的主要因素。
3. 经济变量关联性分析主成分分析还可以用于经济变量之间的关联性研究。
通过主成分分析，可以发现经济学中不同变量之间的相关性和相关程度。
这对于经济学研究非常重要，因为经济系统中的不同变量之间存在复杂的关系，如通货膨胀率、利率水平、国内生产总值等指标之间的相互影响。
通过主成分分析，经济学家可以将这些变量转化为少数几个主成分，从而更好地理解变量之间的关系和相互影响。
基于主成分分析的我国各地区经济发展水平综合评价摘要我国幅员辽阔，但是由于历史发展、地理位置、自然条件、人口、政策等因素影响，各地区经济发展水平存在很大差异。
本文通过建立我国各省、直辖市、自治区社会经济发展的综合评价指标体系，运用主成分分析方法，计算出各地区经济发展水平的综合得分，得出综合排名，并对结果作出分析，提出相应的建议对策，旨在促进区域共同发展。
关键词：经济发展水平；主成分分析法；对策AbstractChina area is very large，but because of the historical development , geographical location, natural conditions , population, policy and other factors, there is a big difference in the level of economic development of the region. This article through the establishment of a comprehensive evaluation system of provinces, municipalities and autonomous regions of socio-economic development , the use of principal component analysis method to calculate the level of economic development in all regions composite score , ranking results , and to analyze the results ,make recommendations measures to promote common development of the region.Keywords : the level of economic development；principal component analysis ；countermeasures引言地区经济发展是指一个地区从贫困、落后的状态向经济及社会生活现代化发展的过程。
基于主成分分析全国各城市的经济发展摘要：通过例举2009年全国各主要城市的反映经济发展指标，通过运用统计软件SPSS对各经济指标经济筛选，得出贡献率大的经济指标，从而分析主要指标对各城市的影响大小，是否真实反映各城市的GDP 的增长趋势。
关键字：SPSS 主要经济指标 GDPAbstract: Through the examples in the 2009 national all major cities reflect economic development indicators,Through the use of the software SPSS economic index economic screening,The contribution of that big economic indicators.It analyzes the main indeX to the influence of each city size,If true various cities of GDP growth trend..Keywords: spss major economic indicator GDP一引言在实际中，人们在评价或描述一个对象时，总是希望收集到更多的数据信息，于是就会有许多指标，但是在指标分析中由于变量的无节制设置和引入，导致共线性、重叠、畸变等误差源出现。
于是我们就希望在不引起信息丢失的情况下创建变量群。
因子分析法就是把众多指标(因子变量)综合成为数量较少的几个指标(因子变量)。
它的特点是：第一，因子变量的数量远远小于原始指标变量的格式；第二，因子变量并非原始指标变量的简单取舍，而是一种新的综合；第三，因子变量之间没有线性关系；第四，因子变量具有明确的解释性。
主成分分析是一种常用的多元统计分析方法。
是一种化繁为简，将指标数尽可能压缩的降维技术，即空间压缩技术。
主成分分析也是一种综合评价方法。
主成份分析因子分析毕业论文终稿学科分类号110 黑龙江科技大学本科学生毕业论文题目主成分与因子分析对黑龙江省城市经济发展水平的评价The principal components and factor analysisof urban economic development levelevaluation of heilongjiang province姓名学号院（系）理学院专业、年级数学与应用数学指导教师2014年6月12日摘要经济是指一个国家国民经济的总称。
我们要提高某地方人民的生活水平，要更好更快地发展某个地区，就必须充分了解这个地区现有的经济发展状况。
因此，现有的经济发展状况研究对将来的发展有着非常重要的指导意义。
主成分分析也称主分量分析，就是设法将原来指标重新组合成一组新的互相无关的几个综合指标来代替原来指标。
因子分析是主成分分析的推广和发展，它也是将具有错综复杂关系的变量综合为数量较少的几个因子，以再现原始变量与因子的相互关系，同时根据不同因子还可以对变量进行分类。
主成分分析与因子分析都是多元分析中处理降维的一种统计方法。
本文通过学习与查阅相关资料找到黑龙江省12个地级市的10个具有代表性指标，运用spss统计分析软件对这些指标进行主成分分析和因子分析得到特征值、方差贡献率及公共因子等相关数据。
并利用这些数据对12个市经济水平划分等级。
关键词主成分分析因子分析经济spss统计分析软件IAbstractEconomy refers to the floorboard of the national economy of a country. We will improve the level of a local people's life, to somewhere better and faster development, we must fully understand the current situation of economic development. Therefore, the existing research on the development of future economic development has a very important guiding significance.Principal component analysis (also called principal component analysis, is to try the original index combined into a new set of several comprehensive index instead of the original index has nothing to do with each other, at the same time, according to the actual need to recommend a few less comprehensive response as much as possible the original information of indicators. Is a generalization of the principal component analysis and factor analysis, it is also will have the intricate relationship between variables comprehensive to a small number of several factors, and to recreate the relationship of the original variables and factor, at the same time according to different factors can also categorize variables,. Principal component analysis and factor analysis is a multivariate analysis of a statistical method of dealing with the dimension reduction. In this article, through learning and access to relevant data found nine representative indexes of 12 cities in heilongjiang province, using the SPSS statistical analysis software to the indicators of principal component analysis and factor analysis of the characteristic value, the variance contribution rate and public factor and related data. And using the data of 13 cities economic grade level.Key words Principal component analysis Factor analysis Economic SPSS statistical analysis softwarII目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 选题的背景和提出 (1) (1) (2)1.2 选题的意义和目的 (3) (3) (3)1.3 主成分分析和因子分析的发展及应用 (4) (4) (4)1.4 本文主要研究内容 (5)第2章主成分与因子分析 (6)2.1 主成分分析的内容 (6) (6) (6) (8)2.2 主成分分析的求解方法和数学模型 (8)2.3 主成分分析的基本步骤 (11)2.4 因子分析的内容 (13) (13) (13)III2.5 因子分析的求解方法和数学模型 (14) (14) (15) (16)2.6 计算步骤 (16)第3章主成分与因子分析在黑龙江省城市经济水平研究中的应用 (17)3.1主成分分析法 (18)3.2 因子分析法 (22)3.3 综合评价结果分析 (26)结论 (28)致谢 (29)参考文献 (30)IVContentsAbstract....................................................................................... 错误!未定义书签。
主成分分析论文简介主成分分析(Principal Component Analysis, PCA)是一种常用的数据分析和降维技术。
它是一种线性变换技术，通过寻找数据集中的主要分量来简化数据集。
主成分分析能够将高维度数据降维到低维度数据，并尽可能的保留原始数据的信息。
PCA的应用1.数据可视化：由于 PCA 能够将高维数据降至二维或三维空间，因此它能够帮助我们更好地理解数据集，并将其可视化展示。
2.数据压缩：PCA 通过降维的方式减少数据的冗余信息，并将其转化为更少的维度。
因此，PCA 可以作为数据压缩 techniq ，以减少数据集的存储和传输成本。
3.特征选取/提取：在机器学习中，选择最优的特征是一个非常重要的任务。
通过 PCA，我们可以将原始数据转化为一组新的、具有更好可表示性的特征，以提高模型的性能。
PCA的实现以下为 PCA 的实现步骤：1.数据预处理：去除均值，并进行归一化处理，使得每列数据的平均值为0。
2.计算数据的协方差矩阵：协方差矩阵反映了数据之间的相关程度。
3.特征值分解(Covariance Matrix Decomposition)：通过计算协方差矩阵的特征值和特征向量，来找到数据的主要成分。
4.选取主要成分：将特征值从大到小排序，并选取最大的k个特征值(也就是说，将数据降至k维)。
这些特征值所对应的特征向量便是 PCA 的主要成分。
5.将原始数据映射至新的低维度空间：使用所选的k个特征向量，将原始数据映射至新的低维度空间。
新的数据集将由选取特征向量所构成的矩阵和原始数据集相乘所得到。
PCA与其他降维方法的比较PCA和t-SNE的比较1.PCA 是一种线性方法，它假设数据之间具有线性关系。
而 t-SNE 则是一种非线性方法，它适用于非线性数据的降维。
2.PCA 可以更高效的计算，不同于 t-SNE 需要迭代多次。
当数据集的维度较高时，PCA 的运行速度优势更加明显。
3.PCA 是一种无监督 learning algorithm，而 t-SNE 则是一种有监督或半监督的算法。
主成分分析经济发展论文
1数据分析过程
1．1主成分的选择利用SPSS20．0对数据进行处理，首先对数据做标准化处理，计算相关系数矩阵，计算特征根和特征向量，方差贡献率，见表2。
一般取累计贡献率达到80%以上少数几个主成分就可以代表原来多个指标的绝大部分信息，由表2可见，取第一，第二个主成分的累计贡献率即可达到92%，且重庆库区的区县有很大一部分农业产业，所以选取代表农林牧渔产业总值的第二主成分也作为分析的目标，第一、第二主成分与其他成分之间的相关系数如表3。
由表3可知，第一主成分与财政收入(x1)、地区生产总值(x2)、工业生产总值(x3)、全社会固定资产投资(x5)、人均GDP(x6)、人均第三产业总值(x7)、社会消费品零售总额(x8)有很大的正相关，与农林渔牧产值(x4)呈负相关，而第二主成分与农林渔牧产值(x4)有显著的正相关性，达到0．97，与其他指标相关性较弱或呈负相关。
对于第一主成分z1，除了x4(农林渔牧产值)以外，其他的指标的系数都在0．35左右，而这几个指标包括了财政收入、地区生产总值、工业总产值等7个指标，这7个指标都是经济发展中的代表性指标，包括了第二产业和第三产业的综合水平、政府财政收入和人们消费能力和财富水平等。
所以第一主成分代表了一个地区的经济发展综合水平;第二主成分与x4的系数高达0．84，远远高于其他指标的系数，而与x7(人均第三产业总值)的系数也为0．36，也具有较高的相关性，而农林渔牧则代表了第一产业的发展综合情况，农林牧渔业广义包括了除第一产
业的传统种植行业以及饲养业、林业之外，也包含了农用机械、农业服务、新型农业发展、农副产品加工等新型农业与第二和第三产业的结合，所以，第二主成分代表了以第一产业为主的农业及其新型第三产业。
根据以上两个主成分的线性组合以及标准化后的原始数据，可以得到两个主成分的得分，如表4。
在表4中，第一主成分得分最高的是渝北区，达到了5．49左右，第二是江北区，有4．02分，都远远高于其他城市，然后是南岸区、涪陵、万州等区县，经济发展的综合水平都比较高，得分最低的是巫溪县，只有－2．55分;第二主成分中得分最高的是江津区，其得分达到了2．21分，第二的是万州区，表明这两座城市的农林牧渔业较发达。
1．2聚类分析对第一主成分和第二主成分进行标准化处理后，选择欧式距离，采用最短距离法进行聚类，对重庆库区的17个区县进行经济发展综合水平和农林牧渔业发展综合水平进行水平聚类分析，得到最短距离聚类谱系图(如图1、2)图1是第一主成分的聚类图，由它把库区经济发展综合水平分为四类:第一类是江北区和渝北区，第二类是巴南区、万州区、涪陵区和南岸区，第三类是长寿区和江津区，第四类是丰都县，石柱县等其他区县。
根据第一主成分的得分，满足得分的依据，江北和渝北的第一主成分得分都远高于其他区县，经济发展综合水平较高，处于第二层次的长寿、万州等区经济发展综合水平较渝北和江北稍弱，但还是远远领先于其他得分较低的城市。
根据第二主成分的得分对第二主成分进行聚类，如图2。
根据图2对第二主成分的聚类可以把重庆库区区县的第二主成分分为四类:第一
类是得分最低的江北区，第二类是得分最高的江津区，第三类是得分较低但远远高于江北的巫山县、石柱县、巫溪县、武隆县和南岸区，第四类是处于之间的长寿区、云阳县、渝北区、万州区等。
2结果分析
2．1第一主成分分析根据分析，第一主成分的贡献率达到了76%，位于主城区的渝北区和江北区排名第一和第二，分为第一类，且分数都远远超过其他城市。
第一主成分的第二类是巴南区、涪陵区、万州区和南岸区，这几个区在第一主成分得分方面均位于前几位，低于渝北和江北，但也远远高于其他区县，除了万州外，都是重庆1h经济圈的组成部分，受到经济发展的辐射作用，经济发展迅速。
第三类是长寿区和江津区，经济发展综合水平较上述城市较弱，长寿和江津都是传统的工业城市，特别是江津，工业较发达，有著名的珞璜工业园和德感工业园，其机械、汽摩产业、农用机械、造纸等均在西部处于领先地位。
最后一类是得分较低的其他区县，这些城市基本都位于渝东南翼和渝东北翼，是传统的经济较薄弱的城市，工业基础差，现代化程度较低，交通不便利。
2．2第二主成分分析第一类是得分最低的江北区，由于其处于主城区核心，农林牧渔类产业面积较少，且农村人口少，城市化水平很高，其分为第一类。
第二类是得分最高的江津区，江津区的农林牧渔产业发展水平很高，最近新建的江津现代农业园区是全国性的农业园区，农业现代化水平高，农产品附加值较高，产业集中规模化发展，是西南地区乃至全国领先的农业园区，大大促进了现代农业的发展。
第三类是处于中间水平的长寿区、云阳县、渝北区、万州区、涪陵区等，处于渝东北翼的万州、云阳、奉节、忠县等是全国柑橘的重要产地，占据了农林牧渔类产值的大部分，而且受万州经济的影响辐射，这几个城市的农业现代化程度有了明显的提高。
第四类是发展水平较低的巫山县、石柱县、巫溪县、武隆县和南岸区，南岸区是处于重庆主城核心，农业面积小，发展较弱，其余的巫山、石柱、巫溪和武隆农业人口较多，但受其经济综合水平的影响，农业现代化程度很低，并没有形成产业化，水平较低。
3结论及建议
对于第一主成分和第二主成分分析的结果和聚类的结果来看，渝东北的重庆库区腹心的城市经济水平都偏低，除了万州外，其余的区县都与1h经济圈的城市呈现巨大的差异，处于1h经济圈的区县的农林牧渔产业也明显高于渝东北库区腹心，江津更是处于第一位;三峡库区重庆段的全县在经济、农业方面的差异甚至大于全国平均的差异程度，是典型的大城市、大农村的格局。
对此提出相关建议: 3．1加大对重庆库区的投资力度，特别是库区腹心以投资来带动库区经济、农业协调发展，对外部投资依赖很强的重庆库区要实现区域经济、农业协调发展，国家政策性的投资的方式和力度仍然是促进区域协调发展的主要因素。
特别是对于渝东北的区县城市，更应该加大投资力度，形成区县间资源互补，协调发展。
3．2发挥好区域中心城市的辐射作用重庆库区的重庆1h经济圈内，主城区的快速发展明显带动了1h经济圈的城市快速发展，取得
了非常明显的效果。
而渝东北远离主城区，周围没有像重庆一样的特大城市，万州作为唯一的区域中心城市，经济综合水平和农业综合水平都远高于周围的开县、云阳、石柱、忠县等城市，要充分发挥好其大中城市的辐射作用，加大对万州的扶持力度，加大万州的政策支持和优惠。
3．3协调好库区城市的产业结构，加强对库区的产业扶持三峡库区落后，自我发展能力很弱，国家应加强对库区的产业扶持，库区各个城市要有自己城市的支撑产业，同时也要主要好产业的协调，1h 经济圈的库区城市大都经济基础较好，特别是江津和长寿、涪陵，工业基础好，产业协调完善，而渝东北的库区城市没有自身独特的产业，大都是三个产业都比较落后。
国家在对渝东北库区腹心的扶持中，不能忽视工业的发展，工业化是经济发展不能逾越的阶段，而农林牧渔等第一产业也要协调发展，同时，可以发挥自身的优势产业，找到经济发展的突破口。
3．4突出区位特色，促进库区现代农业发展城市的郊区如渝北、万州、涪陵等区县区位条件较优越，农业基础好，以农村城镇化为突破口，形成都市农业和现代农业经济开发区，而渝东北的云阳、奉节等城市现代农业基础薄弱，应充分利用好其农业资源丰富的特点，形成以立体的农业经济综合区，开展观光农业，与一二产业协调发展。
作者：刘宇琴单位：重庆工商大学管理学院。
