要使用 Python 进行多区域投入产出模型的实现与操作，核心在于处理矩阵运算、数据组织及可视化分析。下面将逐步解构问题，推演操作方案，并提供详细的代码示例[ref_1][ref_3]。 ### 多区域投入产出模型核心概念与数据结构 多区域投入产出模型扩展了单区域模型，旨在分析多个区域（如国家、省份）之间的经济联系。其核心数据结构为**多区域投入产出表**，它是一个大型分块矩阵，其中每个分块表示一个区域对另一个区域的产业间中间投入需求。 一个简化的 2区域 x n产业 模型的直接消耗系数矩阵结构如下： | 分块区域 | 区域A (产业1..n) | 区域B (产业1..n) | | :--- | :--- | :--- | | **区域A (产业1..n)** | A_AA (区域内消耗) | A_AB (区域间消耗) | | **区域B (产业1..n)** | A_BA (区域间消耗) | A_BB (区域内消耗) | **最终需求**和**总产出**也相应地被组织为分块向量。 ### Python 实现步骤与代码操作 #### 1. 环境准备与数据加载 首先，需要导入必要的库，并加载多区域投入产出表数据。数据通常以 Excel 或 CSV 格式存储，包含多个工作表或数据块。 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 假设我们有一个包含2个区域、每个区域3个产业的简表。 # 数据格式：行代表“投入来源（区域-产业）”，列代表“使用去向（区域-产业）” # 我们手动创建一个示例数据。 num_regions = 2 num_industries = 3 total_sectors = num_regions * num_industries # 6 # 示例中间投入矩阵 Z (6x6) np.random.seed(42) Z = np.random.rand(total_sectors, total_sectors) * 100 # 创建行名和列名，以区分区域和产业 regions = ['North', 'South'] industries = ['Agri', 'Manu', 'Service'] sector_names = [] for r in regions: for i in industries: sector_names.append(f"{r}_{i}") Z_df = pd.DataFrame(Z, index=sector_names, columns=sector_names) print("多区域中间投入矩阵 Z (部分)：") print(Z_df.head()) ``` #### 2. 计算核心系数矩阵 这是投入产出分析的核心，包括总产出向量、直接消耗系数矩阵和里昂惕夫逆矩阵[ref_1]。 ```python # 步骤 1：计算各区域-产业部门的总产出 (X)，这里假设为各列投入加上最终需求 (F) 的总和。 # 为简化，我们假设一个最终需求向量 F，并计算 X = Z * 1 + F (这里1是全1向量，表示列和) # 实际上，总产出通常作为已知数据。这里我们先计算列和作为中间投入合计，并设定一个最终需求。 column_sum = Z.sum(axis=0) # 每列（使用部门）的中间投入合计 F = np.random.rand(total_sectors) * 200 # 虚构最终需求 X = column_sum + F # 总产出 = 中间投入合计 + 最终需求 print(f"\n总产出向量 X:\n{X}") # 步骤 2：计算直接消耗系数矩阵 A # A_ij = Z_ij / X_j A = np.zeros((total_sectors, total_sectors)) for j in range(total_sectors): if X[j] != 0: A[:, j] = Z[:, j] / X[j] A_df = pd.DataFrame(A, index=sector_names, columns=sector_names) print(f"\n直接消耗系数矩阵 A (示例，表示每单位产出的直接消耗)[ref_2]：") print(A_df.iloc[:3, :3]) # 打印左上角3x3子矩阵 # 步骤 3：计算里昂惕夫逆矩阵 L (完全需求系数矩阵) # L = (I - A)^(-1)， 反映最终需求变动对总产出的完全影响[ref_1]。 I = np.eye(total_sectors) try: L = np.linalg.inv(I - A) L_df = pd.DataFrame(L, index=sector_names, columns=sector_names) print(f"\n里昂惕夫逆矩阵 L (完全需求系数矩阵) 计算成功。") # print(L_df.iloc[:3, :3]) except np.linalg.LinAlgError: print("矩阵 (I-A) 奇异，无法求逆。请检查数据。") ``` #### 3. 多区域特定分析：区域间联系 基于里昂惕夫逆矩阵，可以进行关键的跨区域产业关联分析，例如计算特定区域最终需求变化对所有区域产出的总影响。 ```python # 假设我们分析‘North’区域的‘Manu’产业的最终需求增加100单位的影响。 target_sector = 'North_Manu' target_idx = sector_names.index(target_sector) # 创建一个最终需求变化向量 delta_F delta_F = np.zeros(total_sectors) delta_F[target_idx] = 100 # 计算对总产出的完全影响 delta_X = L * delta_F delta_X = L @ delta_F # 矩阵乘法 delta_X_df = pd.DataFrame(delta_X, index=sector_names, columns=['产出变化量']) print(f"\n当 {target_sector} 最终需求增加100单位时，对所有部门产出的完全影响：") print(delta_X_df) # 提取并汇总对两个区域产出的影响 region_impact = {} for region in regions: # 找到属于该区域的所有产业的索引 region_indices = [i for i, name in enumerate(sector_names) if name.startswith(region)] total_impact = delta_X[region_indices].sum() region_impact[region] = total_impact print(f" 对 {region} 区域的总产出影响：{total_impact:.2f}") ``` #### 4. 可视化分析 可视化有助于理解复杂的区域间联系，例如使用热力图展示直接消耗系数或完全需求系数[ref_1][ref_4]。 ```python # 可视化直接消耗系数矩阵 A 的热力图 plt.figure(figsize=(10, 8)) sns.heatmap(A_df, cmap='YlOrRd', center=0, square=True, cbar_kws={'label': '直接消耗系数'}) plt.title('多区域直接消耗系数矩阵 (A) 热力图', fontsize=16) plt.xlabel('使用部门 (区域_产业)') plt.ylabel('投入部门 (区域_产业)') plt.tight_layout() plt.show() # 可视化产出变化的影响 (delta_X) plt.figure(figsize=(8, 6)) bars = plt.barh(sector_names, delta_X) plt.axvline(x=0, color='k', linewidth=0.8) plt.xlabel('总产出变化量 (单位)') plt.title(f'最终需求冲击对各部门产出的影响 (源于 {target_sector})') plt.tight_layout() plt.show() ``` #### 5. 高级应用与扩展 对于更复杂的分析和实际数据处理，推荐使用专门的库，如 `pymrio`[ref_3]。 ```python # 示例：使用 pymrio 库 (需先安装: pip install pymrio) # pymrio 能方便地处理多区域投入产出数据库，如 EXIOBASE, WIOD等。 # 以下为概念性代码，展示其工作流程。 try: import pymrio # 加载一个多区域投入产出系统 # io = pymrio.download_exiobase3(storage_folder='./exiobase3') # io.calc_all() # 计算所有系数 # print(io.A) # 直接消耗系数矩阵 # print(io.L) # 里昂惕夫逆矩阵 # 进行卫星账户分析（如碳排放）等 print("\n(代码示例) 可考虑使用 pymrio 库处理标准化多区域投入产出数据库[ref_3]。") except ImportError: print("\n(提示) 对于标准化的多区域投入产出分析，建议安装并使用 `pymrio` 库。") ``` ### 关键操作要点总结 为便于实践，以下表格总结了多区域投入产出模型 Python 实现的关键步骤与对应操作： | 步骤 | 核心操作 | Python 关键代码/库 | | :--- | :--- | :--- | | **1. 数据准备** | 组织多区域中间投入矩阵 (Z)、最终需求向量 (F)、总产出向量 (X) | `pandas.DataFrame`, `numpy.array` | | **2. 系数计算** | 计算直接消耗系数矩阵 (A) | `A = Z / X` (按列广播) [ref_2] | | | 计算里昂惕夫逆矩阵 (L) | `L = np.linalg.inv(I - A)` [ref_1] | | **3. 关联分析** | 计算最终需求冲击的完全产出影响 | `delta_X = L @ delta_F` | | | 分析区域间溢出与反馈效应 | 对 `delta_X` 按区域分组汇总 | | **4. 可视化** | 绘制系数矩阵热力图 | `seaborn.heatmap()` [ref_4] | | | 绘制影响分析条形图 | `matplotlib.pyplot.bar()` | | **5. 扩展应用** | 处理标准 MRIO 数据库 | `pymrio` 库 [ref_3] | | | 进行环境足迹分析 | 扩展 `pymrio` 卫星账户 | 总之，多区域投入产出模型的 Python 实现以矩阵运算为核心，通过 `numpy` 和 `pandas` 处理数据，并利用 `matplotlib` 和 `seaborn` 进行可视化。对于研究级应用，`pymrio` 库提供了完整的工具箱，可以高效处理 EXIOBASE、WIOD 等复杂数据库，是深入进行全球价值链或环境经济耦合分析的有力工具[ref_3]。在开发此类分析系统时，可以借鉴 AI 应用架构的思维，注重模型与业务目标的结合、数据流程的工程化及成果的可解释性展示[ref_5][ref_6]。