基于GBDT模型的贵州省GDP空间化研究

Spatial Analysis of Guizhou Province’s GDP Based on the GBDT Model

摘要: 传统的GDP统计数据仅能反映地区经济发展的总体水平，而GDP空间化可以反映出经济活动的空间特征。本文以贵州省为研究对象，用2000~2022年的长时间序列多源数据集作为模型训练数据，选用传统多元线性回归模型(MLR)与5种机器学习模型：DT、RF、AdaBoost、XGBoost和GBDT模型进行对比分析，结果表明：机器学习模型拟合结果精度和交叉验证精度均优于传统多元线性回归模型，表明在GDP与多元变量之间存在复杂关系时，线性回归模型往往具有局限性，机器学习模型通过不断地迭代计算，能够更好地处理非线性关系，从而提高模型的预测性能。其中以GBDT模型误差最小(拟合结果R²为0.90、MAE和RMSE分别为51.25亿元和76.32亿元；交叉验证R²为0.98、MAE和RMSE分别为0.04亿元和0.13亿元)，相较于其他模型，该模型表现出最佳的拟合能力，模型的稳定性最高。贵州省经济空间分布特征主要是以城市为中心的经济发展圈层结构，结合现状分析了成因并提出了规划、建设及财政等方面建议。

Abstract: Traditional GDP statistics only reflect the overall level of regional economic development, while spatialization of GDP can unveil the spatial characteristics of economic activities. This paper takes Guizhou Province as the research object, utilizing a long-term time series multi-source dataset from 2000 to 2022 as the model training data. It compares the traditional multiple linear regression model (MLR) with five machine learning models: DT, RF, AdaBoost, XGBoost, and GBDT models. The results indicate that machine learning models exhibit superior fitting accuracy and cross-validation precision compared to the traditional multiple linear regression model. This suggests that linear regression models often have limitations when dealing with complex relationships between GDP and multiple variables. Machine learning models, through iterative computation, can better handle nonlinear relationships, thereby enhancing the predictive performance of the model. Among these, the GBDT model demonstrates the smallest error (with a fitting result R² of 0.90, MAE and RMSE of 51.25 billion yuan and 76.32 billion yuan respectively; cross-validation R² of 0.98, MAE and RMSE of 0.04 billion yuan and 0.13 billion yuan respectively), exhibiting the best fitting capability and highest stability compared to other models. The spatial distribution characteristics of Guizhou Province’s economy primarily manifest as an urban-centric economic development concentric structure. Combining current analysis, this paper elucidates the causes and proposes suggestions in terms of planning, construction, and finance.

1. 引言

国内生产总值(Gross Domestic Product, GDP)是衡量一个国家经济活动总量的指标。它代表了一定时间内，一个国家所有终端生产的货物和提供的服务的总价值[1] [2]。GDP通常被用作衡量经济增长和经济活动水平的主要指标之一[3]。

然而，传统的GDP统计方法虽然在一定程度上反映了经济的总体情况，但忽视了不同地区、不同行业之间的差异性，无法提供足够深入的信息，特别是在分析经济活动的空间特征方面存在明显不足[4] [5]。随着经济全球化和城市化进程的加速，GDP空间化概念逐渐受到关注[6] [7]。GDP空间化是将GDP统计数据与地理空间结合，以分析不同地区的经济表现和区域差异。这种方法利用地理信息系统和空间分析技术，将GDP统计数据以空间化密度图形式呈现，有助于理解经济活动在地理空间上的分布和影响，并为政策制定和资源管理提供更准确的指导[8] [9]。

GDP空间化方法的发展大致经历了三个阶段：(1) 初期的探索阶段，依赖于简单的空间插值方法，如距离加权反比法、样条插值等，这些方法基于已知的GDP数据点，通过一定的权重分配来估算未知点的GDP值[10] [11]。(2) 构建模型阶段，随着地理信息系统(GIS)和遥感技术的快速发展，研究者们开始利用这些先进技术构建更加复杂的GDP空间化模型。结合土地利用、人口分布、交通网络等多种空间信息，可以更加准确地反映GDP在地理空间上的变化规律和特征[12] [13]。(3) 多源数据融合阶段，在这一阶段，研究者们开始探索如何融合多种来源的数据来提高GDP空间化的精度。这些数据包括统计数据、遥感数据、社交媒体数据等。通过数据的整合和互补，可以更加全面地反映GDP在地理空间上的实际情况。这几个阶段并不是孤立的，而是连续演进的过程，这些阶段共同推动了GDP空间化方法的不断发展和完善[14]。通常而言，多源数据融合方法相较于其他方法而言，具有更高的精确度。特别是在采用夜间灯光(NTL)卫星遥感数据时，模型性能得到了显著提升。NTL数据在夜间采集，因此能够大幅度减少自然干扰因素的影响，从而更为准确地反映出人类活动的强度以及社会经济发展的水平[15]。

近年来，贵州省在经济增长方面取得了显著进展，尤其是数字经济方面，连续七年保持了中国领先地位。然而，贵州省的经济发展仍面临挑战，内部经济的发展不均衡，各地区之间差异较大。为了更好地了解贵州省经济发展状况和空间分布特征，本文基于2000~2022年长时间序列的多源数据集，选用传统多元线性回归模型(MLR)与机器学习模型对贵州省2022年GDP进行空间化研究。实验结果表明梯度提升决策树算法(GBDT)用于贵州省GDP空间化结果最优，生成的GDP空间化密度图可丰富贵州省经济发展研究的新视角，同时为贵州省经济发展分析提供了数据支撑，更好地引导和促进贵州省经济的区域协同发展和可持续发展。

2. 研究区概况与数据来源

2.1. 研究区概况

贵州省，简称“黔”或“贵”，地理位置介于103˚36'~109˚35'E、24˚37'~29˚13'N，贵州全省东西长约595千米，南北相距约509千米，总面积为176,167平方千米，占全国国土面积的1.8%。贵州省共有9个市州(其中：6个地级市、3个自治州)；88个县级行政区(其中：10个县级市、50个县、11个自治县、1个特区、16个市辖区)。研究区概况如图1所示。

Figure 1. Overview map of the study area

图1. 研究区概况图

贵州省以其独特的喀斯特地貌闻名，自2000年以来，贵州省的社会经济状况呈现出显著的增长和改善。经济方面的发展也表现出相应的增长趋势：2000年，贵州省的GDP首次突破了1000亿元；到2015年，全省GDP超过了10,000亿元；而在2022年更是达到了20,000亿元的高水平。然而全省各个地区间经济发展存在明显的差异，因此对其进行精细尺度上的GDP空间化研究，有助于更好地了解贵州省经济发展状况和空间分布特征。

2.2. 数据来源及处理

根据先前学者的研究成果，本文考虑了与经济活动有关的7个自变量：DMSP/OLS、NPP/VIIRS夜间灯光影像数据、人口空间分布栅格数据(POP)、归一化植被指数(NDVI)、平均降水数据(RAIN)、平均气温数据(LST)、数字高程模型(DEM)、土地覆盖数据。其中夜间灯光强度可直接表明经济活动的强弱，本文DMSP/OLS、NPP/VIIRS夜间灯光影像数据均来自美国NOAA网站，对两种夜光数据进行连续性校正后获得长时间序列的夜间灯光数据；人口密集地区的经济活动通常更活跃，因为人口多意味着更多的消费需求，推动了经济增长和GDP提升。人口空间分布栅格数据来自LandScan平台，空间分辨率为1 km；NDVI是一种用来评估地表植被覆盖状况的指标。贵州省作为农业大省，NDVI数据对当地的生产总值有一定影响。归一化植被指数(NDVI)来自美国国家航空航天局定期发布的MOD13A3数据产品，基于逐月的NDVI栅格数据，本研究利用最大合成法得到了逐年的NDVI栅格数据；气象数据在一定程度上对经济活动也有影响，平均气温和平均降水数据来自欧洲ERA5-Land数据集；地形数据对资源分布、农业生产、基础设施、旅游业、自然灾害和人口分布等方面都有影响。地形条件直接或间接地影响着经济活动，从而对GDP产生影响。数字高程模型数据来自美国STRM高程数据，空间分辨率为30米，本文将小于5˚的坡度像元定义为平面像素，并通过计算其所占比例来确定平地占比数据(FLR)；土地利用数据与GDP之间存在紧密关系，土地利用数据反映了土地资源的分布、利用和权属情况，为经济发展提供了基础支撑。土地覆盖数据来自武汉大学的杨杰和黄昕教授发布的1990~2022年的中国30 m的年度土地覆盖数据，用于计算出不透水面占比数据(ISR)。将上述数据进行统一的投影处理，转换坐标系为Albers等积投影坐标系、并按照贵州省范围进行裁剪、此基础上通过ArcGIS软件，创建全省1 km × 1 km大小的格网，用作本研究各类数据的承载平台。接着使用ArcGIS的分区统计功能，分别统计2000~2022年基于全省88个区县行政区划和每个格网上的7个自变量。

此外本文的行政区划数据来自国家基础地理信息中心；GDP统计数据来自2001~2023年《中国县域统计年鉴》《贵州统计年鉴》。

3. 研究方法

3.1. GDP空间化模型

在过去的GDP空间化研究中，通常采用的数学模型是多元线性回归模型(MLR)。多元线性回归模型在实际应用中相对有限，因为它假设GDP影响因子与GDP之间的关系是线性的、独立的。但在实际中GDP与本文选取的自变量之间有着复杂的关系，各个影响因子之间也存在相互作用。相比之下，机器学习方法具有更广泛的应用前景和更强大的建模能力。首先，机器学习算法能够更好地处理非线性关系。其次，机器学习算法能够自动进行特征选择和处理高维数据，从而减少模型的复杂度和提高预测性能。此外，与多元线性回归相比，一些机器学习算法具有更好的鲁棒性，能够更好地处理异常值和离群点。最后，机器学习算法通常具有较强的泛化能力，能够在新数据上表现良好，从而提高了模型的实用性和可靠性。本文选用传统多元线性回归模型(MLR)和5种机器学习模型：决策树模型(DT)、随机森林回归模型(RF)、自适应增强算法(AdaBoost)、极端梯度提升算法(XGBoost)和梯度提升决策树回归模型(GBDT)进行对比分析。并且在小样本情况下，GBDT模型相较于其他模型可以通过迭代学习机制，逐渐修正前一轮的错误，更充分地学习数据的细微特征。同时自适应性机制使得GBDT模型能够更好地适应小样本的特征分布，提高了对数据的拟合能力，在有限数据下更有可能取得更为真实和可靠的预测结果。

3.2. 影响因子筛选

3.2.1. GDP与影响因子的相关性分析

本文将长时间序列的夜间灯光数据作为预测GDP的重要影响因子，将其他数据：POP、NDVI、LST、RAIN、FLR和ISR作为辅助数据。对研究区内GDP统计数据与影响因子进行Pearson相关性分析，见表1所示。结果表明NTL、POP和ISR与GDP统计值呈现出的正相关关系，Pearson相关性相关系数均高于0.8，表明NTL、POP、ISR与GDP之间的线性关系比较显著；其他因子与GDP之间线性关系不显著。

Table 1. Descriptive statistics of the modeling data

表1. 建模数据的描述性统计

变量	最大值	最小值	均值	Pearson相关系数
GDP	1706.7	1.0505	93.337786	1
TNL	32,520	0	3213	0.82
POP	1,237,490	50,219	398600.96	0.91
NDVI	5046.24	54.42	1607.19	−0.37
LST	71068.37	1248.71	29080.11	−0.01
RAIN	26.85	0.25	8.6	−0.06
FLR	561.78	16.45	150.5	0.29
ISR	77,149	656	10159.65	0.87

3.2.2. 影响因子重要性排序

自变量重要性分析是一种评估各个特征对机器学习模型预测结果的影响程度的方法。机器学习算法中常用计算特征对于样本的贡献度来获取影响因子重要性排序。对于给定的样本，其特征的贡献度计算公式如公式1所示：

${\varphi }_{i,j}={\displaystyle {\sum }_{S\subseteq M\backslash \left\{j\right\}}\frac{\left|S\right|!\left(M-\left|S\right|-1\right)!}{M!}}\left[f\left(x_i\right)-f\left(x_{S\cup \left\{j\right\}}\right)\right]$ (1)

式中：${\varphi }_{i,j}$ 是特征值j对样本$x_i$ 的贡献度；M是特征的总数；$f\left(x_i\right)$ 是模型对样本$x_i$ 的预测输出；$f\left(x_{S\cup \left\{j\right\}}\right)$

将特征j缺失后模型对样本$x_i$ 的预测输出；S是特征索引的子集，遍历所有可能的特征子集，计算模型预测输出的变化。

通过对特征重要性进行可视化分析，可以直观地显示每个特征在模型中的重要性排序。DT模型、RF模型、AdaBoost模型、XGBoost模型和GBDT模型的自变量重要性排序分别如图2~6所示。结果表明，因子NTL、POP、ISR与GDP的建模之间贡献度较高，其中NTL的贡献度最为突出。而NDVI、LST、RAIN和FLR在GDP空间化建模中几乎没有贡献。

3.2.3. 影响因子选取

根据GDP与影响因子间相关分析结果和影响因子重要性排序结果，综合分析选取相关性高且对模型贡献度大的NTL、POP和ISR作为贵州省GDP空间化模型的自变量。

Figure 2. Importance ranking of factors in the Decision Tree Model

图2. DT模型影响因子重要性排序

Figure 3. Importance ranking of factors in the Random Forest Model

图3. RF模型影响因子重要性排序

Figure 4. Importance ranking of factors in the AdaBoost Model

图4. AdaBoost模型影响因子重要性排序

Figure 5. Importance ranking of factors in the XGBoost Model

图5. XGBoost模型影响因子重要性排序

Figure 6. Importance ranking of factors in the GBDT Model

图6. GBDT模型影响因子重要性排序

3.3. 分区域建立模型

贵州省的经济发展呈现出明显的内部差异，为了提高GDP空间化模型的拟合效果和质量，从而更准确地揭示和分析贵州省的经济空间分布特征，本文采取了对贵州省进行分区域建立GDP空间化模型的方法。以GDP和NTL数据为分区参考数据，将云岩区、南明区、观山湖区和仁怀市这4个突出区县作为1类地区，其余84个区县作为2类地区进行GDP空间化建模。

3.4. 模型精度评价指标

3.4.1. 模型拟合结果精度评价指标

为了比较各个模型的拟合结果精度，本文选用决定系数(R²)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价标准。计算公式如下：

${\text{R}}^2=\frac{{\displaystyle \sum _{i=1}^n{\left({\text{GDP}}_{p,i}-\overline{\text{GDP}}\right)}^2}}{{\displaystyle \sum _{i=1}^n{\left({\text{GDP}}_{s,i}-\overline{\text{GDP}}\right)}^2}}$ (2)

$\text{MAE}=\frac{1}{n}{\displaystyle \sum _{i=1}^n\left|{\text{GDP}}_{s\text{,}i}-{\text{GDP}}_{p\text{,}i}\right|}$ (3)

$\text{RMSE}=\sqrt{\frac{1}{n}{\displaystyle \sum _{i=1}^n{\left|{\text{GDP}}_{s,i}-{\text{GDP}}_{p,i}\right|}^2}}$ (4)

式中：${\text{GDP}}_{s,i}$ 为区县i的GDP统计值，${\text{GDP}}_{p,i}$ 是区县i的GDP预测值，$\overline{\text{GDP}}$是所有区县GDP统计值

的平均值。

3.4.2. 模型交叉验证结果精度评价指标

本文采用10折交叉验证方法对各个算法模型的拟合表现进行验证。其验证方法它将数据集分成十个相等大小的子集，然后依次将其中一个子集作为验证集，其余九个子集作为训练集，进行模型的训练和验证。这个过程会重复十次，每次选取不同的子集作为验证集，最终得到十个模型性能的评估结果。选用决定系数(R²)、平均绝对误差(MAE)和均方根误差(RMSE)用于模型十折交叉验证结果评价指标。

4. 结果及分析

4.1. 模型拟合结果评价

将分区空间化的结果拼合，利用ArcGIS软件分区统计功能统计出2022年各区县GDP预测值，并与GDP统计值进行对比分析，得到各模型的拟合结果回归分析图，如图7所示；评价指标统计表如表2所示。

Figure 7. Fitting results of various models in 2022

图7. 2022年各模型拟合结果

Table 2. Statistical summary of evaluation metrics for model fitting results in 2022

表2. 2022年模型拟合结果评价指标统计表

模型	R^2	MAE/亿元	RMSE/亿元
MLR	0.70	87.18	135.86
DT	0.89	55.92	83.02
RF	0.89	60.54	82.61
AdaBoost	0.85	68.52	95.99
XGBoost	0.77	95.96	119.46
GBDT	0.90	51.25	76.32

由结果可知：(1) 从R²来看，MLR模型为0.70，其余5种机器学习模型拟合R²均高于MLR模型，DT、RF、AdaBoost、XGBoost和GBDT模型的R²分别为0.89、0.89、0.85、0.77和0.90。表明机器学习算法对比多元线性回归模型有着更好的拟合效果，其中GBDT模型为最优。(2) 从MAE和RMSE来看，MLR、DT、RF、AdaBoost、XGBoost和GBDT模型的MAE分别为87.18亿元、55.92亿元、60.54亿元、68.52亿元、95.96亿元和51.25亿元；RMSE分别为135.86亿元、83.02亿元、82.61亿元、95.99亿元、119.46亿元和76.32亿元。结果表明除XGBoost模型MAE大于MLR模型外，机器学习模型的MAE和RMSE均小于MLR模型，其中GBDT模型结果最小。(3) 从拟合结果的散点图来看，5种机器学习模型相较MLR离散程度更为集中，其中GBDT模型散点最为集中，DT、RF、AdaBoost、XGBoost和MLR模型离散程度依次减弱。表明GDDT模型的预测值更接近于真实值，预测准确性更高。

综合来看5种机器学习模型拟合结果表现均优于MLR模型，结果表明在GDP与多元变量之间存在复杂关系时，线性回归模型往往具有局限性，机器学习模型通过不断地迭代计算，能够更好地处理非线性关系，从而提高模型的预测性能，其中又以GBDT模型为最优，相较于文中其他模型，该模型表现出最佳的拟合能力。

4.2. 模型交叉验证结果评价

将各个模型的十折交叉验证结果对比分析，考察不同模型的泛化能力以及可靠度。各模型拟合十折交叉验证结果如图8所示；十折交叉验证评价指标统计表如表3所示。

由结果可知：(1) 从R²来看，6种模型的十折交叉验证精度R²介于0.93~0.98之间相较拟合结果精度R²介于0.70~0.90之间整体有很大上升。MLR模型为0.93，其余5种机器学习模型拟合R²均高于MLR模型，GBDT模型R²最高，DT、RF、AdaBoost、XGBoost和GBDT模型的R²分别为0.95、0.96、0.97、0.95和0.98。(2) 从MAE和RMSE来看，6种模型的变异解释能力都较好。5种机器学习模型均优于MLR模型，GBDT模型误差最小。MLR、DT、RF、AdaBoost、XGBoost和GBDT模型的MAE分别为0.09亿元、0.06亿元、0.06亿元、0.06亿元、0.05亿元和0.04亿元；RMSE分别为0.26亿元、0.22亿元、0.18亿元、0.16亿元、0.21亿元和0.13亿元。(3) 从散点图中离散程度来看：GBDT模型拟合散点最为集中，AdaBoost、RF、XGBoost、DT和MLR模型离散程度依次减弱。

综合分析各个模型十折交叉验证结果：R²、MAE和RMSE以及散点图分布状况，5种机器学习模型十折交叉验证结果均优于MLR模型，表明机器学习模型稳定性更高，其中GBDT模型误差最小，相较于文中其他模型，该模型表现出最佳的拟合能力。

Figure 8. Cross-validation results of various models in 2022

图8. 2022年各模型交叉验证结果

Table 3. Statistical summary of model cross-validation results in 2022

表3. 2022年模型交叉验证结果评价指标统计表

模型	R^2	MAE/亿元	RMSE/亿元
MLR	0.93	0.09	0.26
DT	0.95	0.06	0.22
RF	0.96	0.06	0.18
AdaBoost	0.97	0.06	0.16
XGBoost	0.95	0.05	0.21
GBDT	0.98	0.04	0.13

4.3. GDP空间化结果及分析

4.3.1. GDP空间化校正

本文采用实际GDP统计值来对格网GDP值进行线性校正，校正方法如公式5所示：

${\text{GD<msup> P <mo>′</mo> </msup>}}_{g,i}={\text{GDP}}_{g,i}\times \frac{{\text{GDP}}_{s,i}}{{\text{GDP}}_{sum,g,i}}$ (5)

式中：${\text{GD<msup> P <mo>′</mo> </msup>}}_{g,i}$ 为校正后的格网GDP值，${\text{GDP}}_{g,i}$ 为格网GDP预测值，${\text{GDP}}_{s,i}$ 为区县的实际GDP统计值，${\text{GDP}}_{sum,g,i}$ 为区县内格网GDP预测值的总和。

4.3.2. GDP空间化结果及分析

选用拟合结果表现最优的GBDT模型进行贵州省GDP空间化，经过校正，最终得到贵州省2022年GDP空间化密度图，如图9所示。

Figure 9. Spatial density map of GDP in Guizhou Province in 2022

图9. 贵州省2022年GDP空间化密度图

由图9可以看出，2022年贵州省主要经济区域为贵阳市、遵义市区域、黔西地区以及其余的一些城市点。贵阳市作为省会城市，经济高度发达，成为经济增长的主要推动力。在遵义市城区，强大的工业基础和得天独厚的地理位置注入了巨大的活力，尤其是在仁怀市，悠久的酿酒工业历史和文化底蕴也带动了经济的显著提升。此外，位于贵州省西部的黔西和黔西南地区，凭借丰富的自然资源和不断完善的基础设施，成为全省经济发展较好的区域。黔南和黔东地区经济发展并未像上述地区那样集中或显著，表明区域经济发展较慢，主要经济区域停留在城市范围。总的来说，贵州省经济发展空间分布特征主要是以城市为中心的经济发展圈层结构，经济发展不均衡的根本原因在于多方面因素的综合作用。首先，地理条件上贵州省地形复杂，山地较多，交通不便，地理条件的复杂性导致一些地区资源开发和交通建设相对滞后，从而形成了城市集聚的现象。其次，自然资源分布不均匀，自然资源丰富地区更容易形成经济发展圈层。此外，政府在城市建设和经济发展中的政策导向，吸引了更多的人口和资金聚集，往往使得城市更具吸引力，进而形成了以城市为中心的经济发展格局。最后，投资和产业布局的趋势也加剧了这种不均衡，企业更倾向于在城市周边投资建厂，这会进一步加剧城市周边的经济发展，形成了城市经济的辐射效应。

为实现贵州省经济的均衡发展，基于本文的GDP空间化成果，参考贵州地区的当地实际现状及相关文献，对全省经济的全面协调与持续健康发展提出以下相关建议：首先，应通过科学规划和有效管理，调整区域布局，促进资源、资金和人才在城乡之间的均衡配置，以实现城乡区域的协调发展。其次，应当加大对基础设施建设的投资力度，提高农村地区和次级城市的基础设施水平，以增强其吸引力和竞争力。同时，需要推动产业结构的优化升级，通过引导和激励企业向这些地区投资，促进当地产业的转型升级和多元化发展。此外，应加强人才培养和流动管理，提高当地人才的整体素质和创新能力，并积极引进外部人才，推动人才资源的合理配置和有效利用。最后，必须建立健全的政策法规和服务保障体系，提高政策执行的科学性和有效性，为当地企业和居民提供更加优质的发展环境和服务支持。通过综合实施这些措施，可以逐步实现贵州省经济发展的更加均衡和可持续发展。

5. 结论

社会经济活动影响因素复杂，并不是单一的线性关系，这些因素之间相互作用、相互影响。本文基于贵州省88个区县行政单元，用2000~2022年的长时间序列多源数据集作为模型训练数据，选用传统多元线性回归模型(MLR)与5种机器学习模型：DT、RF、AdaBoost、XGBoost和GBDT模型进行对比分析，有以下结论：5种机器学习模型拟合结果精度和交叉验证精度均优于传统多元线性回归模型，表明在GDP与多元变量之间存在复杂关系时，线性回归模型往往具有局限性，机器学习模型通过不断地迭代计算，能够更好地处理非线性关系，从而提高模型的预测性能。其中以GBDT模型误差最小(拟合结果R²为0.90、MAE和RMSE分别为51.25亿元和76.32亿元；交叉验证R²为0.98、MAE和RMSE分别为0.04亿元和0.13亿元)，相较于其他模型，该模型表现出最佳的拟合能力，模型的稳定性最高。

基于GBDT模型的贵州省GDP空间化结果表明：贵州省经济发展不均衡，GDP高密度区集中在省会贵阳市和仁怀市，黔西地区的经济发展整体优于黔东地区，空间分布特征主要是以城市为中心的经济发展圈层结构。分析了其形成原因，并结合贵州省现状，提出了调整区域布局、推动产业升级和促进资源、资金和人才的均衡配置等建议。

本文的研究结果丰富了贵州省经济发展研究的新视角，可为贵州省经济发展分析提供数据支撑。这些成果不仅对于制定贵州省社会经济发展战略和政策具有重要参考价值，同时也为其他地区进行精细尺度的社会经济空间分布图制作提供了有益的借鉴和指导。

基金项目

贵州省省级科技计划项目：黔科合支撑[2022]一般204。

NOTES

^*通讯作者。