利用可解释机器学习量化地理特征对城市GDP的贡献

摘要:

城市缩放定律通常假设人口互动是同质的，用以描述城市人口与GDP之间的关系。然而，这种方法常常忽视了城市环境的复杂性，尤其是土地利用、道路网络和兴趣点等地理特征，这些特征显著塑造了城市经济。为填补这一空白，本研究提出了一个可解释的机器学习框架，用于量化城市地理特征（UGFs）对五个国家（美国、巴西、尼日利亚、中国和印度）的经济产出（GDP）的影响。本研究分为三个部分：

1. 使用CatBoost算法估计GDP
   采用CatBoost算法估计GDP，在各国平均 R^2 达到0.96，展示了UGFs的显著影响。
2. 使用SHAP方法量化特征贡献
   采用Shapley加法解释（SHAP）方法量化各种特征对GDP的贡献，揭示UGFs占GDP变异的45%至89%，且在不同国家间存在差异。
3. 基于特征贡献的城市分类
   通过基于特征贡献向量的城市分类，本研究表明，具有相似GDP水平城市的人口和UGFs贡献往往相似，这表明对于经济状况相似的城市，可以采用相似的策略。

这些发现提供了UGFs如何影响GDP的洞见，有助于理解城市经济发展，并为政策制定者提供有根据的建议。此外，这一框架为将城市特征整合到使用机器学习的研究中开辟了新机会，增强了对城市系统复杂性的理解。