简介《发展经济学》马工程课件中第十章区域经济发展部分聚焦区域经济不平衡增长与空间扩散机制系统讲解地理上的二元经济发展理论、增长极理论和梯度转移理论三大框架并延伸至空间经济学渊源适合高校经管专业教学备课、考研复习或对区域发展政策感兴趣的读者。压缩包内仅有1个演示文稿文件大小约10.46MB页面以章节导览加理论图解呈现内容覆盖米尔达尔回波效应与扩散效应、佩鲁增长极对地区经济的影响、弗农产品生命周期引致的产业梯度转移过程以及中国区域发展过程和战略演变等。课件属于第三篇“结构转变”板块与二元经济、工业化、城市化及农业发展等章节前后呼应便于构建完整知识体系该课件目前已有381人浏览学习重点展示米尔达尔循环累积因果模型、佩鲁增长极概念和弗农产品周期理论可帮助理解“回波效应”与“扩散效应”下的区域差异演化以及转移支付、税收优惠等政策工具的现实应用。1. 从PPT课件到区域经济发展分析流程为什么值得自动化这份《发展经济学》马工程版课件的第十章主题是区域经济发展。对工程师来说它不只是一份待阅读的PPT而是一个值得自动化的数据处理对象把课件里的概念变成字段把文字里的理论变成可计算指数把章节标题变成报告结构。接下来的流程会从python-pptx解析课件开始经过Pandas数据结构化用Theil指数刻画区域差异最后用Matplotlib生成图表和Markdown研报。整个过程可以在本地用Python独立跑通适合做知识管理、教研自动化和经济数据分析的IT从业者。你不需要经济学背景只要会基本的Pandas和函数封装就能跟着下面的代码一步步复现。2. 用python-pptx从区域经济发展课件里提取结构化文本最小命令与参数陷阱2.1 课件解析的选型python-pptx vs pandoc vs LibreOffice处理标注为“第十章区域经济发展”的课件时第一个坑是文件后缀。标题写的.ppt是Office 2007之前的二进制格式python-pptx只能解析.pptx直接传.ppt路径会抛PackageNotFoundError。常见做法是先通过LibreOffice的headless模式转成.pptx或者干脆让用户另存为pptx。我一般优先用LibreOffice做一次批量转换因为转换后版式基本不丢文本框和表格能完整保留后续解析的稳定性远高于手动复制粘贴。下面是三种方案对比用于帮助你决定选型方案支持.ppt支持表格文本提取质量额外依赖python-pptx否是高仅pptxlxmlpandoc部分否低变成纯文本pandocLibreOffice headless是是中需二次解析libreofficepandoc适合快速看文字内容但会把所有文本框按顺序拍平失去层级关系。LibreOffice转换后再交给python-pptx是目前从老课件里拿结构化文本最稳定的组合。如果不想装LibreOffice也可以走另一个路线把.ppt文件当作OLE复杂文件用olefile库抽取其中的PowerPoint Document流再手工解析文本但这个方案的工程量大得多除非是写一次性脚本否则不值得。2.2 最小代码读取PPT全部文本框并保留章节层级这里以转换后的.pptx为例。核心工作是把每个slide里的所有文本框遍历一遍收集所有段落文本并保留slide编号和shape_id方便之后定位修改。代码如下from pptx import Presentation def iter_text_frames(prs): for slide_idx, slide in enumerate(prs.slides, start1): for shape in slide.shapes: if shape.has_text_frame: yield slide_idx, shape, shape.text_frame if shape.shape_type 6: # 6 表示分组形状 for sub in shape.shapes: if sub.has_text_frame: yield slide_idx, sub, sub.text_frame def extract_ppt_text(path): prs Presentation(path) lines [] for slide_idx, shape, tf in iter_text_frames(prs): text \n.join(p.text for p in tf.paragraphs if p.text.strip()) if text: lines.append(f## Slide {slide_idx} (shape_id{shape.shape_id})) lines.append(text) return \n.join(lines) print(extract_ppt_text(第10章 区域经济发展.pptx))逻辑说明iter_text_frames是一个生成器逐个slide遍历shape。shape.shape_type 6是处理分组形状因为python-pptx的旧版本中分组里的子shape不会自动出现在slide.shapes列表里需要手工递归进入。tf.paragraphs的每个p代表一个段落p.text直接拼接该段落所有run的文本简单场景下够用。参数说明Presentation(path)的path可以是路径字符串也可以是文件对象。如果是网络下载的课件建议用BytesIO先读入内存再交给Presentation避免文件句柄被提前关闭。shape_id是幻灯片的内部标识可用于在后续编辑中定位具体形状。如果你需要保留段落内的颜色、字号等格式请改用for run in p.runs逐run读取这样信息更全但代码量会增加一倍。2.3 表格、图片备注和乱码三个必须处理的坑表格是课件的重点例如区域经济数据表。python-pptx里判断表格用shape.has_table然后通过table.cell(r,c).text取值。这里的坑是单元格文本经常包含多余换行和空格需要用strip()清理。图片在ppt里通常显示为图形内容无法直接取文本需要OCR不属于文本提取的讨论范围。备注页的内容则藏在slide.notes_slide.notes_text_frame中如果讲师把结论写在备注里这也是很值得提取的信息。乱码问题是老课件的高发区。有些课件把Excel图表粘贴成WMF/EMF格式python-pptx无法解析文本框中偶尔出现软换行导致文字挤成一行。解决办法是提取后对文本做一次清洗把\x0b垂直制表符替换为\n同时过滤掉空段。保存Markdown时记得用utf-8-sig编码因为很多Windows工具的默认编码是GBK直接用utf-8写出的文件会变成乱码。这一组小操作能省掉后续半小时的排查。3. 从区域经济发展课件到可计算指标概念映射与数据字典3.1 发展经济学里关注什么四个可量化维度在《发展经济学》的区域经济发展章节中课件通常会从总体水平、经济结构、区域差异、空间联系四个维度展开。总体水平常用GDP总量、人均GDP经济结构用三次产业增加值占比区域差异用标准差、基尼系数、Theil指数空间联系则涉及贸易流和人口迁移。对于需要写代码的工程师不能只记住名词必须把每个名词翻译成一个或多个可计算的字段。这里我常用一个映射表把课件概念和数据结构对应起来课件概念数据字段计算公式/赋值经济总量gdp地区生产总值亿元人口规模population年末常住人口万人产业结构secondary_ratio第二产业增加值 / GDP二元结构dual_ratio第一产业占比 / (1 - 第一产业占比)区域差异theil_index第4章公式这张表的用处是统一口径。比如课件里说“产业结构升级”你没有直接字段就用secondary_ratio和tertiary_ratio组合判断。如果你要研究“二元经济结构”就按课件定义把农业与非农业的比值固化到字典里避免每次分析都重新解释概念。3.2 设计一个区域数据模型Pandas MultiIndex的用法区域经济数据天然是多层级的国家—地区—省级。如果只用一张扁平DataFrame后续做分组聚合和指数分解会经常卡壳。使用MultiIndex可以把“区域组”和“省份”同时放进行索引并用“年份”保留时间维度。我一般这样设计和初始化import pandas as pd index pd.MultiIndex.from_tuples([ (东部, 甲省, 2020), (东部, 乙省, 2020), (中部, 丙省, 2020), (西部, 丁省, 2020), ], names[区域组, 省份, 年份]) df pd.DataFrame({ gdp: [110760, 64613, 43443, 48598], population: [12601, 5850, 5775, 8367], primary_industry: [4769, 3081, 5580, 5556], secondary_industry: [45429, 25632, 18234, 19834], tertiary_industry: [60562, 35900, 19629, 23208], }, indexindex) print(df)逻辑说明MultiIndex.from_tuples的元组顺序必须与names一一对应。这里用了虚构的“甲省/乙省/丙省/丁省”作为示例实际工作中替换为真实名单即可。这个结构最大的好处是可以用df.xs(2020, level年份)深入某一年也可以df.groupby(level区域组)快速汇总。gdp和population的数值仅作演示单位需要统一。参数说明names里的字符串就是层级名称后续所有level取值都必须与此保持一致否则KeyError。primary_industry等字段建议直接用全名字段不要用“第一产业”这种中文别名因为在代码里容易被误认为字符串。单位方面gdp用“亿元”population用“万人”如果数据源是“元”和“人”先做一次除法否则后面算Theil指数时权重会完全错乱。3.3 把课件文本变成数据字典正则抽取的实战写法从PPT提取出的文本里指标定义通常有固定句式。比如“产业结构是指……”“基尼系数是……”。可以用正则简单抽取不需要上NLP模型速度快且对中文支持友好。下面这段代码在真实课件文本上跑过能抽到大部分“指标定义”的句子import re patterns [ r([\u4e00-\u9fa5]{2,10}率?)\s*[]\s*([^。]), r([\u4e00-\u9fa5]{2,10}指标)\s*[:]\s*([^。]), ] def extract_terms(text): terms {} for pat in patterns: for m in re.finditer(pat, text): name m.group(1).strip() desc m.group(2).strip() terms[name] desc return terms # 假设前面提取的课件文本保存在lecture.md中 ppt_text open(lecture.md, encodingutf-8).read() for term, desc in extract_terms(ppt_text).items(): print(f{term}: {desc})参数说明两个正则的差异在于第一个匹配“率”结尾的指标第二个匹配“指标”结尾的词。为什么要区分因为“增长率”“城市化率”经常出现在公式里而“增长指标”这类词后面可能跟的是统计口径描述。[\u4e00-\u9fa5]{2,10}限制了中文词长避免匹配到过长句子。实际使用中如果课件里的公式使用图片形式正则就失效了需要额外走OCR。抽取结果建议人工检查一遍因为课件作者可能用全角等号或别名。4. 区域经济发展差距怎么算Theil指数的Python实现与参数调优4.1 Theil指数的公式与选型人口权重是关键区域差异是区域经济发展研究中的核心问题。Theil指数与基尼系数相比最大的优势在于可以按地区组分解把总差异拆解为区域内差异和区域间差异。计算公式如下T Σ (y_i / Y) * ln((y_i / Y) / (p_i / P))其中y_i是区域i的GDPY是全国GDPp_i是区域i的人口P是全国总人口。指数为0表示完全均等越接近ln(N)表示差距越大。在权重选择上有的实现不使用人口权重直接计算T (1/N) * Σ(y_i / ȳ) * ln(y_i / ȳ)但这样会忽略区域人口规模的影响。举例来说两个人口差距极大的区域如果GDP份额相同无权重版本会给出相同贡献但人口版认为人口少的区域更异常。所以做区域经济发展评估我习惯用人口份额作为概率权重这与计算人均GDP的口径一致。下面是关键参数的建议值参数推荐值说明weightpopulation人口份额作为权重避免人口规模失真group_labels东区/中区/西区长度必须与gdp数组一致建议用NumPy数组year_level年份必须在MultiIndex中存在否则xs报KeyErrorzero_value0当GDP或人口为0时跳过该区域避免log溢出4.2 基础实现向量化计算Theil指数import numpy as np def theil_index(gdp, population): gdp np.asarray(gdp, dtypefloat) population np.asarray(population, dtypefloat) y_i gdp / gdp.sum() # GDP份额 p_i population / population.sum() # 人口份额 t (y_i * np.log(y_i / p_i)).sum() return t gdp np.array([110760, 64613, 43443, 48598]) pop np.array([12601, 5850, 5775, 8367]) print(fTheil {theil_index(gdp, pop):.4f})逻辑说明先将输入转成float数组防止整数除法的截断。gdp.sum()是总GDPgdp / gdp.sum()得到每个区域的份额。np.log(y_i / p_i)记录偏离度再用GDP份额加权求和。注意当p_i为0时log会得到inf需要提前过滤。真实数据中人口总不为零所以这里没有防御性代码但如果是合成的样本数据建议加if p_i 0判断。参数说明gdp和population要按相同顺序排序否则算出的指数没有意义。调用前最好先对DataFrame按省份名排序然后把两列值直接传入。如果需要处理多组数据可以用pd.concat聚合后再调用。4.3 分解实现组间差距与组内差距同时算出Theil指数可分解为T总 T组间 T组内。组间差异衡量各区域组的GDP份额与人口份额之间的总体偏离组内差异衡量每个组内部各省份之间的差异。代码实现def theil_decompose(group_labels, gdp, population): gdp np.asarray(gdp, dtypefloat) population np.asarray(population, dtypefloat) Y, P gdp.sum(), population.sum() # 总体 total (gdp / Y * np.log((gdp / Y) / (population / P))).sum() between 0.0 within 0.0 for label in np.unique(group_labels): mask group_labels label gdp_g gdp[mask] pop_g population[mask] Yg, Pg gdp_g.sum(), pop_g.sum() if Yg 0 or Pg 0: continue between Yg / Y * np.log((Yg / Y) / (Pg / P)) inner 0.0 for y_i, p_i in zip(gdp_g, pop_g): if y_i 0 and p_i 0: inner y_i / Yg * np.log((y_i / Yg) / (p_i / Pg)) within Yg / Y * inner return total, between, within labels np.array([东区, 东区, 中区, 西区]) gdp np.array([110760, 64613, 43443, 48598]) pop np.array([12601, 5850, 5775, 8367]) t, b, w theil_decompose(labels, gdp, pop) print(f总差异{t:.4f}组间{b:.4f}组内{w:.4f})逻辑说明外层循环遍历每个组组间贡献是“该组GDP份额的对数偏离人口份额”组内贡献则分别计算组内各省的不均等再用该组GDP份额加权。这里两层循环在组较多时效率不高但区域发展数据的量级通常只有几十个省份不必用矩阵化优化。参数说明group_labels必须与gdp等长且类型必须是numpy数组或相同长度的list。如果数据里有缺失值先用dropna清洗。另一个重要参数是分组的定义比如按地带分组还是按城市群分组这决定了“组间差异”的经济含义。课件强调区域经济发展差距时常用东中西三大地带选择这个分组粒度即可。4.4 按年份计算趋势数据的纵向比较区域差异是动态变化的因此要逐年计算。推荐把所有数据放在同一个DataFrame中用年份作为MultiIndex的一层然后对每一年调用theil_index。代码def theil_by_year(df): years df.index.get_level_values(年份).unique() result [] for year in years: sub df.xs(year, level年份) result.append((year, theil_index(sub[gdp].values, sub[population].values))) return pd.DataFrame(result, columns[年份, theil])参数说明xs是pandas的横截面选取方法level年份指定从哪个索引层取值。这里sub中gdp.values和population.values的顺序与sub的行顺序一致而sub继承自df的排序所以不会错位。如果原始数据没有排序需要先df.sort_index()否则xs返回的顺序不确定导致指数计算错误。提示如果DataFrame的索引没有先排序xs返回的数据顺序可能与原始文件不同导致gdp和population错位。建议在调用theil_by_year之前统一执行sort_index()。5. 区域经济发展结果可视化从Theil指数到图表报告5.1 图表选型不同指数对应不同图Theil指数及其分解结果适合用折线图展示趋势用堆叠柱状图展示组间/组内构成。GDP份额与人口份额的对比则用横向条形图最直观。不要在一张图里同时堆两条趋势和三个分组信息密度过载反而没法用于PPT汇报。下表是我常用的选择逻辑分析目标推荐图表用途Theil的时间趋势折线图观察差距扩大或缩小组间/组内分解堆叠柱状图展示差异来源各区域GDP占比横向条形图对比区域规模产业结构变化面积图展示结构演变如果数据带经纬度还可以用Pyecharts画省级地图但地图对背景数据依赖高且加载慢教科书课件里反而适合朴素的Matplotlib图。5.2 用Matplotlib绘制Theil趋势并标注关键年份import matplotlib.pyplot as plt def plot_theil_trend(df_theil, top_n5): fig, ax plt.subplots(figsize(10, 4)) ax.plot(df_theil[年份], df_theil[theil], markero, color#2E86AB) ax.set_title(区域经济发展差距 Theil 指数趋势) ax.set_xlabel(年份) ax.set_ylabel(Theil指数) ax.grid(alpha0.3) max_rows df_theil.nlargest(top_n, theil) for _, row in max_rows.iterrows(): ax.annotate(f{row[theil]:.3f}, (row[年份], row[theil]), textcoordsoffset points, xytext(0, 10), hacenter, fontsize9) plt.tight_layout() return fig逻辑说明nlargest取出指数最大的几个年份annotate把数值标在点上。xytext的单位是点正数表示向上偏移负数向下。返回fig而不是直接plt.show()好处是后续可以统一保存也方便在服务端生成图片。参数说明figsize(10,4)的长宽比适合放在PPT的16:9页面里。字体大小建议用默认值如果课件输出到论文里再统一调整plt.rcParams。如果标注文字互相重叠可以限制前3个年份或者用adjustText库做避让但那个库偶尔会引入中文乱码需要额外设置font.sans-serif。5.3 把课件章节标题映射到图表注释课件每章的“一、二、三”标题可以直接读出来作为图表下方的说明文字。比如课件讲“区域经济发展不平衡现状”你就把这句话放到Theil趋势图的图注里。实现方式是先解析lecture.md中的标题结构再拼接成报告def get_section_titles(md_path): titles [] with open(md_path, encodingutf-8) as f: for line in f: if line.startswith(## ) and Slide not in line: titles.append(line.strip()[3:]) return titles def build_report_markdown(title, chart_file, section_titles): md f## {title}\n\n md f\n\n for t in section_titles: md f- {t}\n return md参数说明md_path是前面提取出的课件Markdown。过滤Slide是为了排除每张幻灯片的编号只保留真正的章节标题。build_report_markdown返回的markdown可以用Pandoc转成Word或PDF图片相对路径需要确保工作目录与报告目录一致否则图片会断开。6. 进阶把PPT解析、指数计算和出图串成自动化流水线6.1 用函数封装整条链路前面的函数已经各自独立现在把它们拼接成一个process_pipeline。这个函数接收PPT路径、区域数据CSV路径、输出目录依次执行解析、计算、出图、生成报告。建议把每个步骤的输入输出都用文件缓存方便单独调试。def process_pipeline(pptx_path, region_csv, output_dir): md_text extract_ppt_text(pptx_path) Path(output_dir).mkdir(parentsTrue, exist_okTrue) with open(f{output_dir}/lecture.md, w, encodingutf-8) as f: f.write(md_text) df_region pd.read_csv(region_csv) df_region df_region.set_index([区域组, 省份, 年份]).sort_index() df_theil theil_by_year(df_region) df_theil.to_csv(f{output_dir}/theil.csv, indexFalse, encodingutf-8-sig) fig plot_theil_trend(df_theil) fig.savefig(f{output_dir}/theil.png, dpi150) plt.close(fig) titles get_section_titles(f{output_dir}/lecture.md) report build_report_markdown(区域经济发展自动化报告, theil.png, titles) with open(f{output_dir}/report.md, w, encodingutf-8) as f: f.write(report)参数说明region_csv的列名必须与df_region.set_index的层级一致否则level年份会报错。保存CSV时用encodingutf-8-sigExcel打开中文才不会乱码。dpi150是屏幕和打印都友好的分辨率。6.2 用SHA-256哈希跳过未变更的PPT课件文件经常被重复解析尤其当它放在共享目录时。每次全量解析会浪费几秒到几十秒不值得。最稳定的做法是给文件算一个哈希值缓存到本地JSON里。代码如下import hashlib from pathlib import Path def file_sha256(path, chunk_size65536): h hashlib.sha256() with open(path, rb) as f: while chunk : f.read(chunk_size): h.update(chunk) return h.hexdigest() ppt_path 第10章 区域经济发展.pptx cache_file Path(cache.json) hash_cache {} if cache_file.exists(): import json hash_cache json.loads(cache_file.read_text(encodingutf-8)) curr_hash file_sha256(ppt_path) if hash_cache.get(ppt_path) curr_hash: print(课件未变更跳过解析) else: process_pipeline(ppt_path, region.csv, output) hash_cache[ppt_path] curr_hash cache_file.write_text(json.dumps(hash_cache, ensure_asciiFalse), encodingutf-8)参数说明chunk_size65536是64KB读写速度较快对内存占用也小。使用海象运算符:需要Python 3.8如果团队还在用3.7要改写成while True加break。缓存文件用JSON保存注意ensure_asciiFalse保证中文路径能正确显示。6.3 验证Theil指数正确性的回归断言算法改动后如何知道结果有没有被破坏写两个极简断言就够了。第一个断言完全均匀分布时指数为0第二个断言只有一个区域占据所有GDP时指数等于ln(N)。把它们放在代码最前面每次运行时自动校验。def verify_theil(): assert theil_index(np.ones(4), np.ones(4)) 1e-12, 均匀分布应为0 assert abs(theil_index(np.array([100000, 1, 1, 1]), np.ones(4)) - np.log(4)) 1e-9 print(Theil校验通过)这里np.log(4)是理论上限当第一个区域GDP份额接近1时指数接近ln(4)。用1e-9的误差容忍浮点运算。建议在main.py里加上if __name__ __main__: verify_theil()防止别人直接调用核心函数时跳过验证。这个习惯能帮你快速发现公式被误改的问题。另一个实用技巧是使用watchdog监控课件目录当PPT文件被覆盖时自动触发process_pipeline。这样在教研组共享文件夹里老师只要更新PPT分析报告就会自动刷新省去手工等待。本文还有配套的精品资源点击获取