基于Python的经济循环模型构建与可视化案例

一、代码结构概览

该代码构建了一个包含经济数据生成、可视化分析和政策模拟的交互式经济系统仿真平台，主要包括三大模块：

1. 多部门经济数据生成：模拟包含产业关联的复杂经济数据

2. 增强型可视化：提供多维度的经济数据分析视图

3. Dash交互应用：实现政策参数的动态模拟与效果展示

二、数据生成模块 (generate_multi_sector_data)

1. 基础设置

dates = pd.date_range(start=datetime(2020, 1, 1), periods=years*12, freq='ME')t = np.arange(len(dates))

• 生成每月末的日期序列（freq='ME'）

• 创建时间索引数组t用于周期函数计算

2. 波动生成函数​​​​​​​

def modulated_wave(base_freq, noise=0):    return np.sin(base_freq*t)*(1+0.2*np.sin(0.3*t)) + noise*np.random.randn(len(t))

• 复合波动模型：包含：

• 基础正弦波（np.sin(base_freq*t)）

• 振幅调制波（0.2*np.sin(0.3*t)）

• 高斯白噪声（noise参数控制强度）

3. 部门经济模型

定义8个产业部门，每个部门采用不同的数学模型体现行业特性：

4. 产业关联计算​​​​​​​

sector_links = np.array([...])  # 8x8矩阵for _ in range(2):  # 两轮交互    for i in range(8):        impact = (df @ sector_links[i])        df.iloc[:,i] += 0.1 * impact.mean()

• 投入产出矩阵：8x8矩阵定义部门间供给关系

• 动态传播：进行两轮关联计算，每个部门接收来自其他部门的加权影响

5. 宏观指标​​​​​​​

df['domestic_cycle'] = 0.4*df['manufacturing'] + ...  # 国内周期df['external_cycle'] = 0.6*df['mining'] + ...        # 外部周期

• 通过加权组合关键部门数据生成综合指标

三、可视化模块

1. 平行坐标分析​​​​​​​

px.parallel_coordinates(    df.resample('Q').mean(),  # 季度平均    color='domestic_cycle',   # 颜色映射    dimensions=df.columns[:8])

• 功能：展示多部门间的关联关系

• 设计：

• 使用发散色系Tealrose突出对比

• 季度降采样避免过度波动

2. 雷达图分析​​​​​​​

go.Scatterpolar(    r=latest/(base+1e-6),     # 相对增长率    theta=df.columns[:8]     # 部门角度分布)

• 功能：可视化部门协同发展程度

• 设计：

• 显示当前值相对于基期的倍数关系

• 灰色基准线标记1倍水平

四、Dash交互应用

1. 界面布局​​​​​​​

app.layout = html.Div([    html.H1("仿真平台", style={'textAlign':'center'}),    dcc.Graph(id='parallel-coords'),  # 左侧视图    dcc.Graph(id='radar-chart'),      # 右侧视图    dcc.Slider(id='manuf-tax', ...),  # 政策滑块    html.Div(id='sector-simulation')  # 结果展示区])

• 响应式布局：使用CSS Grid实现双列视图

• 组件设计

• 政策滑块带有百分比刻度

• 阴影和圆角提升视觉层次

2. 政策模拟引擎​​​​​​​

@callback(    Output('sector-simulation', 'children'),    [Input('manuf-tax', 'value'), ...])def simulate_simpact(tax_rate, tech_sub, green_inv):    # 动态响应参数计算    tax_effect = 0.8/(1+np.exp(15*(tax_rate-0.25)))  # S型曲线    tech_multiplier = 1 + 2.5*tech_sub*(1-0.3*tax_rate)        # 构建8x8影响矩阵    impact_matrix = np.array([...])        # 计算增长率    base_values = economy_df.iloc[-1].values[:8]    impact = base_values @ impact_matrix    growth_rates = (impact - base_values)/base_values

• 核心算法：

• 使用矩阵乘法模拟政策冲击传导

• 各政策参数非线性叠加（如tech_sub与tax_rate的相互作用）

• 可视化反馈：

• 红/绿色区分正负增长

  网格布局展示8部门结果

import pandas as pd
import numpy as np
from datetime import datetime
from scipy import signal
import plotly.express as px
import plotly.graph_objects as go
from dash import Dash, html, dcc, Input, Output, callback


# ========================
# 多部门经济数据生成（8大产业部门）
# ========================
def generate_multi_sector_data(years=5):
    """生成包含复杂产业关联的经济数据"""
    dates = pd.date_range(start=datetime(2020, 1, 1), periods=years * 12, freq='ME')
    t = np.arange(len(dates))

    # 基础波动模型
    def modulated_wave(base_freq, noise=0):
        return np.sin(base_freq * t) * (1 + 0.2 * np.sin(0.3 * t)) + noise * np.random.randn(len(t))

    # 部门定义（8大产业）
    sectors = {
        # 农业：受气候和政策影响
        'agriculture': 50 * (1 + 0.01 * t) + 10 * modulated_wave(2 * np.pi / 24) * (
                    1 + 0.3 * signal.square(2 * np.pi * t / 36)),

        # 采矿业：资源依赖型
        'mining': 80 * (1 + 0.008 * t) - 0.005 * (t ** 1.5) + 15 * modulated_wave(2 * np.pi / 36, 0.2),

        # 制造业：核心生产部门
        'manufacturing': 100 * (1 + 0.015 * t) * (1 - 1 / (1 + np.exp(0.1 * (t - 30)))) + 20 * modulated_wave(
            2 * np.pi / 12),

        # 公用事业：稳定增长
        'utilities': 60 * (1 + 0.012 * t) + 5 * np.random.randn(len(t)),

        # 建筑业：周期性波动
        'construction': 70 * (1 + 0.01 * t) + 25 * modulated_wave(2 * np.pi / 18) + 0.2 * signal.sawtooth(
            2 * np.pi * t / 60),

        # 科技服务业：指数增长
        'tech_services': 40 * np.exp(0.005 * t) * (1 + 0.3 * modulated_wave(2 * np.pi / 24, 0.15)),

        # 金融地产：复合增长
        'finance_realestate': 90 * (1 + 0.01 * t) ** 2 + 30 * modulated_wave(2 * np.pi / 24, 0.2),

        # 消费服务业：需求驱动
        'consumer_services': 80 * (1 + 0.008 * t) + 20 * modulated_wave(2 * np.pi / 12) * (
                    1 + 0.4 * np.random.beta(2, 5, len(t)))
    }

    df = pd.DataFrame(sectors, index=dates)

    # 部门间关联投入产出关系
    sector_links = np.array([
        [0, 0.1, 0.2, 0, 0.05, 0, 0, 0],  # 农业
        [0.05, 0, 0.3, 0.1, 0.15, 0, 0, 0],  # 采矿业
        [0.1, 0.4, 0, 0.2, 0.25, 0.3, 0.1, 0.2],  # 制造业
        [0, 0, 0.1, 0.05, 0, 0.05, 0, 0],  # 公用事业
        [0, 0.1, 0.35, 0.05, 0, 0.1, 0.15, 0.3],  # 建筑业
        [0, 0, 0.2, 0.1, 0.1, 0, 0.3, 0.2],  # 科技服务
        [0, 0, 0.1, 0.05, 0.2, 0.4, 0, 0.5],  # 金融地产
        [0.2, 0, 0.15, 0, 0.1, 0.25, 0.3, 0]  # 消费服务
    ])

    # 动态投入产出计算
    for _ in range(2):  # 两轮交互
        for i in range(8):
            impact = (df @ sector_links[i])
            df.iloc[:, i] += 0.1 * impact.mean()

    # 宏观指标计算
    df['domestic_cycle'] = 0.4 * df['manufacturing'] + 0.3 * df['consumer_services'] + 0.3 * df['construction']
    df['external_cycle'] = 0.6 * df['mining'] + 0.4 * df['tech_services'] - 0.2 * df['finance_realestate']

    return df


economy_df = generate_multi_sector_data()


# ========================
# 增强型可视化（多维度分析）
# ========================
def create_parallel_coordinates(df):
    """产业关联平行坐标分析"""
    fig = px.parallel_coordinates(
        df.resample('Q').mean(),
        color='domestic_cycle',
        dimensions=df.columns[:8],
        color_continuous_scale=px.colors.diverging.Tealrose,
        title="产业关联度多维分析"
    )
    fig.update_layout(height=500)
    return fig


def create_radar_chart(df):
    """部门协同效应雷达图"""
    latest = df.iloc[-1].values[:8]
    base = df.iloc[0].values[:8]

    fig = go.Figure()
    fig.add_trace(go.Scatterpolar(
        r=latest / (base + 1e-6),
        theta=df.columns[:8],
        fill='toself',
        name='当前值',
        line_color='indigo'
    ))
    fig.add_trace(go.Scatterpolar(
        r=np.ones(8),
        theta=df.columns[:8],
        name='基准线',
        line_color='gray'
    ))
    fig.update_layout(
        polar=dict(radialaxis=dict(visible=True, range=[0.5, 2])),
        showlegend=True,
        height=450,
        title="部门发展协同效应雷达图"
    )
    return fig


# ========================
# 增强型Dash应用（多政策模拟）
# ========================
app = Dash(__name__)

app.layout = html.Div([
    html.H1("多部门经济系统动力学仿真平台", style={'textAlign': 'center', 'color': '#2c3e50'}),

    html.Div([
        dcc.Graph(id='parallel-coords', figure=create_parallel_coordinates(economy_df)),
        dcc.Graph(id='radar-chart', figure=create_radar_chart(economy_df))
    ], style={'display': 'grid', 'gridTemplateColumns': '1fr 1fr', 'gap': '20px'}),

    html.Div([
        html.Div([
            html.H3("产业政策模拟器", style={'borderBottom': '2px solid #3498db'}),

            html.Div([
                html.Div([
                    html.Label("制造业增值税", style={'color': '#2980b9'}),
                    dcc.Slider(id='manuf-tax', min=0.1, max=0.4, value=0.25, step=0.05,
                               marks={i: f"{int(i * 100)}%" for i in [0.1, 0.2, 0.3, 0.4]}),
                ], style={'flex': 1, 'padding': 10}),

                html.Div([
                    html.Label("科技研发补贴", style={'color': '#27ae60'}),
                    dcc.Slider(id='tech-subsidy', min=0, max=0.2, value=0.05, step=0.02,
                               marks={i: f"{int(i * 100)}%" for i in [0, 0.05, 0.1, 0.15, 0.2]}),
                ], style={'flex': 1, 'padding': 10}),

                html.Div([
                    html.Label("绿色转型投资", style={'color': '#2ecc71'}),
                    dcc.Slider(id='green-invest', min=0, max=0.15, value=0.03, step=0.03,
                               marks={i: f"{int(i * 100)}%" for i in [0, 0.03, 0.06, 0.09, 0.12, 0.15]}),
                ], style={'flex': 1, 'padding': 10})
            ], style={'display': 'flex', 'gap': '15px'})
        ], style={
            'padding': 25,
            'borderRadius': 10,
            'boxShadow': '0 2px 15px rgba(0,0,0,0.1)',
            'background': '#f9f9f9',
            'marginBottom': '20px'
        })
    ], style={'width': '90%', 'margin': 'auto'}),

    html.Div(id='sector-simulation', style={
        'padding': 20,
        'margin': '20px auto',
        'borderRadius': 8,
        'background': '#f0f4f8',
        'width': '85%'
    })
])


# ========================
# 产业政策模拟引擎
# ========================
@callback(
    Output('sector-simulation', 'children'),
    [Input('manuf-tax', 'value'),
     Input('tech-subsidy', 'value'),
     Input('green-invest', 'value')]
)
def simulate_simpact(tax_rate, tech_sub, green_inv):
    """多政策协同作用模拟"""
    # 动态响应参数
    tax_effect = 0.8 / (1 + np.exp(15 * (tax_rate - 0.25)))  # S型税收响应
    tech_multiplier = 1 + 2.5 * tech_sub * (1 - 0.3 * tax_rate)
    green_synergy = 0.6 * green_inv * (1 + 0.4 * tech_sub)

    # 部门间传播矩阵
    impact_matrix = np.array([
        [1.0, 0.2, 0.5, 0.1, 0.3, 0.4, 0.1, 0.2],
        [0.3, 1.0, 0.6, 0.2, 0.4, 0.1, 0.3, 0.1],
        [0.7, 0.8, tax_effect, 0.5, 0.6, tech_multiplier, 0.4, 0.5],
        [0.1, 0.2, 0.3, 1.0, 0.2, 0.3, 0.1, 0.2],
        [0.4, 0.3, 0.7, 0.2, 1.0, 0.5, green_synergy, 0.6],
        [0.5, 0.1, 0.9, 0.3, 0.8, 1.0, 0.7, 0.4],
        [0.2, 0.4, 0.6, 0.1, 0.5, 0.8, 1.0, 0.3],
        [0.3, 0.1, 0.4, 0.2, 0.7, 0.6, 0.5, 1.0]
    ])

    # 计算部门影响
    base_values = economy_df.iloc[-1].values[:8]
    impact = base_values @ impact_matrix
    growth_rates = (impact - base_values) / base_values

    # 生成可视化结果
    return html.Div([
        html.H4("政策冲击传导效应预测", style={'color': '#2c3e50'}),
        html.Div([
            html.Div([
                html.P(f"{sector}:", style={'fontWeight': 'bold'}),
                html.P(f"{100 * growth:.1f}%",
                       style={'color': '#e74c3c' if growth < 0 else '#27ae60'})
            ])
            for sector, growth in zip(economy_df.columns[:8], growth_rates)
        ], style={'display': 'grid', 'gridTemplateColumns': 'repeat(4, 1fr)', 'gap': '15px'})
    ])


if __name__ == '__main__':
    app.run(debug=True, port=8050)