本文采用文本分析方法, 从政府工作报告中提取经济治理专业化等隐含信息, 为地方经济增长目标偏差的来源提供了新的解释. 研究结果表明, 政府经济治理的专业化能够带来超预期的经济增长, 具体体现为实际经济增速超过政府工作报告中公布的预期目标, 这与其可以有效配置资源要素有关, 同时也受到 “晋升锦标赛” 等因素的激励. 随着地方政府绩效考核体系发生转变, 政府经济治理专业化水平对于经济增长目标偏差的影响程度下降, 但在不同地区或不同行政等级的城市中, 经济治理专业化在促进经济增速提升方面总体上是有效的. 进一步地, 如果地方政府经济治理中对于未来展望过多、执行力不强, 与本市或本省之前政策的创新度越低、遵从度越高, 则会降低经济治理专业化对经济增长目标偏差的影响, 不利于超预期经济增长目标的实现. 本文的研究对于更好地发挥政府在资源配置以及经济增长中的作用具有借鉴意义.

Driven by different promotion pressures, different decisions made by government officials may change the development path of cities and directly affect the ability to cope with crises, thus playing an all-encompassing and sustained role in urban economic resilience (UER). Considering that the COVID-19 pandemic that occurred at the end of 2019 is a large external shock, which may cause a large disturbance to economic resilience, this article tests the impact of official promotion pressure (OPP) on UER using data from 265 cities in China from 2004 to 2019. This paper also explores the role of the “National Civilized City” (NCC) selection mechanism in the process. The findings indicate a positive correlation and spatial spillover effect between OPP and UER. Moreover, the impact of both civilization status and civilization intensity on OPP is negative, which means that obtaining the title weakens OPP, and the positive effect on UER is weakened. And this effect becomes increasingly obvious with the increase in the duration of the title of NCC. Furthermore, the heterogeneity analysis yields rich findings, which provide new perspectives for the policy recommendations in this paper.

Interval-valued functional principal component analysis (IFPCA) is a comprehensive evaluation method that can effectively handle continuous high-frequency data. However, most existing IFPCA methods assume that samples within intervals follow a uniform distribution, which may overlook the actual distribution of samples within intervals. This assumption may result in the omission of key features in samples, thereby affecting the accuracy of analyses. To address this issue, this study considers the internal distributional information of intervals using means and standard deviations to reflect the centralized location and discrete changes of intervals under the general distribution. The current time-varying distance function does not fully utilize this distributional information, necessitating an extension to accommodate the general distribution. Building on this, an IFPCA based on the time-varying distance function under the general distribution is proposed. This new IFPCA better utilizes the known internal information within intervals, uncovering intrinsic features of data. Simulation studies demonstrate the effectiveness of the IFPCA under the general distribution. An empirical application further confirms that the new IFPCA is superior to existing IFPCA methods.

Recent research has indicated that urban renewal can positively impact residents' happiness. However, the reciprocal influence of residents' happiness on urban renewal requires further exploration. Employing an inter-provincial panel dataset spanning from 2006 to 2020 and considering spatial dynamics, this study employs a spatial simultaneous equation model to analyze the mutual interaction and spatial spillover effects between residents' happiness and urban renewal. The findings reveal a bidirectional promotion mechanism between residents' happiness and urban renewal. Specifically, urban renewal contributes to heightened residents' happiness, while residents' happiness also fosters urban renewal. Moreover, a notable spatial interaction spillover effect is observed between residents' happiness and urban renewal. The linkage between residents' happiness and urban renewal in the focal region is intricately intertwined with the same factors in surrounding areas.

In the contemporary globalized business environment, organizations face intense competition and significant pressure to navigate uncertainties. Strategic decision-making, particularly in allocating scarce resources to innovation endeavors, is a crucial yet complex task for organizational leaders. This study addresses the gap in the existing literature by proposing a decision-making framework grounded in multi-criteria decision making (MCDM), specifically utilizing the analytic hierarchy process (AHP), to enhance strategic decision-making capabilities. The framework aims to improve resource allocation and organizational performance by integrating cognitive and affective factors influencing decision-makers. The analysis presented in this study has successfully computed the final rankings of the strategic alternatives, scanning ability, interpretation ability, and action ability within the organization. By integrating the weights assigned to each criterion and alternative, it was determined that scanning ability holds the highest value at 50.75%, followed by interpretation at 26.65%, and action at 22.58%. Additionally, the factors influencing these alternatives were ranked, with sentiment being the most significant at 0.3607, followed by emotion at 0.2123, attention at 0.2011, ideation at 0.1271, and memory at 0.0986. This outcome highlights the significance of scanning ability and sentiment in strategic decision-making. This research contributes to the field by providing a model influencing strategic decision-making, offering valuable insights for managers and policymakers aiming to optimize resource allocation and drive sustainable growth.

In the modern economy, startups are not only significant drivers of innovation and technological progress but also key players in addressing employment issues and promoting economic diversification. However, startups often face substantial operational risks and uncertainties in their early stages, especially regarding financing. To uncover the impact of different resource allocations and strategic choices on financing success, this study proposes a predictive method based on the latent Dirichlet allocation (LDA) topic model and deep neural networks through an in-depth analysis of startup financing cases. We systematically collected description text data from 2{,}000 startups and extracted text features from these descriptions using the LDA topic model. These features, combined with several traditional numerical indicators such as industry, product type, technology type, number of employees, and company size, were used to train a deep neural network to predict startup financing outcomes. The experimental results show that the prediction performance based on the LDA topic model is significantly better than that of traditional models relying solely on numerical data. This highlights the importance of text features in predicting the success of startup financing.

Network intrusion detection plays a critical role in safeguarding network security; however, traditional detection methods often struggle with complex attacks and large-scale data. To address these challenges, we propose a novel network intrusion detection model named GCM-CSDNN, which integrates the group cloud model (GCM) with a depthwise separable convolutional neural network (CSDNN). The model introduces group cloud transformation to reduce data dimensionality and employs 3D channel fusion technology to enhance feature extraction capabilities, thereby improving both accuracy and computational efficiency. We conducted extensive experiments on multiple benchmark datasets— including UNSW-NB15, KDD99, WSN-DS, and WADI— which cover diverse network environments and attack types. Experimental results demonstrate that GCM-CSDNN significantly outperforms traditional machine learning models and deep learning models in terms of accuracy and F1-score, achieving 98.79% and 98.81% respectively, and surpassing the next-best model, SSG-DCNN. Moreover, GCM-CSDNN exhibits excellent performance on high-dimensional and large-scale datasets, significantly reducing training and testing times while demonstrating strong robustness and generalization capabilities. These findings indicate that GCM-CSDNN can efficiently and accurately detect network intrusions, making it suitable for real-time network security environments requiring the processing of large volumes of data.

Recidivism among ex-offenders is a complicated socioeconomic issue that now significantly affects social security and stability. This article's theoretical foundations are primarily life story theory and identity label theory. It also builds a conceptual model of the effects of reoffending on social stability and social security using structure equation modelling (SEM) and trajectory analysis techniques, based on data from 355 questionnaires in 10 Chinese provinces. There was an empirical test of the model. The study's findings indicate that: 1) There is a strong negative association between social stability and social security and recidivism; 2) Income status, education level, legal awareness, prior prison experience, social recognition, and other factors are closely associated with the likelihood of reoffending; 3) Reoffending risk may significantly affect public safety through intervention crimes, such as those that immediately compromise public safety or morality.

Green production is an effective approach to achieve sustainable development. In this paper, the government determines the optimal subsidy policy under a finite budget, and then a manufacturer and a retailer play a Stackelberg game for selling green products. First, the case of subsidy for the manufacturer is discussed. It is shown that the government subsidy for per product generated by green production and the cost coefficient of the green production technology are positively correlated. Second, the case of subsidy for the retailer is discussed. By comparing the two cases, it proves that subsidy for the manufacturer generates a higher green level. Nevertheless, in some situations, subsidy for the retailer is optimal for the sales volume. Some numerical illustrations are designed to analyze the sensitivity of each subsidy policy with respect to the cost coefficient of the green production technology and the cost coefficient of the blockchain technology, and to examine the dominant region of each subsidy policy.

碳中和对人类社会可持续发展具有重要意义, 而碳中和技术与生态碳汇是影响碳中和能力的重要因素. 本文首先将这两种因素以及碳中和目标中明确的时间节点纳入考虑, 构建了碳中和目标影响下的有限时域经济增长模型, 然后运用最优控制理论获得了该问题最优解的显式表达式, 并在此基础上分析了最优消费、投资、资本存量、碳中和能力的性质, 最后基于理论分析与数值仿真结果, 提出了相关政策建议. 研究表明, 各国需根据自身禀赋以及目标资本存量等因素, 制定与之相匹配的碳中和目标; 不同国家或者同一国家的不同地区, 应当根据碳中和过程所处的不同阶段选择不同技术水平的碳中和投资; 与通常预期不同的是, 碳中和能力路径可能随碳中和技术投资产出弹性的上升而下降; 在接近碳中和时间节点时碳中和投资可能出现 “反常” 现象.

解决好民营企业账款拖欠问题, 对激活市场主体、增加劳动收入份额和促进经济高质量发展具有重要意义. 本文选取 2011–2021 年 A 股民营上市公司数据, 使用双重差分法估计地方政府欠款清理专项督导对民营企业劳动收入份额的影响、作用渠道以及异质性. 研究发现: 地方政府欠款清理专项督导能够显著提高民营企业的劳动收入份额, 该结论经过一系列稳健性检验后仍然成立. 缓解资金压力、提高劳动雇佣水平和优化人力资本结构是地方政府欠款清理专项督导提高民营企业劳动收入份额的作用渠道. 结合生产、经营、融资和治理环节的研究表明, 劳动密集程度越高、经营压力越大、经营规模越小、融资约束越高、股权集中度越高, 地方政府欠款清理专项督导提高民营企业劳动收入份额的正面影响更显著. 进一步分析发现, 地方政府欠款清理专项督导显著促进了民营企业内部收入分配公平和劳动生产率, 提升了高质量发展水平. 研究结论丰富了政府欠款清理专项督导工作的经济效果, 对当前如何提高民营企业劳动收入份额有着重要的政策含义.

积极参与国际大循环, 增强对外贸易的影响力, 是中国构建新发展格局, 把握发展主动权的重要依托. 本文利用全球 23 个主要经济体月度双边货物贸易数据存在的天然矩阵结构, 通过引入前沿矩阵自回归模型刻画贸易矩阵存在的复杂同期、跨期相依性. 在此基础上, 延拓溢出指数测算法并结合溢出网络分析法, 分别构建国际进、出口贸易溢出网络, 进一步以中国为核心视角, 量化研究国际循环下中国进、出口贸易影响力的变化. 结果表明, 全球视角下, 双边贸易网络存在显著结构性改变, 总溢出强度先增强后逐步减弱, 国际大循环经历了从 “全球化”向 “逆全球化” 的演变过程; 中国视角下, 我国进口溢入保持稳定, 出口溢出则于国际金融危机后逐步减弱, 在中美贸易战及新冠疫情期间保持较低水平. 影响因素分析表明, 国际总贸易溢出受美联储利率影响较强, 且美国的地缘政治风险指数, 为中国出口溢出指数的格兰杰原因. 可见, 以国内大循环为主体、国内国际双循环相互促进的双循环战略对于防范国际循环中 “逆全球化” 的潜在风险, 保障中国经济贸易稳定均具重要价值. 本文对刻画新发展格局下的国际大循环形势、双循环战略调整与相关政策制定均具参考意义.

作为智能化生产的一种重要表现形式, 本文聚焦工业机器人引进的信号发送效应探讨工业机器人引进如何通过信号传递促进企业出口销售. 研究表明, 工业机器人引进可以通过生产率提升和产品质量提升以外的途径促进企业出口, 且这一促进作用在信息不对称程度更低的国内市场并不显著, 说明工业机器人引进具有出口信号发送的功能. 进一步地, 本文将工业机器人引进对企业在出口市场的信号作用归结为降低质量信息不对称和提升产品质量形象. 此外, 工业机器人引进的信号效应使企业出口沿着集约边际实现增长, 在产品侧促进一般贸易和中间品贸易. 本研究从需求侧的信号发送视角证明工业机器人应用对于企业出口销售的影响效应, 这不仅扩展了现有有关机器人出口促进效应的相关文献, 还为中国制造业智能化过程中工业机器人应用战略的实施提供了实证参考.

本文构建减污降碳协同度评估模型评估了 2014–2021 年我国省际减污降碳协同度和地理时空加权 LASSO 回归模型识别我国省际减污降碳协同的关键驱动因素. 结果发现: 我国省际减污降碳协同度总体呈现上升趋势, 平均值由 2014 年的 0.11 上升至 2021 年的 0.71, 且呈现显著的时空特征: “东北-西南” 空间走向、“南热北冷” 空间格局和 “热点增加, 冷点减少” 时序变化. 气温、湿度、水资源利用、能源强度、能源结构、共同富裕程度、环保投资和人工智能技术是促进我国减污降碳协同度的关键驱动因素, 但驱动效果具有空间异质性. 本研究既有助于科学认识和理解我国减污降碳协同, 也有助于完善我国省际针对性的减污降碳协同政策.

健全绿色低碳发展机制是落实 “绿水青山就是金山银山” 理念的切实体现, 而完善我国现行碳交易制度是健全绿色低碳发展机制的主要抓手. 本文将 “碳达峰” 与碳定价机制相关联, 通过对碳价内生处理模拟出在相同碳排放总量控制下三种碳定价政策的经济效果和福利效应, 这种处理方式提高了研究结论的针对性和适用性. 研究结果表明, 将碳税引入碳交易市场的复合政策在经济产出、社会影响等方面均优于单一政策情形, 比如第 10 期 (基期为 2020 年) 前其对国内生产总值的负面冲击低于 0.034 个百分点, 在所有情形下最小, 因此可助力环境与经济的同生共赢. 机制分析表明, 碳税的引入既减轻了重点减排行业的压力, 又可将第 10 期的模拟碳价从 113.73 元/吨降为 57.81 元/吨, 起到了 “降压增产” 的作用; 且在两种碳定价工具情形下, 可再生能源的消费比重在后期将提高至 32.26%, 一定程度上助力了中国电力系统的脱碳与零碳化. 另一方面的福利分析发现, 单一碳税政策下在模拟末期的社会福利比基准情形下减少 0.65 个百分点, 负面冲击最小. 因此本文认为, 在后续碳定价政策的完善过程中需要明晰碳税的属性定位, 以便最大限度地发挥碳市场的激励作用.

本文基于 1992–2020 年机构部门间金融交易的资金流量数据, 从宏观视角, 测度了 1992–2020 年股票违约的风险波及效应, 并分析其演化特征. 其次, 构建机构部门间资金关联关系示意图, 研究机构部门间的资金关联关系, 并进一步分析了重大事件对股票违约风险波及效应的影响. 研究表明: 第一, 1992–2020 年间, 股票违约的总风险波及效应呈现不断波动特征, 且其波动与重大事件具有强关联性; 各机构部门股票违约总风险波及效应存在异质性, 其异质性主要与各机构部门的功能相关. 第二, 股票违约直接风险波及效应的大小反映了中国股票市场资金来源机构部门结构的演化特征; 股票违约间接风险波及效应随着波及次数的增加而逐渐减弱, 且各机构部门受到的间接风险波及效应具有异质性. 第三, 从机构部门关联关系演变及链路结构演变角度, 不同重大事件冲击对中国金融机构部门内部及与其他机构部门间的资金关联关系产生异质性影响. 本文的研究厘清了股票违约的风险波及效应的演化特征及其在机构部门间的传导机制, 有助于调节机构部门间的资金关联关系, 畅通国民经济循环.

为探明地方应急管理部门监管施压与安全生产服务机构服务赋能双重驱动工业园区企业安全生产达标行为扩散的机理, 基于传播动力学理论与演化博弈理论构建 SEIR 演化博弈模型, 探究地方应急管理部门与安全生产服务机构策略选择关系, 分析双方主体不同行为决策下园区企业安全生产达标行为扩散过程, 并进行多情境模拟仿真分析系统演化至良性稳定状态的过程和规律. 结果表明: 园区企业安全生产达标行为的扩散阈值能够预示系统内企业安全生产达标行为的演化趋势. 地方应急管理部门 “严格监管” 和服务机构 “高质量服务” 的交互行为更有利于园区企业安全生产达标行为的扩散. 在此种策略组合下, 地方应急管理部门对园区企业监管力度的增强能够最大程度促进园区企业安全生产达标行为的扩散. 提高地方应急管理部门的监管能力和效率、制定有吸引力和威慑力的奖惩政策引导安全生产服务机构高质量服务以及激发园区企业主动安全生产达标行为, 更有利于形成整合、协调、相互制约的园区安全生产治理机制.

应急物资保障是国家应急管理体系重要组成部分, 是防范和化解重大风险的重要支撑, 但是目前研究较少考虑灾民痛苦的影响, 导致应急物资储备采购策略缺乏人性化甚至引起社会恐慌. 本文将应急物资储备采购的实施效果定义为灾民痛苦减少量, 建立政府委托下考虑灾民痛苦的应急物资储采模型, 比较考虑和不考虑灾民痛苦情景下的政企应急物资储备量, 分析应急物资供应链协调的条件, 对比政企合作和未合作下的企业收益和社会效益, 得到了改善企业收益和减少灾民痛苦的期权价格范围. 模型扩展部分构建了考虑现货市场采购的应急物资储采模型, 研究表明现货市场采购降低了政府应急物资库存风险. 最后, 数值模拟研究表明: 企业收益对突发灾害发生概率的波动最敏感; 当由基准点向下波动时, 政府收益对期权执行价格的波动最敏感, 而向上波动时, 政府收益对突发灾害发生概率的波动最敏感. 只有当政企谈判决定的期权价格处于适当范围时, 增加现货市场采购才能提升应急物资储采效率. 考虑灾民痛苦的应急物资储采策略使模型更契合我国 “以人为本” 的应急理念, 为制定更加精准的应急物资储备采购策略及协调机制提供理论支持.

火电与可再生能源的协同发展是持续推进电力低碳转型的关键, 为兼顾电力系统的低碳性与协同运营模式的可持续性, 文章在考虑当前发电资源禀赋分布与市场交易环境的基础上构建了电力与碳交易市场耦合下的风光火电联合发电运营优化模型. 探讨市场耦合实施对于运营结果的影响及市场耦合效果, 并开展电碳市场形势变化的情景分析. 结果显示, 优化模型在促进节能减排的同时提升了可再生能源外送占比, 而碳价、辅助服务成本等参数的调整可进一步引导发电利益的再分配, 有助于提升各主体参与协同运营的积极性, 实现低碳与可持续的兼顾. 说明所提优化策略更加适用于电力低碳转型下的安全平稳过渡阶段.

本文针对纯电动汽车出行场景, 将出行用户分为途中充电用户与非途中充电用户两类, 考虑出行用户和充电站运营商双方利益, 建立了受出行时间、充电服务水平及充电分布均衡三方面因素影响的电动汽车交通系统最优模型. 引入基于税收中性策略的电动汽车拥挤收费与补贴政策 (包括路段拥挤收费与补贴、充电站拥挤收费与补贴) 对电动汽车用户进行出行与充电行为管理, 从理论上证明了实现系统最优的税收中性的电动汽车拥挤收费与补贴方案的存在性. 通过引入间隙函数, 将原有问题转化为等价的无约束最优化问题, 提出了基于梯度的求解算法, 最后, 通过算例验证了模型、算法以及税收中性的管理方案的有效性. 结果表明: 相较于用户均衡场景, 系统最优场景下的相同 OD 对途中充电用户在长、短路径流量分布更加均匀, 间接缓解了途中充电用户在各充电站充电分布不均衡现象; 在系统最优场景下, 随着充电分布均衡约束程度的增加, 一方面导致对充电拥挤的充电站需要收取的外部性成本对应的费用更高, 途中充电用户在不同充电站流量分布更加均衡, 另一方面导致系统总充电时间增加、总排队时间减少、总出行时间增加; 提出的税收中性的管理方案使得道路、充电站的拥挤收费和补贴相互补偿, 实现了总税收收入为零, 避免了大额的财政转移.

相对传统线下购物, 线上购物存在信息不对称的困境. 作为解决线上购物信息不对称的一个重要手段, 网络评论显著影响着消费者的购买决策, 从而对商家决策产生影响. 针对由两家制造商与两家零售商构成的供应链竞争系统, 考虑网络评论对消费者选择行为的影响, 本文构建了一个博弈模型研究零售商如何调整产品销售价格以及制造商如何调整批发价格来应对竞争对手的决策. 首先, 建立考虑网络评论影响的消费者效用函数; 其次, 构建基于 Nash 博弈的零售商与制造商竞争定价模型; 然后, 对模型进行推导, 确定零售商和制造商的均衡定价决策. 最后, 分析了网络评论对零售商定价决策, 制造商批发价格决策, 以及零售商与制造商利润的影响. 研究结果表明, 较好的网络口碑以及消费者更加重视网络评论都不一定促使零售商与制造商提高产品价格. 但是, 当网络评论能够提供更多的产品匹配度信息时, 企业之间的价格竞争减缓, 零售商与制造商均提高产品价格. 从利润的角度来看, 在供应链竞争情形下开放网络评论可能同时减少零售商与制造商的利润.

平台经济背景下企业间竞争模式正逐渐由产品和客户竞争向平台生态竞争转变, 但这种竞争模式的演变机理至今未得到充分论证. 本文考虑资源共享、利益共赢、战略共谋等关键机制, 运用演化博弈方法构建了一个由电商平台、物流企业和商家组成的生态合作博弈模型, 考察了各主体在生态合作过程中的策略选择及其影响因素. 研究表明: 在平台经济环境下要实现多主体生态合作必须同时满足资源共享、整体利益最大化以及多模块协同创新这三个必要条件, 其任一条件的缺失都将导致生态合作破裂. 从影响因素来看, 服务敏感系数、相互信任程度和协同创新贴现因子对生态合作的形成具有促进作用, 而合作成本、协同创新风险和投机收益等因素对生态合作则产生抑制作用. 此外, 资源共享水平对生态合作的影响受资源吸收能力与资源共享积极性的影响, 而协同创新研发投入对生态合作的影响则要视创新风险程度而定. 本研究对平台经济背景下进一步厘清生态合作机制提供理论依据, 同时对企业应如何构筑或融入生态合作联盟提供决策参考.

部分地区为防止产品补贴比例过高而对其设限, 却导致农机企业采取违规失信行为骗取补贴的事件屡次发生, 有必要基于市场收益角度分析其行为发生的内在机理及影响因素. 那么, 市场竞争中农机企业诚实守信会获得市场奖励吗? 本文通过构建双寡头竞争博弈模型分析了两家农机企业选择诚实守信与否对其市场收益的影响, 并利用演化博弈模型考察了双方行为策略选择过程. 研究表明, 较大的补贴力度以及较低的补贴比例限制会使诚实守信的农机企业面临收益损失的潜在风险, 收益损失程度不仅与补贴有关, 还受到农户偏好成本与政府监管的影响; 仅当对两家农机企业的监管强度高于阈值时才具有 “奖励诚实守信, 惩罚违规失信” 的奖惩效应且对促进双方诚实守信具有积极效果, 否则将易引发群体性违规失信; 但是, 过于严苛的监管并不会获得促进效果的明显提升, 而且会加剧农机企业对于违规惩罚成本的转嫁行为, 使农户购机成本增加; 此外, 农机企业通过违规获得更高收益时伴随着产品价格与销量同时增加, 将此市场特征作为识别违规风险的依据纳入监管内容, 有助于政府提高监管效率. 研究结果为政府优化监管机制, 规范农机企业行为提供决策参考.

农产品价格波动存在显著的空间传播特征, 国家实施的收储策略对缓解重要农产品价格异常波动的空间扩散有着重要作用. 本文构建了一个由农产品收储网络与价格波动扩散网络组成的双层复杂网络, 基于耦合网络级联失效视角, 以生猪价格波动为现实情境进行参数设置, 模拟不同攻击方式下双层网络的级联失效过程以及实施收储策略对其价格波动扩散的影响; 并基于关键节点保护提出了网络恢复及重要农产品价格异常波动的调控策略. 研究结果表明: 1) 相比随机攻击, 蓄意攻击情形下双层网络的崩溃阈值更低, 速度更快, 且农产品价格波动扩散网络的崩溃速度总是快于农产品收储网络. 2)价格上涨放储时双层网络更加脆弱, 而价格下跌收储时双层网络有更强的鲁棒性; 攻击策略对两个不同情境双层网络影响的异质性主要体现在级联失效的中后期. 3) 对混合防护高拓扑度数与高库存容量关键节点的保护可以有效改善双层网络脆弱性, 缓解农产品市场的 “失灵”, 对保供稳价有着显著正向影响; 在合适时间节点选择关键网络节点介入保护对抑制农产品价格异常波动的空间扩散能产生积极的调控效果. 该研究将为进一步优化农产品收储网络及其实施政策, 科学调控农产品价格异常波动提供理论参考及决策依据.

共享单车采用分时计费运营模式, 提供随取随停的 “点对点、门对门” 租赁服务, 是城市交通系统的重要组成部分. 目前, 共享单车平台在运营层面存在需求预测不准确、单车调度不合理、故障车回收不及时等不足, 引发严重的供需匹配失衡问题. 鉴于此, 本文研究基于多任务学习的时空需求预测与考虑故障车回收的共享单车动态搬运优化方法. 首先, 充分考虑站点取车需求与还车需求之间的相关性, 采用基于多门混合专家结构的双向长短期记忆网络对取车与还车需求进行联合预测. 为了降低长时间序列的依赖性, 引入注意力机制增强重要信息的关注度. 进一步提出共享单车动态搬运与故障车回收协同优化模型, 其中特别考虑了搬运车辆的充电决策与续航里程约束. 为了满足大规模动态搬运管理的时效性需求, 设计基于模拟退火的自适应大邻域搜索算法对模型进行求解. 最后, 基于纽约 Citi Bike 共享单车骑行数据设计案例分析, 从预测性能、计算时间、运营成本等多个指标验证了所提方法的优越性.

在实际的在线广告库存投放问题中, 目标群体用户访问网站的数量无法提前准确预估, 这种不确定的曝光供应量对广告投放策略具有较大的影响; 同时, 不确定的协变量信息也会对用户的搜索和浏览行为产生影响, 进而影响目标群体曝光供应量. 本文提出了一个在线广告库存投放模型, 该模型同时对不确定的曝光供应量、协变量信息以及其发生的概率进行了综合考虑. 在现有研究的基础上, 首先基于已有历史数据信息构建包含不确定的协变量情景发生概率, 和相应曝光供应量的矩信息的双层分布不确定集, 并考虑了基于该不确定集的最坏情况下的联合随机机会约束模型. 给出了求解算法, 该算法可以利用现有优化软件快速迭代求解, 最后进行仿真分析, 验证模型和算法的有效性.

旅游相关企业可能会因旅游需求的大幅波动而承担运营风险, 特别是 COVID-19 暴发后, 这种波动在很多旅游目的地更加明显. 为了更加精确地描述旅游需求的可变性, 本文开发了基于二次分解集成的旅游需求区间预测方法. 首先, 构建游客量区间值时间序列 (ITS), 根据 ITS 的上下限时间序列推导出中心和半径, 利用二维经验模态分解方法对中心和半径进行分解, 得到多组分解成分 ITS. 其次, 为了更好地提取高频信号, 使用多维变分模态分解方法对最高频的分解区间成分 ITS 进行二次分解. 然后, 使用粒子群优化的核极限学习机 (PSOKELM) 对各组分解成分 ITS 进行建模与预测. 最后, 将所有分解成分 ITS 预测结果进行简单相加, 合成为中心和半径的预测, 再转换为游客量 ITS 上下限预测值输出. 利用夏威夷国内和国际游客量数据, 开展了实证研究, 验证所提出的方法. 结果表明, 与其它基准模型相比, 该模型具有更高的区间预测精度和鲁棒性, 显示其在旅游需求区间预测和可变性估计的有效性.

本文提出一种学习驱动果蝇优化算法 (learning driven fruit fly optimization algorithm, LDFOA) 用于求解置换流水车间调度问题. 首先, 为提高种群的多样性, 采用混合策略初始化果蝇在解空间中的位置; 其次, 在嗅觉阶段, 构造 4 种扰动算子, 进一步扩大果蝇个体的搜索范围; 在视觉阶段, 收集精英果蝇的特征信息建立概率模型, 个体通过向概率模型的不断学习, 实现果蝇的进化. 此外, 引入迭代贪婪算法的思想对最优个体进行局部搜索, 从而使果蝇导向更有希望的区域. 最后, 采用 Rec 和 Taillard 两种测试集检验算法性能并与目前解决置换流水车间调度问题效果最好的算法比较, 结果显示 LDFOA 算法具有更强的寻优能力.

针对电力现货价格时序的高波动性和复杂性, 研究提出了基于小波变换与轻量级梯度提升决策树(light gradient boosting machine, LGBM) 的组合预测模型. 通过引入滚动时间窗口与小波变换实现电力现货价格序列的动态多尺度分解, 提取各频率特征以降低其模态复杂性的同时还可以有效规避数据泄露问题. 研究利用LGBM算法的复杂非线性特征提取能力进行预测建模. 为了验证模型的有效性, 研究采用山西省电力现货市场数据对提出的组合预测模型进行实证分析. 结果表明: 文章提出的动态分解组合预测模型在均方根误差、平均绝对误差和决定系数等多个关键性能指标上均优于长短期记忆模型、支持向量机、弹性网络回归模型以及极致梯度提升模型等主流预测方法, 其中决定系数$R^2$达到0.9792, 表现出较高的预测精度. 同时, 文章所提模型在不同市场条件下均表现出稳健性和适应性, 为电力市场参与者提供了可靠的预测工具, 有助于优化交易策略、降低市场风险.

私有化改革被视为减少公立医疗体系等待时间的有效策略. 文章着重探讨两种私有化改革模式: 一是竞争模式, 即允许私立医院进入市场与公立医院竞争; 二是合作模式, 即公立医院与私立医院为实现共同目标而协作. 文章采用排队模型刻画患者的问诊过程, 分析不同私有化改革下公立医院与私立医院的服务速率与诊疗价格调控, 并研究不同改革模式对医联服务覆盖的患者数量、患者等待时间、患者效用及社会整体福利的影响. 研究发现, 竞争模式能够显著缩短患者等待时间, 进而扩大医疗服务覆盖的患者数量, 提升患者效用和社会福利; 而合作模式虽然也能减少患者的等待时间, 但在提升患者数量、患者效用以及社会福利方面则表现出不确定性, 只有在公私合作医院的服务容量较大或私有化程度较高时, 才能有效促进医疗服务覆盖的患者数量、患者效用以及社会福利的提升. 最后, 私立医院在选择合作或竞争模式时, 主要取决于政府给予公立医院的补贴率以及公私合作医院追求自身利益的私有化水平. 具体而言, 当补贴率或私有化水平较高时, 私立医院更倾向于选择合作模式; 反之, 则更倾向于选择竞争模式.

基于图的半监督降维是一类利用数据结构图来处理半监督降维问题的方法. 然而, 目前大多数此类算法使用的结构图仅关注数据信息而忽略类标签信息; 且在训练过程中并未考虑样本之间的差异性, 这降低了算法在噪声或异常值情况下的稳健性. 对此, 文章结合稀疏表示与自步学习, 提出一种利用稀疏判别图求得线性降维映射函数的自步学习器. 首先, 该方法在数据的稀疏表示的基础上, 融入了类别标签的传播, 以此构建稀疏判别图; 然后考虑低维数据与其类锚点之间的距离, 以及低维数据保持原高维数据的判别性稀疏结构的能力, 并在此基础上构造了相应的自步学习降维问题. 一方面, 所提方法构建了稀疏判别图, 能更有效提取数据中蕴含的判别信息; 另一方面, 所提方法基于自步学习机制, 可以自动计算训练数据的重要度值, 抑制不可靠数据或标签的负面影响, 提高模型对噪声或异常值的鲁棒性. 5个实验数据集的结果验证了所提算法的有效性.

本文围绕内蕴有限元,探讨其在数值偏微分方程中的应用,及其与离散微分几何和拓扑数据分析的潜在联系.由保持连续问题的数学与物理结构的数值离散驱动,本文简要回顾有限元外微分(Finite Element Exterior Calculus,FEEC)的发展.通过经典de Rham复形及BGG复形的规范离散,提出一个扩展的形式值微分形式有限元周期表,涵盖Whitney形式、分布有限元、Regge有限元及Hessian和div div复形等,为张量问题的数值求解提供统一工具.本文进一步分析内蕴有限元在Riemann-Cartan几何、广义连续介质及引力波计算等跨学科应用中的潜力.

This paper considers the real-time estimation problem of vehicle mass, which has a significant impact on driving comfort and safety. A bilinear parameter identification algorithm is proposed for a type of nonlinear identification problems, which encompass vehicle mass estimation. The feature of this nonlinear model is that two parameters to be estimated are multiplied together, which brings great difficulties to identification compared to linear models. The main idea proposed in the algorithm design is to transform the original nonlinear model into two mutually dependent linear models, which are identified by the recursive algorithms. By constructing a combined Lyapunov function, it is theoretically proved that the algorithm converges under the input excitation condition, and the convergence rate $O(1/t)$ is achieved based on some extra mild conditions. Finally, the algorithm is verified through practical experiments, with the estimated vehicle mass error of $1.06%$ on average, which shows the feasibility of the algorithm.

This paper studies a distributed policy gradient in collaborative multi-agent reinforcement learning (MARL), where agents communicating over a network aim to find an optimal policy that maximizes the average of all the agents' local returns. To address the challenges of high variance and bias in stochastic policy gradients for MARL, this paper proposes a distributed policy gradient method with variance reduction, combined with gradient tracking to correct the bias resulting from the difference between local and global gradients. The authors also utilize importance sampling to solve the distribution shift problem in the sampling process. The authors then show that the proposed algorithm finds an $\epsilon$-approximate stationary point, where the convergence depends on the number of iterations, the mini-batch size, the epoch size, the problem parameters, and the network topology. The authors further establish the sample and communication complexity to obtain an $\epsilon$-approximate stationary point. Finally, numerical experiments are performed to validate the effectiveness of the proposed algorithm.

This paper focuses on solving the distributed optimization problem with binary-valued intermittent measurements of local objective functions. In this paper, a binary-valued measurement represents whether the measured value is smaller than a fixed threshold. Meanwhile, the ``intermittent’’ scenario arises when there is a non-zero probability of not detecting each local function value during the measuring process. Using this kind of coarse measurement, the authors propose a discrete-time stochastic extremum seeking-based algorithm for distributed optimization over a directed graph. As is well-known, many existing distributed optimization algorithms require a doubly-stochastic weight matrix to ensure the average consensus of agents. However, in practical engineering, achieving double-stochasticity, especially for directed graphs, is not always feasible or desirable. To overcome this limitation, the authors design a row-stochastic matrix and a column-stochastic matrix as weight matrices in the proposed algorithm instead of relying on doubly-stochasticity. Under some mild conditions, the authors rigorously prove that agents can reach the average consensus and ultimately find the optimal solution. Finally, the authors provide a numerical example to illustrate the effectiveness of the algorithm.

数字经济时代下, 数据成为新型生产要素. 然而, 普遍存在的数据质量问题严重制约着数据要素的价值释放, 甚至可能会演变成数字经济发展的"灰犀牛". 目前, 数据科学发展日新月异, 围绕数据质量的研究亟待进一步归纳总结, 以期有效地支撑数据管理实践和数据要素可信流通. 本文以系统化视角探寻数据质量发展脉络, 综合多种方法对于30多年来国内外相关文献进行梳理, 总结了研究所遵循的"内涵-理论-方法-应用"逻辑链条, 并构建了数据质量研究体系框架. 其次, 分别针对数据质量内涵及维度、理论基础发展、评估与优化方法、影响因素与价值作用四个方面进行回顾总结. 最后, 探讨数据质量研究发展趋势, 并对未来的发展方向提供一些洞察.

本文基于2021年我国三千余家地方融资平台的有息债务明细和60家主要银行年度报告数据, 综合风险来源和风险放大传染机制, 分别从债务总量、经济行业与经济区域层面对我国地方政府债务可能导致的银行体系系统性风险的测度与评估进行建模. 在不考虑任何救助干预措施的情形下进行情景分析和压力测试的结果表明: 1)在各行业融资平台贷款中, 租赁和商务服务业的风险敞口最大, 且与房地产业关联度高, 该行业违约率升高即可触发银行体系系统性风险; 2)从融资平台贷款的区域层面来看, 西部地区违约率较高, 东部地区风险敞口较大, 在违约率基本相同的情况下, 分地区融资平台贷款违约引发的系统性风险呈现"东高西低"特征, 且东部地区隐性债务引发系统性风险的违约率安全边界较中西部更窄; 3)当前, 单从隐性债务(融资平台贷款)违约或是显性债务(政府债券)可能的流动性危机来看, 二者安全边界较宽, 银行体系系统性风险发生的可能性不大. 但如果二者同时出现问题, 安全边界将大幅收窄, 叠加银行体系网络的风险传染, 极小的冲击都可能引发重大损失.

随着社会经济活动的数字化、网络化和智能化发展, 企业间联系日益紧密, 关联风险对企业财务困境的影响增大. 现有研究通常采用社会网络分析方法量化拓扑结构和关联风险影响, 但该方法难以适用于包含不同类型实体和关联关系的异质关系网络. 特别是关联风险路径长, 如何量化基于间接路径传播的高阶关联风险面临挑战. 为此, 本文设计了融入高阶关联风险特征的企业财务困境预测框架, 提出了一种无监督异质图表示学习模型, 构造高阶关联风险特征; 开发了一种面向高阶关联风险的可解释性方法, 识别高阶关联风险传播路径. 实验结果表明, 高阶关联风险特征显著提升了财务困境预测的准确性, 并发现了两类有助于预测企业财务困境的高阶关联风险传播路径.

高质量发展导向下, 中国企业绿色转型的激励难题亟待解决. 本文基于区域贸易协定的视角构建理论模型和实证检验了开放型环境规制对中国企业绿色创新的影响及潜在机制. 首先构建了一个开放经济下企业绿色创新决策模型, 发现环境条款可以通过技术激励效应和产品结构效应两个渠道影响企业技术进步方向. 接着使用贸易协定文本、国别双边贸易数据与中国海关库企业进出口数据, 构建企业 "环境条款嵌入度", 并采用面板固定效应模型实证检验开放型环境规制对中国企业绿色技术进步的作用效果. 研究发现, 环境条款显著促进了企业实质性绿色创新, 对企业策略性绿色创新没有显著影响. 从机制分析看, 环境条款会推动企业加大研发性投入和产品结构绿色化转型, 从而促进企业绿色技术进步, 且环境条款的绿色创新效应对于非重污染行业企业、低融资约束企业、高社会关注度企业以及海外市场多元化程度较高企业更为明显. 进一步研究发现, 部分市场型环境规制工具可以放大环境条款的绿色创新效应, 这说明在制度型开放的过程中协调内外部环境政策有其必要性. 以上结论为中国通过高水平开放协同推进经济高质量发展和生态环境高水平保护提供了新的理论视角与经验证据.

气候政策是应对全球变暖挑战以及能否按时实现碳中和目标的关键, 而气候政策的评估充满不确定性, 包括参数不确定性和模型不确定性, 其影响涉及经济、气候和能源等多个方面. 本研究通过结合多个综合评估模型 (integrated assessment model, IAM) 和分布式鲁棒优化理论开发出基于 IAM 期望输出的气候政策鲁棒评估框架, 以研究模型和参数的联合不确定性对政策评估的影响. 此外, 我们还考虑了基于 Wasserstein 分布不确定集来刻画不确定参数的信息. 研究结果表明: 1) 减排力度的增加在减小不确定性对气候表现影响的同时增加气候政策成本; 2) 为实现碳中和目标, 不确定性的存在要求更严格的减排努力; 3) IAM 期望输出下的最差分布对期望净现值和期望温升的影响较小, 但对未来突发性气候损害的风险产生较大的影响; 4) 气候政策在温升表现方面的评估结果是跨模型稳健的. 本文为分布式鲁棒优化方法与一般性气候经济模型结合来评估气候政策提供了一个创新性框架, 并基于此首次评估了不确定性下多维气候政策实现碳中和目标的可能性, 给出了更加保守和可靠的政策评估结果.