中华人民共和国成立以来重大科技发展战略的演进与启示

 中华人民共和国成立70余年来，党中央根据国际政治形势、国内经济社会发展需要、世界科技革命变革趋势，先后提出“向科学进军”“科学技术是第一生产力”“科教兴国”“创新驱动发展”等一系列重大科技发展战略，确立了中国科学技术进步的道路，引领中国科技事业取得了令人鼓舞的巨大成就。战略方针从“跟踪模仿”走向“自主创新”，战略重点从“推进国防和重工业发展”走向“推进社会全面协调可持续发展”，战略攻关力量从“研发机构”走向“研发机构、高等院校、企业”协同创新，战略体系从“单一拳”走向“组合拳”。面向未来，要抓住历史机遇，继续坚持“四个面向”，着力加快关键核心技术攻关，建立高精尖科技创新人才队伍，完善新时代创新生态体系，不断深化科技体制机制改革，努力成为世界主要科学中心和创新高地。     

考虑非税收入的税制结构对经济增长的影响以新疆为例

为研究新疆地区税制结构以及非税收入对经济增长的影响,建立了包含税收结构与非税收入的内生增长理论模型,并依据新疆1994～2018年度政府税收收入、非税收入以及地区生产总值(GDP)的数据构建了向量自回归模型(VAR),通过脉冲响应分析和方差分解分析研究了各变量的显著性和动态效应.研究结果表明:新疆地区资本税总体上有利于经济增长,劳动税对经济增长有抑制作用,消费税有略微负向影响,非税收入长期内不利于经济增长.因此新疆地方政府应该加强所得税相关政策实施监管,注重制造业发展困境,并加大非税收入的管理公开度.     

人才吸引力因素与政策工具契合关系研究以河北省为例

人才是第一资源,人才引进培养是经济社会发展的一个关键,近年来我国各地纷纷出台吸引人才的重磅政策.为探求人才政策工具对人才的吸引力情况,在构建人才吸引力因素理论模型基础上,通过对178位人才问卷调查获得人才吸引力关键因素,对河北省163份人才政策文本进行数据挖掘,分析政策工具与人才吸引力因素的契合关系.研究得出创新氛围、人才培训培养、人才激励评价、创新创业支持、人才服务和薪资待遇等方面契合度高,政策效果较佳;工作场所仪器设备条件、配偶子女安置和住房补贴的契合关系为政策不足,应加大政策制定;人才载体和医疗社会保障的契合关系为政策冗余,需加强政策实施.     

低渗透挥发油藏回注溶解气开发注采参数界限

低渗透挥发油藏回注溶解气在开发初期地层压力较高,存在“采油易,注气难”,随着地层压力的降低,开发中后期又会出现“采油难,注气易”的情况。因此,明确注采参数的界限是制定开发技术政策的前提。本文通过建立注采参数界限模型,推导得到已知地层压力下的最大采油速度、最大回注比以及临界压力的表达式,结合实例油藏绘制注采界限图版,研究了多因素对注采参数界限的影响规律并提出开发技术政策建议。结果表明,注采参数界限及图版准确可靠,能够反映实际生产情况；注采参数界限受注采能力、地层压力、采油速度、井网类型、井网密度等因素的影响,并且存在相应规律；溶解气应尽量全部回注,适当增大井网密度,在开发初期提高注气井比例,并根据回注比确定采油速度,在开发中后期降低注气井比例,提高采油速度,从而保障高质高效开发。     

采用双经验回放池的噪声流双延迟深度确定性策略梯度算法

为了进一步提高双延迟深度确定性策略梯度算法(TD3)的网络探索性能和收敛速度,提出一种采用基于多步优先和重抽样优选机制的双经验回放池的噪声流TD3算法。该算法在策略网络中的每一层添加噪声流以增加参数的随机性,并引入多步优先经验回放池,将多个连续样本组成一个基础单元进行存储,训练时通过多步截断双Q处理实现对值函数的有效逼近,同时增加一个经验回放池采用重抽样优选机制来存储学习价值更大的样本,双经验回放池的设置可弥补样本多样性不足的问题。在OpenAI Gym平台的Walker2d-v2场景中进行仿真实验,结果表明,与对比算法相比,本文算法获得的回报值有明显改善,网络收敛速度也大大加快。     

现阶段我国工业产能过剩及去产能的形势分析

本文考察了现阶段我国工业产能过剩以及去产能的形势,指出产能利用率持续偏低、生产者价格指数持续为负和行业盈利持续下降是现阶段产能过剩的主要表现,然而当前通过减产量、去产能来化解产能过剩的政策效果并不明显,这主要是因为受地方政府干预过多、企业陷入"囚徒困境"和威胁经济社会稳定等因素的制约。政府应深化和落实地方官员政绩考核体制、生产要素定价机制等的改革,减少地方政府对经济的不当干预,发挥市场在资源配置中的决定性作用,实现企业优胜劣汰,同时应建立产能退出补偿机制,避免引发社会动荡。     

Forecasting and nowcasting emerging market GDP growth rates: The role of latent global economic policy uncertainty and macroeconomic data surprise factors

In this paper, we assess the predictive content of latent economic policy uncertainty and data surprise factors for forecasting and nowcasting gross domestic product (GDP) using factor-type econometric models. Our analysis focuses on five emerging market economies: Brazil, Indonesia, Mexico, South Africa, and Turkey; and we carry out a forecasting horse race in which predictions from various different models are compared. These models may (or may not) contain latent uncertainty and surprise factors constructed using both local and global economic datasets. The set of models that we examine in our experiments includes both simple benchmark linear econometric models as well as dynamic factor models that are estimated using a variety of frequentist and Bayesian data shrinkage methods based on the least absolute shrinkage operator (LASSO). We find that the inclusion of our new uncertainty and surprise factors leads to superior predictions of GDP growth, particularly when these latent factors are constructed using Bayesian variants of the LASSO. Overall, our findings point to the importance of spillover effects from global uncertainty and data surprises, when predicting GDP growth in emerging market economies.     

基于Max(N,D)策略的MG1排队系统的稳态指标

考虑一个由N策略和D策略同时控制的MG1排队系统.当顾客的到达个数至少为N个同时等待顾客的服务时间之和大于某非负实数D时,空闲的服务台重新开始服务顾客(称此服务启动策略为Max(N,D)策略).在此策略下,由于闲期到达顾客的服务时间是条件相依的,故队长的随机分解不再成立.通过将顾客分成两类,并借助拉普拉斯变换和概率分析,研究了该排队系统的稳态队长分布、稳态闲期和忙期分布、稳态服务时间积压量分布以及顾客的稳态逗留时间分布.数值算例分析了N、D和Max(N,D)策略对稳态平均队长的影响.在数值上获得了系统稳态费用最小的最优策略临界值,并比较了N、D、Max(N,D)和Min(N,D)策略的优越性.     

高等职业教育产教融合政策工具 分类及优化路径--基于2010—2019年国家政策文本的量化分析

产教融合是现代职业教育体系构建的重要内容,政府应采取有效的政策工具加以推进。基于政策工具分类视角,将我国国家层面颁布的高等职业教育产教融合政策划分为供给面、需求面和环境面3类政策工具。通过对2010—2019年69份313条政策文本的量化分析,可视化展示3类政策工具占比情况。结果显示:供给面政策工具占据主导地位,需求面政策工具功能彰显,环境面政策工具作用稳定,但也存在供给面政策工具投入长、压力大,需求面政策工具引导多、示范少,环境面政策工具执行力不足、落地难等问题。“十四五”时期,需要以精准改革为核心完善供给面政策工具,借助其示范性引领作用促进产教双方深度融合,打破组织性壁垒,加大环境面政策执行力度。     

MADDPG算法并行优先经验回放机制

多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient, MADDPG)算法是深度强化学习方法在多智能体系统(multi-agent system, MAS)领域的重要运用,为提升算法性能,提出基于并行优先经验回放机制的MADDPG算法。分析算法框架及训练方法,针对算法集中式训练、分布式执行的特点,采用并行方法完成经验回放池数据采样,并在采样过程中引入优先回放机制,实现经验数据并行流动、数据处理模型并行工作、经验数据优先回放。分别在OpenAI多智能体对抗、合作两类典型环境中,从训练轮数、训练时间两个维度对改进算法进行了对比验证,结果表明,并行优先经验回放机制的引入使得算法性能提升明显。