粘性模型、货币政策与中国经济波动——基于环境政策的视角

通过构建包含价格粘性和工资粘性的环境—经济动态一般均衡(DSGE)模型,探讨粘性因素在技术冲击、环保技术冲击、环境税冲击和货币政策冲击对产出造成的影响中起到的作用。基于相关参数校准,通过模拟分析得出结论:技术、环境政策外生冲击在不同的粘性组合下主要通过改变边际成本来影响产出。相比价格粘性,单一工资粘性能够对产出造成较显著的正向影响;单一工资粘性能够缓解货币政策冲击对产出、消费和投资的负向作用;方差分解结果表明单一工资粘性下的产出增长主要来源于技术冲击对产出的正向影响;价格粘性和双粘性下的产出变化差别较小,是因为货币冲击和技术冲击对产出造成的影响相差无几。     

基于市场与行业视角的多源信息环境下企业竞争情报服务模式探析

在多源异构信息环境下,研究融合多源信息的情报分析方法是企业竞争情报研究和应用的关键.通过分析不同情报源的特点,结合企业竞争情报服务分析范式框架,分别提出了基于市场与行业视角的多源信息环境下企业竞争情报服务的模式.基于市场与行业两个不同的视角分析企业竞争情报,可以更全面地为企业发展战略提供支撑.     

环境规制、政府研发投入与全要素生产率 ——基于省级面板数据的分析

使用空间计量模型对我国除西藏外的30个省区市和东、中、西部各区域环境规制强度、政府研发投入对地区全要素生产率的影响进行了理论与实证分析,研究表明环境规制对地区生产率提升存在显著抑制作用,环境规制政策影响企业在创新方面的投资,约束地区生产率的提升;政府研发资金投入有利于提高企业研发积极性与市场竞争力,提升地区生产效率;东部地区政府研发投入对生产率的影响程度较小,中部地区环境规制强度对生产率的影响最大.     

兰州-西宁城市群工业集聚格局及其影响因素空间溢出

采用空间统计方法和空间计量模型分析2005-2018年兰州-西宁城市群工业集聚格局及其影响因素的空间溢出.结果表明,工业集聚呈现“中心-外围”空间格局和“点-轴”发展特征,工业集聚的空间非均衡格局存在马太效应.工业集聚具有空间相关性,热点区及次热点区主要集中在兰州-西宁城市群“中心”的工业优势县(区);工业集聚冷点区及次冷点区主要集中在兰州-西宁城市群“外围”的工业待发展县(区).工业集聚及其影响因素均存在空间溢出性,相邻县(区)工业集聚对本县(区)工业集聚具有促进作用;人口密度、经济水平、政府干预、市场化率、投资水平等因素对本县(区)工业集聚产生影响时也通过空间溢出对相邻县(区)工业集聚产生影响.     

模具结构对连续纤维增强热塑性复合材料性能的影响

采用自行设计的两种不同结构的熔融浸渍模具制备了连续玻璃纤维增强聚丙烯预浸带，测试了模具结构对预浸带的孔隙率、纤维断裂率、界面形貌、纤维分散均匀度和拉伸强度的影响，建立了纤维浸渍模型和纤维断裂模型，并通过理论模型对预浸带的孔隙率和断裂率进行理论预测。结果表明，本文建立的数学模型能够有效预测预浸带的浸渍程度和纤维断裂率，可用于浸渍模具结构的优化设计；在本文范围内，与波浪形模具相比，斜齿形模具的多楔形区结构可以有效地降低预浸带孔隙率和提升纤维分散程度；波浪形模具的流道圆角半径较大，楔形区个数较少，与斜齿形模具相比，可有效降低纤维断裂率并提升拉伸性能。     

共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

基于差异信息量的多源数据融合方法

D-S证据理论可应用于多源数据融合领域，但在处理高度冲突的证据时，可能会出现反直觉的结果.为解决这一问题，本文提出了差异信息量的概念及融合方法.首先，通过信息熵表明证据的相对重要性，采用散度获取证据可信度.然后利用证据可信度优化证据差异度以得到差异信息量，经过计算获取数据的最终权重，并将其作为D-S证据理论中的基本概率分配进行决策.在处理冲突证据、一致证据及不同数量证据等方面的数据融合问题时与其他方法对比，所提方法收敛更快，准确度更高.故障诊断的应用实例表明，所提方法的不确定性更小，优于现存的其他方法.     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

PI-强LU富足半群

通过对C-L^U-富足半群的刻画,给出了PI-强L^U富足半群的结构定理。