Returns to scale vs. damages to scale in data envelopment analysis: An impact of U.S. clean air act on coal-fired power plants

This study proposes a use of Data Envelopment Analysis (DEA) to measure Returns to Scale (RTS) of US coal-fired power plants. The power plants produce not only desirable outputs (e.g., electricity) but also undesirable outputs (e.g., CO₂ and NO_x) as a result of their plant operations. Therefore, the proposed use of DEA also measures a new concept, or “DTS: Damages to Scale” (corresponding to RTS for undesirable outputs). Both scale measures discussed in this study are a quick-and-easy approach for assessing RTS and DTS, but not an exact method, because it does not consider a direct linkage between the two measures. This study applies the proposed approach to examine the legal validity of U.S. Clean Air Act (CAA). We find that the CAA has been legally effective and influential on the operation of coal-fired power plants in the United States because their plant operations belong to increasing RTS on a desirable output and increasing DTS on three undesirable outputs. The increasing DTS indicates a need for managerial improvement and/or engineering innovation such as advanced clean coal technology. This empirical result implies that U.S. federal and state governments need to expand the legal scope of CAA to the emission control of CO₂ because the current CAA excludes the regulation on CO₂ emission that is now considered as a main source of the global warming and climate change.     

大数据背景下CPI预测问题的文本挖掘技术设计与应用

本文创新地将半监督交互式关键词提取算法词频-逆向文件频率( Term Frequency- Inverse Document Frequency, TF-IDF )与基于 Transformer 的 双 向 编 码 表 征 ( Bidirectional Encoder Representation from Transformers,BERT)模型相结合,设计出一种扩展CPI预测种子关键词的文本挖掘技术。采用交互式TF-IDF算法,对原始CPI预测种子关键词汇广度上进行扩展,在此基础上通过BERT“两段式”检索过滤模型深入挖掘文本信息并匹配关键词,实现CPI预测关键词深度上的扩展,从而构建了CPI预测的关键词库。在此基础上,本文进一步对文本挖掘技术特征扩展前后的关键词建立预测模型进行对比分析。研究表明,相比于传统的关键词提取算法,交互式TF-IDF算法不仅无需借助语料库,而且还允许种子词的输入。同时,BERT模型通过迁移学习的方式对基础模型进行微调,学习特定领域知识,在CPI预测问题中很好地实现了语言表征、语义拓展与人机交互。相对于传统文本挖掘技术,本文设计的文本挖掘技术具有较强的泛化表征能力,在84个CPI预测关键种子词的基础上,扩充后的关键词对CPI具有更高的预测准确度和更充分的解释性。本文针对CP 预测问题设计的文本挖掘技术,也为建立其他宏观经济指标关键词词库提供新的研究思路与参考价值。     

数据挖掘在客户关系管理中的应用研究

客户关系管理和数据挖掘都是近几年发展起来的新兴学科,对现代企业的发展有着举足轻重的作用。介绍了客户关系管理的理念及用于客户关系管理的数据挖掘方法,分析了数据挖掘技术在客户关系管理中的应用,提出了应用中应注意的问题。     

中国工业全要素生产率地区差异分析——基于支撑面板数据计量模型的研究

以全要素生产率为研究对象,以其在中国各区域工业发展差异中的作用为研究起点,基于数据包络分析的Malmquist生产率指数方法,使用相关的Panel Data计量经济学方法对1978-2006年间中国工业全要素生产率区域差异成因进行了应用研究.     

黄石国有矿冶企业知识型员工的激励管理浅析

在知识经济时代,技术成为决定一个企业是否具有竞争力的一个重要因素,作为掌握科学技术知识的知识型员工成为各企业争夺的对象。目前,国有矿冶企业知识型员工相对紧缺,知识型员工流动比较容易,从而造成的人才流失风险增大。本文在界定知识型员工的相关概念和了解相关激励理论之后,分析了黄石国有矿冶企业在对知识型员工激励管理方面存在的问题并提出了相应的对策。     

统计数据发布标准化体系研究

 本文通过借鉴标准化理论,应用先进的数据管理技术,探索建立一套既符合我国国情,满足统计工作现代化需要,又适应国际官方统计基本原则的统计数据管理和发布模式。建立了统计数据发布标准化体系,构建了由决策服务体系、宏观监测体系、数据共享体系、公共数据发布体系构成的统计数据发布体系,在智能化数据管理技术的支撑下构建了统计数据发布标准化平台,以此强化统计服务,探索提高统计能力、提高统计数据质量、提高政府统计公信力的新途径。     

基于Bayes概率边界域的粗集分类方法及其在高频数据中的应用

 作为一种近似处理的工具,粗集主要用于不确定情况下的决策分析,并且不需要任何事先的数据假定。但当前的主流粗集分类方法仍然需要先经过离散化的步骤,这就损失了数值型变量提供的高质量信息。本文对隶属函数重新加以概率定义,并提出了一种基于Bayes概率边界域的粗集分类技术,比较好的解决了当前粗集方法所面临的数值型属性分类的不适应、分类规则不完备等一系列问题。     

资本市场发展的储蓄分流效应——中国实证研究

资本市场的发展使储蓄分流成为可能,从而对商业银行的储蓄存款业务产生影响。本文首先梳理了储蓄分流的概念、特征及产生原因,并详细描述了我国储蓄分流的发展过程,提出问题：中国商业银行的储蓄分流现象是否由资本市场发展引起的。第二部分通过对中国17家商业银行及资本市场2004-2008年的面板数据做固定效应模型回归,得出实证结论：我国A股市场流通市值的变动显著的负向影响商业银行存款增长率。表明近年来中国资本市场发展是储蓄分流现象的主要原因之一。     

基于主题关键词的网络舆情分析研究

采用手工设置和特征提取相结合的方法来确立舆情主题,依据设定的主题关键词采集舆情页面。根据抓取的舆情页面特点,解析并提取页面的标题、页面链接及链接上下文等元数据,根据页面元数据与舆情主题的相关度来筛选出舆情主题页面。通过实验发现,在不同的舆情发展阶段,舆情主题关键词的变化能反映出舆情的关注点变化,最终实现快速跟踪舆情发展的目的。     

基于DEA的安徽省区域经济发展效率评价

利用数据包络分析（DEA）方法,根据2006年和2007年安徽省17个地级市的经济投入产出情况,构建评价指标体系对安徽省区域经济发展效率进行评价,比较近两年安徽省各地级市的经济发展效率变化状况,对各市的投入冗余和产出不足状况进行分析,并根据2007年的分析结果对部分非DEA有效的地区进行投影分析,在此基础上提出相应建议。