数字中国战略对科技型新创企业高端颠覆性创新的影响研究——基于国家级大数据综合试验区的分析

在科技型新创企业积极推进高端颠覆性创新的进程中,数字中国战略发挥了至关重要的作用。本研究以国家级大数据综合试验区建设为切入点,基于我国2012-2022年创业板上市公司数据,采用多时点双重差分模型,探究国家级大数据综合试验区设立对科技型新创企业高端颠覆性创新的影响及传导机制。研究显示：国家级大数据综合试验区设立显著推进科技型新创企业高端颠覆性创新质效提升,经过一系列稳健性检验后该促进作用依然显著。进一步机制分析证实,国家级大数据综合试验区设立通过促进创新要素配置、推进企业数字化转型两种方式,推动科技型新创企业高端颠覆性创新发展。与此同时,国家级大数据综合试验区对非国有、高技术型、吸收能力强及技术密集型的科技型新创企业高端颠覆性创新促进作用更加显著。据此,应强化数字中国战略关键作用、发挥创新要素配置作用,营造企业数字化转型良好生态,以提高数字中国战略实施的政策效果。     

大数据驱动下的影视文本创作 和生产模式变革

大数据正以其对规律和趋势的分析预测功能,对人们生活和影视内容生产产生日益深刻的影响。数据化思维是贯穿当下影视生产创作的重要思维形态,延承的正是传统数据化思维的基本认知过程。大数据驱动下的互动参与生产模式主要体现在,借助于受众行为数据分析,可以对导演、故事、表演、影像、剪辑和声音等影视元素进行选择,并在此基础上进行生产或再生产。这些将推动影视内容生产在技术和观念上不断变革。     

“互联网+”时代企业人力资源管理的变革

“互联网＋”时代,移动互联网技术对企业人力资源管理产生了由小及大、由局部到整体不同层面的渐进影响。早期的局部影响主要体现在互联网技术对人力资源管理中招聘和培训两个职能的变革方面,即招聘渠道和招聘方法的变化、学习方式和培训模式的改变。随后,互联网技术产生的大数据直接催生人力资源管理决策的数据化。而互联网技术带来组织架构的颠覆则对人力资源管理的各种职能产生了全面影响。同时,应客观看待互联网技术对人力资源管理的影响,不能忽略传统管理方式的有效性。     

传感数据：智能时代学习分析的新视角

智能时代,各种智慧教育场所、移动智能终端和可穿戴设备中应用的传感技术可以对学习者的生理特征、行为动作及学习场所等相关数据进行捕捉,使学习者“身体”重新回归到教育者视野,并通过低倾入性的方式采集真实情境中的序列数据,为实现全方位、情境性和过程性的学习分析提供条件。当前,在教育实践中,传感数据已逐步应用于认知监测、行为分析、情感识别以及自适应情境学习等方面,为智能化学习分析与评价提供了良好支持。随着技术与实践的发展,学习分析中的传感技术将从“有感”走向“无感”,传感设备将从单一设备转变为集成系统,应用目的将从对学习过程的合理解释走向精准干预,并从实验研究走向多样化实践。在传感数据应用于学习分析的实践中,教育部门、研究机构和企业应共同努力,以应对理论基础、技术成本和伦理隐私等方面的挑战。     

中美全球数据治理的分歧、原因与后果

中美是数据资源和数字经济大国,并在全球数据治理中发挥关键作用。中美双方在数据治理方式选择、首要目标、政策核心、理念指向四个方面存在根本分歧。中国以“多边主义”的方式参与治理,而美国以“伪多边主义”的方式组建数据联盟;中国将数据主权安全置于全球数据治理的首要目标地位,美国将数字商业利益作为追求的第一目标;中国坚持的是数据本地化政策,美国宣扬的是数据自由化政策;中国高扬的是休戚与共的命运共同体理念,美国奉行的是数据霸权的零和博弈理念。中美全球数据治理政策的分歧受到两国历史文化的差异、数据实力的差距、数字地缘政治博弈的影响。美国数据霸权是全球数据治理的最大障碍,给未来全球数据治理带来较大的不确定性。只有美国放弃数据霸权政策,中美两国才有可能在数据治理领域展开更为深入的合作。     

工业取用水监测奇异数据挖掘与重构方法

提高工业取用水监测数据质量是目前国家水资源监控能力建设的重要内容,而奇异值问题已成为影响监测数据质量的关键短板。本文在解析现阶段工业取用水监测数据奇异值主要类型基础上,以国家水资源管理系统数据库中工业取用水监测数据为样本,利用小波变换模极大值模型提取工业取用水监测数据时频变化特征,并利用傅里叶函数对其残差序列进行修正,进而运用相对误差控制方法挖掘监测数据奇异值。在此基础上,采用混沌粒子群优化的最小二乘支持向量机模型重构填补奇异值数据。研究结果表明：小波变换模极大值模型能够较好地提取工业取用水监测数据序列的时频变化特征,但是同时容易导致监测数据的信息损失,利用傅里叶函数对小波变换进行残差修正则可进一步提升取用水监测数据序列的特征提取效果;以小波变换模极大值特征序列为基础,通过相对误差控制可实现对监测数据奇异值的高效挖掘;对于挖掘出的奇异值重构填补问题,可选取混沌粒子群优化的最小二乘支持向量机模型,其重构精度要优于多项式曲线拟合等传统统计学方法和普通最小二乘支持向量机模型。上述工业取用水监测数据奇异值挖掘重构策略为现阶段国家水资源监控能力建设的推进提供了重要技术方法支持。     

大数据背景下网络调查样本的建模推断问题研究——以广义Boosted模型的倾向得分推断为例

随着大数据和网络的不断发展,网络调查越来越广泛,大部分网络调查样本属于非概率样本,难以采用传统的抽样推断理论进行推断,如何解决网络调查样本的推断问题是大数据背景下网络调查发展的迫切需求。本文首次从建模的角度提出了解决该问题的基本思路：一是入样概率的建模推断,可以考虑构建基于机器学习与变量选择的倾向得分模型来估计入样概率推断总体;二是目标变量的建模推断,可以考虑直接对目标变量建立参数、非参数或半参数超总体模型进行估计;三是入样概率与目标变量的双重建模推断,可以考虑进行倾向得分模型与超总体模型的加权估计与混合推断。最后,以基于广义Boosted模型的入样概率建模推断为例演示了具体解决方法。