数据要素市场的分级授权机制研究

数据的确权对数据要素市场的发展至关重要。数据在不同场景下所衍生出的权利具有复杂性和差异性,很难使用一个统一的标准进行所有数据权利的确权。本文首次提出通过构建数据要素市场的分级授权机制来解决数据确权问题。通过构建经济学模型,本文发现政府可以通过设计有效的数据要素市场分级授权机制来促使平台企业自发地基于市场规则遵循数据分级授权的要求,一个有效的数据要素市场分级授权机制可有以下作用：(1)可以在遵守最小必要原则的同时,提升愿意授权数据的用户数和平台企业获得的数据总量;(2)可以提升用户福利,并增加用户福利份额;(3)可以在数据要素规模报酬递增水平增强时,更好地提升用户福利及用户福利份额;(4)可以通过制定合理的数据要素授权标准提升用户福利和用户福利份额。本文建议政府制定有效的数据要素市场分级授权指导文件,在促进数据要素市场健康发展的同时,提升数据要素市场的普惠性,从而实现数据要素市场的“共同富裕”。     

民族知识——藏族

<正>藏族,约有人口5416021人(2000年人口普查数据),主要分布在西藏自治区以及青海、甘肃、四川、云南等临近省。藏族是汉语的称谓。西藏在藏语中称为"博",生活在这里     

企业会计数据信息虚假的原因及对策

近年来 ,企业会计工作中出现的假发票、假收据、假凭证 ,甚至自制白条现象愈来愈严重 ,“假冒伪劣”会计报表日见其多 ,这不仅不利于企业的经营管理、效益提高 ,而且不利于国民收入的正确计算与分配 ,会造成经济决策失误 ,损害国家和社会公众的利益 ,直接为不正之风、贪污浪费、行贿受贿等腐败行为提供了方便与保护 ,为此必须对企业会计工作进行全面的整顿。一、会计虚假信息的表现形式1.经济业务失实失真。企业对不真实、不合理、不合法的经济业务按正常业务进行会计处理的行为屡见不鲜。具体表现为原始凭证上所反映的经济内容与实际情况不…     

如何开展国内生产总值数据质量评估工作

国内生产总值,作为政府统计核心指标之一,其数据质量受到了各级党政领导及社会各界的广泛重视。维护统计数据的准确性,避免各种干扰,使其真正发挥在宏观调控中的应有作用,是新时期赋予统计工作艰巨而严肃的任务。自１９９７年以来,我们根据核算工作的实际状况,从改革方法制度入手,对开展国内生产总值（简称ＧＤＰ）评估工作、提高ＧＤＰ数据质量进行了有益的探索,形成了一整套评估制度。这对提高全省ＧＤＰ数据质量,强化ＧＤＰ与专业数据的衔接起到了重要作用。 一、省、市两级核算结果存在的差距增强了评估工作的孟要性 通过开展…     

大数据时代我国个人信息的保护

在前信息时代,个人信息只是简单的自然人识别符号,而进入大数据时代,个人信息已经变为具有重要市场价值的基础性资源。大数据时代对个人信息的需求不断增长,大数据应用技术产生的数据流动性高,对计算机信息系统的依赖程度高,两者都将大大增加个人信息在采集、存储和适用过程中泄露的风险。个人信息的保护面临哪些新的困难?又该如何规制和解决?这是大数据时代个人信息保护必须关注和思考的。     

浅谈大数据背景下的档案管理工作

随着大数据技术的快速发展与运用,对当前档案管理工作提出了新的要求与挑战。本文旨在通过对大数据概念及运用进行阐述的基础上,结合当前档案管理工作现状,分析大数据背景下档案管理工作面临的机遇与挑战,以及如何利用大数据技术提高档案管理工作能力和服务效率。     

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。