实证分析二氧化碳排放量主要影响因素

能源是经济与社会发展的基本动力, 但能源燃烧排放二氧化碳所引起的地球温暖化和气候变化更危及人类的生存。采用1990—2009年煤炭、石油、天然气消费结构数据, 电力生产系数, 道琼斯工业指数, 城镇人口数, 国内生产总值及二氧化碳排放量等统计数据进行灰色关联分析和协整检验;反映二氧化碳排放量与城镇人口数, 国内生产总值, 煤炭、石油、天然气消费结构, 电力生产系数之间的规律性变化, 从而突出协整检验的优越性。结果表明:城镇人口数, 国内生产总值, 煤炭、天然气消费结构, 电力生产系数是二氧化碳排放量的主要影响因素;道琼斯工业指数、石油消费结构是次要影响因素。     

区域一体化背景下城市土地利用效率的空间关联及其解释——以长江中游城市群为例

从理论层面揭示区域一体化影响城市土地利用效率（ULUE）的内在机理,构建区域一体化背景下“规模+结构+集聚”的ULUE测度体系,并综合利用小波神经网络、空间分异模型和空间回归分析探索2003-2015年长江中游城市群ULUE的空间关联特征及其影响因素。结果发现：①区域一体化背景下长江中游城市群ULUE从2003的0.561 4增长至2015年的0.811 1,且呈现出明显的区域差异。②ULUE并非随机分布,而是具有空间上的关联特征和集群趋势。且由于不同集聚区内扩散效应在空间上渗透不均衡,其关联性主要表现为空间依赖性和空间异质性。③区域一体化背景下长江中游城市群ULUE在空间关联上具有“近水楼台先得月”和“门当户对”的特征,地理位置的空间相邻、投资消费结构和产业结构的相似是其空间关联的主要成因。     

浙江省高职大学生体育价值观和体育活动体验的相关性研究

通过文献资料、问卷调查、数理统计等方法对浙江省高职大学生体育价值观与体育活动体验的相关性进行了调查研究。结果显示,浙江省高职大学生的体育价值观学生认为体育能愉悦心情、促进健康、丰富生活。根据调查数据,对不同类别的高职大学生的体育价值观和体育活动的体验进行了分析与比较。     

Feature selection based on distance correlation: a filter algorithm

Feature selection (FS) is one of the most powerful techniques to cope with the curse of dimensionality. In the study, a new filter approach to feature selection based on distance correlation is presented (DCFS, for short), which keeps the model-free advantage without any pre-specified parameters. Our method consists of two steps: hard step (forward selection) and soft step (backward selection). In the hard step, two types of associations, between univariate feature and the classes and between group feature and the classes, are involved to pick out the most relevant features with respect to the target classes. Due to the strict screening condition in the first step, some of the useful features are likely removed. Therefore, in the soft step, a feature-relationship gain (like feature score) based on the distance correlation is introduced, which is concerned with five kinds of associations. We sort the feature gain values and implement the backward selection procedure until the errors stop declining. The simulation results show that our method becomes more competitive on several datasets compared with some of the representative feature selection methods based on several classification models.     

宁波高新技术产业发展的影响因素分析——基于灰色关联分析的实证经验

通过对宁波高新技术产业发展影响因素的考察,灰色关联分析的实证研究表明,FDI、人力资源、科技投入是影响宁波高新技术产业发展主要的影响因素,而科技创新载体、知识产权、技术市场和创投资本对产业发展影响不够明显。今后在发挥宁波区位和政策优势的同时,要继续改善产业发展环境,加强薄弱环节建设,促进产业更快发展。     

中国绿色食品产业结构优化的实证研究——基于灰色关联分析的方法

产业结构的调整与优化依赖于对现有产业结构动态关联关系的科学分析与客观判断。本文应用灰色关联理论计算了2000~2008年间我国绿色食品产业内部产品间的关联系数及灰色关联度,对绿色食品产业结构及其灰色动态关联变化进行分析,并通过方差分析和σ-收敛性分析判定我国绿色食品产业结构变化显著。结论认为：通过提高产品加工度和附加值,增加禽畜水产类产品生产等结构调整措施可有效促进绿色食品产业的规模扩大与效益提高。     

高等教育不均衡思想与经济发展的相关分析--基于华东地区高等教育数据

从空间分布和经济发展角度,采用统计学、基尼系数和相关分析等方法对华东地区的高等教育进行了研究。提高教育意识,科学地反思教育发展,可以更好地服务经济。统计分析显示高等教育资源的空间分布差异明显,江浙沪发展较好,安徽和江西相对落后。基尼系数分析发现每个省的主要教育资源集中在少数几个城市,导致高等教育的空间分布十分不均衡。讨论了引起教育资源空间不均衡的原因。发现了各省市不同学科招生的不均衡度与经济发展存在相关关系。挖掘了不同学科学生比例与经济发展的关系,发现工学和管理学是与当地经济发展成正相关的学科。最后提出了如何保证高等教育促进当地经济发展的对策。     

陕西省文化创意产业的产业聚集能力培育

为从理论探索文化创意产业的聚集能力培养的途径,运用产业聚集理论分析制约陕西文化创意产业发展的瓶颈根源。分析认为：陕西省文化资源的产业化开发环节薄弱、产业间及区域内发展不平衡导致了陕西文化创意产业的产业链条较短、产业关联度不高的现状,从而难以实现跨越式发展。为此,提出推动陕西省文化资源的产业化、建立高效的政府管理体制模式、进一步提高产业关联度等建议。     

Monitoring means and covariances of multivariate non linear time series with heavy tails

In this paper, the focus is on sequential analysis of multivariate financial time series with heavy tails. The mean vector and the covariance matrix of multivariate non linear models are simultaneously monitored by modifying conventional control charts to identify structural changes in the data. The considered target process is a constant conditional correlation model (cf. Bollerslev, 1990 Bollerslev, T. (1990). Modeling the coherence in short-run nominal exchange rates: A multivariate generalized ARCH model. Rev. Econ. Stat. 72:498–505.[Crossref], [Web of Science ®] , [Google Scholar]), an extended constant conditional correlation model (cf. He and Teräsvirta, 2004 He, C., Teräsvirta, T. (2004). An extended constant conditional correlation GARCH model and its fourth-moment structure. Economet. Theory 20:904–926.[Crossref], [Web of Science ®] , [Google Scholar]), a dynamic conditional correlation model (cf. Engle, 2002 Engle, R.F. (2002). Dynamic conditional correlation: A simple class of multivariate GARCH models. J. Bus. Econ. Stat. 20(3):339–350.[Taylor &; Francis Online], [Web of Science ®] , [Google Scholar]), or a generalized dynamic conditional correlation model (cf. Capiello et al., 2006 Capiello, L., Engle, R., Sheppard, K. (2006). Asymmetric correlations in the dynamics of global equity and bond returns. J. Financial Economet. 4(4):537–572.[Crossref] , [Google Scholar]). For statistical surveillance we use control charts based on residuals. Further, the procedures are constructed for t-distribution. The detection speed of these charts is compared via Monte Carlo simulation. In the empirical study, the procedure with the best performance is applied to log-returns of the stock market indices FTSE and CAC.