文摘

我国目前对全要素生产率的影响因素的研究问题,如单一的评价方法,效率低、整体水平的评估方法和评估效率。在此基础上,本研究将金融结构划分为三个传统部分,银行、证券和保险,并使用DEA模型来研究金融结构的时空差异的影响全要素生产率的四大政治和经济的中国东部地区,西部、中部,中国东北。首先,建立基于数据挖掘算法的DEA模型,结合财务数据的比较,实现定量分析的金融结构对中国全要素生产率的影响,计算金融效率,然后结合DEA分析数据模型与灰色关联方法。分析影响其内部规则,并设计实验进行模型验证分析。结果表明,DEA分析模型可以实现8迭代数据财务结构对中国全要素生产率的影响,及其评价精度可以达到96.2%以上。

1。介绍

近年来,随着中国改革开放的深入和深化改革,中国的金融结构也被迭代优化,已经极大的改变和提高。在这个过程中,经济和金融研究方面发挥了至关重要的作用1]。在21世纪,出现和应用程序的数据模型,经济分析模型,和DEA模型,一个大规模的机会分析和全要素生产率的计算基于信息化和数字化提供(2]。目前,数据多样化和智能计算的主要目标已成为经济和金融研究社区在各种经济指标的分析3]。虽然现有的全要素生产率评价体系提供了大量的客观评价方案;例如,它从异构水平提出有效的方案4)和空间面板水平(5]。然而,全要素生产率影响因素的分析相对简单,全要素生产率,它通常只关注全要素生产率的一个方面,如绿色全要素生产率(6)或企业全要素生产率(7),而很少有研究中国的全要素生产率。大多数全要素生产率研究是基于选定的目标评价模型实现的最佳分析效果(8]。基于这一背景,本文研究了空间溢出效应的新纳米材料新兴产业集聚对区域经济增长和空间溢出效应评价方法提出了一种新的纳米材料产业区域经济增长基于DEA模型。

针对单一评价方法的问题,效率低,穷人和整体水平在当前的研究在中国全要素生产率的影响因素,本文研究了时空差异的图像模型金融结构对中国全要素生产率的影响基于DEA模型和灰色关联方法,主要分为三个部分。部分2主要介绍了评价范围和评价国内外不同的全要素生产力的方法,介绍了全要素生产率数据分析的研究现状,并指出其研究难点。部分3主要构造一个区域经济影响的评价模型对中国金融结构的全要素生产率基于DEA模型和构造一个信息云计算全要素生产率的分析系统。节4灰色关联方法用于测试的影响金融结构基于DEA模型对中国全要素生产率在时间和空间尺度上和分析结果,得出结论。

与当前数据描述方法常用在时空差异图和先验算法和FP-tree频率设置算法常用的关联分析,该模型可以实现8迭代数据财务结构对中国全要素生产率的影响。及其评价精度可以达到96.2%以上。这是因为本文的创新构建金融结构的评价方法对中国全要素生产率的影响通过DEA模型。模型在此基础上,不仅可以实现multiregional评价也记录和存储的金融结构和中国全要素生产率的影响可以充分利用空间溢出效应信息,如每个地区之间的经济支出和收入记录数据来计算每个金融部门的金融效率。相反,灰色关联方法用于定量描述不同地区的经济行为之间的关系和区域位置,和金融结构和中国的全要素生产率由定量指标优先。图像识别方法的组合可以有效地影响不同地区。

2。相关工作

近年来,存在效率低的问题,可靠性低,利用率和较低的数据评估世界各地的金融结构的影响,特别是在金融结构在不同地区经济的管理和数据分析的区域经济9]。全要素生产率的方向一直是一个热点在经济分析中,赵等人使用波特假说的二阶最小二乘法来估计环境法规的影响全要素生产率的碳密集型产业。结果表明,两个增加然后减少的影响,表明,在前面的补贴政策的影响下,碳密集型产业逐渐向发展自律和遵从性(10]。张等人计算中国食品行业的绿色全要素生产率的DEA Malmquist方法。根据计算结果,研究人员乐观中国食品行业的技术效率(11]。海德尔·巴特,在印度,分析了能源效率和全要素生产率之间的关系通过GMM-IV模型为印度造纸行业在21个州。研究发现,当能源效率每单位产出消耗减少,全要素生产率将会增加。因此,迫切需要开发节能技术,降低产业结构的异质性12]。Houedjofonon等人研究了家庭农场经济和全要素生产率之间的关系在贝宁、非洲。通过translog函数的研究,发现家庭农场经济生产力的影响是负的,政府可以鼓励发展农业经济(13]。哈勒和里昂研究了宽带网络的普及在爱尔兰的影响全要素生产率的企业通过空间信息相关方法,发现与服务业相比,网络的普及有更大影响行政支持企业的全要素生产率(14]。座林和通用电气的使用方法,Malmquist-Luenberger指数和DEA模型来分析中国森林森林生态经济效率和全要素生产率和8特征发现森林全要素生产率产生影响。这些特征可能引入账单和政策指导意见与森林保护(15]。罗德里格斯等人分析了全要素生产率的动态演化的风力发电场在西班牙基于Malmquist指数。该指数结合了两个分析评价模型进行分析,以评估不同的技术用于风电场的影响。结果表明,几乎所有的全要素生产率增长疲软来自技术生产力的增长,技术变革并没有贡献。结果表明,风电场在西班牙的技术能力没有提高多年(16]。Lanz等人分析了农业全要素生产率的动态演化通过引入随机因素。研究和分析结果表明,农业全要素生产率对人口和消费有着深远的影响。为了防止临时生产短缺,土地结构应该将更多的土地转化为农业用地(17]。针对可再生能源效率和全要素生产率的欧盟,Gokgoz Guvercin使用超级DEA模型和Malmquist-Luenberger指数分析发现技术创新和技术扩散的驱动源的全要素增长率可再生能源。本研究提供了理论支持,制定能源政策在不同国家18]。同样,Sugathan等人改进了传统的全要素生产率通过使用随机metafrontier模型,评估操作性能和全要素生产率的煤和天然气发电厂在时间层面,并发现结构性改革没有积极影响天然气发电厂,但在技术前沿,生产效率和生产规模改善(19]。针对中国金属行业,风等人分析了省级绿色全要素收益率在中国通过metafrontier模型,发现绿色全要素收益率较低的主要原因在金属工业相对落后的技术效率和明显的空间分布20.]。

基于以上国内外研究现状,可以看出,目前国内外对全要素生产率的研究主要集中在能源、农业、工业、或环境(21- - - - - -23]。和大多数研究不涉及云数据分析和评价模型的金融结构对中国全要素生产率的影响。此外,我们不注意的研究成果构建和描述数据的时空差异图像。因此,研究时空的差异具有重要意义形象建设金融结构的影响基于DEA模型在中国的全要素生产率。

3所示。方法

3.1。应用DEA模型评价体系的金融结构对中国全要素生产率的影响

传统的金融数据分析模型中使用的算法(如先验算法和FP-tree频率设置算法);分析财务数据的过程中,单一的数据维度分析只能在分析。和不可能自适应确定的数量分析根据不同数据组的类型,所以最终的分析结果直接影响了人为设置单一最大分析维度值(24]。DEA模型是一个模型,该模型可以评估有效的多个决策单元的效率n输入或n输出属性。与其他金融研究模型相比,DEA模型的优点在于不需要计算每个子项目的标准成本,也就是说,不需要计算每个子项目的标准成本。输入和输出内容转换成相同的金融单位,但是n输出和n输入直接转化为分母和分子计算效率比(25]。因此,当DEA模型是用来计算效率的金融结构,输入和输出组件可以获得简单明了。因此,与传统市场份额或利润的价值相比,DEA模型具有较高的计算可靠性、评估能力强等特点。评价方法基于DBA可以计算所有金融结构输出和输入所有的金融结构的金融结构对中国全要素生产率的影响通过分母和分子的效率比没有计算标准成本的因素影响金融结构对中国全要素生产率。这种计算方法可以计算单位参与的问题不涉及传统的财务结构的影响在中国的全要素生产率。因此,在评价和计算财务结构的影响对中国的全要素生产率,以实现不同地区之间的金融结构,经济数据可以快速构建时空差异图像并将其存储在大数据信息系统进行分析。本研究金融结构的经济数据记录时间和地区差异,通过集成的实时大数据系统,分析了金融结构对中国全要素生产率的影响通过使用数据包络分析(DEA)模型和双耦合因素。本研究将传统的财务结构划分为三个,选择银行,保险,和行业的特点,构造了一个管理系统财务结构的影响对中国的全要素生产率Hadoop框架的基础上,根据处理和构造的时空差异图像数据。时空形象建设的理论支持和指导意义优化金融结构和实现的层次框架影响评价体系对中国金融结构的全要素生产率,具有十分重要的现实意义,区域金融管理部门。

相反,如果我们想要实现基于数据挖掘的模型,我们需要挖掘的数据转换成一个信号,可以通过一些固定的歧视的程序范例。相关研究人员通常执行向量空间处理在不同地区金融结构数据来克服这个问题。通过这种方式,金融结构的变化可以从多个角度进行分析和评估。对于多重向量的DEA模型系统,数据处理流程如图1。

3.2。DEA模型的分析过程的评价体系对中国金融结构的全要素生产率

全要素生产率的定义是经济增长率的剩余资本和劳动力的贡献。为了中国的全要素生产率分析,本研究将中国分为四个板块,东部、西部、中部、东北,根据政治和经济区域,并将经济结构划分为三个板块,银行、保险和证券。首先,本研究假设之间存在依赖金融结构和全要素生产率。然后,中国生产的因素可以表示为下面的公式: 在哪里表示一个特定的地区,代表一个特定的时间,代表了一定的金融部门的效率指数,代表了控制变量和分别的影响参数。然后,总生产价值在域可以表示为下面的公式: 在哪里代表函数和和分别代表劳动力投入和资本输入。结合公式(1)和(2)获得

结合方程(3),生产力指数分解DEA模型获得

转换后,上述结果得到:

在这项研究中,金融结构对全要素生产率的影响分为银行元素 ,保险元素 ,和证券元素 。由于金融结构的动态特性,本研究增加了个性差异和随机干扰到模型由方程(5),获得

, , ,和都是待定参数,是一组待定参数。基于上述分析,本研究初步建立了一个模型的金融结构对中国全要素生产率的影响基于DEA方法。

3.3。DEA模型的验证性实验设计对中国金融结构的全要素生产率

建立DEA模型后,有必要讨论全要素生产率的分析过程和有效性在金融结构。因此,第一步是建立一个数据库。在这项研究中,三个金融结构的数据银行、保险和证券的四个地区的东部,西部、中部、东北部,中国从2011年到2019年开采作为样本,和银行的元素 ,保险元素 ,和证券元素影响全要素生产率统称为金融效率。计算每一个金融行业的金融效率,计算结果如表所示1:

耦合的金融行业数据统计分析结果在不同地区和整体图所示2。

根据计算结果表1和图2,从2011年到2019年,金融结构逐渐优化,增加然后减少的变化趋势,这是直接关系到政府的政策和改革金融行业作为一个整体(互联网金融和金融区块链)。前银行业整体已经成为主流的金融结构,和保险和安全行业已经从以前的独家蔓延的趋势中央聚集在东部地区,西部和东北部地区。从微型地区的角度来看,东北地区将均匀分布在银行业的结构,直到2019年保险和证券行业,而东部地区将有绝对主导金融结构分布的安全行业在2015年之前。对2019年,西部地区安全行业将逐渐成为主要的金融结构,而安全的比例在中部地区金融结构将逐渐下降。相反,金融结构的安全行业占后者。

4所示。结果分析和讨论

4.1。建设DEA模型的时空差异的金融结构对中国全要素生产率的影响

为了更好地研究金融结构对中国全要素生产率的影响,本研究之间的关联度计算金融效率和全要素生产率通过灰色关联模型的方法。它的基本思想是探索几何序列和参考序列相似性比较。传统的关联耦合模型是弱在处理复杂的离散动态数据。本研究结合数据挖掘技术给传统的关联耦合的动力学模型没有,以便有效地构造时空差异图像。的基本步骤如下:首先,金融效率的相关数据的每个金融结构作为比较序列和中国全要素生产率的相关数据作为参考序列,然后计算它们之间的相关系数,最后,基于相关系数的计算关联度。图3显示了计算方法的流程图。

接下来,动态灰色关联模型的建设将会具体分析。在这项研究中,被定义为相关系数和关联度。为了计算,需要被定义为平均每个序列的图像,矩阵的均值图像,的矩阵序列的差异和的最小差异和最大差异两极。的计算公式和如下。首先,计算初始意味着每个序列的图像:

然后,计算序列的区别:

最小和最大区别以下两个极点:

基于上述计算相关系数得到: 在哪里系数在0到1的范围。最后,判断系数可以得到:

评价系数是一个指数定量评价的内部相关性不同的数据根据高斯正态分布函数的关联规则。一般来说,当大于0.8,引用属性与属性紧密相关,什么时候小于0.8,大于0.5,中度相关,什么时候小于0.5,大于0.3,他们是弱相关的,和什么时候小于0.3,他们很少甚至不相关的。根据计算出的相关系数,比较之间的关联度序列和参考序列可以获得。为方便计算,这项研究需要的金融效率银行、保险和证券的综合金融结构效率,需要全面的金融结构效率作为比较序列,并以全要素生产效率的参考序列。三组已知数据的仿真分析结果如图所示3。计算后,需要模拟和分析数据的金融结构对中国全要素生产率的影响。模拟分析结果如图4。

从图可以看出4的分析结果,两组金融结构数据组相关程度不同(分别设置0.7/0.9的信心变化系数),DEA模型的复杂性指数因子变化的数量计算,及其变化趋势显示了逐步下降的趋势。当信心变化系数为0.9,指数复杂性因素基本上是处于稳定状态(保持低于0.4)。这种趋势的主要原因是,新方案与DEA模型结合灰色关联算法不仅继承了以前的智能筛选功能关联信息的财务结构的影响对中国的全要素生产率,还可以根据动态数据导入自优化。

4.2。实验结果和分析

本研究选择中国全要素生产率的公式计算出从2011年到2019年的数据3全要素生产率变化的参考序列数据和选择这些9年的综合金融结构效率作为比较序列变化的金融结构,以便更好的第一构造的时空差异图像金融结构对中国全要素生产率的影响。为了确定性能优良的灰色关联方法基于DEA模型,本研究分析并比较主流先验算法的比较实验,FP-tree频率算法,和灰色关联分析的策略基于数据属性差异。结果如图所示5。

从图可以看出5在四个方法,与其它三种主流方法相比(先验算法,FP-tree频率算法,和灰色关联分析的策略基于数据属性不同),灰色关联方法基于DEA模型有较小的误差程度增加迭代分析的时间因为DEA模型在数据分析的过程。它可以实现不同层次的分析和定量评价根据数据之间的关联度。获得的数据导入到大数据集成系统设计基于动态灰色关联模型显示在这项研究中一个接一个,然后输出结果可视化。的过程中,分析实验结果,结合中国金融结构的相关分析特点和中国的全要素生产率从2011年到2019年,这个研究选择具有代表性的四年,2013年,2015年,2017年和2019年,随着时间尺度的实验对象。空间的不同图像对中国金融结构的影响在2013年的全要素生产率如图6颜色条,表示相关程度,和A / B / C,分别代表了定量财务数据在传统银行的三个主要行业,证券,保险。

空间的不同图像对中国金融结构的影响在2015年的全要素生产率如图7。

空间的不同图像对中国金融结构的影响在2017年的全要素生产率如图8。

空间的不同图像对中国金融结构的影响在2019年的全要素生产率如图9。

通过对数据的分析6∼9,可以发现,在当地的空间,增加空间的数量差异的分析基于DEA的灰色关联模型,在三种不同的财务数据组,财务结构的影响对中国的全要素生产率通常是媒介。然而,在中国东部,金融结构对中国全要素生产率的影响,及其地位难以撼动。在2017年之前,财务结构的影响在中国西部和东北地区对中国的全要素生产率很低。2017年之后,在中国西部金融结构的影响对中国的全要素生产率来自背后。与此同时,在中国东北的影响变化不大。在整个空间,高度相关的金融结构对中国全要素生产率的影响显示了扩散趋势集中在东部的空间规模。上述结果表明,中国的金融结构逐渐多元化和健康。图形结果大致反映了中国金融结构的影响在中国的全要素生产率和中国经济工作有一定的指导。

5。结论

存在一些问题在评价中国金融结构的影响对中国的全要素生产率,如单一的评价方法,评价效率低、综合评价水平。传统的财务数据分析模型的分析结果(如先验算法和FP-tree频率设置算法)有直接影响人为设置单一最大分析维度值,和DEA模型具有较高的计算可靠性和强大的评价能力。的优点是不需要计算每个子项目的标准成本;也就是说,不需要输入和输出内容转换成相同的金融单位,但直接多维输出和多维输入转换为分母,分母是用来计算效率比。分子可以实现自适应分析。在此基础上,本文研究了时空的差异形象建设的金融结构对中国全要素生产率的影响基于DEA模型和灰色关联分析。首先,金融结构DEA分析模型建立基于数据挖掘技术实现数据存储和分析的过程中,金融结构分析和总结财务结构的时空差异。然后,结合数据中国全要素生产率的多年来,结果反馈给相关分析的DEA模型,以及相关的实验是为了验证模型。实验结果表明,与其他分析方法相比,该模型可以分析金融结构的多层数据,从而大大提高了评估的效率和客观性。分析模型使用图像处理技术进行数据后处理,可以给一个视觉实验结果的分析,从数据的角度。 It is not necessary to set the single maximum analysis dimension before analyzing the data, but can be based on the actual dimensional characteristics of the data group. To achieve its adaptive analysis, the efficiency and accuracy of analysis are improved, which provides a way for researchers to analyze massive, multidimensional financial data or predict the effect of future financial structure (data type and dimension uncertain). This new method can also be used in the future to combine the characteristics of the financial structure of different industries to achieve in-depth research on variable weight analysis.

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称,关于这项工作他们没有利益冲突。