研究绿色金融和Fintech智能城市的影响

文摘

绿色发展水平反映在绿色金融指数的评价智能城市的绿色发展程度有重要的实际对经济转型的影响。促进金融业的转型升级,我们选择2013 - 2019年数据,构建分布滞后模型分析中发挥的重要作用的绿色金融和金融技术的智能城市建设。在论文中,我们发现绿色金融促进智能城市建设,直到九个月,只有它不会出现晚了。金融技术对智能城市建设相反的影响,这主要是因为研究和市场化的金融技术高,成本也高。这种影响将会出现在接下来的14个月。

1。介绍

全球生态环境的严重破坏是伴随着全球经济的快速发展。因此,许多国家高度重视实现“绿色增长”的经济,同时大力发展本国经济。绿色升级传统产业和战略性新兴绿色产业的发展需要金融部门的有效授权,并供应绿色体育产业的金融业是一个绿色金融的重要表现。金融是现代经济的核心。如果我们想促进经济,我们必须开发高质量的金融和使用财政来避免经济不确定性。中国目前的发展,绿色金融是为了规避这种不确定性,是一个重要的推动力促进供给的结构性改革。绿色发展水平反映在绿色金融指数和绿色发展的程度的评价一个地区有重要的实际对经济转型的影响,减少投资风险,帮助传统企业改善其可持续发展能力。

Fintech指金融创新带来的新技术。它可以创建新的商业模式、应用程序流程,或产品,有重大影响金融市场,金融机构,或者不提供金融服务。科技与金融结合的业务场景主要包括金融监管、支付结算、融资产品和服务,保险,聪明的投资咨询和能源交易。底层技术包括人工智能、区块链、云计算、大数据和互联网的东西。在全球金融可持续发展过程中,金融机构和fintech公司在世界上不同的国家,尤其是在欧洲,美国,和中国,试图整合fintech和金融技术通过积极使用区块链,人工智能,大数据,和物联网,结合绿色金融实施绿色金融技术的探索和实践。

智能城市是离不开社会各界的共同建设。在金融领域,银行业的密切合作是必需的。随着中国经济和社会快速发展,城市居民的生产和生活不再能与金融活动分离,并让每个居民金融技术的发展好处是一个智能城市建设的一个重要组成部分。相应地,在移动互联网时代,技术手段从根本上调整人们的行为习惯,也和银行必须改变他们所提供的金融服务。智能城市建设紧密整合了银行的发展。中国人民银行曾多次呼吁商业银行不断加强金融技术的创新使用城市建设注入新的活力。地方政府也在积极地与银行合作。政府和银行之间的合作已经取得了很大的进步在各个领域如民生,教育和公共事业。

本文的具体贡献包括以下:(1)关于各种现有的分布滞后模型和文献调查分析他们的优点和缺点。(2)一个有效的绿色金融和fintech分布滞后模型提出了智能城市。(3)可以看出,有一个相对明显的相关性两个第七滞后和第十二滞后,表明这两个模型在一定程度上影响了其他常见变量。

本文的其余部分组织如下:部分2讨论了相关工作,其次是实证分析部分3。估计参数的智能城市的绿色金融是部分中讨论4。部分5显示了讨论分布滞后模型的实证结果。部分6总结了论文的一个总结和未来的研究方向。

在外国语,绿色金融也称为环境财政,这是一个金融绿化的定义来源于环境问题和促进可持续发展的需要。从经济角度来看,环境问题具有显著的外部性特征,它可以产生正外部性和负外部性。相关包括外部性理论、科斯定理、政府干预和帕累托改进。绿色金融的发展有推动作用,环境保护,节能减排,可持续发展,所以它将带来良好的外部影响。然而,良好的外部效应直接导致更高的成本对金融机构实施绿色金融,最终导致缺乏激励和有效供给不足为私营部门实施绿色金融,它几乎是不可能达到帕累托最优资产配置。

绿色金融是支持可持续发展,也就是说,可持续金融;它是金融创新在环保的道路,这是一个金融产业和环保产业之间的联系(1]。绿色金融是金融工具根据市场研究改善环境质量和环境风险的转移。作为一种方法和手段,促进可持续发展,绿色金融服务已成为金融发展的主流趋势。尽管绿色金融的概念被广泛认可,它缺乏一个完整的评价体系,使它发展缓慢。一些学者建立了评价指标体系来分析银行绿色服务通道的性能问题从知名银行在操作和使用真实的数据。基于可持续发展的评估和分析的概念和具体实践,他们建造了一个五维指数评价体系。通过一系列的研究,发现虽然实现“赤道原则”的成本较高,贷款所产生的信用风险较低(2- - - - - -4]。

绿色金融的国际理解大致可以分为两类:第一类作为绿色金融投资和融资活动,改善环境,绿色投资。这种理解的起点是“弥补投资缺口”(2]。另一种类型的理解直接包含环境因素进入金融投资领域,包括环境成本的变化,风险系数的变化,以及变化的回报和收益由从事业务引起的。相信绿色金融的发展是基于金融和环境之间的相互约束(5]。例如,绿色金融环境因素加入到金融服务,如银行投资或接待决策,postloan监视和参与环境评估在风险管理(6]。上述两类都是不同的和相关的。

随着时间的推移,海外学者也阐述了绿色金融发展的一系列问题。进一步的分析显示,这些基金的投资回报周期较长,和整体投资收入并不比其他共同基金。

Fintech是一个现代概念,到目前为止,还没有形成统一的定义。然而,在1993年,“fintech”这个词出现在花旗银行的有关报道。试图使科技金融已经逐渐开始,它加剧了互联网金融实践和不断的提高浓缩金融业的转型升级。可以说,fintech已悄然融入人们的生活在社会意识到了这一点。金融稳定委员会(FSB)认为fintech指技术创新可以显著影响到金融市场,机构和服务,主要是通过创新的商业模式,应用方法,过程方法和产品类型。

fintech已经逐渐明确的定义在连续的研究。大多数学者fintech定义为一个技术解决方案,它可以实现金融服务行业的转型。他们相信fintech是一个新的行业,通过技术创新来提高金融服务的质量。科学和技术是一个破坏性的新兴金融行业。它主要使用数字和信息技术实现创新现有的经济模式(7,8]。总之,fintech指金融创新推动技术创新。通过金融和技术的深度集成,大数据,区块链,人工智能,和云计算是主要的技术支持,改变了金融业务流程。和商业模式挑战传统金融的思考。Fintech推动了金融相关领域的各种行业通过扩大金融机构的服务范围,提高服务方法,同时提高金融效率,同时最小化风险(9- - - - - -11]。然而,fintech不能简单地理解为两者的叠加。更一个渐进的过程集成和深化的新兴技术和金融服务,不断推动传统金融服务的转型升级。

“智能城市”的定义来自“智能地球的愿景。“IBM发布的主题报告“智能地球:下一代领导议程”2008年在纽约。报告提到“智能地球”,实际上指的是充分利用信息技术和传感器在不同行业中嵌入在医院、电网、铁路、桥梁、隧道、公路、建筑、和其他对象在世界的角落,形成物联网连接各种对象,然后整合物联网与互联网,最后通过超级计算机和云计算物联网集成。

智能城市的建设不是一个过程清晰的界限,所以没有统一解释的概念。早期智能城市的概念主要是相关操作功能,管理和规划智能技术解决方案的效率在能源、交通、基础设施、分销和通信网络,经济发展,和服务交付。随着智能城市的发展,越来越多的强调利用信息技术实现城镇化的目的,和一个集中的、可操作的智能城市的定义逐渐。投资社会资本、传统和现代通讯基础设施促进可持续的经济增长和高质量的生活,和明智的管理自然资源。强调信息技术的作用。认为智能城市改变生产力,实现城市的繁荣,造福于人12- - - - - -15]。一些学者已经开始从互联网的角度定义智能城市。他们认为,智能城市是一个复杂的系统包含多个愿景(16,17]。最近,随着信息技术的发展,越来越多的外国学者开始关注可持续发展融入智能城市的概念,强调通过技术发展环境的改善问题。

此外,学者们也有相关研究在智能城市评估。从不同的角度,构建创新型城市,区域绿色城市,生活质量,电子政府等作为评价指标,对智能城市进行了评估工作在世界上不同的国家(18促进智能城市的可持续发展。之后,学者们进行了智能城市表现的评估,提出了测量模型智能城市的性能,并进行了实证研究。

Fintech本身是基于“科技”,其目的是为了促进金融业的转型升级,这是一个重要的力量促进绿色金融的发展(19]。本研究探讨了金融对智能城市建设的影响从创新的角度和分析中发挥的重要作用的绿色金融和金融技术的智能城市建设。

3所示。实证分析

3.1。数据源

开始一年的时间序列数据中选择这篇文章是2013,因为2013被称为“网络金融的第一年。“fintech,绿色金融的研究和智能城市,本文选定的七年的数据从2013年到2019年,可以更清楚地依赖于最近一年的数据来理解三(之间的具体影响20.]。数据通过一个指标体系构建。绿色金融指标包括七个方面:绿色信贷、绿色债券,绿色发展基金、绿色保险,绿色的股票,绿色投资,碳融资。城市指数是由四个视角:智能技术,智能经济,智能的社会,和智能环境。

3.2。模型设定和识别

自独立参与这项研究和解释变量时间序列数据,常用的线性回归模型的结构如下: 在这的时间序列是因变量,的时间序列我th自变量,是随机干扰项(干扰项),然后呢是常数项。为了使用最小二乘法(普通最小二乘法)估计,通常假定随机扰动项和独立变量是相互独立的,和随机扰动项是独立且同分布。然而,上述模型本身和随机扰动的基本假设有三个问题:他们忽视独立变量的滞后效应,不能处理扰动的自相关,误导相关(21]。

针对上述问题,本文认为使用动态回归模型(动态回归),介绍了滞后项初始动态回归模型(22]。根据不同表示形式的滞后项,有两种动态回归模型:线性分布滞后模型(LDL)和合理分布滞后模型(RDL) [23]。因为实际的数据只有数量有限的样本数据,是不可能直接估计低密度脂蛋白的参数模型。所以本研究使用了RDL模型;具体表达式如下:

RDL模型可以描述更复杂的脉冲响应的变化通过多个二次变换算子的组合权重,从而更好地拟合数据,是用来反映了死时间,也就是说,当自变量开始的时间间隔影响因变量;代表了衰变模式;和反映了脉冲响应的没有重量。

本文将使用Box-Jenkins建设战略动态模型,即模型识别、参数估计和模型诊断(24]。当Box-Jenkins正式开始建设策略动态模型,根据实际操作的经验,以下将对原始数据进行预处理任务订单,这将有助于后续建模过程顺利进行(25]。(1)执行微分处理的独立和依赖的变量序列和将其转换为平稳序列和。(2)腹稿自变量序列得到扰动序列自回归移动平均模型(以下简称ARMA模型)的独立变量序列,这是一个白噪声过程;它的ARMA模型如下: (3)应用筛选器表达式获得(2)因变量序列获得另一个序列的摄动。流程如下: (4)计算序列的互相关函数和(以下简称CCF),并执行人口Ljung-Box测试给定的滞后项的数量。如果拒绝零假设,解释第一滞后的自变量序列。至少有一个方面的显著非零与因变量相关性;即自变量对因变量解释力,应该添加到RDL模型。

首先,阐明三个关键参数多项式率形式的脉冲响应函数——分子多项式秩序h,死亡时间b,分母多项式秩序。

其次,扰动项的ARIMA模型表达式如下: 在这是一个正态分布的白噪声平均值为0 (26]。

本文选择线性传递函数方法(LTF方法)来完成整个模型识别的任务。LTF方法需要建立以下自由分布滞后模型(FFDL模型): 在这是任意选择的,滞后效应方面的数量普遍的价值观,可以被视为是−5、10、15、20、k本文选择;为干扰项,本文选择了一个低阶自回归模型(AR模型)来改善脉冲响应分量估计的准确性。在季节性的影响,基于“增大化现实”技术(1)通常可以被认为是27]。

3.2.1之上。模型的估计

模式识别任务完成后,可以获得完整的模型表达式如下:

3.2.2。模型的诊断

然后,执行一个最大天然估计(6)。应该指出的是,两者兼而有之和序列满足弱平稳后执行的差异。

3.2.3。模型比较

在模式识别的过程中,可能会有多个候选模型。如果多个模型是通过模型诊断,他们将面临的问题选择多个模型。有两种常用的标准模型比较:Akaike信息标准(AIC)和贝叶斯信息准则(BIC)。另类投资会议的定义公式如下: 在这在模型参数的数量,方差的极大似然估计的干扰项,然后呢n的数据量。BIC的定义公式如下:

从上面的定义,当数据量大(n> 10),与AIC准则相比,BIC准则将施加更大的惩罚项的模型参数。根据模型选择的节俭原则(精简原则),本文将利用BIC BIC价值最低的选择则模型是最优的。

3.2.4。构建LTF模型和指定RDL模型参数

指定20和微扰项是由低阶AR模型近似。数据1和2显示脉冲响应的变化的权重两个独立变量。

从图可以看出1的三个关键参数,绿色金融RDL模型中的自变量。脉冲响应重量仅略超过阈值。从图可以看出2RDL的参数模型fintech独立变量的一部分。

图3显示了残差SACF SPACF呈现出白噪声的特性,所以干扰项部分保留了AR (1)模型。

(一)

(b)

(c)

(d)

4所示。结果

4.1。模型的估计

以下4.4.1。估计参数的智能城市的绿色金融

根据模型中指定的参数识别阶段,RDL的参数模型估计基于最大似然估计方法。结果如表所示1。


参数	估计	标准错误	T价值	约-t<P<t	滞后

μ	0.0031	0.0021	1.47	0.1409	0
MA1 1	0.2817	0.0919	3.06	0.0022	1
MA1 2	0.3593	0.0946	3.80	0.0001	2
MA2 1	−0.1337	0.1018	−1.31	0.1891	11
NUM1	0.0054	0.0010	5.08	< 0.001	0
NUM1 1	−0.0013	0.0010	−1.33	0.1823	1

从表可以看出1,季节性干扰项是不重要的一部分,和分子的多项式参数自变量RDL并不重要的一部分,所以尽量指定另一组可选参数:b= 9,r= 0,h= 1 + 0 - 1 = 0。RDL修正模型的估计结果如表所示2。从这可以看出每个参数通过了显著性检验。


参数	估计	标准错误	T价值	约-t<P<t	滞后

μ	0.0029	0.0018	1.67	0.0940	0
MA1 1	0.3028	0.0905	3.34	0.0008	0
MA1 2	0.3582	0.0932	3.85	0.0001	0
NUM1	−0.0053	0.0011	4.81	< 0.001	9

根据模型中指定的参数识别阶段,RDL的参数模型估计基于最大似然估计方法。结果如表所示3。从图可以看出,季节性干扰项是不重要的一部分,和fintech独立变量的参数不显著,所以另一个RDL模型被选中。RDL修正模型的估计结果如表所示4,这表明每个参数通过了显著性检验。


参数	估计	标准错误	T价值	约-t<P<t	滞后

μ	0.0545	0.0011	1.17	0.2503	0
AR1 1	0.0598	0.0987	−5.06	0.0564	0
AR2 1	0.0569	0.0945	−1.65	0.0641	0
NUM1	0.0065	0.0965	4.12	< 0.001	14
NUM2	0.0058	0.0354	−1.25	< 0.001	6
NUM1 1	0.0965	0.0569	0.59	< 0.001	6


参数	估计	标准错误	T价值	约-t<P<t	滞后

μ	0.0596	0.0023	1.19	0.2336	0
AR1 1	−0.0632	0.0895	−6.03	< 0.001	0
NUM1	0.0782	0.0652	2.48	0.0130	14

4.2。模型诊断和分析

第一步是对RDL执行剩余的诊断模型。从数据可以看出4和5,修改后的RDL模型的残差可以通过自相关和正常测试。

(一)

(b)

(c)

(d)

(一)

(b)

第二步是对独立执行剩余诊断变量ARIMA模型。结果如表所示5和图6。表5显示每个参数通过了显著性检验,并从图可以看出6IACF和PACF表明残差通过自相关测试,但它们不是白噪声。


参数	估计	标准错误	T价值	约-t<P<t	滞后

μ	−0.0642	0.0865	−0.08	0.9358	0
AR1 1	−0.5653	0.0824	−2.60	0.0082	1
AR1 2	−0.9252	0.0963	−4.26	< 0.001	2
AR1 3	−0.4545	0.0918	−6.35	< 0.001	3
AR1 4	−0.2545	0.0854	−2.26	0.0235	4
AR2 1	−0.2224	0.0871	−7.21	< 0.001	11
AR2 2	−0.7554	0.1025	−4.26	< 0.001	22
AR2 3	−0.7893	0.0965	−2.60	0.0093	33

(一)

(b)

(c)

(d)

在第三步中,Ljung-Box测试执行两个剩余序列CCF,结果如图7。可以看出,有一个相对明显的相关性两个第七滞后和第十二滞后,表明这两个模型在一定程度上影响了其他常见变量。

从模型的评估和诊断结果,我们可以知道,绿色金融有很大的积极影响智能城市建设,这九个月后会发生影响。Fintech对智能城市,有很大的负面影响,这种影响发生后14个月。模型的诊断结果表明,有普通变量的残差RDL模型和ARIMA模型构造。由于共同的变量的影响,具体的参数估计的结果可能不稳定。图7是两个残差序列的CCF显著性检验表。

5。讨论

首先是金融机构和银行,大力发展技术创新科技小额贷款公司、金融租赁公司。在以下的前提下技术创新的发展规律,拓展多元化融资渠道,,同时,使用机制创新为动力,加强内部激励。改善公平和客观的评估机制和风险补偿等保护系统。第二个是创新金融产品,有效地使用微分支持科技信贷风险承受能力,促进高收益债券和股票债券融资方法,全面推进知识产权质押融资和偿还。创新融资方法:第三是创新的融资方法,突破传统的服务模型的间接融资,财务团队和股票,风险投资和贷款联动;第四个是专注于互联网金融技术创新的发展机遇,促进“互联网思维”,积极推动“网络”“过程”模式;建立网上银行,优质服务平台,电子银行,在线循环贷款,和其他银行;有效地解决所面临的“资金缺口”高新技术项目;促进技术创新的产出和扩散;和促进信息技术在智能城市的发展。

发展绿色金融的核心在于金融中介机构。绿色金融市场的实际需求,需要金融机构,不断提高他们的社会责任和环境保护意识,并开展有针对性的绿色金融促进和教育内部员工。做商业决策时,我们必须协调自身利益和社会责任之间的关系。我们必须考虑环境保护和社会性在日常操作。严格的环保社会责任贯穿所有日常业务活动。金融界必须保持发展绿色金融的概念。它必须采取辩证统一的社会责任和自我觉悟的好处时企业进行绿色金融业务,促进绿色金融的发展作为一个长期战略,金融机构。政府应该积极开展绿色金融宣传工作,宣传政府的理念和措施,发展绿色金融,并解释绿色金融发展将带来的积极变化,公众的生活和工作。在此基础上,企业可以积极参与促进绿色金融的发展。

面临的主要障碍之一中国的绿色金融的发展是不同机构之间的不完全信息共享机制在绿色金融和信息不对称的问题在不同的行业,特别是金融和环境保护行业的绿色金融密切相关。两个部门之间的信息不对称会发生金融风险的隐患。通过应用fintech,部门之间可以建立一个绿色金融信息数据库,从而形成一个稳定的沟通和协调机制,实现双方之间的信息共享。与此同时,监管机构还可以使用实时跟踪和监控企业参与绿色信贷通过fintech的应用和实时更新相关信息。此外,成熟的信息披露制度还应该通过fintech的应用程序,建立对金融机构的信息披露程序提供绿色金融服务企业,监督,公众和团体的作用,加强相互合作创建一个系统的垂直监督水平的监督。

6。结论

从绿色金融的关系,fintech,和智能城市建设,本研究选择数据从2013年到2019年,使用分布滞后模型来展示它。得到了以下结论:第一,绿色金融促进智能城市建设和绿色信贷。绿色金融的促进效应指标组成的七个方面包括绿色债券、绿色债券,绿色发展基金、绿色保险,绿色的股票,绿色投资,碳金融在智能城市建设的9个月后才会出现。蜂蜜湖fintech指数已证实它有反向影响智能城市的建设模式。这主要是由于fintech研究费用高,市场化、和盈利能力,这在一定程度上阻碍了智能城市建设。这种效应的影响会出现后14个月。

数据可用性

部分或全部数据、模型或代码生成或使用期间的研究可从相应的作者的请求。

的利益冲突

作者宣称没有利益冲突。

确认

资金是由中国国家社会科学基金(批准号18 cgl015)。

引用

m·a·白,“环境金融:价值和风险在一个生态的时代,“业务战略和环境,5卷,不。3、198 - 206年,1996页。视图:谷歌学术搜索
a·b·库尔森“可持续银行与金融:人民——金融业和地球的未来,”期货,35卷,不。8,894 - 895年,2003页。视图:出版商的网站|谷歌学术搜索
s . Dimitriadis a Kouremenos, n . Kyrezis”以信任为基础的细分:由银行渠道的初步证据,”国际银行营销杂志》上卷,29号29日,5-31,2011页。视图:出版商的网站|谷歌学术搜索
s c·莫里斯近日和c·李”,原产地是可持续的竞争优势的来源:国际高等教育机构在新西兰的情况,“《战略营销,19卷,不。6,517 - 529年,2011页。视图:出版商的网站|谷歌学术搜索
k·考芙,“社会责任作为银行核心业务模型:一个案例研究在金融领域,“可持续金融与投资》杂志上,4卷,不。1,第89 - 76页,2014。视图:出版商的网站|谷歌学术搜索
n . Apergis i Filippidis, c . Economidou“金融深化与经济增长联系:一个面板数据分析,“回顾世界经济,卷143,不。1,第198 - 179页,2007。视图:出版商的网站|谷歌学术搜索
c·赖特,“全球银行、环境和人权:赤道原则的影响贷款政策和实践,“全球环境政策,12卷,不。1,56 - 77,2012页。视图:出版商的网站|谷歌学术搜索
b . m . s . van Praag、p·弗里吉特斯和a . Ferrer-i-Carbonell“主观幸福感的解剖学,”经济行为与组织杂志》上,51卷,不。1,29-49,2003页。视图:出版商的网站|谷歌学术搜索
h . m .穆勒和c . Yannelis“学生贷款违约率上升,”金融经济学杂志,卷131,不。1 - 2019页。视图:出版商的网站|谷歌学术搜索
n·d·菲利帕和c . Avdoulas”金融知识和金融福祉z一代大学生:证据来自希腊,”欧洲金融杂志》上,26卷,不。4 - 5,360 - 381年,2020页。视图:出版商的网站|谷歌学术搜索
m·沙c Girardone, a·萨基斯杨表示,“金融包容的越野变化:全球的角度来看,“欧洲金融杂志,26卷,不。4 - 5,319 - 340年,2020页。视图:谷歌学术搜索
m .天鹅”预测区块链的经济效益。”技术创新管理评审,7卷,不。10日,6-13,2017页。视图:出版商的网站|谷歌学术搜索
m .天鹅和p . de菲利皮主持”,对区块链的哲学:一个研讨会:介绍,“Metaphilosophy,48卷,不。5,603 - 619年,2017页。视图:出版商的网站|谷歌学术搜索
y Yun m·李,“智能城市4.0从开放创新的角度来看,“《开放创新:技术、市场和复杂性,5卷,不。4、92 - 107年,2019页。视图:出版商的网站|谷歌学术搜索
r . Arora,“金融部门发展和智能城市:印度的情况下,“可持续城市和社会,42卷,52-58,2018页。视图:出版商的网站|谷歌学术搜索
y . j . Shin和崔y”的可行性fintech产业作为经济可持续发展的创新平台在韩国,“可持续性,11卷,不。19日,5351 - 5372年,2019页。视图:出版商的网站|谷歌学术搜索
p·舒尔特g·刘,“FinTech融合物联网和AI挑战银行:根深蒂固的利益如何准备,”《华尔街日报》的另类投资,20卷,不。3,41-57,2017页。视图:出版商的网站|谷歌学术搜索
美国海和m·克雷林”铺平了道路使用AI-digital汽车服务的智能城市的研究项目,“ATZelectronics全球,14卷,不。1 - 2,54-59,2019页。视图:出版商的网站|谷歌学术搜索
赵w .太阳,y, l .太阳“大数据分析风险资本用途:对创新的性能提升,”国际信息管理杂志》上,50卷,不。2、557 - 565年,2019页。视图:谷歌学术搜索
h .梁j .邹k .左和k·穆罕默德Junaid,“一种改进的遗传算法优化模糊控制器应用于井口回压控制系统,”机械系统和信号处理,卷142,不。8、1 - 14,2020页。视图:出版商的网站|谷歌学术搜索
l .太阳y赵、w .太阳和z . Liu”研究供应链战略基于成本收益模型和多路存取的边缘计算物联网背景下,“神经计算和应用,32卷,不。19日,15357 - 15368年,2020页。视图:出版商的网站|谷歌学术搜索
徐黄z、x、j .倪h·朱和c·王,“多通道表示学习建议在物联网中,“IEEE物联网》第六卷,没有。6,10675 - 10685年,2019页。视图:出版商的网站|谷歌学术搜索
梁h . j .邹z, Li m·j·汗和y,“钻井泄漏风险动态评估基于模糊理论和PSO-SVR算法,”未来一代计算机系统,卷95,不。6,454 - 466年,2019页。视图:出版商的网站|谷歌学术搜索
m·谢·h·李,赵y”区块链金融投资基于深度学习网络算法,”计算和应用数学杂志》上,卷372,不。7日,1 - 11,2020页。视图:出版商的网站|谷歌学术搜索
黄z . Liu b, b . l . Lang et al .,“决策优化低碳双通道的汽车零部件供应链基于智能城市建筑,”复杂性,卷2020,不。5,页1 - 14,2020。视图:谷歌学术搜索
y, r·朱z . Chen j .高et al .,“通过信息评估和选择特性的理论下界特性为高维数据内在相关性,”欧洲运筹学杂志》上》第六卷,2020年。视图:出版商的网站|谷歌学术搜索
毛梁h ., A .西安m . Min, p .倪et al .,”一个研究远程压裂监测和决策方法支持智能城市,“可持续城市和社会,卷62,不。11日,1 - 11,2020页。视图:出版商的网站|谷歌学术搜索

复杂性