文摘

随着区域经济的不断发展,区域经济差异也引起了各界的关注。由于传统的研究方法的局限性,研究结果是相对简单的,无法进行更全面的分析。传统的方法包括以下几点:(1)分析区域物流的发展基于GIS的位置基尼系数和区位商和反映工业集聚的情况年度位置基尼系数的变化曲线;(2)使用SPSS12.0软件进行多元因素或事件,并分析和计算因子得分总结几个主成分因素;(3)生产函数分析方法用于测量规模经济和集聚。作为一个扩展,估计总产出之间的关系和集聚指数因子输入测量均匀状态的工业分布部门集聚经济是一种有效的测量方法。为了促进区域经济的可持续发展,本文分析了区域经济全面基于新兴的移动传感器网络技术和数据挖掘技术。首先,本文分析了移动传感器网络的定位技术基于序贯蒙特卡罗,选择 - - - - - -意味着聚类方法适用于经济大样本聚类分析,并构造一个完整的数据挖掘模型。然后,模型用于分析经济、社会、自然、和教育科学和技术指标的某些地区从2015年到2019年。结果表明,第一主成分的重量经济指标是财政收入的比例最高,为0.986。这表明财政收入在经济指标的作用更大。城市消费的主要指数是72.0,这是最高的。这表明,人口增长率和城市家庭的平均消费在社会指标发挥更大的作用。第一主成分的自然指数最高的污染排放,重量是0.47,而第二个主成分权重最高的能源消费总量,即0.48。这表明自然的污染排放和能源消费总量指标发挥更大的作用。教育科学与技术指标,第一主成分权重是最高的,这是0.61。这表明教育基金扮演着重要的角色在教育科学和技术指标。 Therefore, the data mining model based on mobile sensor network technology can comprehensively and accurately analyze various indicators of regional economy.

1。介绍

1.1。背景意义

区域经济是密切相关的当地经济振兴,具有重要的参考作用政府做出决定。如果某一地区的经济发展是好的,那么它意味着当地政府的决定是正确的,政府将维持原决定;但如果有经济衰退的迹象,这意味着有一个问题与政府的决定,它将推动政府更新决策。移动传感器网络技术可以实时监控和收集各种信息,有优越的信息采集能力1,2]。数据挖掘技术是一种集机器学习、人工智能、统计数据包括结果和在各领域的广泛应用3]。移动传感器网络技术和数据挖掘技术可以提高数据采集的效率和质量,采矿和快速获取有效信息。这种合成技术的应用的分析区域经济不仅为区域经济的分析提供一个新的想法,但也可以将研究成果转化为生产力,促进区域经济的发展。

1.2。相关工作

无线传感器网络已经使用在许多移动应用程序,如野生动物跟踪和参与城市遥感。朱等人介绍产业集聚对区域经济的影响在模拟智能环境中基于机器学习和提出一个方法来检测工业集聚指数来分析产业集聚。通过建立一个工业集聚指标体系,制造业的水平集成是客观分析和制造业集成是实证检验的影响(4]。陆等人解决环境监测问题,开发一个事件驱动的有限的时间内为移动传感器网络控制方案。该控制方案由每个传感器节点可以独立执行,由两部分组成:一部分是限定时间一致算法,另一部分是一个事件触发规则。共识算法使传感器节点的位置和速度快速跟踪虚拟领导者的位置和速度在一个有限的时间。事件触发规则是用来减少控制器的更新频率以节省传感器节点的计算资源。在固定通信拓扑和交换通信拓扑中,一些稳定性条件派生为移动传感器网络使用该控制方案(2]。

数据挖掘技术在经济领域的应用也是很多研究。基于数据仓库、数据挖掘和OLAP技术,最小值和鲁伊提出模块化设计决策支持系统,并描述其结构和关键技术5]。系统测试结果表明,数据挖掘在经济预测具有良好的预测效果。Arends-Kuenning等人预测根据行业Mexico-US关税的变化将导致区域经济增长,制造业和贸易自由化似乎效益在很大程度上(6]。国家关税的增加会导致外部需求下降,也影响价格在国际市场上,使它们下降,和关税的增加导致的国内市场与国际市场征税后,所以在这种情况下,关税的征收必须内部消费者和出口之间的共享,从而影响区域经济。他们的研究只分析了贸易对区域经济发展的影响,不考虑其他因素。

1.3。本文创新点

为了有一个更全面和深入理解区域经济,为相关政府工作提供数据支持,并促进区域经济的发展,区域经济进行深入研究分析基于移动传感器网络技术和数据挖掘技术。本研究的创新点如下:(1)移动传感器网络定位技术的基础上,本文选择合适的 - - - - - -意味着数据挖掘聚类方法为基本模型,并构造了一个数据挖掘模型,该模型可用于分析区域经济的相关指标;(2)使用这个模型,经济、社会、自然、教育和科技的某些地区集群分析指标;和(3)得出结论认为,在区域经济的发展,财政收入,城市家庭的平均消费水平,染料的排放,能源消费总量和教育基金扮演着重要的角色。如果财政收入增加,那么相应的政府投资将增加,这将促进区域经济的发展;消费的增加将进一步刺激消费,消费会刺激区域经济增长;教育是国家的基石,培养本地人才。这也会促进区域经济。因此,为了促进区域经济的发展,我们必须从这些因素。

2。移动传感器网络技术和数据挖掘技术

2.1。移动传感器网络技术

2.1.1。路由协议

无线传感器网络有限的计算、存储、无线通信和供电能力。好的路由协议可以尽可能地减少能量消耗,延长网络生命周期。有两种功能的路由协议。第一是找到最优路径源节点和目标节点之间的高效和准确。二是组织获得的数据和转发分组数据根据其优化路径(7,8]。少量的应用场景节点移动,可以简化路由协议。

根据网络拓扑结构、路由协议可以分为两种类型:平面和集群。平面路由协议的优点是简单,易于扩展,而集群路由协议的优点沟通成本低,能耗低,方便管理(9]。路由分为静态路由和动态路由。动态路由协议可以分为距离向量路由协议和链路状态路由协议。距离矢量路由协议是基于bellman算法,主要包括RIP和内部网关路由选择协议;链路状态路由协议是基于图论的非常著名的迪杰斯特拉算法,首先,最短路径算法。距离矢量路由协议的路由器传送部分或全部相邻路由器的路由表;链路状态路由协议的路由器传输链路状态信息对所有路由器在同一地区。根据路由器的位置在自治系统中,路由协议可以分为内部网关协议和外部网关协议。有两种类型的interdomain路由协议:外部网关协议和边界网关协议。出路是专为一个简单的树拓扑。 It has obvious shortcomings when dealing with routing cycles and setting routing strategies. It has been replaced by BGP at present. EIGRP is a proprietary protocol of Cisco, which is a hybrid protocol. It not only has the characteristics of the distance vector routing protocol but also inherits the advantages of the link state routing protocol. Various routing protocols have their own characteristics and are suitable for different types of networks. Low-power adaptive cluster layering (LEACH) protocol uses a fully distributed mechanism to generate cluster heads [10]。每个节点之间产生一个随机数[0,1]。如果数量小于阈值 ,然后节点的簇头节点将不会很长一段时间。阈值以下所示的计算公式: 在哪里普通节点成为簇头的比例是在每一轮,当前轮的数量,是没有选择簇头的节点集在过去吗 圆的。当 ,阈值等于 。当 ,以下所示的阈值公式:

LEACH协议的能耗公式是一阶广播模式。能源消耗的计算发送和接收传感器节点1位字节所示公式(3)和公式(4),分别为: 在哪里 信号放大器的放大系数和常数,分别。 是能源消耗和传输距离。

LEACH协议的优点是低能源消耗和网络生命周期长。然而,多个节点之间的信号会产生干扰,这将影响整个网络的通信质量和连接。此外,簇头节点的数量将直接影响网络的生命周期。

2.1.2。定位技术

目前,无线传感器网络定位技术可以分为两类:静态和移动。静态无线传感器网络定位基于测距使用接收到的信号强度等机制来计算接收和接收节点之间的距离使用无线电信号传播模型(11,12]。移动无线传感器网络节点的定位技术是目前无线传感器网络的主要研究热点。在移动无线传感器网络,节点移动,并与未知节点位置信息在网络可以使用一个特定的定位机制和预测机制来确定自己的当前和潜在的坐标。现有的无线传感器网络节点的定位算法具有相对较低的定位精度和定位实时性能差,和一些算法复杂度高、测距误差是很大程度上受环境的影响,这是不适合移动节点定位。针对上述问题,本文开始研究移动无线传感器网络节点的定位技术,如以下公式所示: 在哪里 接收功率的距离吗 , 是信道衰减因子,是一个高斯随机变量。当用于测距信号传输时间,如以下公式所示: 在哪里 分别发射和接收信号的时间;信号的传播速度;和代表的距离。当信号到达的时间差是用于测距,以下所示的计算公式:

其中, 是接收和发射射频信号的时间吗 是接收和发射超声波信号,分别。他们是射频信号和超声信号的传播速度。

虽然没有包括静态无线传感器网络定位的准确性很低,它不需要硬件支持,所以成本和能源消耗很低。

制程移动无线传感器网络定位算法基于序列蒙特卡罗提高定位精度,减少了成本利用节点的移动性,但存储非常有限13]。MCB算法提高了采样功率和减少计算量。DRL nonstatistical移动无线传感器网络定位算法可以减少节点之间的信息泛滥和提高定位精度14]。CDL算法属于集中位置和更容易实现。

2.1.3。MIMO技术

多输入多输出(MIMO)技术可以提高传输速率和扩大覆盖范围不增加带宽和发射功率(15]。MIMO系统的信道容量如下公式所示: 在哪里 分别发射和接收天线的数量; 代表的平均信噪比的信号带宽和接收端,分别;和代表通道容量。

MIMO技术有两个功能形式:多样性和多路复用(16]。时空代码获得减少时空编码。空间多路复用的传感器将数据划分为多个substreams并同时发送它们。接收机提取和恢复后的信号,它将其合并到原来的数据流。

合作虚拟MIMO技术在无线传感器网络主要研究能源消费特点和传播策略。能源消费特点研究了基于点对点的传输模型,以及传播策略是探索数据收集的场景节点在检测区域。

2.2。区域经济分析模型

2.2.1。回归分析模型

回归分析模型使用统计方法来分析变量之间的因果关系。如果只有一个自变量和因变量的回归分析是线性的关系,然后分析模型是一元线性回归17]。如果大于或等于两个独立变量,仍然是线性的关系,然后分析模型多元线性回归(18]。一元线性回归模型显示在以下公式: 在哪里 回归系数和随机干扰项,一般认为服从正态分布。标准方程解决了多元线性回归模型如下公式所示:

当使用回归分析模型,它假定因变量的影响由独立变量,和他们的关系表达的回归数学模型。然后,得到所需的数据,使用统计方法来确定因变量与自变量之间的关系,最后,得到回归方程,用方程来预测分析对象。例如,如果市场上的商品在正常波动范围内,那么货物的销售也在正常范围内。如果货物价值的增加,那么货物的销售将减少。基于这种变化,回归可以预测销售。

2.2.2。主成分分析模型

主成分分析将反映多个索引变量的样本特征通过主成分聚类到少数综合变量(19]。因为大量的指标将会参与区域经济分析,这些指标不是完全独立的,而是相互关联,共同反映出该地区的经济发展20.]。大量的相关指标会增加工作量,增加分析的难度。只是减少了指标将降低结果的可信度。

最初的索引中的索引矩阵描述一个地区的综合特征无量纲。 在哪里 是th原始指标和样本平均值,标准偏差。然后,计算相关系数矩阵的指数,如以下公式所示:

第三步是计算特征值和特征向量,解决了特征方程如下公式所示:

第四步是计算主成分的贡献率,如以下公式所示(14):

最后,计算主成分的得分,见公式(15)。计算后,主成分得分的顺序安排。 在哪里重量是常见的因素。

2.2.3。预测分析模型

预测分析模型可以解释预测对象和相关因素之间的关系。主要的预测和分析模型使用的是灰色预测模型,分析了数学本身的因素和因素之间的关系根据行为特征数据和信息的特定的灰色系统21]。灰色预测是基于灰色系统理论和使用微分方程模型来预测系统的特征值的变化和估计的异常值的出现时间特征值(22,23]。

序列灰色预测预测变量的特征值在未来时间内根据现有的特征值。根据当前的异常值的出现时间,这场灾难灰色预测可以预测未来发生时间的异常值。季节性的灾难是非常特殊的,灰色预测和其特征值的异常值往往出现在一个特定的时间。灰色拓扑预测可用于预测一组数据而不改变规则。然而,灰色预测系统的不同于上述预测方法,旨在系统的总体预测(24]。

2.3。数据挖掘技术和过程

2.3.1。数据挖掘技术

神经网络方法使用大量的神经元,这是连接到一个网络实现大量的并行计算(25]。神经网络算法需要构造一个阈值对象。如果一组逻辑单元变量之和不小于给定的阈值,将输出值26]。假设输入值 输入值的加权系数 ,变量的总和所示以下公式:

朴素贝叶斯方法也是一个常见的数据挖掘方法。为了使用朴素贝叶斯分类,独立必须满足的假设。朴素贝叶斯分类器的表达如下公式所示: 在哪里 代表的类别和类别 ,分别;表示类别的发生概率 ;和代表任期的发生概率在类别 。

- - - - - -最近邻算法发现 - - - - - -最近邻接近给定的测试文档的文档类别的训练集,然后将相邻的文档作为测试文档的候选类别和分数根据分类。决策规则的得分如下公式所示: 在哪里 是1或0; 之间的相似性是测试文档和培训文档 ;和是二进制的阈值决定。

基于最小欧氏距离 - - - - - -聚类方法将点集 成集群计算之间的欧几里得距离中心的设置和每一个点,并生成集的距离 。找到点 在设置为初始中心点的距离;然后,从其他矢量点的距离原始中心分下列公式所示:

然后,调整集群中心根据以下公式:

2.3.2。数据挖掘的基本过程

数据挖掘过程一般包括三个主要阶段:数据准备、数据挖掘和结果表达和解释(27]。数据准备阶段可以分为数据集成,选择和预处理。根据具体需要搜索相关的原始数据,选择有针对性的数据。数据预处理使用清洗和转换过程噪声和随机数据的方法,它可以提高数据挖掘的质量(28]。

在数据挖掘的阶段,有必要选择合适的数据挖掘工具,然后确定合适的数据挖掘工具。在选择数据挖掘工具,我们需要考虑数据的特点和实际运行的系统的要求。

根据最终的决策目的,开采需要解释和评价的信息相关领域的专家。在数据库知识发现的过程,需要根据初始需求评估,然后优化后分析。最后,最有价值的信息可视化,并传达给决策者。

2.3.3。数据挖掘的体系结构

数据挖掘系统的结构通常包括数据来源及其服务器,数据挖掘引擎,模式评估、图形用户界面、知识库(29日]。数据源主要提供数据挖掘所需的数据,可以数据库,数据仓库或其他类型。数据源服务器可以过滤和清洁数据源中的数据根据用户需求和集成所需的目标数据集。

数据挖掘引擎的核心系统,分析功能的描述,协会采矿、分类和聚类。可以删除无用的模式和评价模式根据兴趣阈值保持有趣的模式。GUI提供了有趣的模式,用户以更直观的方式,也就是说,挖掘结果的可视化。知识库的作用体现在存储知识,指导数据挖掘、模式解释和评价。

3所示。区域经济分析的实验数据挖掘

3.1。基于序贯蒙特卡罗移动传感器网络定位

3.1.1。预测和滤波

制程算法分为两个阶段:预测和滤波,在预测阶段和节点运动遵循随机模型。节点运动的最大速度 。在时刻 ,画圆为中心半径和最大速度。 在哪里 之间的欧几里得距离吗 。节点的速度越大,预测区域越大。

在过滤阶段,采样点的节点将过滤掉不符合实际情况根据新的观测值。如果过滤后剩下的采样点的数量太小,有必要重复预测阶段和调整阶段,直到满足要求。

3.1.2。重要抽样

制程使用重要性抽样算法,假设所有样本得到规范化的重要功能独立的取样。测量每个样品的重量后,估计后验概率分布。为了简化计算,选择先验分布作为建议分布。重要功能下面所示的计算公式:

3.1.3。重采样

与重要的权值的方差的增加,重要的样本将退化,因此有必要重新取样,消除小规范化全职采样点。在制程算法,重量是1或0,所以有必要保持足够的有效样本,以确保有效的抽样规模不小于重复抽样的样本总数。

重采样过程中,采样点在每一轮收集保存到同一组,直到满足要求。通过这种方式,重采样降低计算复杂度和鲁棒性是可以避免的。在采样过程中,为了减少计算困难,我们制程的重量划分为1或0,比较样品的重量,样本进行分类,分成两组。

3.2。区域经济数据挖掘模型的建立

3.2.1之上。的应用 - - - - - -意味着在区域经济聚类方法

的 - - - - - -意味着聚类方法是基于最小欧氏距离,及其具体计算过程详细描述部分2在这里,不会重复。 - - - - - -意味着聚类方法具有更少的计算,鲁棒性更强,更快的处理速度,适合经济样本的聚类分析。

3.2.2。选择的样本和指标

全面性的原则,客观、周期性和独立的选择应遵循指标。集群区域经济指数必须能够反映区域经济的全面可持续发展的内容,所以它应该包括不仅经济指标,而且社会、自然、教育和技术指标。样本独立意味着样本是相互独立的,并且没有配对的关系。样品都是需要从正态分布,意思是需要一个有意义的描述性统计测试,如比较男孩和女孩的工资。客观性意味着这些样本的选择条件是固定的,不能认为是转移;周期性意味着指标有一定的规则;综合原则意味着基本样本所反映的信息更全面。

在经济指标,我们需要考虑人均收入和消费,第二、三产业的比例和财政收入的比例。在社会指标,我们需要考虑城市和农村家庭的平均消费,人口增长、老龄化和社会基础设施建设。天然的指标包括污染排放和处理成本,对各种能源的消耗,各种资源的存储。教育科技的指标包括教育基金,学生和教师的数量,科研基金、专利申请的数量。

此外,由于数据指标大大改变,绝对值小的变量可能不显示他们的角色,和集群效应也会受到影响。为了尽可能地避免这种情况,每个数据是无量纲的,处理方法所示公式(11)。

3.2.3。建模

移动传感器网络定位技术的基础上,本文模型的因素在地区从2015年到2019年的四项指标,分析影响经济、社会、自然、教育和科学技术在区域经济发展上。有两种类型的不能聚类方法:(1)聚合层次聚类。最初,每个对象都是一个集群,然后,这些原子簇合并根据他们彼此相似。大多数分级方法属于这一类,它们之间的主要区别的不同定义集群之间的相似性;(2)分裂层次聚类,这是上述过程相反。数据挖掘模型的处理流程如下。

如图1、输入的所有数据的每个属性指数,进行预处理,然后,把它放到存储。的 - - - - - -聚类方法和关联分析用于数据挖掘,挖掘结果可视化和比较。

4所示。讨论数据挖掘区域经济分析的结果

4.1。经济指标的聚类分析结果

人均收入和消费的数据,第二、三产业的比例,和该地区的财政收入的比例从2015年到2019年被输入到基于移动传感器网络定位技术的数据挖掘模型,并进行聚类分析。

如表所示1,人均收入和消费,第二、三产业的比例,该地区财政收入的比例从2015年到2019年逐年在增加。

如图2,在该地区的人均消费水平增长了97.81%,人均收入水平增加了57.4%。第二产业的比例增加了30.73%,第三产业的增长了47.33%,财政收入的比例增加了16.67%。这表明,区域经济呈现一个稳定和持续增长的趋势。

主成分分析模型用于分析数据,特征值,方差贡献率,和累积方差贡献率等指标的人均收入和消费,第二、三产业的比例和财政收入的比例计算。

如表所示2第一主成分的特征值为6.387,和它的方差贡献率为63.872%。第二个主成分的特征值是2.883,和它的方差贡献率为28.829%。第三个组件的特征值为0.539,及其方差贡献是5.394;第四个分量的特征值是0.186,其方差贡献是1.859;第五个组件的特征值为0.005,0.046及其方差的贡献。

如图3,前两个主成分的累积方差贡献率达到92.701%,这表明只有前两个主成分的数值变化需要分析。

如图4,该指数最高的体重在第一主成分是财政收入的比例,也就是0.986。第二个是第二产业和第三产业的比例。在第二主成分,人均消费指数最高的重量是0.365。这表明财政收入和第二、三产业比例的发挥更大的作用在影响区域经济发展的经济指标。

4.2。社会指标的聚类分析的结果

数据的平均消费的城市和农村家庭,社会基础设施建设项目,人口增长,老年人口比例从2015年到2019年在该地区被输入到基于移动传感器网络定位技术的数据挖掘模型,本文创建了聚类分析。

如图5的平均消费城乡家庭和社会基础设施建设项目在该地区的数量逐年增加,累计增长60.17%,56.51%,和96.86%,分别在五年。人口增长率呈现先增长,然后下降趋势,与累积过去五年增长率为8.44%。老年人口的比例显示逐年增加的趋势,与累积在过去的五年里增长了23.23%。

根据社会指标的聚类结果,社会指标的权重计算。

如图6,人口增长率最高的重量是0.48在第一主成分,第二主成分0.72,和0.39在第三主成分。这表明,人口增长率和城市家庭的平均消费发挥更大的作用在社会指标影响区域经济发展。

4.3。自然指数的聚类分析结果

污染排放的数据和治疗成本,能源消耗,和资源存储在该地区从2015年到2019年被输入到基于移动传感器网络定位技术的数据挖掘模型,并进行了聚类分析。因为有许多分指数自然索引,有必要减少维度。主成分分析模型用于分析的数据和计算特征值、方差贡献率和累计方差贡献率。

如表所示3第一主成分的特征值为3.547,和它的方差贡献率为35.472%。第二个主成分的特征值是2.381,和它的方差贡献率为23.809%。第三主成分的特征值为1.796,和它的方差贡献率为17.963%。第四主成分的特征值为1.056,和它的方差贡献率为10.563%。

如图7,前四个主成分的累积方差贡献率达到87.807%,这表明只有前四个主成分的数值变化需要分析。

如图8,污染排放最高的体重在第一主成分是0.47;第二个主成分是最高的体重总能源消耗,这是0.48;和污染排放在第三主成分最高的体重是0.34。第四主成分,最高的体重是能量储存,这是0.27。这说明,这两个因素的污染排放和能源消费总量发挥重要作用在自然区域经济发展的指标。

4.4。教育科学与技术指标的聚类分析结果

教育基金的数据,学生和教师、科研基金,和专利申请在这个地区从2015年到2019年被输入到基于移动传感器网络定位技术的数据挖掘模型,并进行了聚类分析。

如表所示4第一主成分的特征值为5.045,和它的方差贡献率为50.453%。第二个主成分的特征值为2.089,和它的方差贡献率为20.891%。第三主成分的特征值为1.8,和它的方差贡献率为18.003%。

如图9,前三个主成分的累积方差贡献率达到89.347%,这表明只有前三个主成分的数值变化需要分析。

如图10在第一主成分,重量是教育经费最高,为0.61;在第二主成分,重量是最高的科研资金,这是0.3;在第三主成分,学生的数量是最高的,是0.33。这表明教育基金、科研基金和发挥重要作用的学生人数在区域经济的发展。

5。结论

的 - - - - - -意味着聚类方法具有更少的计算,鲁棒性更强,更快的处理速度,适合经济样本的聚类分析。因此,本文结合了基于序贯蒙特卡罗移动传感器网络定位技术 - - - - - -意味着聚类方法建立数据挖掘模型。遵循全面性原则、客观性、周期性和独立,经济的指标,社会,自然,和教育科学和技术可以反映区域经济可持续发展的综合内容。

通过聚类分析和主成分分析的相关指标数据的某些地区,我们发现许多因素,财政收入、城镇居民家庭平均消费水平,污染排放,能源消费总量和教育基金尤其重要。本文完成了以下:(1)区域经济的综合分析基于新兴的移动传感器网络技术和数据挖掘技术;(2)生产函数分析是用来衡量规模经济和集聚经济。总产出之间的关系和集聚因素输入派生指数作为集聚经济的有效措施来衡量行业分销行业的统一的状态。

由于时间和知识有限,本研究仍存在一些不足。在样本数据的选择,只有近五年的数据,但一些发展指标的发展展示了一个长周期,和五年的数据可能很难反映其变化规律。的 - - - - - -意味着经济样本的聚类方法适用于分析,但它的缺点是忽略了在这个研究。因此,在未来的研究工作中,我们需要增加样本数据的选择范围,提高 - - - - - -意味着聚类方法使其性能更好。

数据可用性

没有数据被用来支持本研究。

的利益冲突

没有任何潜在的利益冲突。

作者的贡献

作者的手稿,批准其提交。

确认

这项工作得到了广东省2020年普通高校特色创新项目”研究的道路上广东外贸企业应对疫情从数字经济的角度”(项目编号2020 wtscx114);2020年广东省科技项目“广东省冷链标准化、“联合Co-construction工程技术研究中心”(项目号2020440121000082);和2020年纪律Co-construction“13日五年计划”的项目2020年广东省哲学社会科学“数字高质量发展道路研究广东外贸企业的视觉阈下Post-epidemic”(项目号GD20XYJ23)资助。