论连锁股东与商业信用融资

采用2012~2021年中国A股上市公司作为研究对象,实证检验了连锁股东与商业信用融资之间的关系。结果表明,连锁股东显著提高了商业信用融资,该结论通过了一系列内生性及稳健性检验。进一步分析其作用机制发现,连锁股东通过降低代理成本和提高信息披露质量促进了商业信用融资。异质性检验表明,连锁股东对商业信用融资的促进作用在融资约束严重、审计质量高的企业中更为明显。同时揭示了连锁股东对商业信用融资的积极作用,为提高商业信用融资规模、充分发挥金融服务实体经济、促进经济高质量发展提供了启示。

基于LSTM-Attention的高速铁路司机警觉度预测

准确度量高速铁路司机的警觉度是保障保证列车安全运行的关键问题。针对该问题提出一种通过眼动、心电信号及线路参数时序特征预测高速铁路司机警觉度的方法。研究基于心理学双任务范式设计模拟驾驶实验,主任务要求司机正常驾驶机车,次任务要求司机在看到红色信号灯亮起时迅速按键,以司机对次任务的反应时间来量化其警觉度。构建警觉度预测模型时,对每个试次提取7项眼动指标和19项心电指标以及环境参数,并通过灰色关联分析筛选出14项有效的生理指标。然后以司机生理指标和线路环境参数为自变量,以其对次任务的反应时间为因变量,构建基于LSTM-Attention算法的高速铁路司机警觉度预测模型。研究结果表明:LSTM-Attention模型对40名高速铁路司机反应时间预测平均绝对误差为92.86 ms,均方根误差为102.31 ms,平均相对误差为9.6%,且时间序列长度为5时预测效果最好,注意力机制的引入能减小模型约4%的预测误差。本文所提方法可实现对高速铁路司机警觉度的连续度量,可为驾驶辅助系统的研发提供技术理论支撑。

实体企业金融化对企业绩效的影响研究综述

近年来,实体企业金融化快速发展,企业通过金融市场领域获得高额收益,但与此同时,过度金融化给企业带来的风险和危害也受到了各界人士的高度重视。企业是否具有良好的经营绩效直接决定着市场竞争力及资源配置效率。企业金融化作为影响企业绩效的新变量,其对企业绩效影响的研究逐渐引起国内外学者的关注,如何在这两个因素之间找到平衡点对企业的未来是否能够持续性向前发展尤为重要。本文考虑理论价值和实践价值,梳理了国内外学者从1990—2022年企业金融化与绩效的研究文献,总结学术界得出的企业金融化与企业绩效关系的结论,分析企业金融化对企业绩效影响的路径,最后进行了文献评述。

基于EEG熵值的驾驶员脑力负荷水平识别方法

为了对驾驶员脑力负荷予以有效识别,基于脑电信号指标构建了一种驾驶员脑力负荷识别方法.对驾驶员脑电信号进行快速傅里叶变换（FFT）,选取θ（4~8 Hz）,α（8~13 Hz）,β（13~30 Hz）3个频段的频谱幅值分别进行熵处理,对所得到的熵值作为脑力负荷识别参数,并对识别参数进行Kruskal-Wallis检验,选取差异最为显著的10项参数作为脑力负荷特征指标,在此基础上结合BP模型构建了驾驶员脑力负荷识别模型.基于驾驶模拟器实验数据,模型识别正确率为87.8%~90.4%.结果表明,该模型对驾驶员脑力负荷识别具有较高准确性,可实现不同驾驶员脑力负荷的有效识别,为未来自动辅助驾驶系统构建及车载信息系统优化设计提供算法依据.

驾驶员脑力负荷的SVM识别模型

车载信息系统的使用,道路交通控制信息的复杂,增加了驾驶员脑力负荷量.为对驾驶员脑力负荷进行有效识别,为自动辅助驾驶系统以及交通信息的整合优化设计提供依据,以驾驶员脑电信号δ(0.54 Hz),θ(48 Hz),α(813 Hz),β(1330Hz)频谱幅值为输入特征,结合SVM模型构建了驾驶员脑力负荷识别模型.在此基础上,基于驾驶模拟器实验数据,对该模型予以试算.结果表明,模型识别正确率可达93.8%96.5%.该模型对驾驶员脑力负荷识别具有较高准确性,可用于驾驶员脑力负荷识别.

基于EEG的驾驶持续性注意水平PSO-SVM识别模型

为了对驾驶持续性注意水平予以有效识别，基于脑电（EEG）信号特征指标构建了一种持续性注意水平识别方法．以驾驶行为绩效为客观测评指标，提出了一种驾驶持续性注意水平等级划分方法．在此基础上，选取驾驶员EEG波段（θ（4～8Hz）、α（8～13Hz）、β（13～30Hz））的频谱幅值及其组合指标（α＋β）β、α/β、（θ＋α）／（α＋β）、θ/β、（α＋β）／θ作为特征指标，将粒子群优化（PSO）算法与支持向量机（SVM）相结合，构建了驾驶持续性注意水平识别算法．最后，基于驾驶模拟器实验数据对该模型予以试算．结果表明模型识别平均正确率可达93．02％．该方法可用于对驾驶员持续性注意水平的识别．

动车组司机持续性注意水平的脑电测评指标研究

对22名动车组司机进行4h的模拟驾驶试验,采集参试司机完成动车驾驶及对随机信号的反应2项试验任务过程中在16～46和210～240min这2个时段内的主观疲劳测评数据、行为绩效数据和脑电数据,验证了将这2个时段分别作为动车组司机高、低持续性注意水平时段的合理性;采用快速傅里叶变换方法分别提取4～8,8～13和13～30Hz这3个频段脑电数据的平均幅值,进行脑电熵的计算;采用Kruskal-Wallis检验和Relief算法,选取差异性最显著或权重最大的脑电熵作为动车组司机持续性注意水平的敏感性指标。研究结果表明：与第1时段相比,动车组司机在第2时段（210～240min）的疲劳程度显著增加,对列车运行速度的控制能力和对随机信号的反应能力显著下降;在贴于头皮上的FP1和F7电极处频段为13～30 Hz的香农熵以及FZ电极处频段为8～13Hz的样本熵对动车组司机持续性注意水平的影响十分敏感。

基于脑电信号的动车司机对突发事件反应时间的预测方法研究

准确预测动车组司机对突发事件的反应时间是构建危险性驾驶状态预警系统的关键技术问题。针对这一问题,提出一种基于实时脑电信号的动车组司机反应时间的预测方法。通过小波变换对脑电信号进行特征参数提取,作为动车组司机反应时间预测的客观指标。在此基础上,基于BP神经网络建立动车组司机对突发事件反应时间的预测模型。利用20名动车组司机连续驾驶2h的脑电数据与反应时间数据,对该模型予以试算。研究结果表明,脑电特征参数预测的反应时间与实际反应时间的最大绝对误差为8.66%～13.63%,相对均方误差为6.69%～10.97%,模型具有可用性。

基于时间序列的车务站段运输收入任务分劈预测方法探讨

采用平均分劈法,由于没有考虑季节、随机等因素,使车务站段运输收入分劈值难以得到准确预测。而时间序列分析方法,可以通过分析季节波动、长期趋势、随机波动对时间序列的影响,构建基于原始数据的时间序列运输收入模型。利用该模型对2014年运输收入数据进行预测,经过预测结果与实际情况的比较,证明该模型的合理性。

企业金融化会促进创新产出吗?——基于高管股权激励的调节效应

随着我国金融市场的蓬勃发展,微观企业金融投资和套利行为不断增加,企业金融化程度明显上升。选取2008年至2020年我国A股上市企业为样本,探究企业金融化与创新产出之间的关系,同时分析高管股权激励在其中是否产生调节作用。研究结果显示,企业金融化挤压了研发投入,抑制了创新产出,而高管股权激励在企业金融化与创新产出的直接效应和间接效应中均发挥了调节作用。

基于模糊神经网络的驾驶警觉度识别方法研究

为了有效识别驾驶警觉度,构建了一种基于脑电信号的驾驶警觉度识别方法。首先,以主观疲劳测评、驾驶行为绩效作为量化指标,验证驾驶警觉度等级划分的合理性。在此基础上,对脑电信号数据进行小波变换提取特征参数,作为驾驶警觉度的识别特征指标,结合模糊神经网络构建了驾驶警觉度识别模型。最后,采用该模型对20名驾驶员连续驾驶3h的脑电数据进行试算。结果表明:通过对前后时段的主观疲劳与行为数据进行对比分析,两时段数据存在着显著差异性,说明驾驶警觉度等级划分具有合理性;采用模糊神经网络的识别结果优于BP神经网络,其模型识别正确率为81.29%～84.95%,且平均正确率为83.12%,该方法可用于驾驶警觉度的识别。

基于SVR模型的驾驶简单反应时间预测方法

为准确预测驾驶人对突发事件的简单反应时间,并为构建自适应式危险驾驶状态预警系统奠定基础,提出了一种基于实时脑电图(EEG)信号的驾驶人简单反应时间预测方法。首先,通过快速傅里叶变换(FFT)对EEG信号进行特征参数提取,作为驾驶人简单反应时间的客观预测指标。在此基础上,基于支持向量回归(SVR)建立驾驶人对突发事件简单反应时间的预测模型。最后采用20名驾驶人连续驾驶4h的EEG信号与反应时间数据,对该模型予以试算。研究结果表明:3项脑电特征参数(θ,α,β)与反应时间均具有显著相关性,其中脑电特征参数α的相关性最显著,为SVR模型对简单反应时间进行预测提供了客观预测指标;分别采用径向基函数(RBF)、Polynomial函数、Sigmoid函数作为核函数构建SVR模型对简单反应时间进行预测时,所得预测结果中采用RBF函数所产生的各项误差均低于其他2项函数,表明采用RBF函数为核函数的SVR模型预测精度最优,其预测准确率达到80%以上。

驾驶人对潜在危险性事件的心理预期识别研究

为准确识别驾驶人对潜在危险事件的心理预期,提出一种通过脑电信号对驾驶人心理预期进行识别的方法。参照心理学预期行为研究常用的标准S1-S2范式,改进设计了路侧停靠公交车造成视觉遮挡的人车碰撞事故模拟驾驶试验。模拟任务中以路侧停靠的公交车为线索刺激,公交车头的行人为目标刺激,诱发驾驶人的心理预期。为有效识别驾驶人心理预期,首先采用释放油门的避险行为对每个试次标定是否产生心理预期,然后通过快速傅里叶变换提取相关的脑电特征数据,并通过差异性分析及主成分分析算法对脑电特征指标进行筛选和压缩,最后基于支持向量机建立驾驶人心理预期识别模型。研究获取36名驾驶人数据,共计1440个样本。结果表明:当驾驶人产生心理预期活动时,枕区和额区的α波能量值显著降低,而β波能量值则显著增加;差异性分析显示共有31项脑电指标对驾驶人心理预期敏感,所有脑电特征指标通过PCA算法进行降维,抽取出5个主成分作为识别模型输入;选择径向基核函数构建SVM识别模型,通过粒子群寻优算法对模型进行优化,模型对驾驶人心理预期水平的平均识别正确率为82.02%,平均AUC面积为0.82,结果表明模型具有良好的识别能力和稳定性,可为驾驶辅助系统的研发提供技术理论支撑。

基于ERP技术的疲劳对驾驶人行为监控能力影响研究

为探究疲劳对驾驶人行为监控能力的影响性,采用模拟驾驶任务和Go/NoGo任务相结合的双任务试验,利用事件相关电位(ERP)技术,分析30名驾驶人的表征行为监控能力的脑电指标(ERN波幅)和驾驶行为指标(车道偏移标准差、方向盘反转率、速度标准差)的相关性,以验证所选驾驶行为指标表征行为监控能力的有效性;分析试验任务第1阶段(0~15min)和第2阶段(75~90min)的ERN波幅、车道偏移标准差、方向盘反转率、速度标准差的差异性,以探究疲劳对行为监控能力的影响机理。研究结果表明:ERN波幅和车道偏移标准差、方向盘反转率、速度标准差存在显著相关性;与试验任务第1阶段(0~15min)相比,第2阶段(75~90min)的车道偏移标准差、方向盘反转率、速度标准差显著增加,额中央区的ERN波幅显著降低;疲劳可导致驾驶人由前额叶调控的行为监控能力受损;车道偏移标准差、方向盘反转率、速度标准差这3项指标可作为测定行为监控能力的驾驶行为指标。

基于信息融合的驾驶警觉度识别方法研究

为了对驾驶警觉度水平进行有效识别,基于眼动信号和心电信号特征指标的信息融合构建了一种驾驶警觉度水平的识别方法。通过驾驶行为绩效验证了驾驶警觉度等级划分的合理性,在此基础上对眼动信号和心电信号进行特征参数的提取和筛选,结合支持向量机(support vector machine, SVM)以融合眼动信号和心电信号为输入构建驾驶警觉度识别模型,并通过30名驾驶员的实验数据对模型进行检测。结果表明不同等级警觉度下的驾驶行为存在显著差异性,验证了驾驶警觉度等级划分的合理性;基于信息融合构建的模型识别效果更优,其识别准确率为89.23%,使用单模态眼动和心电指标分别构建的模型识别准确率为84.36%和81.65%,该方法可用于驾驶警觉度识别以提高识别准确率。