政府数字化激励促进企业纵向并购的机制研究

数字经济已然成为赋能产业转型升级、构建新发展格局、实现经济高质量发展的重要驱动力。在数字经济发展的浪潮中,政府数字化激励对于企业管理与经营决策等行为发挥着至关重要的作用,但政府数字化激励对企业纵向并购的作用机理尚未厘清。基于此,使用2012-2022年中国A股上市企业的数据,对政府数字化激励与企业纵向并购之间的因果关系及作用机理展开实证研究。结果表明,政府数字化激励显著促进了企业的纵向并购概率及频率,并通过缓解融资约束、提升企业数字化水平、增强内部控制信息披露等影响机制发挥效用。进一步的异质性分析表明,企业的所有权性质、面临的外部交易成本、行业集中度,以及区域数字经济发展水平对于政府数字化激励发挥纵向并购促进效应具有显著的影响。丰富了政府数字化激励政策在企业并购决策领域的研究,并为企业在数字经济时代中高效开展纵向并购提供了理论依据与实证结果支撑。

融合词法句法信息的方面级情感分析模型

为解决现有方面级情感分析方法缺乏句法约束和词义信息的问题,将句法依存树和知识图谱融合起来对句子编码,提出一种词法句法相结合的图神经网络模型。利用图神经网络分别提取句法依存树中的句法信息和知识图谱中的词法信息,经过位置编码模块和掩码加权模块捕捉重要性更高的单词;将两种特征进行结合获得融合句法词法信息的文本表示,进行情感分类。在3个公开数据集上的实验结果验证了该模型的有效性。

基于精密水准数据的苏鲁皖地区垂直形变特征

利用苏鲁皖地区1985年、1995年和2016年3期水准复测资料,进行带有GPS点约束的动态平差,计算垂直运动速率。根据垂直运动速率、计算的梯度值以及主要活动断裂剖面,分析苏鲁皖地区近30年的垂直形变演化特征。结果显示:苏鲁皖地区以继承性运动为主,山东地区整体隆升,江苏地区以下沉为主,并且变化比较明显;结合历史地震和梯度图,得出该区域高梯度区对4~5级地震具有一定的反映。

基于图论模型的两类通道布线算法研究

通道布线问题是VLSI物理设计中的一个关键问题,本文从结点的两类约束图入手来研究布线算法.对垂直约束图中含有有向圈的一类通道布线问题进行研究,设计出包含一对和两对空结点情况下的布线算法,该方法能够得到更好的轨道高度.

基于SS序列集成电路不规则模块布图算法

针对Single-Sequence的集成电路布图,在SS编解码应用对芯片中各单元的摆放进行优化,从而达到芯片面积利用率最大化。重点介绍了利用SS序列解决不规则模块摆放问题,使得SS布图功能更灵活多变。

一种超大规模集成电路多层布线技术研究

当前芯片里的电路与系统日趋复杂,超大规模集成电路(VLSI)设计技术水平也在逐渐提高。VLSI设计中一般采用分级设计的方法。布图设计过程是整个VLSI分级设计中非常关键的步骤之一。基于Single-Sequence的集成电路布图就是在SS编解码的应用下对芯片中各单元的摆放进行优化从而达到芯片面积利用率最大化。重点介绍了在SS序列生成版图后各单元间连线的设计以及如何根据水平/垂直约束图提取版图中各单元的坐标,并利用李氏算法查找出最佳布线路径。

过程间引发约束变化的最小高级修改序列识别

鉴于引发约束变化的最小高级修改序列在实现数据感知过程转换、合并、版本控制等方面具有重要作用,提出一种识别数据感知过程间引发约束变化的最小高级修改序列的方法。该方法定义了数据感知过程的活动约束图,然后基于活动约束图构建两个数据感知过程的约束矩阵,最后利用约束矩阵和数字逻辑识别一个数据感知过程间转换所需引发约束变化的最小修改序列。大量实验评估了所提方法和现有方法的准确性与时效性。结果表明,所提方法比现有方法具有更高的准确性,其平均准确率达到89.89%。

基于SS序列集成电路布线技术

集成电路（IC）是在半导体基片上形成的完整的电子线路。当前芯片里的电路与系统日趋复杂，超大规模集成电路（VLSI）设计技术水平也在逐渐提高。VLSI设计中一般采用分级设计的方法。布图设计过程是整个VLSI分级设计中非常关键的步骤之一。基于Single-Sequence的集成电路布图就是在SS编解码的应用下对芯片中各单元的摆放进行优化从而达到芯片面积利用率最大化。本文重点介绍了在SS序列生成版图后各单元间连线的设计以及如何根据水平／垂直约束图提取版图中各单元的坐标。并根据要连模块的位置关系对其连线经过的模块进行有条件加线宽的处理。

大兴安岭中南段垂直形变分析

利用大兴安岭中南段地区1993与2015年两期精密水准资料,采用GPS连续站数据对精密水准数据进行约束平差,获取该地区长时间背景下的速度场。结果表明,大兴安岭中南段地区以隆升运动为主,平均垂直运动速率为2.14 mm/a;中段地区隆升运动速率大于南段地区,最大垂直运动速率为3.87 mm/a。

地学知识图谱引导的遥感影像语义分割

尽管深度语义分割网络有效提升了遥感影像语义分割性能,但其效果远未达到人类领域专家的目视解译水平。原因是人类视觉系统在进行遥感影像解译时,往往会综合运用视觉特征、语义信息和先验知识。然而,深度语义分割网络本质上是数据驱动的面向像素级损失反向优化的分类方法。这种基于像素级优化的深度语义分割网络,一方面受限于像素空间尺度,缺乏整体性目标线索挖掘;另一方面难以跨越结构化数据和非结构化知识之间的鸿沟,无法充分利用地学先验知识和空间语义信息。针对以上两方面的问题,本文提出了地学知识图谱引导的遥感影像深度语义分割方法,运用从地学知识图谱中抽取的地物目标语义信息和地学先验知识构建实体级连通约束和实体间共生约束,引导深度语义分割网络训练。其中,实体级连通约束以连通域实体而非像素单元计算损失,得到实体级别的特征表示,使得分割结果更具整体性,边界模糊和随机噪声现象得到抑制。实体间共生约束将共生条件概率量化的空间共生知识嵌入到数据驱动的深度语义分割网络中,实现空间语义信息和地学先验知识对实体空间分布的约束引导和自动优化。验证结果表明,在实体级连通约束和实体间共生约束的引导下,深度语义分割网络可以完成对实体级特征的学习并根据空间共生知识自动优化地物实体的空间分布,有效改善了遥感影像语义分割性能。

方面级多模态协同注意图卷积情感分析模型

目的方面级多模态情感分析日益受到关注,其目的是预测多模态数据中所提及的特定方面的情感极性。然而目前的相关方法大都对方面词在上下文建模、模态间细粒度对齐的指向性作用考虑不够,限制了方面级多模态情感分析的性能。为了解决上述问题,提出一个方面级多模态协同注意图卷积情感分析模型(aspect-level multi⁃modal co-attention graph convolutional sentiment analysis model,AMCGC)来同时建模方面指向的模态内上下文语义关联和跨模态的细粒度对齐,以提升情感分析性能。方法AMCGC为了获得方面导向的模态内的局部语义相关性,利用正交约束的自注意力机制生成各个模态的语义图。然后,通过图卷积获得含有方面词的文本语义图表示和融入方面词的视觉语义图表示,并设计两个不同方向的门控局部跨模态交互机制递进地实现文本语义图表示和视觉语义图表示的细粒度跨模态关联互对齐,从而降低模态间的异构鸿沟。最后,设计方面掩码来选用各模态图表示中方面节点特征作为情感表征,并引入跨模态损失降低异质方面特征的差异。结果在两个多模态数据集上与9种方法进行对比,在Twitter-2015数据集中,相比于性能第2的模型,准确率提高了1.76%;在Twitter-2017数据集中,相比于性能第2的模型,准确率提高了1.19%。在消融实验部分则从正交约束、跨模态损失、交叉协同多模态融合分别进行评估,验证了AMCGC模型各部分的合理性。结论本文提出的AMCGC模型能更好地捕捉模态内的局部语义相关性和模态之间的细粒度对齐,提升方面级多模态情感分析的准确性。