政府科技资助对企业研发投入的影响——基于Heckman样本选择模型的研究

政府科技投入到底对企业研发投入产生什么样的影响,它们之间是互补还是替代?这是学术界长期争论的问题.本文以2006—2009年上海张江高科技园区215家高科技企业的496条非平衡面板数据为样本,通过应用Heckman样本选择模型来消除政府资助的内生性问题,进而对政府科技资助与企业研发投入之间的关系进行了实证分析.结果表明:从短期来看,政府的科技补贴对企业研发投入具有一定激励作用,但就中长期而言,这种激励作用十分有限.该研究对科学地评价政府科技补贴的效果、反思政府科技投入机制、优化科技政策具有一定借鉴意义.

渔户地理标志水产品生产行为及其影响因素研究——基于Heckman样本选择模型的分析

基于山东省360份渔户调查数据,运用Heckman样本选择模型,实证分析渔户地理标志水产品生产行为。结果表明,户主受教育程度、地理标志水产品认可度、合作社参与度、地理标志水产品政策关注程度、政府监管力度、养殖年数变量正向影响地理标志水产品生产意愿,而年龄变量负向影响渔户地理标志水产品生产意愿;渔户家庭人口数、渔药残留重视度、订单合同、养殖技术指导、地理标志水产品政策关注度、政府监管力度变量对其地理标志水产品生产比重选择行为产生正向影响。

社会网络、风险偏好与节水抗旱稻技术采用行为研究——基于Heckman样本选择模型的实证分析

【目的】探索影响农户节水抗旱稻技术采用决策和采用时间的因素,为节水抗旱稻技术宣传推广提供借鉴。【方法】基于社会网络、风险偏好视角,运用Heckman样本选择模型作为本研究的研究方法,实证分析了社会网络、风险偏好这两个核心变量对农户节水抗旱稻技术在采用决策以及采用时间这两个方面的影响。【结果】①社会网络、风险偏好对节水抗旱稻技术采用决策与采用时间均有显著影响,其中社会网络是正向的,风险偏好是负向的。②在社会网络4个维度中,网络信任、网络学习、网络互动3个维度对农户节水抗旱稻技术采用决策和采用时间具有显著的正向影响,网络互惠则是正向不显著。③农户节水抗旱稻技术采用决策和采用时间还受到风险偏好类型、技术培训参与、技术宣传力度、技术了解情况等控制变量的影响。【结论】注重农户社会网络建设与培育,减轻风险厌恶型农户对节水抗旱稻技术采用可能存在的风险感知,促使其接纳节水抗旱稻技术,提高节水抗旱稻技术的采用率和采用时间。

融资约束与中国制造业企业出口——基于Heckman样本选择模型的经验检验

本文从非正规金融贸易信贷的研究视角切入,构建衡量企业融资约束的应收账款相对比例指标,研究融资约束对中国制造业企业出口的影响效应。运用Heckman样本选择模型控制样本选择偏误,本文对2004～2007年11.8万家中国制造业企业的分析表明:融资约束制约了中国制造业企业的出口行为,并且这种制约作用存在显著的企业规模指向性、地区指向性、行业指向性和所有制指向性。本文的结论为我们理解融资约束与出口之间的关系提供了中国经验。

风险规避、社会学习对农户现代灌溉技术采纳行为的影响——基于Heckman样本选择模型的实证分析

将社会学习引入现代农业技术采纳问题研究,既是对传统技术采纳与推广理论研究范式的拓展,也是理解农户技术采纳动态过程的关键。基于甘肃省张掖市498户农户微观数据,在用实验经济学方法测度农户风险规避程度的基础上,运用Heckman样本选择模型进行实证分析,探索风险规避、社会学习对农户现代灌溉技术采纳决策及采纳程度的影响,并引入交互项检验社会学习对风险规避的缓解效应。结果表明:(1)采纳现代灌溉技术的农户占样本总农户的比例为66.06%,这其中,样本户的平均采纳程度为47.26%。(2)风险规避、社会学习对农户现代灌溉技术采纳决策与采纳程度均有显著影响,农户风险规避程度越高,其采纳现代灌溉技术的可能性越低;社会学习能显著提升农户现代灌溉技术采纳决策与采纳程度。(3)从社会学习各维度的影响来看,相互学习对农户现代灌溉技术采纳决策及采纳程度均有显著正影响,学习他人对农户现代灌溉技术采纳决策及采纳程度有影响,但不显著。(4)社会学习有助于缓解风险规避对农户现代灌溉技术采纳行为的抑制作用。

苹果种植户生产环节外包行为研究——基于Heckman样本选择模型的实证分析

厘清苹果户生产环节外包行动逻辑,解析其对苹果规模经营的影响具有重要意义。采用Heckman样本选择模型及960户调查数据,分析影响苹果户生产环节外包决策选择、参与程度的因素及其影响效应差异。结果表明:1)选择生产环节外包的苹果户较多但参与程度偏低。2)户主年龄、家庭劳动力人数、雇工价格显著负向影响外包决策;户主受教育程度、苹果种植年限、苹果种植面积显著正向影响外包决策; 3)户主性别、家庭劳动力人数、苹果种植年限、果园细碎化程度显著负向影响外包程度;户主年龄、是否为社员、苹果种植面积显著正向影响外包程度; 4)从区域来看,甘肃外包比例显著高于山东、陕西。

住房拥有对家庭金融资产配置影响研究——基于Heckman样本选择模型的实证分析

家庭住房资产占比会影响家庭资产流动性和金融资产配置,进而影响房地产与金融市场波动。通过运用Heckman样本选择模型检验我国城市家庭的住房拥有与金融资产配置之间的关系,研究发现:既定家庭净财富水平,较高的住房价值降低了家庭参与风险金融市场的概率与风险资产投资比重。拥有1套房家庭的房产价值挤出效应超过拥有多套房的家庭;年轻家庭和老年家庭的房产价值挤出效应超过中年家庭;净财富较低家庭的房产价值挤出效应超过净财富较高的家庭。未来应继续保持房地产市场健康平稳发展、稳步提高家庭的可支配收入和财富积累水平、完善社会保障体系并提高社会保障水平。

地区性行政垄断、城市化水平与企业出口:基于Heckman样本选择模型的经验检验

文章在分析地区性行政垄断、城市化水平对企业出口影响机制的基础上构建研究框架,运用面板固定效应模型、Tobit模型以及Heckman选择模型研究地区性行政垄断、城市化水平对企业出口规模的影响,以及城市化水平对地区性行政垄断与企业出口规模之间关系的调节作用。研究表明,地区性行政垄断是导致企业进行出口扩张的重要原因;同时,城市化水平的提高可以显著降低企业的出口规模,并且城市化水平对行政垄断与企业出口规模之间的关系具有显著的负向调节作用,这说明城市化水平的提高可以降低因行政垄断而导致的企业对出口的依赖。

基于动态样本选择的概念漂移自适应预测方法

概念漂移是影响流数据挖掘性能的重要因素,当前主要通过增量更新或重训练模型进行处理,但对已有知识并未充分利用.从综合利用全体样本出发,本文构建了一种基于动态样本选择的概念漂移自适应分类方法.该方法在新样本到来时进行基于局部一致性的漂移检测,在发现漂移发生时去除区域内的噪声样本,当检测到新概念出现时,对历史相似概念进行重用.最后,对区域内不同类别样本进行多代表点归纳,并同步更新预测模型.本文在含有不同漂移类型的合成数据集上进行去噪效果验证,并在真实数据集上进行预测任务.实验结果表明,该方法可以有效去除因概念漂移而形成的漂移噪声,有效提升了预测模型性能,整体预测表现优于流行的概念漂移自适应模型.

不均衡小样本下多特征优化选择的生命体触电故障识别方法

针对现有的剩余电流保护装置无法有效识别触电事故的问题,该文提出了一种不均衡小样本下多特征优化选择的生命体触电故障识别方法。首先通过变分自编码器(VAE)对实验收集到的生命体触电小样本数据进行增殖以实现正负样本均衡;然后在时域上提取能够反映波形动态变化特性的23个特征量,并利用高斯核Fisher判别分析(GKFDA)与最大信息系数(MIC)法从中选择最优表达特征组;最后,提出基于遗忘因子的在线顺序极限学习机(FOS-ELM)算法实现生命体触电行为的鉴别。实验结果表明,所提方法利用不均衡小样本触电数据集就可以训练出一个优秀的分类模型,诊断准确率可达98.75%,诊断时间仅为1.33 ms。其优良的性能结合在线增量式学习分类器设计,使得模型具备新知识学习能力,具有极好的工程应用前景。

滑坡易发性预测建模的不确定性:不同“非滑坡样本”选择方式的影响

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律,拟用5种方式,即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量(IV)法、半监督法来选择出与滑坡等比例的非滑坡样本;进一步将各选择方式与随机森林(RF)耦合构建随机RF、低坡度RF、缓冲区RF、IV–RF及半监督RF等模型。以江西南康区为例,获取高程、岩性、公路密度等19种环境因子和233个滑坡编录,将滑坡编录划分为2598个滑坡栅格单元构建上述耦合模型的输入–输出数据集。再采用预测精度和易发性指数分布等指标分析其建模不确定性。进一步针对耦合模型预测的滑坡易发性指数分布不合理等问题,在半监督RF建模时采用滑坡与非滑坡比例为1∶2的样本集开展建模并与1∶1等比例样本集工况作对比。结果表明:1)低坡度RF、缓冲区RF、IV–RF和半监督RF等模型的预测精度均大幅优于随机RF模型,可见准确选择非滑坡样本对易发性建模至关重要;2)半监督RF模型选择非滑坡样本的建模性能最优,且半监督RF在滑坡∶非滑坡=1∶2比其在1∶1时预测的易发性指数分布规律更准确可信。后续研究中有必要更深入探索滑坡与非滑坡样本的比例问题。

顾及多方法集成特征选择与负样本优化的滑坡易发性评价

针对滑坡易发性评价中特征因子选取主观性强、滑坡负样本选取随机性强,导致预测精度较低的问题,本文提出了采用多方法集成选择特征因子,并结合信息量法优化负样本提取的滑坡易发性评价方法。以四川省巴中市为例,首先,将最大相关最小冗余(mRMR)、梯度提升树(GBT)、极端梯度提升树(XGBoost)、普通最小二乘法(OLS)、信息增益法(IG)5种方法特征选择的结果归一化并累加得到综合评分。其次,通过信息量法选取负样本构建样本数据集。然后,采用支持向量机(SVM)模型进行滑坡易发性分析,并与逻辑回归(LR)模型做对比试验。最后,从滑坡灾害易发性分区图、点密度统计、ROC曲线3个方面,验证预测结果的准确性。试验结果表明,本文提出的多方法集成特征选择并应用信息量法进行负样本优化可以有效提高模型的预测精度,易发性评价结果更为准确可靠。

基于NSGA-Ⅱ算法选择光谱反射率重建样本的研究

为解决光谱反射率重建过程中训练样本数目庞大导致工作量大,重建精度不高等问题,提出一种基于NSGA-Ⅱ算法的光谱反射率重建样本选择方法。近日Liang等提出了一种从大量样本数据中选取具有代表性样本的新方法,定义光谱重建误差为均方根误差与拟合优度系数的乘积,以这一标准选择光谱重建误差最小的样本作为代表性样本进行光谱反射率重建。受Liang等人工作的启发结合NSGA-Ⅱ算法选择代表性样本,先对全体训练样本使用多项式回归算法和伪逆法进行光谱反射率重建,再使用NSGA-Ⅱ算法,设定两个目标函数,一个是所需代表性样本个数的光谱均方根误差的和,另一个是拟合优度系数倒数的和,令两个目标函数值最小。将经过NSGA-Ⅱ算法挑选出的Pareto等级为1的全部样本按照样本出现次数由高至低排序,以此顺序从高到低依次选为代表性样本,直至达到所需代表性样本个数。若从Pareto等级为1的样本集合中挑选的代表性样本数不足所需要的个数则选择下一等级出现次数最多且没有被选择过的样本直至代表性样本数达到需求。将1269块无光泽Munsell标准色卡按照样本下标划分为偶数色卡、奇数色卡,第一组实验用Munsell奇数色卡为全体训练样本,从Munsell偶数色卡中随机选择20个色块为测试样本。第二组实验选用Munsell偶数色卡为全体训练样本,从Munsell奇数色卡中随机选取20个色块为测试样本。第三组实验训练样本与第一组相同,RC24色卡为测试样本。将该方法与Mohammadi、Cao、Liang等提出的三种样本选择方法进行对比。通过实验得到使用NSGA-Ⅱ算法结合多项式回归与伪逆法选择的代表性样本重建的光谱反射率在均方根误差和色差两个指标上均优于现有的样本选择方法,并且该方法不限于特定系统,具有通用性。

基于样本选择的标签含噪图像分类

标签噪声广泛存在、无法避免且影响深度网络模型的性能.利用神经网络的“记忆效应”,基于小损失原则的样本选择方法能简单有效地处理标签噪声.本文基于特征空间中样本距离越近越相似的原则,结合样本的高低置信度假设,提出了新的样本选择原则以及二阶段加权样本选择重标签方法(WSSR-2s).(1)在训练前期阶段,对于高置信度样本,在特征空间中对其票权进行加权,更好地引导训练;(2)在训练中后期阶段,对于低置信度样本,将其票权转移给其最相似的特征样本,以更正确地训练.在合成噪声数据集CIFAR-10、CIFAR-100以及真实噪声数据集ANIMAL-10N、WebVision的实验结果表明,本文提出的方法取得更高的精度,能够更好地处理标签噪声问题.

基于ADBF的多通道SAR抗干扰样本选择方法

针对多通道SAR抗干扰问题,可以利用空域自由度通过自适应波束形成技术达到增强期望信号、抑制干扰的目的。在波束形成过程中,计算各阵元的最优权矢量时,需要通过选取干扰和噪声的数据样本估算干扰加噪声协方差矩阵。若选择的数据样本中掺杂目标信号,则目标信号将会被误判为干扰并被抑制。针对多通道SAR抗干扰过程中需要注意的样本选择问题,通过消除方位向频域中主杂波宽度内的目标分量,得到干扰加噪声数据样本,继而计算协方差矩阵,并进行波束形成。通过实测数据成像结果及干噪比和信噪比指标验证了提出的自适应样本选择方法的有效性。与直接样本选择方法相比,自适应样本选择方法在信噪比上提高了近8 dB,干噪比下降了近6 dB,说明了该方法有效地保留了目标信号,抑制了干扰信号。

融合样本选择与特征选择的AdaBoost支持向量机集成算法

为提高AdaBoost分类器集成算法的分类精确度并简化分类系统的复杂度,提出一种融合样本选择与特征选择的AdaBoost支持向量机集成算法（IFSelect-SVME）.该算法在AdaBoost算法的每个循环中利用加权免疫克隆样本选择算法进行样本选择,并用互信息顺序向前特征选择算法进行特征选择,再利用每个循环优化选择得到的特征样本子集训练个体SVM分类器,并对其进行加权集成,生成最终的决策系统.对实验所用9组UCI数据集的仿真结果表明：与支持向量机集成（SVME）算法相比,IFSelect-SVME算法的正确分类率有所提高,且样本数可减少30.8％～80.0％,特征数可减少32.2％～81.5％,简化了集成结构,缩短了测试样本的分类时间,所得到的分类系统具有更好的分类精度.

基于样本选择的启发式属性约简方法研究

属性约简是粗糙集理论的核心研究内容之一。借鉴于贪心策略的启发式算法是求解约简的一种有效技术手段。传统的启发式算法使用了决策系统中的所有样本,但实际上每个样本对约简的贡献程度是不同的,这在一定程度上增加了启发式算法的时间消耗。为解决这一问题,提出了一种基于样本选择的启发式算法,该算法主要分为3步:首先从样本集中挑选出重要的样本;然后利用选取出的样本构建新的决策系统;最后利用启发式算法求解约简。实验结果表明,新算法能够有效地减少约简的求解时间。

基于子空间样本选择的最近凸包分类器

最近邻凸包分类器需要求解测试样本到训练集凸包距离的凸二次规划问题,对于训练集规模较大的情况,有必要在分类之前进行适当的样本选择。为此该文提出基于子空间样本选择的最近凸包分类方法。该方法首先采用子空间样本选择算法对训练集样本进行筛选,然后将各类选出的样本作为最近邻分类器的新的训练集。子空间样本选择方法的原理是在一类训练样本集内,迭代选择距离已选样本张成子空间最远的样本。在MIT-CBCL人脸识别数据库的training-synthetic子库的实验中,该方法只需5.6%的训练样本即可取得100%的识别率,并且执行时间较未经选样的最近邻凸包分类器也大为减少。

基于边界样本的训练样本选择方法

以入侵检测系统中的分类器设计为例,研究分类器训练样本选择问题.提出了一种大规模数据集的训练样本选择方法.首先通过聚类将训练数据划分为不同的子集,缩小搜索范围;然后根据聚类内离散度和样本的覆盖区域选择样本,保留每个聚类的边界样本,删除内部样本.仿真结果证实,由于保留了典型样本,减少了训练样本数量,从而保证了分类器的性能且训练效率较高.

基于主成分分析的光谱重建训练样本选择方法研究

训练样本构成是影响光谱重建精度的一个重要因素,针对学习型光谱重建算法中训练样本选择问题,提出了一种基于主成分分析的训练样本选择方法。为了保证训练样本与重建样本的相似度,首先根据欧式距离最小原则从待选样本集中选择与重建样本相机响应值相似的样本,并去掉其中的重复样本;然后进行主成分分析;设定阈值筛选各主成分系数较大的样本作为训练样本,最后得到与主成分个数相同的训练样本子集。为验证该方法的有效性,通过在镜头前加载宽带滤色片搭建多通道图像获取系统采集多通道图像信息,将得到的各样本子集用作训练样本,利用伪逆法重建光谱信息,最后将重建的光谱精度与常用的训练样本及训练样本选择方法得到的重建光谱精度进行比较。实验结果表明:提出的方法显著提高了光谱重建的色度精度和光谱精度,优于常用的样本选择方法,能较大程度满足高精度颜色复制要求。