基于深度学习的新质生产力水平测度OA
深度学习凭借其强大的复杂关系捕捉能力,可有效提高新质生产力水平测度的准确性。基于此,提出了深度学习赋能的新质生产力水平测度方法。首先,围绕新质生产力的基本内涵构建了个性化的综合评价体系,设计了一种基于自动编码器的双流双向长短期记忆(dual bidirectional long-short term memory,D-BiLSTM)神经网络模型,用以测度我国2009—2023年的新质生产力水平。然后,运用Dagum基尼系数、Moran指数以及核密度估计方法,深入分析了新质生产力水平的空间差异及来源、空间集聚性与时空演变特征,并构建了个性化的省际综合评价体系。结果表明:(1)综合评价体系与各省独特发展特征相契合,可识别各省的新质生产力发展水平与特征,能较精确地测度新质生产力水平。(2)污染物排放是影响新质生产力水平的主要指标,其次是劳动者知识积累指标。(3)区域间差距是影响新质生产力总体水平的主要因素,其影响远大于区域内差距。最后,基于定性分析和定量数据对所得结论进行了详细解读,并提出了促进新质生产力发展的针对性建议。
赵晓兵;陈思言;孙满贞
浙江财经大学数据科学学院,浙江杭州310018浙江财经大学数据科学学院,浙江杭州310018浙江财经大学数据科学学院,浙江杭州310018
管理科学
神经网络综合评价体系动态演变定量分析
《浙江大学学报(理学版)》 2026 (5)
P.638-650,13
浙江省自然科学基金项目(LMS25A010001)浙江省一流学科A类(浙江财经大学统计学)(Z0330823045/009)浙江财经大学“新经济统计监测与智能决策研究战略性学科团队”(10330824074/007).
评论