大数据技术应用于工程造价市场化改革研究

市场经济的蓬勃发展给工程行业带来了机遇,工程造价作为建筑项目中的关键性方面,在当下的市场上在积极开展市场化改革,以通过这种改革来保障工程造价与市场发展的匹配性。但互联网时代到来后,大数据技术的发展迅猛,各种大数据技术的应用,给工程造价的市场化改革带来了新的思路,为确保市场化改革的正确方向,各个企业都要紧跟行业发展态势。本文分析了大数据技术对工程造价的影响和技术应用不足,提出了市场化改革的建议。     

“十三五”期间我国组织或共同发起的国际大科学计划和大科学工程发展状况与对策

国际大科学计划/工程兼具科学属性与工程属性。组织实施该类计划或工程是一个国家的科技实力与国际竞争力的重要体现。我国曾大量参与国际大科学计划和大科学工程，不过发挥牵头和主导作用的却寥寥无几。国务院印发的《“十三五”国家科技创新规划》对组织实施国际大科学计划和大科学工程作出战略部署。本文在对“十三五”时期我国牵头组织国际大科学计划、大科学工程的成效与影响进行总体评估的基础上，分析实施过程中存在的问题与挑战，并对我国“十四五”时期如何加强国际大科学计划和工程提出政策建议，以期为提高我国的科技创新能力提供启示。     

关于招投标与神华集团大名单招投标机制的探讨

招投标是一种成熟的市场交易机制,神华集团根据招投标机制理论,在参考竞争性招标和谈判招标的基础上,推出了具有创新性的大名单招投标机制,该机制综合了公开招投、邀请招标和谈判招标的优点,是一种规制机制,是一种信息获取机制,也是一种有限竞争机制,更是一种资源优化配置机制,具有一定的参考借鉴意义。     

数字经济对全要素生产率的影响研究——来自国家级大数据综合试验区的证据

基于国家级大数据综合试验区的准自然实验，运用2014—2019年280个地级市的面板数据，采用多期双重差分法实证检验数字经济对全要素生产率的影响。研究结果表明：数字经济显著提升了全要素生产率，这一结论在经过多种稳健性检验后仍然成立；中介效应检验表明，数字经济通过提高资源配置效率和促进技术创新来提升全要素生产率；异质性分析表明，数字经济对低资源禀赋城市、低数字经济发展水平城市以及智慧城市的全要素生产率具有促进作用，抑制高资源禀赋、高数字经济城市的全要素生产率，而对非智慧城市的作用则不明显。因此，应基于大数据综合试验区深度挖掘数字经济的直接作用与间接作用，同时采取差异化发展战略，培育壮大全要素生产率增长新动能。     

How to “improve” prediction using behavior modification

Many internet platforms that collect behavioral big data use it to predict user behavior for internal purposes and for their business customers (e.g., advertisers, insurers, security forces, governments, political consulting firms) who utilize the predictions for personalization, targeting, and other decision-making. Improving predictive accuracy is therefore extremely valuable. Data science researchers design algorithms, models, and approaches to improve prediction. Prediction is also improved with larger and richer data. Beyond improving algorithms and data, platforms can stealthily achieve better prediction accuracy by pushing users’ behaviors towards their predicted values, using behavior modification techniques, thereby demonstrating more certain predictions. Such apparent “improved” prediction can result from employing reinforcement learning algorithms that combine prediction and behavior modification. This strategy is absent from the machine learning and statistics literature. Investigating its properties requires integrating causal with predictive notation. To this end, we incorporate Pearl’s causal $do(.)$ operator into the predictive vocabulary. We then decompose the expected prediction error given behavior modification and identify the components impacting predictive power. Our derivation elucidates implications of such behavior modification to data scientists, platforms, their customers, and the humans whose behavior is manipulated. Behavior modification can make users’ behavior more predictable and even more homogeneous; yet this apparent predictability might not generalize when business customers use predictions in practice. Outcomes pushed towards their predictions can be at odds with customers’ intentions, and harmful to manipulated users.