浅析人工智能技术在电子商务领域中的应用

随着科学技术和经济社会的快速发展,人工智能的应用越来越普遍,其出现极大的改进了人们的工作和生活方式。在电子商务领域,人工智能技术得到了广泛的应用,并且取得了较好的成效。本文分析了人工智能技术在电子商务领域的应用现状,主要从人工智能助手、智能物流、推荐引擎、最优定价等应用,以及未来的发展趋势进行详细的研究和讨论,试图通过推进人工智能技术在电子商务领域的应用,为电子商务的发展提供一些参考。     

基于机器学习模型的P2P网贷平台风险预警研究

本文利用大数据网络爬虫技术收集了网贷第三方网站平台的公开数据,利用机器学习模型对网贷平台的非法集资风险进行了预警研究,比较了传统机器学习方法(以逻辑回归和决策树模型为代表)与前沿机器学习模型(以随机森林模型和XGBoost模型为代表)在多个预测指标上的静态预警效能,并在动态预警框架下研究了网贷平台全生命周期内各模型的动态预警效果。研究表明,传统与前沿机器学习模型均表现出了优良的预警效果,传统模型的准确率略低于前沿模型,但决策树模型在重要检出率指标上的表现优于其他模型。在动态预警框架下,本文发现在平台全生命周期内,所采用机器学习模型的预警效果随时间的变化呈现波动上升并在2017年后缓慢下降的趋势。虽然该趋势与我国网贷行业的发展和监管现状相符,但也表明预警模型的使用者应积极寻找表外指标,进一步挖掘网贷平台的深层次指标以稳定预警效果。     

粗糙集理论及其发展

粗糙集理论以其出色的处理模糊和不确定知识的能力,在数据挖掘领域占据了越来越重要的地位。文章首先描述了粗糙集理论的核心思想,接着介绍了粗糙集理论在不完备信息系统领域的扩充,最后论述了粗糙集理论的应用发展以及未来的研究方向。     

基于神经网络的新疆金融风险预测

新疆作为“一带一路”经济带核心区,研究新疆金融风险对国内国际双循环新发展格局的形成具有重大意义。选取新疆2005—2019年的数据,得到11个指标,在此基础上运用K-means聚类算法,把2006—2020年新疆金融风险状态分为四类;再用误差逆传播神经网络建立新疆金融风险预测模型,根据2006—2020年新疆金融风险等级划分情况及数据对2021—2025年进行预测并检验神经网络模型回测和交叉验证的情况。预测结果表明2021年新疆金融风险处于一般状态,2022—2025年金融风险处于安全状态,表明新疆经济的过热增长是影响新疆金融风险的主要因素,新疆金融风险也将长期保持安全稳定的情况。     

居民加杠杆影响消费的异质性效应分析——基于融合机器学习的因果推断方法

居民加杠杆是否能有效促进消费,已有研究从总量层面难以达成共识,这主要源于不同群体加杠杆对消费的影响存在差异。本文采用融合机器学习模型的GML(generic machine learning inference)因果推断方法,客观量化评估了居民加杠杆的异质性效应,并使用机器学习解释性方法识别了导致异质性效应产生的核心因素。主要得到以下结论：第一,居民加杠杆对消费的促进作用存在显著的异质性,最高效应组的处理效应约是最低效应组的2倍。第二,家庭人均可支配收入是导致居民加杠杆效应存在异质性的最核心因素,中等收入群体加杠杆对消费的促进作用显著低于低收入群体。家庭人均可支配收入因素的贡献率达到30%,明显高于其他特征因素。第三,影响不同收入群体加杠杆效应的核心因素不同。对中等收入群体而言,杠杆对消费促进作用偏弱的主要原因在于房贷压力;对低收入群体而言,杠杆对消费促进效果更为显著主要源于养老育儿等方面的刚性支出压力较大,需要依靠借贷弥补收支缺口。本文系统地分析了居民加杠杆效应的异质性及其产生根源,可为政策制定提供更多参考。     

数字乡村建设是否推动了农村产业融合——基于双重机器学习的因果推断

采用2011—2020年中国30个省份的面板数据,运用双重机器学习模型实证检验了数字乡村建设对农村产业融合发展的影响效应及内在机制。结果表明：数字乡村建设显著促进了农村产业融合发展,且数字乡村建设四个子维度均能够推动农村产业融合。机制分析表明,数字乡村建设能够通过缓解城乡要素错配、调整农业产业结构与促进农业技术进步来推动农村产业融合。异质性结果表明,相较于粮食主产区和东部地区,数字乡村建设赋能农村产业融合发展的效应在非粮食主产区和中西部地区更为明显。最后,围绕加快数字乡村建设、制定差异化策略以及优化城乡资源配置三方面提出政策建议。     

基于机器学习算法的车险索赔概率与累积赔款预测

保险费率厘定的核心工作是对保险损失的预测。在保险损失预测中,广义线性模型是目前使用最为广泛的主流方法,而机器学习算法则提供了一种新的选择。本文将支持向量机、神经网络和集成学习等机器学习算法应用于汽车保险的损失预测,建立了索赔发生概率的预测模型和累积赔款的预测模型,并与传统广义线性模型中的logistic回归模型和伽马回归模型进行了比较。结果表明,机器学习算法的优点是不依赖于分布假设,在一定程度上可以提高保险损失预测的精度,缺陷是比较耗时,建模过程中的人为干预较多,对使用者提出了更高的要求,且输出结果的可解释性不及广义线性模型。机器学习算法与广义线性模型在保险损失预测中各有优缺点,具有互补性,在实际应用中,可以根据不同的场景选择不同的方法。     

基于DeepSurv和IML的上市公司财务危机预警研究

本文基于2019～2022年首次被ST的公司及其配对样本建立DeepSurv模型对上市公司财务危机预警展开研究,相较于主流的SVM和BP神经网络模型表现更优。为提高机器学习模型“黑箱”操作的可解释性,使用可解释机器学习从整体和局部两方面解读DeepSurv模型。研究表明：（1）公司应重点关注企业价值、负债、非财务表现和流动资产四个方面;（2）Gscore与有形资产负债率、ROIC与权益乘数、综合杠杆与Gscore、权益乘数与有形资产负债率之间存在交互效应。     

旅游产业的政策量化及其影响分析

在旅游业发展目标动态化演变过程中,旅游政策在市场经济环境中起着重要的调控作用,是实现"十四五"期间畅通消费循环的重要手段.本文获取了2008-2019年间中央和地方政府发布的4547条旅游政策文件,运用LDA模型对其进行机器学习,对政策的主题、内容和演化进行了初步解析,随后构建空间面板模型对政策的有效性进行了实证分析,并探索其空间效应.研究表明,旅游业政策侧重旅游业的创新改革,并从供给侧对旅游市场经营和旅游安全防控进行规范管理,缺乏从需求侧对旅游消费的刺激政策.计量模型进一步证明了旅游政策对旅游业的综合发展有显著的促进作用,且具有正向的空间溢出效益,即本省的旅游政策也能促进周围省份旅游业的综合发展.因此,本文建议加强旅游政策的导向作用,合理规划政策内容并扩大旅游政策的辐射范围,实现旅游业的良性发展.