大数据经济分析篇1
在新常态下，我国经济面临的形势和任务更加复杂艰巨，政府宏观决策对宏观经济分析的准确性和时效性提出了更高的要求。随着大数据时代的到来，借助大规模数据生产、分享和利用，以崭新的思维和技术去分析，将揭示海量数据背后所隐藏的宏观经济运行模式。
大数据方法和技术不仅可以被深度地应用在微观分析、行业研究领域，也可以运用在宏观决策之中。未来，大数据既是企业占领市场、赢得机遇的利器，也是政府进行宏观调控、国家治理、社会管理的信息基础。而大数据时代对数据的挖掘、处理和分析的方式，对于传统的宏观经济分析，无疑是一次大的革新。
大数据应用于宏观经济分析的趋势
传统的宏观经济分析通常是通过对比主要宏观经济指标、建立宏观经济计量模型、仿真宏观经济动力系统，对宏观经济形势及未来发展趋势进行判断与预测。
在当前的大数据时代，越来越多的宏观经济政策制定者和相关专家学者都已经意识到，大数据对宏观经济分析有着革命性的影响。目前，在宏观经济分析及预测中运用大数据方面，无论是国外还是国内，从新型宏观经济指数构建，到建立新型大数据宏观经济预测模型，各方面都取得了一定的进展。
早期大数据在宏观经济分析领域的应用，主要集中在建立新的宏观经济指数，以便更加准确的反应宏观经济运行状况。这方面的工作主要基于个人的交易记录，包括像一些欧洲国家将销售点扫描数据纳入Cpi指数编制。
特别引起关注的是麻省理工学院的经济学家利用网上购物交易数据创建的BBp项目（Billionpricesproject），基于不断变化的一篮子商品所计算的日度通胀指数。这种实时的通货膨胀指数能够比相应的官方数据更好地反映实际经济运行的情况。当年，在雷曼兄弟公司倒闭后，Bpp的数据显示，大部分美国企业几乎立刻开始削减价格，这就表明总需求已经减弱。而相比之下，官方通胀机构公布的数据直到当年11月，即在10月Cpi数据公布后，才对通货紧缩有所反应。
“企业发展工商指数”是宏观经济分析领域中典型的大数据应用案例，也是我国政府在大数据挖掘领域的首创成果。该指数包括10个对宏观经济具有显著先行性的指标，可以提前1～2个季度预测宏观经济发展趋势。它改变了传统的抽样统计方式，利用大数据挖掘技术，对工商全量、动态的全国企业登记数据进行分析，发掘大数据价值，并采用合成企业发展工商指数，以判断宏观经济走势。
除了宏观经济分析与预测方面相关指数的建构，从宏观经济分析与预测研究的国际趋势看，使用大数据集，建构监测预测的模型，进行经济预测越来越广泛，逐渐成为很多国家央行进行经济预测的新方法和新工具。
在应用互联网大数据进行经济分析及预测中，使用网络搜索引擎或网络社交媒体记录的关键词，会有数据获取及时、样本统计意义明显等优势，预测精度较高。
Googletrends每天都在产生大量与经济发展相关的查询结果，且这些查询结果与当下的经济活动之间必然存在着不容忽视的关系，或许可以对预测当下的经济活动起到非常重要的作用。并且，在此基础上，ChoiH.&.VarianH.（2016）举例说明了如何利用Googletrends预测美国零售业、汽车、住房和旅游的销售情况。
还有相关机构引用专业数据分析软件公司SaS的研究数据，以社交网络活跃度增长作为失业率上升的早期征兆，帮助政府判断就业形势和经济状况，以更好地制定经济政策。在社交网络上，网民们更多地谈论“我的车放在车库已经快两周了”、“我这周只去了一次超市”这些话题时，显示网民可能面临巨大的失业压力；当网民开始讨论“我要出租房屋”、“我准备取消度假”这些话题时，显示出这些网民可能已经失业，面临巨大的生存压力，这些指标是失业后的滞后标志性指标。
样本统计转为总体普查
大数据的发展对于宏观经济分析最为显著的积极影响，莫过于使宏观经济分析从样本统计时代走向总体普查时代。大数据时代的宏观经济分析中，传统的样本假设方式被抛弃，转而以真实的海量数据来进行计算机的自动分析。
我们知道，传统的经济分析包括经济计量分析是建立在抽样统计基础之上的，在传统的抽样统计分析中，往往以假设检验为基本模式，依靠的数据主要是样本，将样本假设为整体，然而，这种分析往往与事实存在或多或少的出入。
与传统宏观经济分析总是局限于小规模样本数据有所不同，在大数据时代，随着信息覆盖范围和数据量迅速提升，数据样本的体量会极大地提高，甚至可以达到样本即总体的程度。例如，就物价而言，每一笔在电子商务网站成交的交易信息都能记录在案。这样的情况下，宏观经济分析的可靠性必然大大加强。
同时，随着信息量的极大拓展和处理信息能力的极大提高，使得宏观经济的分析不再局限于传统的统计分析模式，而是将抽样分析转变为总体分析。这一点对宏观经济分析意义重大，因为宏观经济系统纷繁复杂，如果能将对整体宏观经济变量的分析建立在尽可能多的关于经济主体行为的信息以及其他诸多经济变量的信息的基础上，无疑将会极大地提高宏观经济分析的准确性。
基于推特（twitter）平台表达的公共情绪用来预测股市变动，是很典型的例子。2008年3月到12月长达九个月间，270万twitter用户推送的多达970万条的消息，经过情绪评估工具――opinionFinder和GpomS被分别赋值并评估为“积极”与“消极”两种情绪和“calm（冷静）”、“alert（警觉）”、“sure（确信）”、“vital（活泼）”、“kind（美好）”、“happy（高兴）”六种情绪。结果发现，在道琼斯工业平均指数和GpomS中的“calm（冷静）”情绪之间存在相关性。进一步研究发现，“calm（冷静）”情绪可以很好地预测道琼斯工业平均指数在未来2到6天的涨跌情况，而且这种每日预测的准确率高达到87.6%。
大数据时代，可获得大而全的可得数据，甚至可抛弃原有的假设检验的模式，这些优势是传统经济分析方法无法想象和实现的，无疑将会极大地提高宏观经济分析的准确性和可信度，不仅可以更加准确了解宏观经济形势，还有利于正确做出宏观经济发展的预测，从而更加合理地制定宏观经济政策。
变量个数无限增多
在当前大数据时代，数据的可得性和多样性导致样本量无限增大，同时变量个数无限增多，这有利于应用大量模型进行研究，并应用完备的数据信息，提高预测的准确性。
经济预测模型可以分为两类：一是传统的小模型预测，这类模型往往通过建立时间序列、横截面或面板方程来进行经济分析。传统的小模型预测的特点是仅使用较少的变量，像VaR模型的变量个数通常小于10个。二是大模型预测，这类模型往往使用成百上千个变量，因而大模型预测利用的信息非常丰富。
小模型预测理论比较成熟、方法相对简单。但是，小模型预测有天然的缺陷，那就是变量的完整通常是不可能的，而预测的效果受限于其所使用的变量。
使用小模型进行预测时必须仔细挑选预测变量，然而仁者见仁智者见智，无论是根据理论还是根据经验进行变量的选择，其过程必然会存在差异，其结果也更是可想而知，而且甚至会产生一些争议。比如，基于菲利普斯曲线预测通胀时，有的研究使用失业率作为预测变量，也有研究使用GDp缺口或者产能利用率。
清华大学经济学研究所所长刘涛雄教授就指出，由于模型变量选择、参数设置、估计方法以及滞后期选择等的不同，预测结果会产生很大的偏差。
小模型预测方法这一天然的局限是很难调和的，主要是因为数据样本有限而导致增加很多变量不可行。这使小模型预测的结论往往和经济现实严重脱节。我们很难想象中央银行会仅仅根据少数几个变量进行宏观预测，并据此做出决策。即便是一家企业也不会如此草率。
通过大数据挖掘，可以使得变量大大增加。这就为经济预测从小模型预测转变为大模型预测创造了条件，应用大量模型进行分析及预测，可以应用完备的数据信息，从而提高预测的准确性。
在美国，银行通常依靠FiCo得分做出贷款与否的决定，FiCo分大概有15-20个变量，诸如信用卡的使用比率、有无未还款的记录等。而一家名为ZestCash的金融机构，在决定是否向客户放贷的时，分析的却是数千个信息线索。ZestCash正是依靠其强大的对于大数据的处理和分析能力，形成了其独特的核心竞争力。
未必因果关系而是相关关系
传统的经济计量分析以寻找相关事物（变量）的因果关系为核心，而大数据条件下的经济分析通常则着眼于挖掘相关事物（变量）的相关关系。
在复杂的宏观经济系统中，许多经济变量的因果关系往往难以准确检验，或者因果结论经常广受质疑。然而，在如今的大数据时代，更加重视可靠相关关系的发掘，并且充分利用相关关系对于经济预测、经济政策制定与评估的作用，则无疑为宏观经济分析打开了另一片广阔的空间。
在“小数据”时代，宏观经济中的因果关系分析其实并不容易，耗费的精力大、时间多。特别是，要从建立假设开始，进而不断地进行一系列假设的实验，而一个个假设要么被证实，要么被。不过，无论被证实还是被，由于二者都始于假设，这些分析就都有受偏见的可能，所以极易导致错误。
同时，由于计算机能力的不足，在小数据时代，大部分相关事物（变量）关系的分析局限于寻求线性关系。然而，实际上的情况要复杂得多，在现实宏观经济中，总能够发现的是相关事物（变量）的“非线性关系”。
当然，在小数据世界的宏观经济分析中，相关关系也是存在并有价值的；不过，在大数据时代的宏观经济分析中，相关关系才将大放异彩。维克托・迈尔-舍恩伯格与肯尼思・库克耶（Victor？mayer-Schonberger&.Kenneth？Cukier）认为，建立在相关关系分析基础上的预测是大数据的核心。通过应用相关关系，可以比之前更容易、更快捷、更清楚地分析事物（变量）。
英国华威商学院为预测股市的涨跌，使用谷歌趋势（Googletrends）共计追踪了98个搜索关键词。这中包括“债务”、“股票”、“投资组合”、“失业”、“市场”等与投资行为相关的词，也包括“生活方式”、“艺术”、“快乐”、“战争”、“冲突”、“政治”等与投资无关的关键词。结果发现有些词条，诸如“债务”，成为预测股市的主要关键词。
“谷歌流感趋势”为预测季节性流感的暴发，对2003年和2008年间的5000万最常搜索的词条进行大数据“训练”，试图发现某些搜索词条的地理位置是否与美国流感疾病预防和控制中心的数据相关。
谷歌并没有直接推断哪些查询词条是最好的指标，相反，为了测试这些检索词条，谷歌总共处理了4.5亿个不同的数字模型。将得出的预测与2007年和2008年美国疾控中心记录的实际流感病例进行对比后，谷歌公司发现，它们的大数据处理结果发现了45条检索词条的组合，将它们用于特定的数学模型，预测结果与官方数据的相关性高达97%。
在大数据时代来临之前，尽管相关关系已被充分证明大有用途，可是相关关系的应用很少。这是因为用来做相关关系分析的数据同用来做因果关系分析的数据一样，也很少，也不容易得到，并且收集有关的数据，在过去相对来说，也费时费力，也会耗资巨大。不过现如今，可用的数据如此之多，也就不存在这样的难题了。特别是现在，有关专家们正在研发能发现并对比分析“非线性关系”的必要工具。总之，一系列飞速发展的新技术和新软件从多方面提高了有关分析工具发现宏观经济变量相关关系的能力，这就好比立体画法可同时从多个角度来表现人物或事物。
在大数据时代，这些新的分析工具和思路为我们提供了一系列新的视野和有用的预测，使我们看到了很多以前不曾注意到的宏观经济中的联系，掌握了以前无法理解的复杂的国民经济动态。
时滞变即期
目前对宏观经济的分析研究所采用的资料，主要依赖于各种统计调查系统的统计数据，但面临的最明显的缺陷之一便在于关于宏观经济统计的数据具有很强的时滞性。而大数据经济模型可以充分利用数据的实时性，提高分析或预测的时效性，为经济预警和政策制定提供最快速的资料和依据。
一般来说，依赖统计部门的宏观经济数据的都存在时间滞后的问题。由于不能及时获取宏观经济发展的数据信息，也就不能对当下的宏观经济形势作出准确判断。例如，政府公布的季度GDp往往会有1个月的滞后期，而反映全面经济社会状况的统计年鉴的滞后期会达到3个月左右，这对及时了解宏观经济形势、预测与预警都是非常不利的，基于此统计进行的预测甚至被认为助长了宏观经济波动。
在互联网技术的辅助下相关宏观经济的分析部门能够快速地收集到主要宏观经济发展数据，如全社会的用电量、全社会的商品销售总额以及商品房的购买量等。这些大数据的获取时间较短，有的数据甚至是立即可以获得。
而随着互联网尤其是移动互联网的发展，产生了大量的即时传播数据，如企业通过微博、微信第一时间产品、人事等重要信息；普通用户实时针对特定事件或对象发表见解和态度，等等。
这些即时传播的非结构化数据对宏观经济的走势也产生了重要影响。通过大数据软件处理平台，可以实时追踪和搜集这些即时数据，并快速对数据进行分析和处理，从而提高宏观经济的时效性，为经济活动参与者赢得决策时间。
在日本北九州市八幡东区东田地区实行的“八幡东区绿色乡村构想”中，日本iBm公司除了设立城市整体能源管理系统、综合性移动管理系统外，还参与了控制整个城市的城市指挥中心建设。得益于该公司处理和分析大数据的高效工作，当地行政机关可以实时掌握城市能源的情况，并将分析的结果同气象信息结合，详细预测48小时之后电力等能源的供需状况。如果发现将有电力不足的情况发生，行政部门可直接采取抑制电力消费或让电动汽车释放电能等措施，提前进行预防。
大数据经济分析篇2
理性选择理论对行为主体“认知”问题的学术处理，从“经济人”到“理性经济人”并没有显著的变化。古典经济学框架下的理性选择理论以完全信息假设为前提，将行为主体（个人）界定为无本质差异和不涉及个体间行为互动，不受认知约束的单纯追求自身福利的“经济人”（约翰·伊特韦尔等，1996）。新古典经济学的理性选择理论将行为主体界定为“理性经济人”，它同样以完全信息假设为前提，研究了被古典经济学忽略的选择偏好，通过对“偏好的内在一致性”的解析，论证了个体能够得知选择结果的抽象认知(Vonneumannandmorgenstern，1947；arrowandDebreu，1954)。这里所说的抽象认知，是指行为主体没有经历具体认知过程而直接关联于效用函数的一种认知状态，这种状态在新古典理性选择理论中的存在，表明“认知”是被作为外生变量处理的。
现代经济学的理性选择理论开始尝试将“认知”作为内生变量来研究。现代主流经济学从人的有限计算能力、感知、意志、记忆和自控能力等方面研究了认知形成及其约束（Salvatore，1999；Schandler，2006；Rubinstein，2007），认为认知是介于偏好与效用之间，从而在理论研究上处于不可逾越的位置，只有对认知进行研究，对偏好和效用的研究才能接近实际。现代非主流经济学注重于运用认知心理学来研究人的认知形成及其约束（Kahnemanandtversky，1973，1974，1979；Smith，1994），它通过实验揭示了一些反映认知心理进而影响选择行为的情景，如确定性效应、锚定效应、从众行为、框架依赖、信息存叠等，以论证传统理论忽视认知分析而出现的理论与实际之间的系统性偏差。
但是，经济学理性选择理论对认知的分析和研究，是在预先设定规则的建构理性框架内进行理论演绎和推理的，它们对认知的解释，通常表现为一种规则遵循。例如，新古典理性选择理论关注个体应怎样符合理性（最大化）的选择，而不是关注个体的实际选择，它对认知的学术处理是从属于效用最大化的（Harsanyi，1977）。现性选择理论所关注的，或是在忽略认知的基础上建立解释和预测实际选择的理性模型来说明实现效用最大化的条件，以阐释个体如何选择才符合理性（edgeworth，1981）；或是通过行为和心理实验来解说实际选择的条件配置，以揭示实际选择的效用函数（Kahnemanandtversky，1973，1974，1979；Smith，1994），因而对认知的学术处理同样是从属于效用最大化的。基于选择的结果是效用，而认知与偏好都内蕴着效用形成的原因，我们可以认为，经济学在将个人追求效用最大化视为公理的同时，也在相当大的程度上表明理性选择理论对效用函数的描述和论证，不是依据数据分析而是一种通过理论预设、判断和推理得出的因果思维模式。
因果思维模式在信息完全和不完全情况下的效应是不同的。在信息不完全状态下，如果研究者以信息完全预设为分析前提，依据自己掌握的部分信息对问题研究做出因果逻辑判断和推论，则其不一定能得到正确的认知。在信息完全状态下，研究者不需要有预设的分析假设，也不需要依赖逻辑判断和推论，而是可以通过数据高概率地获取正确的认知。经济学的信息完全假设对认知研究的影响是广泛而深刻的。例如，新古典经济学假设选择者拥有完全信息，能够实现效用最大化，它对偏好与认知以及认知与效用之间因果关系的逻辑处理，是通过可称之为属于该理论之亚层级预设的“给定条件约束”实现的（信息完全假设是第一层级预设）。在该理论中，偏好被规定为是一种处于二元化的非此即彼状态，认知在“选择者知晓选择结果（效用）”这一亚层级预设下被跳越。很明显，这种因果思维模式有助于使其建立精美的理性选择理论体系，但由于没有对认知阶段作出分析，它很容易严重偏离实际。
现代主流经济学的理性选择理论偏离现实的程度有所降低，原因在于开始重视认知的研究。半个多世纪以来的经济理论研究文献表明，现代主流经济学的理性选择理论正在做逐步放弃完全信息假设的努力，它对偏好与认知以及认知与效用之间因果关系的逻辑处理，是在质疑和批评新古典经济学偏好稳定学说的基础是进行的，该理论用不稳定偏好取代偏好的内在一致性，解说了认知的不确定性，以及不完全信息和心理活动变动等如何对认知形成约束，以此质疑和批评新古典经济学的期望效用函数理论，并结合认知分析对个体选择的效用期望展开了深入的讨论。相对于新古典经济学的理性选择理论，虽然现代主流经济学的理性选择理论仍然是因果思维模式，但它有关偏好与认知以及认知与效用之因果链的分析衔接，明显逼近了实际。
现代非主流经济学的理性选择理论不仅彻底放弃了完全信息假设，而且彻底放弃了主流经济学中隐性存在的属于新古典理论的某些“给定条件约束”。具体地讲，它对偏好与认知以及认知与效用之间因果关系的论证，不是基于纯理论层次的逻辑分析，而是从实验过程及其结果对这些因果关系做出解说。至于效用最大化，该理论则认为认知与效用最大化的关联，并不像先前理论描述的那样存在直接的因果关系。现代非主流理性选择理论通过实验得出一个试图取代传统效用函数的价值函数（Kahnemanandtversky，1979），该函数体现了一种以实验为分析底蕴的不同于先前理论的因果思维模式，开启了以实验数据作为解析因果关联的理论分析先河。但由于现代非主流理性选择理论毕竟还是一种因果思维模式，因而同先前理论一样，在理论建构上它仍然具有局限性。
从理论与实践的联系看，经济学理性选择理论的因果思维模式之所以具有局限性，乃是因为它用于分析的信息是不完全和不精确，甚至有时不准确，以至于造成认知不正确和决策失误。当研究者以不准确或不精确的信息来探寻因果关系时，极有可能致使认知出现偏差；而当认知出现偏差时，理论研究和实际操作就会出问题。诚然，因果思维模式本身并没有错，但问题在于，单纯从现象形态或单纯从结果所做出的理论判断和推论，不足以让研究者揭示真实的因果关系。人们对因果关系的理解过程伴随着认知的形成过程，在非数据支持的因果思维模式存在局限性的情况下，经济学家依据这种模式所构建的理性选择理论，难以得到符合实际的认知理论。那么，在未来世界是什么影响和决定认知呢？人类认知有没有可能达到准确化呢？我们把目光聚焦于大数据，或许能够找到问题的答案。
二、运用大数据能获得正确认知吗？
在迄今为止的经济理论研究文献中，经济指标或行为指标所选用的样本数据，不是互联网和人工智能时代所言的大数据。大数据具有极大量、多维度和完备性等特征，极大量和完备性表明大数据有可能提供完全信息，多维度意味着信息可以通过大数据的相关性得到甄别和处理。广而论之，人类的行为活动表现为一个庞大的数据堆积，个别行为所产生的数据只是这个庞大数据的元素形式。如果我们以人们的投资和消费活动作为考察对象，对大数据蕴含的因果关系以及由此得出的认知进行分析，那么，我们可认为投资和消费不仅在结果上会产生大数据，而且在运作过程中也会产生大数据。换言之，投资行为和消费行为在“结果”上显示极大量数据的同时，也在“原因”上留下了极大量数据让人们去追溯。因此，人类要取得因果关系的正确认知，离不开大数据，而在样本数据基础上经由判断和推理得出的针对因果关系的认知，至少是不全面的，它不足以作为人们投资和消费选择的科学依据。
1、运用大数据分析因果关系的条件配置
人类认知的形成离不开因果关系分析，但运用大数据来分析因果关系以求获取正确的认知，必须具备以下条件配置：1、移动设备、物联网、传感器、社交媒体和定位系统等的覆盖面要足够大，以便能搜取到极大量和完备性的数据；2、需要探索对极大量（海量）数据的算法，能够对大数据进行分类、整合、加工和处理；3、需要厘清和区别数据的不同维度及权重，以至于能够运用大数据来甄别因果关系的内在机理。显然，人类从两百年前的工业革命到今天的信息革命，对数据的搜集、整合、加工和处理还不全然具备以上的配置条件，人类运用大数据来分析因果关系，还刚刚处于起步阶段。
联系经济学理论看问题，经济学家分析投资行为和消费行为以及对其因果关系的研究，主要是在抽象理论分析基础上运用历史数据来完成的。其实，对投资行为和消费行为的研究，不能只是从结果反映的数据来考量，即不能只是局限于历史数据分析，还需要从即时发生的数据，乃至于对未来推测的数据展开分析。这可以理解为是运用大数据思维来研究经济问题的真谛。从大数据观点看问题，投资和消费的因果关系应该是历史数据流、现期数据流和未来数据流等三大部分构成的。经济学实证分析注重的是历史数据流，很少涉及现期数据流，从未考虑过未来数据流，因此，现有经济理论文献的实证分析以及建立其上的规范分析，很难全面反映或揭示经济活动的真实因果关系。
2、未来几十年大数据揭示因果关系的可行性
在互联网悄然改变人类经济、政治和文化生活的当今社会，互联网的发展历史可理解为经历了三个阶段：从前期“人与信息对话”的1.0版本，经由中期“信息与信息对话”的2.0版本，近期正走向“信息与数字对话”的3.0版本，互联网版本的不断升级是大数据运用范围不断扩大的结果，这是问题的一方面。另一方面，随着互联网、移动互联网以及物联网技术等的广泛运用，人类各种活动的数据将极大量地被搜集，人们行为的因果关系也会以迂回方式通过数字关系显露出来。特别地，若互联网在将来发展成“数字与数字对话”的4.0版本，这样的发展方向则明显预示着数字关系将取代因果关系，或者说，数据思维将取代因果思维，人类将全面进入大数据和人工智能时代。
如果我们把互联网版本的不断升级以及大数据运用范围的无边界扩大，看成是未来几十年运用大数据来分析因果关系的重要配置条件，那么，如何对大数据的整合、分类、加工和处理，以及如何通过大数据的完备性和相关性来获取因果关系的真实信息，则是另外两个重要的配置条件。工业革命后的人类科学文明对因果关系揭示的主要方法和路径，是先利用掌握的信息再通过抽象思维建立复杂模型，然后在实验室通过试错法来设置能反映因果关系的参数使模型具有操作性；但这种方法和路径涉及的数据，是样本数据而不是大数据。在大数据和人工智能时代，智慧大脑是使用“数据驱动法”来设置模型和参数的（吴军，2016）。具体地讲，是用云计算集约化及其运算模式来整合、分类、加工和处理大数据，通过数据之间的相关性来探寻在样本数据基础上无法判断和推论的信息；同时，对模型的处理，不是建立复杂模型而是建立许多简单模型，并通过数以万计的计算机服务器对模型进行优化和设定相应的参数，以至于完完全全地运用大数据来揭示因果关系。
有必要说明的是，数据驱动法使用的数据不仅包括“行为数据流”，而且在某些特定场景中，还包括“想法数据流”；前者是指历史数据和当前发生的数据，后者是指从已知数据的相关性所推测的未来数据。社会物理学认为，人们实际行为与“想法流”之间有着可以通过大数据分析而得到的可靠数量关系，这种关系会通过互联网成为一种改变人们选择行为的重要因素（阿莱克斯?彭特兰，2015）。诚然，在未来几十年，数据驱动法是否能成功地成为解析因果关系的有效方法，尚有待于大数据运用的实践，特别是有待于它在人工智能运用上之成效的检验。不过，数据驱动法作为解析因果关系的一种重要方法，无疑是智慧大脑的人机结合在大数据思维上的重要突破，它至少在如何展开大数据思维上打开了解析因果关系的窗口。
3、运用大数据分析因果关系所获取的认知，包括对历史数据分析的历史认知，对现期数据分析的现期认知，以及推测未来数据而形成的未来认知
经济学家运用大数据来研究经济现象的因果关系，对经济现象原因和结果关联的解读，只有以极大量、多维度和完备性的数据为依据，才是大数据意义上的思维。大数据思维较之于传统逻辑思维，最显著的特征是它可以通过对不同维度数据之间相关性的分析，得到比传统逻辑思维要精准得多的信息。这里所说的精准信息，是指由大数据规定且不夹带任何主观判断和推测的信息。例如，经济学家要得到特定时期某类（种）产品的投资和消费的认知，其大数据思维过程如下：1、搜集、整理和分类前期该类产品的投资和消费的极大量和完备性的数据；2、加工和处理业已掌握的数据，并在结合利润收益率、投资回收期、收入水平和物价水平等的基础上解析这些不同纬度的数据；3、根据不同纬度数据的相关性，获取该类产品投资和消费的精准信息，从而得出如何应对该产品投资和消费的认知。当然，这只是在梗概层面上对运用大数据分析而获取认知的解说，现实情况要复杂得多。
然则，现有的关于投资和消费的模型分析以及建立其上的实证分析，主要是以非大数据的历史数据作为分析蓝本的，因此严格来讲，经济学对投资和消费的因果关系分析所形成的认知，属于典型的对历史数据分析所形成的历史认知。众所周知，自经济理论注重实证分析以来，一直存在着如何“从事后评估走向事前决策”问题的讨论。由于经济学家对投资和消费展开实证分析所使用的数据，几乎完全局限于（样本）历史数据，这便导致对投资和消费的因果关系分析对现期认知和未来认知的缺位，它不能解决“从事后评估走向事前决策”问题。国内一些著名的成功人士指责经济学家不能解决实际问题。在我们看来，不熟悉大数据的成功人士的这种指责是可以理解的，但深谙大数据的成功人士带有调侃风味的指责就不公允了。经济学家要在理论上立竿见影地解决实际问题，必须能得到现期数据和未来数据（而不仅仅是历史数据），这需要计算机学家的配合和支持，否则便不能在精准信息的基础上分析投资和消费的因果关系，但经济学家又不是计算机学家，因此，经济理论的科学化需要大数据挖掘、搜集、整合、分类、加工、处理、模型和参数设置、云计算等技术及其手段的充分发展。
历史数据是存量，目前计算机对其处理的能力已绰绰有余，难点是在于模型和参数设置；现期数据是无规则而难以把控的流量，对这种流量数据的挖掘、搜集、整合、分类、加工和处理，取决于移动设备、物联网、传感器、社交媒体和定位系统的覆盖面，以及云计算的集约化的运算能力；未来数据是一种展望流量，它依赖于对历史数据和现期数据的把握而通过大数据思维来推测。如果说经济学家对投资和消费的因果分析以及由此产生的认知，主要取决于历史数据和现期数据，那么，解决“从事后评估走向事前决策”问题，既要依赖于历史数据和现期数据，也离不开未来数据。也就是说，在“历史数据+现期数据+未来数据=行为数据流+想法数据流”的世界中，经济学家要解决实际问题，其理论思维和分析手段都受制于大数据思维，经济学家运用大数据分析因果关系而得到正确认知的前提条件，是必须利用历史数据、现期数据和未来数据以获取精准信息。
就人类认知形成的解说而论，现有的社会科学理论是以信息的搜集、整理、加工、处理、判断和推论，作为分析路径来解释认知形成的。当认知被解释成通过数据的挖掘、搜集、整合、分类、加工和处理而形成，对认知形成的解释，就取得了大数据思维的形式。大数据思维是排斥判断和推论的，它否定一切非数据信息，认为产生精准信息的唯一渠道是大数据。在现有的社会科学理论中，经济学的理性选择理论对人类认知的分析和研究具有极强代表性，经济学家对投资选择和消费选择的解释，便是理性选择理论的代表性运用。基于人类认知形成和变动的一般框架在很大程度上与理性选择理论有关动机、偏好、选择和效用等的分析结构有很强的关联，我们可以结合这个理论来研究大数据思维下人们对经济、政治、文化和思想意识形态等的认知变动。事实上，经济学关于动机、偏好、选择和效用等关联于认知的分析，存在着一种可以通过对大数据思维的深入研究而得以拓展的分析空间，那就是大数据思维会导致人类认知的变动。
三、大数据思维之于认知变动的经济学分析
我们研究这个专题之前有必要指出这样一个基本事实：大数据思维可以改变人的认知路径，可以改变不同阶段或不同场景下的认知形成过程，但改变不了影响认知的动机、偏好、认知和效用等的性质规定。如前所述，传统经济学理性选择理论在完全信息假设下，认为个体选择的动机和偏好以追求最大化为轴心，传统理论的这个真知卓见从未被后期理论质疑；但由于传统理论的完全信息假设存在着“知晓选择结果”的逻辑推论，因而认知在传统理论中是黑箱，也就是说，传统理论无所谓认知的形成和变动问题。现代主流经济学尤其是现代非主流经济学在不完全信息假设下开始重视对认知的研究，在他们看来，认知形成过程是从理智思考到信息加工和处理的过程；他们特别注重从心理因素来考察认知变动（Schandler，2006；Rubinstein，2007；），注重通过实验且运用一些数据来分析和研究认知（Kahnemanandtversky，1974，1979；Smith，1994），但这些分析和研究不是对极大量、多维度和完备性的数据分析。因此，经济学理性选择理论发展到今天，还没有进入对大数据思维改变人类认知问题的讨论。
1、经济学家能否对选择动机、偏好和效用期望等进行数据分析，决定其认知分析是否具有大数据思维的基础
经济学关于人类选择动机、偏好和效用期望等反映人们追求最大化的基本性质分析，以及从这三大要素与认知关联出发，从不同层面或角度对认知形成的分析，主要体现在理性选择理论中。但这方面显而易见的缺憾，是不能对动机、偏好、认知和效用等展开数据分析。现实的情况是，在大数据、互联网、人工智能和机器学习等没有问世或没有发展到一定水平以前，经济学家对这些要素只能做抽象的模型分析。经济学理性选择理论要跳出抽象模型分析，必须选择具有解释义或指示义的指标对动机、偏好和效用期望等进行数据分类分析，以便给认知的数据分析提供基础，显然，这会涉及抽象行为模型的具体化和参数设计的具体化，需要得到大数据和云计算集约化运算模式的支持（吴军，2016）。作为对未来大数据发展及其运用的一种展望，如果经济学家能够围绕最大化这一性质规定来寻觅动机、偏好和效用期望等的特征值，并以之来设置参数和模型，则有可能对直接或间接关联于动机、偏好和效用期望的大数据进行分析，从而为认知分析提供基础。
大数据的极大量和完备性有可能消除信息不完全，这给认知的数据分析提供可行性。诚然，选择动机、偏好和效用期望等只是反映人们选择的现期意愿和未来愿景，其极强的抽象性决定这样的数据分析还有很大困难，但由于选择动机、偏好和效用期望等会通过实际行为迂回地反映出来，因而我们可以找到解决这一困难的路径。例如，人们在准备投资和消费以前，一般有各种调研活动，即对影响投资和消费的信息进行搜集、整合、分类、加工和处理，值得注意的是，这些调研活动会在移动设备、物联网、传感器、定位系统和社交媒体中留下大数据的痕迹，这些数据痕迹会从某个层面或某个角度显现出投资者和消费者选择动机、偏好和效用期望的倾向或意愿。
智慧大脑依据什么样的标准来数据化这些倾向或意愿，从而对选择动机、偏好和效用期望以及进一步对认知展开数据分析呢？这里所说的标准，是指通过云计算和机器学习等对人们实际行为的数字和非数字信息进行相关性分类，把反映选择动机、偏好和效用期望的具有共性特征的倾向或意愿进行整理和归纳，以确定符合选择动机、偏好和效用期望之实际的参数。如果智慧大脑能够利用大数据、互联网、人工智能和机器学习等完成以上工作，根据认知是偏好与效用的中介这个现实，智慧大脑便可以对认知进行大数据分析。如果经济学家能够利用智慧大脑提供的大数据分析成果，经济学理性选择理论将会随着信息不完全假设前提变为信息完全假设前提，选择动机、偏好和效用期望的抽象分析变为数据分析，认知的抽象框定或心理分析变为数据分析而发生重大变化。以上的分析性讨论，是我们理解大数据思维改变人类认知之经济学解释的最重要的分析基点。
2、运用大数据思维进行偏好分析会改变认知形成的路径，使经济学理性选择理论接近现实
现有的理性选择理论有关动机和偏好的分析和研究（这里集中于偏好的讨论），主要集中于偏好如何界定和形成以及如何随认知和效用期望调整而发生变动等方面，并且这些分析和研究是采用“个体行为”为基本分析单元的个体主义方法论。在大数据时代，虽然个人、厂商和政府的选择偏好仍然是追求最大化，个体选择行为仍然是整个社会选择的基础，个体主义方法论仍然在一定程度和范围内存在合理性，但互联网平台改变了选择偏好的形成过程和机理。具体地说，现今人们的选择偏好已不是经济学理性选择理论意义上的选择偏好，而更多地表现为是一种以最大化为底蕴的具有趋同化特征的偏好。例如，某种产品投资或消费的介绍会和研讨会，对某种产品投资或消费的点赞和评价，中央政府和地方政府关于某种产品投资或消费的统计数据，专家和新闻媒体对某种产品投资或消费的评说和报道，等等，都会成为人们选择偏好出现一致性的催化剂。因此，经济学理性选择理论跳出抽象模型分析，已经在偏好分析上具备了大数据思维的条件和基础。
智慧大脑与非智慧大脑的区别，在于能对人们消费和投资的偏好展开大数据分析，能通过大数据的搜集、整合、加工和处理，运用云计算得到来自不同维度数据之间相关性的精准信息，以至于能获取建立在大数据分析基础之上的认知。从理论上来讲，偏好会影响认知但不能决定认知。就偏好影响认知而论，它主要是通过利益诉求、情感驱动、身心体验和时尚追求等对认知产生诱导或牵引作用。但在非大数据时代，这些诱导或牵引作用无法数据化，于是经济学家对偏好影响认知的研究便只能以抽象模型来描述。大数据思维对偏好影响认知的处理，是使用以许多简单而相对具体的模型取代高度抽象的单一模型，运用数据驱动法来设置参数和模型，对利益诉求、情感驱动、身心体验和时尚追求等偏好特征进行解读，这样便实现了很多非数据化信息的数据化，从而使以偏好为基础的在理论上对认知变动的研究有了新的分析路径。
阿里巴巴公司正在奋力打造的线上和线下相结合的“新零售”模式，是以大数据分析和运用的阿里云平台为背景和依托的。这个模式试图通过充分搜集、整合、分类、加工和处理已发生的历史消费数据，正在发生的现期消费数据和有可能发生的未来消费数据，捕捉人们消费偏好的动态变化，以期构建符合大数据思维的全新商业业态。撇开新零售模式在运营过程中的诸如数据处理、机器学习和人工智能运用等技术问题，仅以该模式对人们消费行为的系统梳理、分级整合及相关处理来说，它无疑会在引领人们消费行为的同时促动消费趋同化偏好的形成。尤其值得关注和研究的是，随着该模式运营所积累的数据量全然达到大数据的标准，人们的消费认知将会在消费趋同化偏好的导引下发生变化，这种情形不仅会发生在消费领域，投资领域也会出现投资趋同化偏好。很明显，趋同化偏好具有共性特征，它在很大程度上是对个体选择偏好的否定，对于这种偏好所导致的认知应该怎样理解呢？这个问题需要进一步研究。
3、在大数据时代，趋同化偏好会改变认知形成过程，消费者和投资者的认知不再是自己独立思考和理智判断的产物，而是在趋同化偏好驱动下对智慧大脑认知的认同
厂商的投资选择偏好是追求利润最大化，这一永恒的事实不妨碍或排斥投资趋同化偏好的形成。一般来讲，大数据发展初期的互联网平台对选择趋同化偏好形成的作用力，在消费领域要比投资领域来得更加直接和迅速。究其原因，是两大领域的机会成本和风险程度不同的缘故。但随着大数据、云计算和机器学习等的充分发展，智慧大脑有可能对历史、现期和未来的大量投资数据进行搜集、整合、加工和处理，有可能通过云计算集约化模式来分析不同维度数据之间相关性而获得精准信息，同时，智慧大脑会根据市场“行为数据流”折射出“想法数据流”而产生预见能力，寻觅和遴选出高收益的投资方向和投资标的。若此，智慧大脑投资选择的胜算率（利润率）将会大大提高，厂商会效尤智慧大脑进行投资选择，从而出现投资趋同化偏好。经济学曾经对诸如“羊群效应、蝴蝶效应、从众行为、信息重叠”等现象有过许多研究（罗伯特?希勒，2001），但严格来讲，这些研究是描述性的，不是联系偏好和认知等的分析性研究。
消费和投资的趋同化偏好主要是针对消费者和投资者的选择行为方式而言的，它不改变消费和投资选择偏好的追求效用最大化的性质规定，这是问题的一方面。另一方面，在将来大数据充分发展的鼎盛时期，消费和投资的趋同化偏好会改变认知形成过程，这可以从两种意义上来理解：1、从原先通过对信息进行搜集、整合、分类、加工和处理来获取认知，转变为通过对数据的搜集、整合、分类、加工和处理来获取认知；2、消费者和投资者的认知不再是自己独立思考和理智判断的产物，而是在趋同化偏好的驱动下认同智慧大脑的认知。关于第一点，大数据思维的认知之所以会取代独立思考和理智判断的认知，乃是因为它能够运用云计算集约化模式将消费和投资的历史数据、现期数据甚至未来数据进行分类处理和相关性分析，能够运用数以万计的计算机服务器对特定事物的因果关系展开深度机器学习，从而通过分类和归纳不同维度数据而得到精准信息（精准医疗就是基于此原理）。人类对因果关系探索的手段和路径发生变化，认知的形成过程及其机理就会发生变化。
关于第二点，消费者和投资者在未来放弃对信息的搜集、整合、分类、加工和处理，认同和效尤智慧大脑的认知来进行选择，这可理解为是他们进行效用比较（投入与收益）时的“幡然悔悟”。尤瓦尔?赫拉利（2017）有关一切有机和无机实体都可以运用算法来解构的前景预期，（吴军，2016）关于未来制造业、农业、医疗、体育、律师业甚至新闻出版业都将由大数据统治的观点，凯文?凯利（2014）以大数据和人工智能为分析底蕴对新经济十大重要准则的论述，均认为具有大数据思维且不作出主观判断的智慧大脑将是未来世界的操控者，而master和alphaGo战胜世界顶级围棋高手的实践，则显露了人工智能完全有可能战胜人脑的端倪。现实中的普通消费者和投资者通常只是依据有限或不准确的信息进行消费和选择，经济学家也只是根据有限或不准确的信息进行因果关系分析而得出认知，因此，相对于智慧大脑的选择效用，消费者和投资者是相形见绌，经济学家的理论见解和政策主张往往不吻合实际。
智慧大脑是运用大数据思维而超越一般智人大脑的大脑。不过，从性质上来讲，极少数拥有智慧大脑的人通过对数据的搜集、整合、分类、加工和处理所得到的认知，仍然属于人的认知。需要强调指出的是，这种认知不同于经济学理论及其他社会科学理论所阐述和论证的认知，它是在大数据思维驱动下的人类认知。对于这种新型认知的理解，如果我们结合经济学理性选择理论对其展开解说，则有着基础理论的分析价值。
4、在未来，智慧大脑的认知将引领非智慧大脑的认知，其结果是导致认知趋同化
熟悉经济学理性选择理论的学者知道，无论经济学家是从信息的搜集、整合、分类、加工和处理获取认知，还是通过心理分析或行为实验获取认知，他们都是在不完全信息或有限理性约束下进行的，这不仅存在着以不精准信息推论认知的问题，而且存在认知形成过程的主观判断问题。智慧大脑运用大数据思维所形成的认知的最大特点，是在接近完全信息基础上获取认知的，并且不夹带任何主观判断。现代未来学家曾分别从不同角度和层面对大数据、互联网和人工智能展开了许多讨论，他们的共同见解是认为大数据的极大量、多维度和完备性将有可能解决信息不完全问题（包含信息不对称），并且能够给人类选择提供精准信息。倘若如此，人类的认知问题便完全成为智慧大脑对数据的搜集、整合、分类、加工和处理问题，一旦人类可以通过大数据思维获取精准信息和完全信息，经济学理性选择理论将会在根基上被颠覆。
智慧大脑只有极少数人才具备，绝大部分人（包括智人）都是非智慧大脑。在未来世界，智慧大脑将引领非智慧大脑进行选择。这一引领过程是由前后相继的两个阶段构成：一是智慧大脑运用大数据对偏好进行分析，通过互联网将偏好传送给具有从众心理和从众行为倾向的非智慧大脑，形成非智慧大脑的趋同化偏好；另一是智慧大脑运用大数据分析获取认知，同样是通过互联网让非智慧大脑效尤智慧大脑的认知，形成趋同化认知，从而使非智慧大脑以智慧大脑的认知为认知来选择。这些情形表明，未来人类智慧大脑将决定非智慧大脑的偏好和认知，进一步说，则是智慧大脑将影响非智慧大脑的选择行为。这里有一个极其重要问题须讨论：对绝大部分非智慧大脑而言，他们在选择过程中是否还存在认知？事实上，无论是趋同化偏好还是趋同化认知，非智慧大脑的偏好和认知并没有彻底消失，只是形成的路径和内容发生了变化。关于这个问题的讨论，联系经济学的认知理论进行比较分析，或许会有更深的理解。
如前所述，传统经济学以完全信息为假设前提，将认知作为理性选择模型的外生变量，“认知”是被理论分析跳越的。现代经济学以不完全信息为假设前提，在理性选择模型中，努力通过心理和实验分析把认知作为内生变量，易言之，“认知”被解释为个体对信息进行搜集、整合、分类、加工和处理的结果，显然，以上分析在分析对象、分析方法和分析路径上，是与大数据思维不同的。现代经济学理性选择理论所分析的个体，是通过逻辑推论所抽象出来的芸芸众生；虽然智慧大脑也可以看成是个体，但人数极少，是具有大数据思维之共同特征的个体。现代经济学理性选择理论是借助于偏好分析来研究认知的，虽然认知已在一定程度上被视为内生变量，但分析方法和路径仍然是逻辑判断或推论为主；大数据思维对认知分析将会采用的方法和路径，是搜集、整合、分类、加工和处理数据，试图从极大量、多维度和完备性的数据中获取精准信息以得出认知。因此，尽管认知出现了趋同化，人类在大数据思维下仍然存在认知，只不过是非智慧大脑放弃自己的认知而统一于智慧大脑的认知罢了。
总之，偏好和认知的趋同化显示了大数据思维的魅力，这种魅力根植于大数据能够经由智慧大脑而产生精准信息。其实，智慧大脑如何设置参数和模型，如何运用云计算集约化模式，如何利用互联网以及寻觅广泛使用人工智能的方法和途径等，主要是计算机运用层面上的技术问题。我们研究大数据思维下人类认知变动需要重点关注的，是非智慧大脑究竟还有没有认知，其效用期望会呈现什么样的格局？既然非智慧大脑只是没有独立认知而不是完全跳越了认知，那么非智慧大脑便存在着效用期望，关于这种效用期望，我们可以联系效用函数来解说。
四、认知结构一元化与效用期望变动的新解说
经济理论对选择行为与效用期望之间动态关联所建立的基本分析框架，展现出一幅“偏好认知选择效用期望”的图景。各大经济学流派的理性选择理论对这幅图景中的“”有不同的解说和取舍（前文有所涉及），概括来说，或侧重于分析这些箭头前后要素之间的相互关联，或侧重于分析这些箭头前后要素之间的影响和决定作用。但就人们选择动机和目的与效用之间的关联而论，几乎所有理论都不怀疑“追求自身利益最大化”的公理性，于是，“最大化”在成为效用函数核心变量的同时，也在一定程度上被作为理性选择的判断标准。以上图景的逻辑分析链是建立在信息不完全分析假设上的，各大经济学流派的理性选择理论对这条逻辑分析链各环节的不同解说所产生的理论分歧，可归结为是在信息不完全假设分析框架内的分歧。值得学术界关注的是，当大数据在未来有可能提供完全信息时，这些分歧将会让位于新的理论探讨。
经济学家对效用函数的研究是与认知分析紧密相联的。但无论是传统经济理论还是现代经济理论，他们对效用函数以及最大化问题的研究存在着共性，即这些研究都是建立在抽象的认知结构一元化基础上的。具体地说，传统经济理论在完全信息假设上认为，选择者可以得到“获悉选择结果的认知”，从而主张用“最大化”来描述选择者的效用函数。现代主流和非主流经济理论在不完全信息假设上认为，选择者受有限理性约束不可能得到“获悉选择结果的认知”，从而主张不可用“最大化”来描述选择者的效用函数。这里所说的抽象认知结构一元化，是指不是以具体的认知主体作为分析对象，而是把整个人类描述为一个同一的抽象主体，让“最大化”问题成为效用函数的核心问题。在大数据思维的未来世界，随着信息有可能出现完全化，“最大化”问题将会成为不是问题的问题。
诚然，智慧大脑对大数据进行搜集、整合、分类、加工和处理，并通过云计算、机器学习乃至于根据人工智能实践来选择参数和设置模型，仍然没有越出追求自身利益最大化这一效用函数的性质规定，但由于智慧大脑的认知形成过程是建立在具有极大量、多维度和完备性的大数据基础之上的，大数据能够提供完全信息的特点有可能会让智慧大脑取得效用最大化。人类绝大部分选择者是非智慧大脑者，从科学意义上来讲，大数据对他们可谓是长期的黑箱，而他们依据自己认知所做出的选择又不可能实现效用最大化，于是，非智慧大脑者将以智慧大脑者的认知作为自己认知而做出选择，这便形成了大数据时代实际意义上的一元化认知结构。如果说我们划分智慧大脑和非智慧大脑是对人类选择主体的一种新界定；那么，我们揭示这两大选择主体实际意义上的一元化认知结构，则是对大数据时代人类认知问题的一种新解说。
大数据背景下人类实际意义上的认知结构一元化，将是未来发展的一种趋势，相对于经济理论抽象意义上的认知结构一元化，它容易把握和理解。但它在将来能否成为一种固定化趋势，取决于智慧大脑在经济、政治、文化和思想意识形态等领域进行选择时获得的效用函数值。对于该效用函数值的预期，大数据思维下的智慧大脑是具备这种能力的。从经济理论分析看，对效用函数值的讨论，将涉及内蕴且展示效用函数的效用期望问题的讨论。传统经济学的期望效用函数理论，是一种运用数学模型论证选择者能够实现最大化的理性选择理论（(Vonneumannandmorgenstern，1947；arrowandDebreu，1954），现代非主流经济学是在分析风险厌恶和风险偏好的基础上，用一条S型的价值（函数）曲线取代传统的效用函数，并通过相对财富变动对选择者感受的分析，解析了选择者的效用期望会不断发生调整的情形（Kahnemanandtversky，1979）。那么，大数据时代选择者的效用期望会发生怎样变动呢？
人类社会发展的历史表明，人的主观期望与实际选择结果之间会发生经常性偏离。选择者的效用期望能否实现最大化，一是取决于选择者能否得到完全信息，另一是取决于选择者认知过程的科学化。事实上，现代经济学对传统经济学以最大化为核心的效用函数的质疑和批评，主要是围绕信息不完全和忽略认知过程展开的。大数据时代存在着提供完全信息的可能性，而智慧大脑利用互联网和运用云计算、机器学习和人工智能等手段，正在实现着认知过程的科学化，这便提出了经济学必须回答的两大问题：1、大数据思维下的人类选择是否可以实现最大化，2、大数据思维下选择者的效用期望会不会发生调整。这是现代经济学没有提及的两大问题，但当我们分别从智慧大脑和非智慧大脑来讨论这两大问题时，结论或许会让笃信经济学经典理论的学者大跌眼镜。
在未来世界，随着互联网平台的日新月异以及移动设备、物联网、传感器、社交媒体和定位系统等搜集大数据手段的覆盖面的日益扩大，大数据的极大量、多维度和完备性给人类选择提供了完全信息的基础。智慧大脑在云计算、机器学习和人工智能等的支持下，以数据分析为基础的认知过程也越来越科学化，于是，智慧大脑便可以知晓选择过程的结果，有可能实现最大化，这说明智慧大脑不存在效用期望的调整问题。另一方面，非智慧大脑以智慧大脑的认知为自己的认知，其效用期望完全依附于智慧大脑的效用期望。具体地说，非智慧大脑不对数据进行搜集、整合、分类、加工和处理，跳越了认知过程，同样不存在效用期望的调整问题。非智慧大脑效用期望完全依附于智慧大脑效用期望的情形，或者说，非智慧大脑以智慧大脑效用期望为自己效用期望的情形，统一于智慧大脑与非智慧大脑的认知结构一元化。如果要追溯非智慧大脑效用期望的变动，那就是从原先属于自己的效用期望转变成了智慧大脑的效用期望。
智慧大脑有可能实现最大化，以及不存在效用期望调整是一回事，但智慧大脑能否在所建模型中给定效用期望值却是另一回事。效用期望作为一种主观预期或判断，它不会在互联网上留下可供大数据分析的历史数据流、现期数据流和未来数据流，也就是说，不会在互联网上留下可供大数据分析的行为数据流和想法数据流，这在决定智慧大脑难以跟踪、模拟和推论效用期望值的同时，也给非智慧大脑放弃认知而效尤智慧大脑提供了某种聊以自慰。推崇人工智能可以替代人脑的学者，好用master和alphaGo战胜世界顶级围棋高手的事实作为这种替代的立论依据，但无论我们怎样在大数据分析、机器学习和人工智能运用等方面进行深度挖掘，也找不到智慧大脑能在所建模型中给定效用期望值的科学依据。智慧大脑不能确定效用期望值，也就规定了非智慧大脑不能确定效用期望值。这又提出了一个在理论上有必要回答的问题：非智慧大脑还有没有效用期望？
在经济社会，智慧大脑和非智慧大脑的投资和消费选择的效用期望都是追求最大化，这一点是永恒的。但问题在于，非智慧大脑以智慧大脑的认知为自己认知，以智慧大脑的选择作为自己选择的情形，会使自己的效用期望完全停留在期望智慧大脑选择结果的形式上，这可以解释为大数据时代非智慧大脑的效用期望的一种变动。但对于这样的效用期望的理解，与其说它是一种效用期望，倒不如说它是一种效用期待。社会经济的精英是人数极少的智慧大脑群体，但推动投资和消费的是占人口绝大多数的非智慧大脑群体。因此，非智慧大脑群体的偏好、认知、选择和效用期望，应该是理性选择理论研究的重点。关于这一研究重点的逻辑和现实的分析线索，是大数据思维趋同化偏好趋同化认知认知结构一元化最大化效用期望。不过，这条分析线索包含着许多本文或有所涉及或尚未涉及的交叉性内容，它需要我们在继续研究大数据思维改变人类认知这一理论专题时，做出进一步深入的探讨。
大数据经济分析篇3
以往传统的线下业务其实也沉淀了大量的数据，只不过这种数据的负载形式是物理的，传统的统计形式更多的依赖人工，所以这些沉淀的数据一直在沉睡而没有被唤醒，因为人工的方式根本没法做到。互联网充当了唤醒这座数据金矿的重要角色，使得人类第一次对数据的效用重视起来，所以大数据的概念风靡当下，不能不说这是互联网带来的意外之喜。
互联网将传统线下业务搬到了线上，于是这种大数据的形式就凸现出来，因为既然互联网具有去中介化的天然特性，那么这种中介化的价值信息就附着在海量的数据中——除了数据，互联网的价值链就显得没那么有价值了，所以从某种程度上说，互联网时代的中介化，就是沉淀的海量数据形式。这和传统的物理中介当然是两个不同的概念，只不过互联网时代，很多传统的物理中介都受到了虚拟中介的冲击。本质上，这只是中介身份的一种转换，而不是物理中介被消灭了。
例如，银行、证券、交易所等金融机构都是物理中介，其业务所积累起来的数据非常可观，当这些数据被海量的搬到线上的时候，我们并不能简单的认为这些金融机构被消灭了，而应该认识到，这些金融机构的身份，是以搬到了线上的海量数据为新的虚拟中介形式的，物理中介反而成了虚拟中介的生产源。这些生产源的本质属性是不变的，例如，金融方面，其股权、债券、信托等金融核心功能不变，其所涵盖的契约也是不变的，所面临的金融风险、所面对的监管的基础都是不变的，这种本质属性的固定，并没有在互联网时代因互联网的迅猛发展而发生改变。当我们在分析互联网对传统行业的冲击时，往往用去中介化来描述互联网对传统行业的冲撞，但是我们应该认识到，这种去中介化，并不是消灭了物理中介，而是摆脱了物理中介，实现了和以大数据为依托所形成的虚拟中介的联姻。
所以，大数据的形式其实是一种互联网时代的虚拟中介，它是从传统的物理中介中衍生出来的，从此，市场的生态环境发生了变化：一种线上的虚拟中介，一种线下的物理中介。整个市场被重新构造起来，线上线下两种生态共同支撑着当前的互联网时代走向一个较为繁荣的阶段。
迈尔·舍恩伯格(《大数据时代》一书的作者)认为，大数据的一个重要特点，就是事物之间具有相关性，而因果性倒是处于其次。
大数据经济分析篇4
abstract：theregionaleconomyhasspatialcharacteristic.Duetoitspowerfulcapabilitiesofspatialanalysisandvisualizationabilitiesofintuitiveimage，GiS（GeographicinformationSystem）hasbeengraduallyintroducedtotheanalysisofregionaleconomyinordertomakeupforthelackoftraditionalresearchmethods.aregionalplanningsystembasedonGiSwillbedesignedinthisarticle.itprovidesconvenientinformationmanagementservicesforregionalplanningmakersthroughthedataquery，statisticalanalysis，spatialanalysis，regionaleconomicdisparitiesanalysisandresultsofgraphicaloutput.
关键词：GiS；区域规划；系统设计
Keywords：GiS；regionalplanning；systemdesign
中图分类号：tp39文献标识码：a文章编号：1006-4311（2012）35-0194-02
0引言
GiS（地理信息系统，GeographicinformationSystem）是基于计算机信息技术的能够综合采集、存储、管理、检索和分析各种地理空间信息的计算机系统，并能够进行数据和图形的传输和接收。这种系统能够将地理位置和空间数据相互结合进行分析，实现经济和空间的结合，对经济信息从空间的角度进行全方位的分析和数据表达。GiS与区域经济分析的联系主要有几点：首先，区域经济的各项数据由GiS的分析产生结果，这些数据对区域经济的未来预测具有重要的参考价值，是经济信息和空间信息融合的产物；其次，GiS通过对区域经济的综合分析，对区域经济的发展提供了模型集成平台，可以更加便捷的对各种模型进行分析和集合；最后，基于GiS具有强大的可视化功能，这样就能够将分析的结果更加直观的展现在用户的面前，大大的提高了工作的效率。因此，GiS在区域经济的研究中是有很大的利用价值的，这种价值主要体现在经济学者利用GiS可以对区域经济的未来规划区域产业布局、优化区域产业结构和制定区域发展战略方面。本文就主要设计了一种基于GiS的区域经济规划系统。
1系统的目的
区域规划是一定地域范围内区域发展的战略策划和产业发展与布局的方案设计及其实施对策的总和，是优化区域空间结构、缩小区域发展差距和解决区域发展方向问题的重要手段。区域规划的制定者可利用基于GiS的区域规划系统，对地区的实际自然、经济、社会情况进行分析，找出存在的问题，对提出的发展目标进行预测，得出、比较和评价规划方案，最终确定规划方案。
2系统的功能
2.1GiS基本功能本系统具有GiS的基本功能，如文件、编辑、视图等。文件功能可以进行文档的打开、新建、保存、另存，对各类地图图层的打开、保存、退出等，支持地图分层管理。编辑功能可以进行撤销、复制、粘贴等基本操作。视图功能可以对各类地图图层的文件进行缩小、放大、移动等操作。
2.2数据查询功能要设计一套区域规划方案，首先要进行调查研究——根据规划任务的要求考察区域发展的现实基础、环境条件和可能前景，以找到并明确区域发展中的基本问题。传统的方法是进行实地调查，获取区域经济、社会、科技、自然等各方面的信息资料，并对这些资料进行分类和整理，在此基础上，进行相关的专题研究，为规划的编制提供可靠的依据。
通过本系统的数据查询功能，既可以实现空间数据的查询，如属性查询、位置查询、空间位置和关系查询、邻接多边形查询、缓冲区查询、距离查询等。例如，通过位置查询，能够从一定条件的人口规模、经济规模、具有完善基础设施的多个图层中查询出满足空间位置条件的城市，作为区域经济增长的中心。也可以实现区域经济数据查询和编辑，如不同年份的行政区划、人口、文化状况、资源、工业、农业等各种统计数据，种类很多且数据量巨大。系统可根据用户的设定，将区域经济、社会、科技、自然等各方面的数据自动编制成专题图表输出。
2.3统计分析功能本系统的统计分析功能包括基本的统计分析功能和统计模型分析功能。基本统计分析功能可以实现某个地区、某个时段的最大值、最小值、平均值、标准差、均方差等基本的统计分析计算。而统计模型分析功能是从区域经济的特性出发，运用区域经济领域中常用的经济方法，如回归分析、主成分分析、趋势外推等，以完成不同种类的区域经济方面的分析，并能根据不同因素的影响，在因素变动的情况下，做出可能出现的几种情况的预测，建立预测方案供用户选择。通过预测模型计算指标数值，确定区域发展的目标。
区域规划最终要将各种分散的因素综合成一个统一的规划方案，利用本功能可以对各种规划方案进行评估和优选，综合规划模型和预测模型，制出规划的文本方案。
2.4空间分析功能为了使区域规划方案能够落实并实施，确定区域空间结构十分重要。这实际上是确定推动整个区域发展的空间增长极点，使经济资源、人力资源和科技资源能够集中起来，发挥更大的集合性作用。
GiS强大的空间分析功能，可以弥补当前传统区域经济分析方法在空间分析能力方面的不足，使其实现经济布局的分析、缓冲区分析等。
2.5区域经济差异特征分析功能不同的地区由于地理位置、经济基础、资源、政策、人口、教育状况、资金、资本等各方面的差异，造成各个地区区域经济之间的发展水平、发展阶段也有着很大的差异。区域规划的作用是优化空间结构，解决区域不平衡发展的问题；调整中心城市与周边地区的关系；促进落后地区发展，缩小地区发展差距；综合开发优势资源，促进相关产业的发展。通过系统的区域经济差异特征分析功能可以实现对区域间的经济发展水平状况和发展阶段进行分析，用图形方式表现出来，并且实现对区域经济的分区。例如，可以设定不同的区域经济评价指标，利用系统生成类型区或系统区，行政区或经济区，核心区、区和过渡区，优化提高区、重点开发区和限制开发区等，按照不同区域构建区域发展格局。
2.6制图功能在调查研究的基础上，要制定供选方案，绘制规划图，编写规划报告及相关说明。这里首先需要专题研究，其次是综合研究。本系统的制图功能可以实现区域经济图形的生成、区域经济专题地图生成、区域经济专题统计图表和综合规划图的制作。这样就将区域经济分析的结果以图形、统计图表或者专题图等形象直观的方式展现在有需求的各类用户面前，更加形象地展示区域经济发展的规律并且预测其发展趋势。
3系统的数据分析
按照系统应用上的需求以及所存储数据的性质，本系统所涉及的数据在逻辑上分成空间数据和属性数据两部分。空间数据（也称图形数据），是指和地理空间相关的各种数据，以矢量数据或栅格数据的形式在二维空间上描述区域地形、地貌、各级行政区域界定，以及与经济开发建设相关的基础设施和能源设施等要素的地理分布，可以将其抽象为点、线、面三种类型，并用不同图层来表示。而属性数据，是与各空间地理区域单元相关的自然资源、社会经济发展水平的特征数据，以定性数据和定量数据共同说明要素的名称和性质。区域经济统计数据数量繁多，如土地资源背景、基础设施建设、产业聚集规模等，表现形式是字符串及统计数字，它是本系统主要用来进行处理和分析的数据。
地理空间数据（即图形数据）在图形上包含有不同种类的大量信息。通常利用“层”来组织并且管理数据，地图上的所有要素都可以被抽象为：点、线、面几个要素类，然后把不同专题的图层分别归类到点、线、面几个要素类中（表1）。系统属性数据包含历年的经济统计数据，经济数据量大并且种类多，用数据表会满足我们的功能需求，然后在这个基础上在进行表结构设计的扩展。如地区生产总值信息表（表2）等。
结合研究需要，在建库时对数据进行分层处理，根据数据的性质分类，性质相同或相近的归并为一个数据层，这样GiS对单幅或多幅图层进行分析和指标量算，以原始图层为输入，而查询和分析结果则是以经过空间操作后生成的新图层表示，有利于GiS空间分析功能的发挥。
4系统的总体结构
基于GiS的区域规划设计的基本思路为：调查研究建立数据库数据的分析预测规划方案的输出，基本结构如图1。
5系统提供的服务
通过基于GiS的区域规划设计系统，可以为区域规划的制定者提供如下便利的信息管理服务：
首先，制定区域规划所需要了解的区域经济的数据纷繁复杂，而本系统数据库中各种数据信息经过一系列的筛选、归纳、分类、整理，形成标准的数据文档，利用数字化手段结合区域电子地图，转化为所需的空间数据，针对不同类型的管理内容，按层进行地图编辑。用户在查询数据时，通过对数据类型的设定，可以得到规范化、标准化和数字化的数据。
其次，系统内设针对区域规划的分析方法和预测模型工具，根据用户的需求，可对区域信息进行自动化和智能化的科学分析与处理，为区域规划提供详尽的数据分析以及多种预测方案，并可对规划方案进行评估与选优。
最后，系统利用GiS强大的可视化分析、空间分析及制图输出功能，可以方便快捷地得到所需的专题图、专题统计数据表以及综合的规划图。数据以地图的形式数据输出出来，更加直观，为最终规划方案的制定提供有效的支持。
参考文献：
[1]陈斐，郭朝辉等.基于GiS的区域经济分析与决策初步研究[J].人文地理，2002，17（6）：77-80.
[2]史嵘，肖龙阶.地理信息系统在区域经济研究中的应用[J].南京航空航天大学学报（社会科学版），2006，8（3）：54-56.
[3]黄芳芳.基于GiS的区域经济分析系统设计与实现——以江西省为例[D].江西理工大学，2011.
[4]孙久文.区域经济学[m].北京：首都经济贸易大学出版社，2006.
[5]邱友良，叶舜赞等.珠江三角洲区域一体化研究综合信息系统的设计与应用[J].热带地理，1998，18（4）：361-366.
大数据经济分析篇5
关键词：大数据时代；市场经济；研究
1大数据的内涵
大数据是一种新型技术，是计算机技术发展到一定阶段的产物，现在是信息社会，大数据技术的应用提升了其它产业发展。大数据经过这几年的发展没有明确的定义，但在实际应用过程中，大数据具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。根据大数据的特征我们有针对性的应用大数据技术解决实际问题，为其它行业的发展提供了技术支持。
2大数据在市场经济中的作用
2.1数据是市场经济主体联系的媒介
现代经济发展是在市场经济的调控下，企业掌握市场规律，按照市场发展做事，一定能促进企业的快速发展，互联网技术的快速发展，互联网技术应用到企业发展过程中，数据就成为市场经济主体联系的媒介，在以市场经济为主体的调控下，如何发展经济，促进企业快速发展，必须依靠现代科技，科技水平是企业快速发展的主要方式，也为企业的发展提供了技术支持，大数据技术能为企业的发展提供可靠的数据分析，在市场经济调控下，能对市场进行科学的判断，及时掌握市场发展动态。
2.2大数据影响市场主体的经济利益
企业要发展必须遵循市场规律，根据市场需要，生产人们需要的产品，提高人们的购买力，增加企业利润。在大数据时代企业想要获知客户群体十分简便，大数据能够让企业获知客户的基因，为企业提供针对客户的个性化建议，与消费者建立紧密的联系。通过社交媒体数据、网络分析或其他数据可以让企业了解每一位客户。企业必须分析用户心理，提高企业的技术水平，生产市场需要的产品，加快企业的发展。在大数据时代，企业利用大数据技术进行科学分析，能及时掌握市场动态，根据人们的需求，科学的进行生产，增加企业利润，促进企业发展。
2.3大数据在市场监管中的作用
市场是经济发展起到调控作用，企业要发展必须根据市场规律，科学合理的进行生产。通过大数据平台构建全方位、多层次的市场监管体系，需要把握大数据(全面、综合、关联)的特点，需要以覆盖社会各类经济主体信用信息监管平台作为基础。大数据技术的应用对市场起到监管作用，通过大数据分析软件，可以科学的进行市场需求分析，企业根据需求分析报告，可以进行合理的生产，遵循市场规律的生产，这是企业发展的关键因素，也是企业可持续发展的基本保障。
3大数据为市场经济带来的机遇
3.1大数据为科学决策和管理提供依据和服务
现在企业的发展，都利用大数据技术，进行科学合理的分析市场规律，对企业的管理与决策提供可靠的依据。基于大数据的分析、预估与优化，将令应对社会和企业挑战的解决方案的运用从被动变为主动。企业与客户之间联系的纽带是数据，企业根据用户需求的数据，对产品进行改进，满足用户需要，客户根据企业生产的产品的参数，进行比较，选择自己合适的产品，大数据技术能为企业生产与服务提供准确的判断，促使企业及时掌握市场规律，满足用户需求，增加企业利润，促进企业发展。
3.2大数据提升经济质量、优化经济结构
在新型经济的影响下，科技水平不断创新，大数据技术的应用，可以提升经济质量，优化经济结构，促进企业转型与升级。互联网和电子商务领域是新兴行业，也是大数据应用的主要领域。互联网和电子商务企业建立了基于大数据相关性分析的推荐系统，推荐系统分析的维度是多样的，可以根据客户喜好为其推荐相关产品，也可根据社交网络进行推荐。
总之，大数据技术在市场经济发展中的应用，对企业的发展起到促进作用，企业在市场经济的调控下，利用大数据技术可以对市场发展进行监控，有效地调节企业的生产，及时根据客户的需求，对产品进行改进，以满足用户的需求。大数据技术的运行，可以及时掌控市场发展规律，有效对企业的改进起到重要作用。
参考文献：
[1]高彩云.基于大数据视角的浙江省生产业创新研究[J].商场现代化,2015(28):142-143.
[2]刘杰.“互联网+”助力生活服务业的发展研究[J].知识经济,2016(3):10-11.
大数据经济分析篇6
［关键词］多元统计分析；经济；经济学角度
社会各组织机构离不开统计分析工作，其不仅能够让各个组织机构明确相关领域过去和现在的发展状况，更能对未来的发展趋势做出准确的预判，从而制定出科学的决策。经济领域是一个复杂、庞大的系统，国家在进行经济发展战略的制定时，往往以完整、准确的经济数据为基础，进行科学化的决策。而多元统计分析是统计分析方法的创新，对我国经济战略的制定和决策具有积极的作用。
1多元统计分析的概述
随着科技水平的不断提高，在互联网的发展背景下，多元统计分析方法与智能化分析逐渐融为一体，且在新媒体上进行数据处理与分析的过程中，从传统统计分析中衍生出来，并在大数据背景下继续发展，推动着统计分析工作迈向一个新的发展阶段。多元统计分析是利用数理统计的方法研究变量的问题和理论的，在经济领域中，经济统计所涉及的变量是多边的，而传统的统计分析是“一对一”的统计方式，这种统计分析方法不仅不能实现分析的时效性，更难以保证统计变量之间的关系，而多元统计分析便能弥补传统分析法的弊端，减少信息的流失，保证信息的准确性和完整性，进而全面反映出数据的情况。
2多元统计分析方法在经济中的应用
2.1多元回归分析的应用
为了能够客观地对经济规律进行分析，需要对经济变动形式进行计量模型的建立。多元回归法是通过经济计量模型分析经济走势的，目前比较常用的是通过数字方程进行模型的建立，通过模型进行数字方程的建立，且将模型中变量之间的关系进行梳理，并通过对经济计量数据进行预测，从而对经济的发展态势进行判定分析，进而全面的研究经济问题。例如，多元回归分析在我国通货膨胀问题中的应用。众所周知，通货膨胀最显著的特征就是整体的物价上涨，在这种情况下可以将已上涨的物价按照因变量进行统计分析，并将各种影响因素作为统计分析中的自变量，在此基础上研究影响各个物价上涨的因素。通过两种因素的结合制定相应的多元回归方程，进而让整个通货膨胀率能以经济模型的形式呈现，使引起通货膨胀的原因得以更系统的形式体现。
2.2聚类分析的应用
聚类分析法是多元统计分析方法中研究分类问题的一种方式，其所研究的领域较为宽泛，例如，在分类研究的问题上，从企业出发，可以将企业的发展类型进行分类、经营方式进行分类、收益模式进行分类。从国土资源出发，可以将国民的生活水平进行分类、土地资源类型进行分类、土地资源等级进行分类。例如，聚类分析法在企业经营效益分类的应用中，其能够通过对企业自身的指标进行整合，并以这些指标数据为基础进行统计量的整合。聚类分析法通过统计量的整合数据进行分类分析，将其他一些具有相似性的数据进行类比，以此将各个企业进行分类。最后，建立一个顺序排列系统，将不同类别的企业按实际情况从小到大进行排序。此外，还能以时间轴为基础，对不同的资料进行时间上的排列，这种有序聚类亦是经济学中经常应用的方式。
2.3主成分分析应用
在经济学数据分析中，各项经济指标和经济要素较多。此外，经济学指标相互之间多数会存在一定的相关性，这就导致部分数据与指标重复，通过主成分分析便能实现数据的“降维”，将主要数据进行提炼并加以整合，简化统计分析工作。例如，在评价经济效益的应用中，为了明确经济效益，就必须对相关数据进行统计分析，然而，经济指标的重叠让指标体系呈现多个指标。这给经济效益的评价带来了一定的困难，主成分分析能够将指标体系中的多个指标进行“降维”，将重叠指标信息进行重组，防止了数据的叠加统计，进而使经济的综合评价更加准确、客观。
2.4判别分析的应用
在多元统计分析中，判别分析旨在对不同经济数据与指标进行归类，这与文中的聚类分析不同，判别分析是在聚类分析基础下进行的，是将已知的数据进行合理归类，确定测试样品的属性范围。判别分析是通过分布函数进行统计分析，通过给定的多个个体数据和总体，对各个个体数据与指标相应所属的主题进行归类。例如，在经济指标归类中，可以依据判别分析法将我国企业的经济效益进行统计分析，将不同企业的经济效益进行聚类分析，形成优、良和差三个等级，当对一个新的企业进行等级分析时，可以通过其内部的经营数据与三个大类的企业数据进行对比，与之相似度最贴近的，即为同一类别企业。通过判别分析，能够明晰社会各个领域的经济发展情况，以此来有针对性的制定发展策略，实现科学化发展。判别分析法已成为我国经济发展中常用的一种多元统计分析法。
3结语
在多元统计分析中，任何分析法之间都存在着关联性。各种方式共同揭示着我国经济现象的发展形式和规律，所以，在利用多元统计分析时，若能充分进行定量与定性两种分析的结合，可以使统计分析工作更加全面、更加准确。
作者:程荣荣单位:山西农业大学信息学院
参考文献
［1］刘君一.多元统计分析方法在宏观经济分析中的运用［J］.时代金融,2015(20).
大数据经济分析篇7
LiZhi
（managementengineeringCollege，ZhengzhouUniversity，Zhengzhou450001，China；
Collegeofeconomicsandmanagement，nanjingUniversityofaeronauticsandastronautics，nanjing210016，China）
摘要：近年来我国城市经济发展中涌现出楼宇经济的新经济形态，但相关数据不足，定量分析较少。为此，文章将灰色系统理论运用于楼宇经济的分析当中，在构建楼宇经济的分析指标之后，基于灰色绝对关联度，提出了基于少数据的楼宇经济灰色分析模型。并将模型运用于某城区的具体分析当中，得出了关于中部不发达地区发展楼宇经济的措施和对策，为发展楼宇经济、评估工作成效以及进一步研究提供了基础。
abstract:inrecentyearsbuildingeconomyhasbecameanewkindofeconomicforminthedevelopmentofurbaneconomyinourcountry．inthispaper,authorappliestheprincipleofgreysystemtheorytoanalyzebuildingeconomy.Basedongreyrelevancedegree,authorestablishesthegreyanalyticalmodelofbuildingeconomy.Usingthismodel,anurbanareaincentralChinahasbeenfullydiscussed.inthiscaseauthorfindsoutmainfactorofbuildingeconomyandgainvaluablesuggestionswhicharebeneficialtodevelopingurbaneconomyandstandardizationofbuildingeconomyevaluation.
关键词：楼宇经济欠发达地区灰色系统理论灰色绝对关联度。
Keywords:buildingeconomy；underdevelopedregion；greysystemtheory；grayrelevancedegree
中图分类号：[tU-9]文献标识码：a文章编号：1006-4311（2011）19-0311-02
0引言
楼宇经济是近年来我国城市经济发展中涌现的一种新型经济形态，通过集约化利用土地，转变城区经济的发展模式，以商务楼宇为依托，主要引进现代服务业等第三产业，促进区域经济的发展[1]。
但楼宇经济方面的学术研究不多，主要集中在案例分析方面，研究和描述了不同城市的发展状况及问题[2]，主要是定性分析，数量分析较少。乐基伟[3]研究了楼宇经济的特征，研究了楼宇经济的构成要素及测评指标体系，但未从数量上进行具体探索。为此，需要进行深入的数量分析，建立楼宇经济的分析模型，为政府的政策制订和工作评价提供支持，也为进一步的研究建立基础。
1楼宇经济的分析指标设计
为了进行楼宇经济的数量研究，首先需要建立相应的指标体系，以科学合理地评估楼宇经济的发展现状，同时由于楼宇经济是新兴领域，相关数据较少，指标的选择要注意数据的可获取性。这里主要关注楼宇经济对区域经济的发展和影响，以此去考虑楼宇经济的系统产出和影响因素。
1.1楼宇经济的系统特征指标从发展区域经济的角度分析，政府关注的主要是税收、就业人数、经济总量（楼宇企业总收入）等，可把这3项指标作为系统特征加以考虑。
1.2楼宇经济的影响因素指标选取系统行为特征后，还需进一步明确影响系统行为的因素。根据分析，楼宇经济的影响因素主要包括当地基本情况、楼宇数据和企业情况等指标。楼宇经济的分析还有一些指标，比如交通状况、配套设施、软环境等，由于数据的获取较为困难，而且入驻企业数量能够从一定程度上反映这些因素的影响，所以未选取。
楼宇经济的分析指标如表1所示，虽然不是非常完全，但能够较为合理地反映楼宇经济的特征，而且数据也较易于获取。
2楼宇经济的灰色分析模型
常规分析方法如一般统计方法、多元回归分析、主成分分析等进行系统分析的方法，都有一些不足之处，要求有大量数据，数据量少就难以找出统计规律，这些方法往往难以奏效。而灰色系统理论[4]弥补了采用数理统计方法作系统分析所导致的缺憾，对样本量多少和样本有无规律都同样适用，计算量小，较为方便，且不会出现量化结果与定性分析结果严重不符的情况。为此，建立楼宇经济的灰色分析模型。
2.1数据预处理系统特征和影响因素往往具有不同的含义和量纲，一般无法直接进行对比分析，需对系统特征和影响因素的行为数据进行适当处理，使之化为数量级大体相近的无量纲数据，才能进行相互之间的比较，这就需要对数据进行初值化。
设系统行为的数据序列为Xi=（xi（1），xi（2），…，xi（n）），将Xi的每个数据元素都除以初值xi（1），得到XiD1=（xi（1）d1，xi（2）d1，…，xi（n）d1），其中xi（k）d1=xi（k）/xi（1），xi（1）≠0，k=1，2，…，n，XiD1即为Xi的初值化。
灰色理论是根据数据序列的曲线的几何形状相似程度来判断其联系是否紧密，曲线越接近，相应序列之间关联度就越大，反之就越小，与曲线距离X轴的远近无关。所以，为了便于分析，一般将数据序列进行零化处理。将数据序列Xi的每个数据元素都减去初值xi（1），得到XiD2=（xi（1）d2，xi（2）d2，…，xi（n）d2），其中xi（k）d2=xi（k）-xi（1），k=1，2，…，n，XiD2即为Xi的零化。
2.2计算灰色绝对关联度设系统行为序列Xi=（xi（1），xi（2），…，xi（n）），Xj=（xj（1），xj（2），…，xj（n））的始点零化像分别为X■■=（x■■（1），x■■（2），…，x■■（n）），X■■=（x■■（1），x■■（2），…，x■■（n）），如图1所示，阴影面积si-sj=■（X■■-X■■）dt，则si-sj表征了Xi和Xj的差异程度，si-sj越小表明Xi和Xj的关联程度越大。si-sj由图形中n-1个小梯形构成，可以较为容易地计算。
设系统特征行为序列X0与影响因素序列Xi的数据个数相同（即序列的长度相等），令si=■（Xi-xi（1））dt，构造ε0i=■，即为X0与Xi的灰色绝对关联度，其中：2.3模型构建及分析假设楼宇经济系统的系统特征行为序列为Y1、Y2、…、Ys，影响因素（影响指标）序列为X1、X2、…、Xm，并且Xi、Yi的长度相同（数据序列的数据个数相同），计算出s个Yi相对于m个Xi的灰色绝对关联度εij，则可构造（s+1）×（m+1）矩阵
a=（εij）=ε■ε■…ε■ε■ε■ε■…ε■ε■……………ε■ε■…ε■ε■ε■ε■…ε■-，其中，ε■=■ε■，i=1，2，…s，
ε■=■ε■，j=1，2，…m，称a为系统的灰色绝对关联矩阵。
在进行系统分析时，研究系统特征行为与相关因素行为的关系，我们主要关心的是系统特征行为序列与各相关因素行为序列关联度的大小次序，而不完全是关联度在数值上的绝对大小。所以，对于矩阵a，若存在k，i∈{1，2，…，s}，满足εkj≥εij（j=1，2，…，m），则系统特征Yk优于系统特征Yi，可记为Yk?酆Yi，表明Yk比Yi受各种影响因素的影响大，对于影响因素变化的反应更为灵敏，更易于得到改善或者弱化。若?坌i=1，2，…，s，i≠k，恒有Yk?酆Yi，则Yk为系统的最优特征，对因素的变化最为敏感。当然，系统的最优特征不一定存在，若存在k，i∈{1，2，…，s}，满足εYk>εYi，则系统特征Yk准优于系统特征Yi，记为Yk?厶Yi。
同理，对于关联矩阵a，若存在l，j∈{1，2，…，m}，满足εil≥εij（i=1，2，…，s），则影响因素Xl优于影响因素Xj，可记为Xl?酆Xj。若?坌j=1，2，…，m，j≠l，恒有Xl?酆Xj，则Xl为系统的最优因素，对系统特征行为改变的贡献最大。系统的最优因素也不一定存在，但若存在l，j∈{1，2，…，m}，满足εXl>εXj，则影响因素Xl准优于影响因素Xj，记为Xl?厶Xj。
据此，即可进行系统的优势特征和优势因素的分析，找出关键指标和易于改善的系统特征，作为政府政策和扶持的指引。
3楼宇经济的实证分析
3.1楼宇经济的数据获取某市区是中部地区河南省郑州市的核心区域，为省委、省政府所在地，各种商业机构云集，适合于发展楼宇经济，可以作为欠发达地区研究和实践楼宇经济的代表。为此，在相关政府机构的支持和帮助下进行了调研，，以下辖的各个街道办事处作为汇总数据的层次，获得了该区的楼宇经济发展数据，如表2所示。
3.2数据计算根据算法对所有数据序列进行初值化和零化处理，得到可以进行灰色绝对关联度计算的数据序列组，按照模型定义的方法进行计算得到灰色关联矩阵a，并做成表格形式如表3所示。从分析表格中可以看出，不存在最优特征和最优因素。对于楼宇经济系统特征的准优特征方面，Y3＞Y1＞Y2，说明楼宇经济中的企业收入是最佳准优特征，并且Y3和Y1较为接近，而Y2差距较大。其中，Y1和X6、X10的关联较为紧密，Y2和X2、X8的关联较为紧密，Y3和X1、X6、X14的关联最为紧密。影响因素的灰色绝对关联度之和超过1.9的有X1、X3、X5、X6、X9、X10、X11、X14等8项，可以将此8项作为评价楼宇经济关键指标的候选，并且X6＞X1＞X14＞X10＞X9＞X5＞X3＞X11，可以进行影响因素的对比分析。
3.3分析结果根据数据计算的结果，我们可以得到如下的分析结果：①楼宇经济的贡献在于促进企业收入的增加和税收的增加，证明了楼宇经济对于城区发展的重要作用。但在解决就业问题方面的关联相对较弱，楼宇经济解决就业的作用和人们最初的预期有一定的差距；本市企业数量对就业的影响较大。②楼宇经济的发展和区域人口绝对数量和人口密度有较为密切的关系，说明人口较为稠密的地区适于发展楼宇经济，在发展楼宇经济的时候就必须有重点、有选择。③从楼宇企业的总体数量看，似乎对楼宇经济的影响不大，但将企业的属地加以划分以后发现，非本省的国内企业对楼宇经济的影响巨大，非本市的省内企业的影响也非常大，这为重新认识招商引资的导向非常重要。从这个特定的案例看，不能只关注本市企业，而现存情况是过于依赖本市企业，本市企业的数量最大；也不能过度重视外资企业，需要在中部崛起的契机下，吸引国内企业、省内企业。④对于炒作较多的“总部经济”，从分析数据中发现，总部对于楼宇经济的贡献较小，这可能是由于数据统计的不准确或者总部经济的总量较小所造成的。但也给我们提供了一个新的思考角度，商业炒作并不一定能够带来实际价值。⑤正如人们的预料，入驻率、税收属地率和楼宇总面积对于楼宇经济有非常积极的影响，可以作为工作和考评的重点。
4结论和展望
综上所述，灰色系统理论对于分析楼宇经济较为有效，可以进一步加深研究。可以将楼宇建筑面积、入驻率、国内企业数量、省内企业数量和税收属地率作为楼宇经济的考核指标，来评价政府相关部门的工作成效。
本文建立了一个分析楼宇经济的框架模型，虽然分析的是一个局部城区的情况，但也可以应用于一个城市和不同城市数据的分析。根据考核指标，可以对重点发展行业、重点发展区域等进行灰色聚类分析。这都需要在未来的研究中逐步加以推广。
参考文献：
[1]李耀东等.方兴未艾的楼宇经济[J].经济问题探索，2004,(8)：111-113.
[2]张健.关于打造天津楼宇经济的调查思考[J].生产力研究,2006,(5):119-120.
大数据经济分析篇8
摘要通过数据分析和数据挖掘工具对财政收支数据和经济运行数据进行分析和研究，对提升财政宏观管理理念、加强财政管理体制、增强财政运行机制、创新财政制度规范、实现财政改革建设的重要依据，也是一级政府对政府投资项目、民生投资决策的重要依据。
关键词财政数据分析挖掘重要性
一、财政数据分析应用的作用
财政数据不仅是财政支出分配结构的体现，也是一级政府对政府投资项目、民生投资决策的重要依据。财政数据的分析，更是提升财政宏观管理理念、加强财政管理体制、增强财政运行机制、创新财政制度规范、实现财政改革建设的重要依据。在现代数据管理技术迅猛发展时代，财政数据分析更是财政实现这一目标的关键要素，安全、准确、及时的掌握各类数据及内在关系，充分挖掘数据潜在价值，是财政管理走向科学化、精细化道路的必经之路。
1、为不同的人群提供科学、有效的数字依据。财政数据分析为决策者、内部管理者、部门合作者、社会公众等不通的人群提供不同的服务需求。为决策者提供经济发展趋势、产业发展战略、财政收支结构、区域经济情况等分析内容；为内部管理者提供一套完善、高效、灵活的应用系统，加强数据的分析、整合、应用；为部门合作者提高符合需求的数据结果，比如可以结合工商、税务、统计等部门形成一系列面向应用的综合分析主题，为不通的分析应用主题提供指导和相关的政策性建议；为社会公众提供本地区本部门的财政支出基本情况、部门预算情况、企业经营发展以及市场环境变化等相关公开信息，扩大公众的知情权和参与感。
2、强大的分析、统计功能，满足了各类分析需求。财政分析应用系统强大的系统功能满足了各类分析需求。引入了若干个分析模型：财政收入预测模型、财政收入景气指数、财政与经济分析模型、财源质量多变量评价模型、异常值分析模型、波士顿矩阵产业分析、财政支出偏好模型、集中度分析模型、部门支出翘尾指数等模型，以达到对未来财政收入的前景做出科学合理的判断，不仅可以反映当前财政波动所处的位置，还具有预测和预警功能，能让财政对经济的反作用起到调节和影响经济发展的作用，特别是从动态和静态两个方面对财源质量进行分析评价财政税收的财源优劣。
3、先进、灵活、安全的测算系统，为财政数据的储存、分析提供了有力保障。财政数据分析系统提供了数据转换机制，支持对不同数据口径的加工处理；提供了对各类业务数据指标定义机制，能够根据指标来实现数据的加工、储存以及分析处理；提供对各系统抽取数据的集中储存机制，采用合适的技术实现按照相关指标来进行数据的储存组织，支持后台的分析业务；提供维度分析机制，按照具体的业务需求进行数据的钻取、切片、聚合、旋转等常用的分析手段，满足综合管理的各类分析需求。通过以上功能实现了财政数据的分析加工的明细性和数据的安全性，有效的防止了分析数据的外泄。
二、财政数据分析应用系统的重要性
1、提供管理服务、辅助决策支持。基于财政收支和经济发展的相关数据，建立适用于本地区的经济发展分析模型和指标体系，了解区域内经济运行状况，全面掌握经济运行和财政收支情况，为创新发展思路提供前瞻，为转变发展提供参谋服务，为破解发展难题提供对策服务，为把握发展大势提供信息服务，为各级领导决策提供有效参考，对指导实践、推动经济发展产生积极作用。
2、促进财政科学化、精细化管理。加强财政数据的开发利用，有利于积累完善的财政基础数据库，在财政数据库的基础上，面向财政部门用户实现日常工作的数据报表和数据分析报告的计算机自动生成功能，通过灵活查询，自定义分析挖掘等功能，培养财政业务人员的数据分析能力，通过深入分析，可视化展现等模型的建立，逐步改变由传统的工作流程和思考方式转变为以数据为基础的工作思考方式钟来，从而促进财政部门科学化、精细化管理。
3、打造透明财政、数字财政的政府新形象。以数据为基础，以门户网站或展示屏为载体，建立面向社会公众的数据平台，提供以数据为内容的经济运行指标、财政收支状况、部门预算信息公开等，创新服务模式，打造透明财政和数字财政的政府新形象。
三、财政数据分析系统的成效
1、整理内部和外部信息资源，构建面向主题的数据资源中心。财政部门可以通过政府各部门间合作，实现财政、经济、统计等数据和研究成果共享，用以消除和消减部门间的管理间隙，努力实现政府各部门间协调管理。财政数据分析系统结合自身分析需要，按相应的分析主题建模，并引入必须的外部经济以及其他部门数据，形成一系列面向应用的综合分析主题数据库。
2、构建面向当地财政的数据分析应用平台。基于分析体系和分析模型，设计开发分析应用体系，构建符合当地财政数据分析应用平台，主要包括以下功能模块：经济运行监测、财政运行监测、财政收支与经济、部门预算执行、财政项目库、财源建设、专题分析、自定义分析、定制服务、系统管理等。
3、构建面向其他部门和社会公众的数据体系。财政数据综合应用系统的建设是一个系统工程，涉及的部门众多，社会关注度高。应及时主动向其他部门和社会公众公布财政政策和财政数据，积极稳妥地做好部门间的信息共享和信息公开工作，着力提高财政信息共享和信息公开工作的质量和水平。利用各种先进的技术和公开形式多样化，主要以大展示屏、触摸屏、互联网等为主要形式，将财政数据以简单直接、生动形象等可视化的方式传达给公众。按照党的十提出的“建立阳光政府”的理念，建立面向其他部门和社会公众的财政、经济数据平台，打造透明财政和数字财政的政府新形象。
参考文献：
[1]梅长林，范金城.数据分析方法.高等教育出版社.2006.2.
大数据经济分析篇9
关键词:财务经济分析;财务报表;office;VBa
1、引言
财务报表是对企业在某一会计期间的财务状况、经营成果和现金流量情况的报告,是企业所有经济活动的综合反映。财务经济分析是以财务报表分析为基础,体现财务活动与整个企业经济活动的紧密联系,以经济核算信息为起点,以财务资金分析与财务能力分析为中心,运用专业方法评价生产经济过程诸要素对财务活动的影响,藉以考核企业过去业绩,评估目前财务状况,预测未来发展趋势,为有关方面提供决策依据的管理活动。但是,国内有一些企业仅仅把财务报表视为向工商局、税务局或上级主管单位履行报告义务的工具,忽视了财务报表对于企业管理层分析企业财务和经营情况、对企业的财务和经营活动实施控制乃至决策的重要作用。即使是具有相对比较优势的上市公司分析其财务报表时,或者全部通过人工完成;或者借助于会计电算化软件所提供的一些财务比率,然后再通过人工形成分析报告;或者人工将报表输入至excel软件,并设定公式计算出财务比率,再用word形成文字分析报告。这在很大程度上削弱了会计信息对企业决策支持的价值。因此,在信息技术与通信技术迅速发展的今天,设计自动化财务经济分析系统,提升企业及时分析财务状况和经济效益的能力具有很重要的现实意义。
2、财务经济分析系统的一般需求
通过对财务经济分析系统进行深入系统地分析,可将其一般需求归纳为几个方面。
(1)广泛兼容的数据获取能力
财务经济分析首先是搜集数据,而这些数据的可能来源非常广泛,既可来源于企业本身的会计与业务管理信息,也可来源于现有的internet或办公信息系统的office电子表格,或者是传统的纸介质文档。财务经济分析系统应该具有从各种来源中获取、分析数据的能力。
(2)公式运算和数据预处理
为了达到财务经济分析的目的,一般直接使用数据访问功能得到的信息不一定能直接用于统计分析,在分析之前还需要进行多种公式运算和预处理。虽然某些工作可借助于数据库系统来实现,但有些可能无法实现或实现起来相当麻烦,因而设计良好的统计分析系统应能对数据进行多种形式的预处理。
(3)方便灵活的分析能力
不经过分析的财务报表对企业管理并无多少价值,财务报表主要由资产负债表、利润表和现金流量表以及相关的附表构成。经济活动的原始数据经过会计部门按照有关法规、会计准则和会计制度加工变成定期的报告,政府部门、股东单位或上级主管单位、银行(作为债权人)和企业的管理层都应该从各自的角度研究企业的财务报表,最后形成关于企业的观点或结论。然而,如果没有一套完善的财务分析系统对财务报表进行分析,很难对企业的盈利能力、回报能力、偿债能力、管理效率和发展能力的优劣形成观点或结论,财务报表本身对企业的控制或决策的作用就不能得到充分的发挥。但是,不同企业或者同一企业不同阶层、部门管理人员的管理需求决定了他们不同的分析需求,财务经济分析主要是为辅助决策服务,但决策过程是由管理者发起的具有相当大的不固定性的智能活动,因而财务分析系统不仅需要有友好的、易用的界面,而且还必须具有一定的可设计性,系统不仅应该尽量多地提供针对各种分析需求的分析模型,而且财务经济分析的最终用户能在原有系统的基础上,设计扩展具有满足特定要求的分析模型。
(4)报表与图形表现能力
财务经济分析系统中有相当大的一部分内容采用多种形式的报表或图形来表达,因而财务报表分析系统应该提供方便易用的报表设计与数据的图形表现形式。
(5)数据分析与文档报告的高度集成能力
财务经济分析的结果大多是以报告的形式给出,而且现存的大量资料也有许多是以office形式的电子文档存在,随着计算机信息技术的应用推广与普及,作为从事企业财务经济分析的专业人员应用计算机的能力也在不断增强,他们对office软件或类似软件能应用自如。因此,为了充分利用已有的人力资源,保护已有投资,财务经济分析应该能很好地集成现有的电子文档资料,而且用使用者熟悉的形式来表达。
3、基于office的财务经济分析系统的实现模型与体系结构
microsoftofficeexcel作为常用的电子表格软件,一方面,为报表所需要的界面表现形式多样化与用户可设计性提供了很好的解决方案;另一方面,其内部提供的大量函数和第三方提供的可加载宏(add-in)为基于office的财务分析模型打下了坚实的基础,而office对VBa的支持使集成与组织这些模型与函数成为可能;最后,office的模板技术不仅可以使具有创新能力的财务分析人员的专业能力成为企业财务分析人员共同的知识,而且能通过模板的不断积累形成形式一致的财务分析报告,更好地服务于企业的经营决策。
3.1、实现模型
office不仅有强大的报表功能,而且数据处理能力也十分强大,只要为其增加访问常用数据库,如access、SQLServer、oracle、DB2等的数据访问能力,在数据访问的基础上,将返回的数据让用户可以在其中对这些数据进行筛选、排序、查询、编辑、打印、公式运算与统计分析等;office的模板技术,不仅简化了财务经济分析人员的工作量,而且通过不断完善的模板库系统,可以提高财务经济分析的专业化水平,其实现模型如图1所示。整个模型结构由三大部分组成,第一部分是数据提取部分:主要实现从各业务处理系统生成的数据库中访问数据的功能;第二部分是业务处理或商业规则层:主要完成数据提取,并在获得数据的基础上,进行各种处理,在模型中表示为公式运算、财务经济分析与数据自动填注功能;第三部分是模板库:不仅完成界面的设计任务,而且实现模板的积累与共享。三部分有机地结合起来,依图1中的流程方向最后形成高水平的、规范的财务经济分析报告。这三部分既可依据流程的方向依次顺序完成,亦可并行地完成其中的多个部分,最后再形成完整的财务经济分析报告。
3.2、体系结构
依据系统的实现模型,可将财务经济分析系统的体系结构进一步细化。
系统不仅为用户提供多种分析方法与模型、丰富的用户企业信息系统财务数据、同行业公司财务数据、行业标准和全面的财务报表分析工具等,而且还能使用现有的模板自动形成具有行业水准的财务经济分析文字报告,及时辅助企业进行财务经济决策。
4、主要关键技术
4.1、在office中数据访问的实现
(1)连接数据库
在office中访问数据库一般需要通过下面四种方法中的某一种或几种的组合。
方法一:使用随office一起提供的工具microsoftQuery
在安装office时选择自定义安装,选择并安装office工具中的microsoftQuery.在安装完成后进入excel中,选择“数据/获取外部数据/新建数据库查询”,然后按向导的提示一步一步做,最后就可将数据返回到excel中。这种方法是大家常用的,也是最方便的,但这种方法只能对远程数据进行查询,不能对远程数据进行增加和修改。
方法二:使用aDo(随office2000安装而安装)
这种方法需要VBa编程(下面方法相同),在VisualBasic编程中,我们经常用aDo来访问数据。aDo是microsoft提供的针对各种各样数据源的新型高级编程接口,它支持大多数数据库操作,在office2000中应用aDo来访问数据是十分理想的方法。
方法三:使用oDBC加载宏
excel2000的功能是十分强大的,它自带了一个oDBC加载宏,只要在excel2000中引用这个宏文件xlodbc.xla,就可以通过它去访问我们建立的数据源。这种编程方法用着方便,也是一种好的访问远程数据方法,但是一般速度较慢。
方法四:直接调用SQLapi
这种方法比较复杂,调试也比较困难,但运行速度快,在进行大量查询数据和自己在api调用方面比较熟练时,可以用这个方法。
(2)数据访问信息的处理
不论采用哪种方式连接数据库,关键的要素有两个:数据源与查询SQL语句。从通用的角度考虑,应该是每个对象(如word中的表格、excel的单元格)都能保存这些信息。因而在设计时要找到对象的某个属性,用它来保存有关数据访问的信息。例如,可选择office中的批注对象完成类似的功能。
大数据经济分析篇10
关键词：重庆市；因子分析；聚类分析；经济发展状况
重庆是典型的大城市、大农村，其经济发展仍然处于非均衡发展的历史进程，各区县经济发展水平具有明显的地域差异。随着城乡综合配套改革试验区这一重大战略决策的实施，重庆的发展迎来了千载难逢的机遇。重庆各区、县只有对当前的经济发展状况有一个客观、全面的了解，才能更好地实现有效的区域整合。
近年来，社会统计分析软件在社会经济统计、工程技术以及教学科研等领域的研究已取得广泛应用。本文以重庆市内40个区县为研究对象，结合重庆市地域特点，综合运用多元统计中的因子分析和聚类分析，较大限度地避免人为因素所产生的偏差,对全市经济发展状况进行了定量化综合评价。在分析重庆市经济发展不平衡的特点和原因的基础上，探讨了经济发展的对策和思路，以期对未来经济发展状况的改善起参考作用。
1经济发展状况评价指标体系的构建
国内外学者对城市经济发展状况的评价指标体系进行了不少研究，但由于城市经济系统本身的复杂性，以及城市经济发展状况评价指标体系的理论尚有待深入，所以目前还没有一种公认的、可靠的评价方法。本文在遵循科学性、全面性、可操作性原则的基础上，参阅相关文献并结合重庆市现状，构建了以下影响城市经济发展状况的8项指标作为评价指标体系：地区生产总值（万元），工业总产值(万元)、公路货运量(万吨)、建设与改造投资(万元)、社会消费品零售总额指数(上年＝100)、城乡居民储蓄(万元)、城镇居民最低生活保障人数（人）、专业教师数（人）作为分析样本，数据来源——重庆统计年鉴［2006］。所采用的分析软件是SpSS13.0。
2模型方法概述
2.1因子分析
因子分析属于多元分析中处理降维的一种统计方法，它是主成分分析的推广和发展，它也是将错综复杂关系的变量（或样品）综合为数量较少的几个因子，以再现原始变量与因子之间的相互关系，同时根据不同因子还可以对变量进行分类。
Z因子分析的数学模型。
通常针对变量作因子分析，称为R型因子分析，另一种对样品作因子分析，称为Q型因子分析。R型因子分析写成数学的形式，就是下面的模型：假定随机向量X满足:
X=a•F+ε
其中a是p×m的常数矩阵，称为因子载荷矩阵；F=(F1,…,Fm)是不可观测的向量，F称为X的公共因子；ε称为X的特殊因子，通常理论上要求ε的协方差阵是对角阵，ε中包括了随机误差，且
ⅱ）Cov(F,s)=0即F和ε是不相关的；
ⅲ）D(F)=im即不相关且方差皆为1。
因子分析的目的就是通过模型X=aF+ε以F代替X，由于m2.2聚类分析
聚类分析是统计学中研究“物以类聚”问题的多元统计分析方法，在统计分析的应用领域已经得到了极为广泛的应用。
聚类分析至今，有许多种不同的聚类方法，其中应用得最多、最成熟的方法为系统聚类法，也是本文将采用的方法。其思路为：首先将每个数据对象各视为一类，根据类与类之间的距离或相似程度将最相似的类加以合并，再计算新类与其它类之间的相似程度，并选择最相似的类加以合并，这样每合并一次就减少一类，不断继续这一过程，直到所有数据对象合并为一类为止。
3实证分析
3.1因子分析结果
运用因子分析法，借助SpSS对以上数据进行分析处理，在处理过程中采取以下步骤：（1）遵循系统性、科学性、可操作性的原则，对所有指标的原始数据进行标准化，消除量纲的影响。由标准化后的数据求协方差矩阵，即原始数据的相关矩阵，判断能否进行因子分析；（2）根据公共因子在变量总方差中所占的累计百分比例，一般为大于85%规则，确定描述数据所需要的公共因子数；（3）公共因子的命名和意义解释。运行结果如下：
在表2中，按照提取原则即特征值大于1，选入3个主成分，其方差累计贡献率达88.08%，即反映了原始信息的88.08%，这三个因子就可以解释原始数据的大部分信息了。我们将这3个主成分作为评价重庆市40个区、县经济发展状况的综合参量。
从表3可以看出，地区生产总值、工业总产值、城乡居民储蓄、公路货运量等四个指标与第一主成分的相关系数较高，主要反映了经济总量状况及其环境状况；专任教师数在第二主成分上的载荷较大，即与第二主成分相关程度较高；消费总额指数在第三主成分上的载荷较大，即相关系数较高。因此我们可将主成分命名如下：
第一主成分：产出主成分；
第二主成分：教育主成分；
第三主成分：消费主成分。
把我市40个区、县的经过标准化的数据(X1，X2，…，X8)代入对应的线性模型，可以得到各地区的主成分值，并以各主成分的方差贡献率为权重进行加权汇总，得到综合得分F(其中F=0.0113×F1＋0.1412×F2＋0.7821×F3)。
3.2聚类分析结果
运用SpSS的系统聚类法，根据各个地区的综合得分值进行分类，共将重庆市40个区、县划分为三类：第一类渝中、九龙坡、江北、双桥、沙坪坝、大渡口、南岸、渝北、万盛、长寿；第二类巴南、北碚、梁平、永川、黔江、大足、铜梁、合川、荣昌、南川、潼南、江津、酉阳、武隆；第三类壁山、万州、巫溪、巫山、忠县、丰都、开县、秀山、綦江、石柱、涪陵、奉节、彭水、云阳、垫江、城口。
4结论和对策
通过上述分析，不难看出：
（1）重庆市40个地区社会经济发展存在着明显的差异：第一类区县大部分分布在都市发达经济圈，第二、三类区县几乎均处于渝西经济走廊与三峡库区生态经济区。
（2）渝中区综合经济实力得分远远高于其他9个，这说明渝中区已成为整个重庆经济的发展极。其中江北、沙坪坝、九龙坡、南岸、渝北五区在地理位置上和渝中区相临，受经济辐射作用应影响，经济综合实力较强；巴南区、北碚区虽然位于都市发达经济圈，有着特殊的区位优势，但是由于受周边江北、沙坪坝等五区的经济回波效应影响，抵消了经济的辐射作用，所以综合实力得分较第一类地区低；壁山、万州等l6个区县大多为边远山区和少数民族地区，由于这些地区的交通不发达，这些地区的专业优秀人才大多流向一、二类地区，因此使得这些地区与第一、二类地区间经济发展差距有扩大的趋势。
（3）基于较大地区间经济发展的差距，重庆市要对以往三大经济圈的发展战略加以完善、发展和提升，切实贯彻并实施“一圈两翼”的新战略。努力增强一小时经济圈的带动辐射能力，加快以交通和水利为重点的基础设施建设，增加区域发展潜力。积极发展特色产业，加快区域经济社会发展，逐步缩小市域的城乡差距和区域差距，形成大城市带大农村的整体推进格局。
参考文献
［1］陈道平,刘伟．基于微小型汽车市场的影响消费者购买行为的消费者特性分析［J］．消费经济，2005，(6)．