论文中的“东中西部”到底如何划分?权威解答+代码

文章探讨了技术进步如何影响中国不同地区的能源强度,将地区分为东部、中部和西部,发现技术进步可能导致产业结构扭曲,进而影响能源效率。同时,普惠金融对经济发展的作用也在文中得到多维度分析,显示了其在促进区域经济增长中的重要角色。通过对工业产能利用率的考察,揭示了行业和地区间的差距及其影响因素,并进行了回归模型分析,以进一步理解这些关系。
摘要由CSDN通过智能技术生成

1. 技术进步和产业结构扭曲对中国能源强度的影响(经济研究2021)(不包括西藏)

东部组包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南 (11个)

中部组包括山西、吉林、黑龙江、河南、湖北、湖南、安徽、江西 (8个)

西部组包括内蒙古、重庆、四川、广西、贵州、云南、陕西、甘肃、青海、宁夏、新疆 (11个) 西藏

2. 普惠金融与中国经济发展:多维度内涵与实证分析(经济研究2020)

东部地区包括: 北京、福建、广东、海南、河北、江苏、辽宁、山东、上海、天津、浙江 (11个)

中部地区包括: *重庆*、安徽、黑龙江、河南、湖北、湖南、江西、吉林、山西 (9个)

西部地区包括: 甘肃、广西、贵州、内蒙古、宁夏、青海、陕西、四川、新疆、云南、*西藏* (11个)

3. 国家统计局参考常见问题解答(http://www.stats.gov.cn/tjfw/tjzx/zxgk/202107/t20210730_1820095.html)

目前,统计中所涉及东部、中部、西部和东北地区的具体划分为:

东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南10省(市);

中部地区包括山西、安徽、江西、河南、湖北和湖南6省;

西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆12省(区、市);

东北地区包括辽宁、吉林和黑龙江。

(中国工业产能利用率: 行业比较、地区差距及影响因素【中国工业经济2015】) */

cd "E:\10-其他项目\bilibili"  // 数据路径,使用自己电脑province文件路径

use province,clear

tab province  // 全称

drop if province == "开曼群岛" | province == "香港特别行政区"

ssc install inlist2,replace

inlist2 province,values(北京市,天津市,河北省,辽宁省,上海市,江苏省,浙江省,福建省,山东省,广东省,海南省) name(East)

inlist2 province,values(山西省,吉林省,黑龙江省,河南省,湖北省,湖南省,安徽省,江西省) name(Middle)

inlist2 province,values(内蒙古自治区,重庆市,四川省,广西壮族自治区,贵州省,云南省,陕西省,甘肃省,青海省, 宁夏回族自治区,新疆维吾尔自治区,西藏自治区) name(West)

sum East Middle West

*与其他财务数据合并起来;

*进行回归的时候(假设主检验使用的OLS)

xi: reg y x controls i.accper i.industry,robust  // 全样本

xi: reg y x controls i.accper i.industry if East == 1,robust  // 东部地区样本

xi: reg y x controls i.accper i.industry if Middle == 1,robust  // 中部地区样本

xi: reg y x controls i.accper i.industry if West == 1,robust  // 西部地区样本

作者:小志小视界 https://www.bilibili.com/read/cv17280079 出处:bilibili

在Vision Transformer的原论文,位置编码是通过对输入序列的位置信息进行编码来实现的。具体来说,位置编码向量被加到输入嵌入向量,以便模型可以知道输入序列每个元素的位置。 在代码实现,位置编码是通过以下方式实现的: ```python class PositionalEncoding(nn.Module): def __init__(self, d_model, dropout=0.1, max_len=5000): super(PositionalEncoding, self).__init__() self.dropout = nn.Dropout(p=dropout) pe = torch.zeros(max_len, d_model) position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1) div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model)) pe[:, 0::2] = torch.sin(position * div_term) pe[:, 1::2] = torch.cos(position * div_term) pe = pe.unsqueeze(0).transpose(0, 1) self.register_buffer('pe', pe) def forward(self, x): x = x + self.pe[:x.size(0), :] return self.dropout(x) ``` 在这里,我们定义了一个名为`PositionalEncoding`的类,它继承自`nn.Module`类。这个类的构造函数包括`d_model`,`dropout`和`max_len`三个参数。 在`__init__`函数,我们首先创建一个大小为`(max_len, d_model)`的0张量`pe`,表示位置编码向量。我们使用`torch.arange`函数创建一个大小为`(max_len, 1)`的张量`position`,表示输入序列每个元素的位置。接下来,我们使用`torch.exp`函数计算`div_term`,它是一个大小为`(d_model/2,)`的张量,用于计算正弦和余弦函数的系数。然后,我们使用`torch.sin`和`torch.cos`函数计算正弦和余弦函数的值,并将它们分别存储在`pe`的偶数和奇数列。最后,我们在`pe`的第一维上添加一个新维度,并将其转置,以便与输入张量`x`的形状匹配。 在`forward`函数,我们将位置编码向量`pe`添加到输入张量`x`,并通过`dropout`层进行处理。最后,我们返回处理后的张量。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值