econ
01-05 00:00
本文指出，在存在空间或网络互动的经济环境中，即使正确识别了互动结构，因果效应也并非唯一确定的。关键在于明确的反事实假设——即当某个企业受到干预时，其他企业的结果如何调整。研究形式化了三种有经济意义的反事实机制：局部均衡、局部互动和网络一致均衡，并证明标准空间自回归估计对应不同的因果效应，取决于采用哪种机制。网络均衡因果效应需要比直接或局部效应更强的识别假设，且网络反馈可能放大估计偏差。
因果推断网络效应空间计量反事实分析企业互动
econ
01-05 00:00
本研究通过随机对照实验，在印度二线城市检验了三种信息干预对电动汽车购买意愿的影响。实验设置了成本、续航和规范三种干预组。结果显示，旨在减少行为和心理障碍的续航干预（强调技术可靠性）和规范干预（强调社会认同）效果显著，而单纯的成本干预（强调经济性）效果不显著。这表明，仅靠经济动机不足以促进电动汽车普及，必须同时解决技术焦虑并善用社会规范。研究为需求侧政策工具提供了新见解，即财政激励应与其他信息干预相结合，以低成本有效推动可持续交通技术采纳。
电动汽车采纳行为干预随机对照实验可持续交通社会规范需求侧政策
econ
01-05 00:00
本研究提出TWICE框架，利用梯度提升树直接对工资的条件函数进行建模，以可解释的、基于可观测变量的数据分区替代传统的潜在固定效应。该方法在牺牲捕捉特定不可观测因素能力的同时，增强了模型对抽样噪声的稳健性及样本外预测的可移植性。应用于葡萄牙行政数据表明，TWICE在样本外预测上优于线性基准模型，并揭示出劳动力与企业的匹配排序及非线性互动对工资差异的解释力，远超标准AKM模型的估计。
工资不平等机器学习可解释性劳动力市场非线性模型经济计量
econ
01-05 00:00
本研究首次提出一个基于Lévy过程的综合随机信任模型，以克服经典离散模型在捕捉突然行为转变、极端波动或合作突然崩溃方面的不足。该模型整合了三个核心成分：代表日常波动的布朗运动、捕捉冲击频率的泊松跳跃强度，以及跳跃幅度的随机分布。通过四个关键模拟场景和详细的参数敏感性分析（使用3D和等高线图），研究证明该模型不仅能模拟“信任突然崩溃”、“混沌波动”和“非线性恢复”等现象，而且在数学上更先进，能更真实地刻画社会、经济及地缘政治系统中脆弱且由跳跃驱动的行为动态。
信任动态lévy过程随机模型行为跳跃社会经济学模拟分析
econ
01-05 00:00
本研究提出了一种基于大型语言模型（LLM）的智能体框架，用于自动化求解基数约束均值-方差投资组合优化（CCPO）这一混合整数二次规划（MIQP）难题。该框架旨在替代传统繁琐的手动启发式算法开发流程，通过智能体自动化处理复杂工作流并生成优化算法。在基准测试中，该框架的性能与当前最先进的算法相当，同时显著降低了算法开发的工作量，在最坏情况下仅报告了可接受的较低误差。
投资组合优化llm智能体组合优化算法自动化金融科技
econ
01-05 00:00
本文构建了一个连续框架分析金融传染，同时纳入地理邻近性与银行间网络关联。该框架通过主方程刻画压力传播，其解具有Feynman-Kac表示，可视为空间-网络空间中随机路径上的预期累积压力。由此推导出一般均衡放大因子——一种衡量系统性重要性的结构性指标，捕捉局部冲击后总系统效应与直接效应的比率。该因子可自然分解为空间、网络及交互成分，揭示各机构系统性风险的主要传导渠道。实证基于2008年金融危机与COVID-19疫情期间的38家全球银行，表明放大因子能有效识别系统重要性机构（与危机期间股价下跌的Pearson相关系数 $\rho = -0.450$，$p = 0.080$），并具有样本外预测能力（COVID-19期间 $\rho = -0.352$）。使用与Feynman-Kac积分更直接相关的累积异常收益进行稳健性检验，进一步强化了结论（$\rho = -0.512$，$p = 0.042$）。
金融传染系统性风险一般均衡网络模型跨危机分析银行体系
econ
01-05 00:00
经典市场设计理论基于静态模型，而现代数字平台市场本质上是动态的，其供需以异步、随机的方式到达。本章综述了将市场设计引入动态环境的最新研究，重点介绍一种方法论框架：通过分析系统的长期稳态分布，将复杂的动态问题转化为可处理的静态规划。研究探讨了在无法使用货币转移时，如何设计优先级规则和信息政策来出清市场并筛选参与者；以及在可以使用货币时，如何管理参与者和商品的队列，以平衡供需的跨期错配，并将竞争压力分散到不同时间。
市场设计动态匹配平台经济排队理论稳态分析
econ
01-05 00:00
本文针对未来模块化车辆或无人机容量有限、需多单元同时服务大客户（需求超单机容量）的场景，提出同步访问的按需出行问题（DARP-SV）。研究比较了四种数学规划模型：基于弧、基于事件、基于时空事件（TSEF）和基于时空片段（TSFrag），并应用动态离散化发现（DDD）算法迭代优化连续时间解。计算结果表明，在低请求强度下，基于事件的模型表现最佳；而在高请求强度下，结合DDD的TSFrag模型效率最高，显著优于传统基于弧的模型。该研究为大规模协同物流调度提供了有效的优化框架。
车辆路径规划协同配送数学优化无人机调度动态离散化
econ
01-05 00:00
本研究针对观测性网络数据中普遍存在的网络干扰与未观测混杂双重挑战，提出了一个融合双重负控制与图神经网络的广义双重差分框架。在修正的平行趋势假设下，该框架实现了对直接与间接因果效应的半参数识别，并构建了双重稳健估计量。核心方法结合图神经网络与广义矩估计，以处理高维协变量与网络结构信息。理论证明，在ψ-网络依赖与近似邻域干扰条件下，估计量具有渐近正态性。模拟实验验证了其有限样本性能，并应用于分析中国绿色信贷政策对企业绿色创新的影响。
因果推断双重差分图神经网络网络干扰未观测混杂双重负控制
econ
01-05 00:00
本研究探讨了声誉廉价谈话环境中专家识别问题。法官需在一位完美观察状态的专家与一位无信息的庸医之间做出选择，两者都希望被选中。研究发现，存在一种均衡：专家保持诚实，而法官倾向于更极端的信号。这种对极端主义的偏向并未导致专家夸大其词，反而维持了真实沟通。庸医会策略性地模仿专家言论，有时迎合法官的先验信念。研究揭示了“信息孕育信息”的特性：拥有更精确私人信息的法官更可能识别专家并了解真实状态，这意味着接触可靠性不确定的竞争信息源可能加剧受众间的信息不平等。
声誉模型廉价谈话专家识别信息传递博弈均衡信息不平等
econ
01-05 00:00
本文提出了一个连续时间渐近框架，用于分析数据收集与处理分配随信息动态调整的自适应实验。针对完全自适应实验中策略序列缺乏明确定义渐近极限的难题，研究聚焦于经验分配过程（即随时间分配给各处理的观测比例）。研究表明，在一般条件下，任何自适应实验及其经验分配过程，均可由具有未知漂移的高斯扩散及其对应的连续时间分配过程所定义的极限实验来近似。该极限表示通过降低状态空间维度和利用高斯扩散的可处理性，为分析最优决策规则提供了便利。应用此框架，研究推导了最优估计量，分析了自适应实验的样本内遗憾，并构建了适用于任意时间有效推断的e-过程。
自适应实验连续时间渐近高斯扩散经验分配过程最优决策任意时间推断
econ
01-05 00:00
本文为向量自回归运动定律提供了所有解集的完整描述。证明每个解均可分解为三个分量之和，分别对应三种时间流向：一个从任意遥远的过去向前流动，一个从任意遥远的未来向后流动，一个从时间零点向外流动。这三个分量通过应用三个互补的谱投影得到，对应于根据自回归系数矩阵特征值位于单位圆内、外或之上进行的分离。研究建立了所有解集与有限维初始条件空间之间的一一对应关系。
向量自回归谱投影时间流向特征值分离解集结构初始条件
econ
01-05 00:00
本文研究观察者如何向多位关心自身声誉且精度未知的专家学习。模型核心在于，观察者需同时学习一个持久状态并对专家进行排名。在二元基准模型中，作者刻画了每期均衡：高能力专家诚实报告；低能力专家则会进行单边扭曲，并在先验附近以闭式混合策略行动。信息聚合表现为对数似然比的加性形式。研究发现，轻触式设计（如使用严格适当评分规则的评估窗口，或引入微小凸偏离成本）能恢复严格信息性，并在设计下实现渐近效率（即一致的状态学习和声誉识别）。高斯扩展模型导出了一个模仿系数和线性滤波方法。当存在共同冲击时，广义最小二乘权重是最优的，而相关性会减缓学习速度。该框架适用于咨询小组、政策委员会和预测平台，并产生了透明的比较静态结果和可检验的推论。
社会学习专家声誉信息聚合贝叶斯学习机制设计预测平台