人工智能经管顶刊论文+数据+代码（2020-2024年）

原创已于 2024-12-18 16:27:50 修改 · 265 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #数据分析

于 2024-11-14 11:26:41 首次发布

人工智能（Artificial Intelligence，简称AI）是当今世界最具活力和变革性的技术领域之一。它通过模拟、延伸和扩展人类智能，使计算机系统具备感知、理解、推理、学习和决策的能力。

数据来源

《中国工业经济》、《数量经济技术经济研究》

时间跨度

2020-2024年

数据范围

文章、数据、代码、附录

部分数据展示

【下载→

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

经管数据库

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【行业应用篇】【论文党必看！DeepSeek从开题到答辩的7层外挂buff 】

商务合作|问题讨论|交流学习请联系作者微信，加微信请务必注明来意，博客主页有联系方式

03-10

575

凌晨三点，实验室的小王盯着电脑屏幕快疯了——导师刚毙了他的第三个选题，文献综述像乱炖火锅，查重率还飙到38%。隔壁工位的老李默默甩过来一串DeepSeek指令：“试试这个，昨天刚用它搞定了大论文，连致谢都是AI写的！

【学术会议论文征稿】【13位院士坐镇主会场】【经管、计算机相关】第六届国际科技创新学术交流大会暨管理科学信息化与经济创新发展学术会议（MSIEID 2024）

kk19022030842的博客

09-09

1116

河海大学、西南科技大学、湖南大学、新加坡南洋理工大学、意大利博洛尼亚大学、西班牙萨拉曼卡大学、马来西亚理工大学、挪威阿哥德大学、中国联通研究院、浙江大学海南研究院、厦门大学智能系统与计算实验室、智能光子应用技术实验室、三亚纵横能源研究院、AIR Institute、BISITE Research Group、IoT Digital Innovation Hub。IEEE PES智慧楼宇、负载和客户支持系统卫星技术委员会（中国）、华南理工大学、广东省艾思信息化学术交流研究院、艾思科蓝。

参与评论您还未登录，请先登录后发表或查看评论

人工智能顶刊-文章+数据+代码合集（2020-2024）

samLi0620的博客

07-31

542

来源于《中国工业经济》和《数量经济技术经济研究》：文章、数据、代码、附录。：2020-2024年。

论文复刻：人工智能如何提升企业生产效率数据+代码（2007-2024年）

xiaozhuzhu1995的博客

12-08

254

1]姚加权,张锟澎,郭李鹏,等.人工智能如何提升企业生产效率？——基于劳动力技能结构调整的视角[J].管理世界,2024,40(02):101-116+133+117-122.数据名称：《管理世界》复刻：人工智能如何提升企业生产效率。更多说明：包含原始数据、基准回归dofile。方式一（推荐）：主页 *个人* 简介。时间范围：2007-2024年。更新时间：2025年11月。数据范围：上市公司企业。样本数量：69941条。数据来源：上市公司年报。

经管顶刊机器人相关论文数据、代码复刻合集（2022-2024）

xiaozhuzhu1995的博客

11-18

276

机器人的概念可以追溯到古代，如古希腊的自动装置和中国的指南车等。但现代意义上的机器人，则与工业革命和科技发展紧密相连。从简单的机械装置到复杂的智能机器人，机器人的发展经历了漫长的历程。数据来源于《中国工业经济》、《世界经济》和《数量经济技术经济研究》。文章、数据、代码、附录。2022-2024年。

论文复刻：2007-2024年人工智能技术应用如何影响企业创新数据+代码

paperdata666的博客

12-09

581

基于上市公司年报和MD&A提取AI关键词频，分别利用上市公司年报和年报中MD&A中人工智能词频和来衡量AI技术应用；其中，将上市企业年报中AI技术关键词数量加1取对数来衡量AI技术应用A，将MD&A中人工智能词频和加1取对数来衡量AI技术应用B。基于2007-2024年中国A股上市公司数据，实证分析人工智能技术对上市公司创新的影响效应参照李玉花（2024）的做法，对来自《中国工业经济》《人工智能技术应用如何影响企业创新》一文中的基准回归部分进行复刻，包括原始数据、处理dofile，基准回归代码。

论文复刻：人工智能发展如何提升供应链韧性数据+代码（2017-2024年）

paperdata666的博客

07-29

539

本次使用2017-2024年上市公司企业面板数据，通过实证回归，研究和分析人工智能发展如何提升供应链韧性。研究发现：人工智能发展通过缓解采购和分销渠道多样性不足以及资金配置有效性问题来提升供应链韧性；——基于上市公司的经验证据[J].浙江大学学报(人文社会科学版),2024,54(06):5-23.参照邓慧慧等（2024）的做法，本团队对《人工智能发展如何提升供应链韧性？数据整理：内含原始数据、处理代码和基准回归结果。数据名称：人工智能发展如何提升供应链韧性？数据范围：上市公司企业。

2010-2024年上市公司AI技术与AI叙事词频数据

paperdata666的博客

11-11

725

在数字经济深度渗透与 AI 技术快速迭代的背景下，上市公司作为市场创新主体，其 AI 技术应用布局与 AI 叙事表达（即管理层对 AI 价值、战略的阐述）已成为反映企业技术竞争力与发展潜力的核心维度。该数据可支撑学术界探究企业 AI 战略演化规律、AI 叙事与技术落地的协同性，以及 AI 因素对企业绩效、市场估值的影响机制，同时为政策制定者评估 AI 产业政策在企业层面的传导效果提供微观数据支撑，填补了现有研究中 “企业 AI 叙事文本量化” 与 “技术实践关联分析” 的数据空白。数据层级为上市公司级;

三种模型！上市公司投资效率、非效率投资数据+stata代码（2000-2023年）

paperdata666的博客

05-27

896

投资效率指的是公司通过资本投入所获得的收益与成本之间的比例，而非效率投资指的是公司进行的那些没有带来预期回报或未能最大化资本使用效益的投资，这些非效率投资会影响企业的长期发展和财务健康。本分享数据采用Richardson（2006）模型、Biddle（2009）模型以及Chen（2011）模型对上市公司投资效率及非效率投资进行测算。[6]闫伟宸,肖星,王一倩. 国企性质、高管特征和投资效率[J]. 科研管理,2020,41(8):148-159.数据名称：上市公司投资效率及非效率投资数据。

2024年更新经管类期刊投稿全攻略-社科数据

paofuluolijiang的博客

04-23

478

数据主要来源于学术论坛公开投稿案例、期刊官网发布的审稿流程说明，以及《经济研究》《管理世界》等顶刊近年收录论文的选题分析。其中，政策导向型期刊（如《中国工业经济》）偏好“双碳目标”“共同富裕”等本土化议题，而方法论强刊（如《统计研究》）则注重DID、RDD等因果推断技术的应用。学科名称、期刊名称、CN 号/ ISSN、发表难度、月均经管类文章刊发情况、月均经管类文章刊发量、序号、刊名、学科、备注、证书、学科门类、学科代码、学科、排序（排名）、中文刊名、变化情况、发表难度等。

2007-2024年地级市数字人民币试点DID数据

xiaozhuzhu1995的博客

08-14

1169

早在2014年，中国人民银行便着手开展数字人民币（e-CNY）的研发工作，并于五年后进入实际测试阶段，试图通过技术创新优化金融服务的包容性与支付系统效能。数据来源：2019年-2024年间中国人民银行关于数字人名币试点城市情况陆续发布的函数字人民试点地区中，雄安新区，西双版纳傣族自治州由于不属于市级范畴，东方市，琼海市，文昌市，万宁市，三沙市属于县级市，此数据仅针对地级市，故上述地区没有整合进表格中，另外，本数据集同时参照上述论文中的方法，选取31个省份（剔除香港特别行政区、澳门特别行政区和台湾地区）。

实证数据-2024年省市县三级行政区划数据（审图号：GS（2024）0650号）-社科经管.rar

05-21

该数据为2024年中国省市县三级行政区划矢量数据，审图号GS（2024）0650号，适用于社会科学及经济管理领域研究。数据格式为SHP，坐标系为GCS_WGS_1984，涵盖全国23个省、5个自治区、4个直辖市、2个特别行政区及下属...

【计算和数据分析方向征稿】2024年智能计算与数据分析国际学术会议（ICDA 2024)

AEIC_GAO的博客

04-18

1445

自2016年以来，他曾七次被评为“科学高被引研究员”，两次被评为“世界最佳”研究领域(2019年计算系统和2021/2022/2023年软件系统)，两次被澳大利亚研究评论评为“工程和计算机科学”学科的“终身成就者”和“研究超级明星”(2019年和2021年)。本届会议拟邀请数据分析和计算智能领域的顶级专家、学者和产业界优秀人才，围绕当前技术发展、应用探索以及共同关注的科学问题，积极探索数据科学与计算智能领域内的新途径和新方法，以期为该领域研究的可持续发展提供有益的决策支撑和较为强大的助推力。

和鲸101计划：R语言医学数据分析，复现顶刊图表

ModelWhale的博客

06-17

1122

本次训练营由上海交通大学医学院副研究员张维拓老师联合和鲸社区共同发起，是面向医学生、临床医生及相关从业人员开展的医学数据科学推广公益活动，旨在帮助大家快速入门 R 语言，了解临床研究标准分析流程，并能在论文复现的过程中学会做出符合顶刊发表要求的论文图表。

如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡

一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8

12-11

874

如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡

深度学习下载包时可能会遇到的问题及解决方案

m0_50481455的博客

12-09

490

若确实下载安装了CUDA ，但是此时输出的CUDA是否可用为否，应该是torch的版本为cpu版本导致，刚刚的下载包的语句如果总是下载的是cpu版本，我们考虑直接去网站下指定包，再进行安装。CUDA Version表示的是驱动支持的最高 CUDA 版本，去官网下载 CUDA ，我这里是12.2，表示下载的版本最大只能是12.2。然后下载包时，比如本地环境是Python3.9，找包下载时候，3.9要下对应cp39的包。下载好后，执行语句安装。

精品数据分享 | 锂电池数据集（七）同济大学电池数据集

12-11

677

本期继续分享一篇Nature communicationTop论文公开锂离子电池数据，划重点-数据集开源，代码开源！！！

vLLM推理引擎教程4-离线推理功能

最新发布

benben044的专栏

12-12

351

本文介绍了使用vLLM框架优化推理性能的多种方法。主要内容包括：1）基础文本生成、对话式推理、文本分类和嵌入提取四种任务的基本实现；2）自动前缀缓存功能，通过共享KV缓存加速长上下文处理；3）使用YARN方法扩展模型上下文长度；4）多模态任务处理示例（Whisper语音识别）；5）底层LLMEngine API的使用。文章通过具体代码示例展示了如何设置参数实现各类推理优化，包括温度调节、top-p采样、缓存复用等技巧，适用于文本生成、分类、嵌入等多种NLP任务场景。

观成科技:Zloader木马家族加密流量分析

GCKJ_0824的博客

12-12

421

摘要：Zloader木马最初作为银行木马Zeus的下载器，现被广泛用于勒索软件投递。其采用多种加密通信技术规避检测：1）DGA技术生成随机域名；2）DNS隧道隐藏数据；3）HTTPS加密通信；4）Websocket掩码加密。最新版本通过会话密钥强化DNS隧道加密。观成科技利用AI模型结合TLS指纹检测HTTPS加密流量，持续通过行为分析和机器学习应对加密威胁。研究表明，恶意软件正不断升级流量对抗技术，凸显加密流量检测的重要性。（149字）

人工智能，大数据领域顶刊论文读书报告

06-20

### 人工智能与大数据领域顶刊论文读书报告示例在撰写关于人工智能和大数据领域的顶刊论文读书报告时，可以参考以下结构和内容。以下是基于该领域常见论文的读书报告模板，同时结合了相关学术写作规范[^1]。 #### 1. 论文基本信息 - **标题**：明确写出论文标题。 - **作者**：列出所有作者姓名及所属机构。 - **发表期刊/会议**：注明论文发表的具体期刊或会议名称，以及出版年份。 - **DOI**（可选）：提供论文的数字对象唯一标识符（DOI），便于读者快速定位原文。 #### 2. 摘要概述简要总结论文的核心贡献、研究背景及主要方法。这部分应控制在一段话内，重点突出论文的关键点，例如： ```markdown 本文探讨了一种新的深度学习框架，用于解决大规模数据集中的特征提取问题。通过引入自适应注意力机制，该模型显著提升了分类任务的准确率[^2]。 ``` #### 3. 研究背景与动机详细描述论文的研究背景及其重要性。解释为什么选择这一主题进行深入分析，并说明其在人工智能或大数据领域的实际应用价值。 ```markdown 随着互联网技术的发展，非结构化数据量呈指数级增长，传统机器学习方法已难以应对如此庞大的数据规模。为此，研究人员提出了一系列基于深度神经网络的解决方案，其中Transformer架构因其强大的表示能力而备受关注[^3]。 ``` #### 4. 方法论详细介绍论文采用的技术方法或算法设计。对于复杂的数学公式或代码实现，建议使用代码块展示以增强可读性。 ```python # 示例代码：简单的神经网络训练过程 import torch from torch import nn, optim class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc = nn.Linear(100, 10) def forward(self, x): return self.fc(x) model = SimpleNet() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` #### 5. 实验结果与分析总结论文中的实验设置、数据集选择以及最终结果。特别关注论文中使用的评估指标及其意义。 ```markdown 实验部分采用了ImageNet数据集对模型性能进行了全面测试。结果显示，在保持较低计算成本的同时，该模型的Top-1准确率达到了85%，优于当前主流方法约3个百分点[^4]。 ``` #### 6. 局限性与未来工作客观评价论文的优点与不足之处，并提出可能的改进方向或后续研究思路。 ```markdown 尽管该研究取得了显著成果，但仍存在一些局限性。例如，模型对小样本数据的表现不佳，且参数调优过程较为耗时。未来工作可考虑引入迁移学习策略以缓解上述问题[^5]。 ``` #### 7. 个人见解结合自身理解，分享对论文的看法或启发。这部分体现了读者的独立思考能力，是读书报告的重要组成部分。 --- ###