resumen resumen resumen resumen resumen resumen resumen resumen resumen resumen resumen re, Resúmenes de Derecho Administrativo

¡Descarga resumen resumen resumen resumen resumen resumen resumen resumen resumen resumen resumen re y más Resúmenes en PDF de Derecho Administrativo solo en Docsity! ARTÍCULO S CL1 RESUMEN 1. Spatial impact of digital finance on carbon productivity Sobre la base de la productividad del carbono medida por datos de panel de 201 ciudades para el período 2011-2020, este estudio aplica el modelo Dubin espacial y el modelo de regresión de umbral para explorar el impacto de las finanzas digitales en la productividad del carbono, arrojando las siguientes conclusiones clave. En primer lugar, la heterogeneidad de la distribución espacial de la productividad del carbono en la región oriental de China es mayor que en la región occidental, y tanto la productividad como las finanzas digitales se caracterizan por una aglomeración espacial de puntos alta-alta. Al mismo tiempo, la financiación digital ejerce un efecto de propagación espacial sobre la productividad del carbono, y el aumento de los niveles locales de financiación digital incrementará la productividad del carbono en las zonas vecinas. El análisis de heterogeneidad indica que el efecto indirecto de la financiación digital en las aglomeraciones urbanas y las regiones orientales es más significativo. En tercer lugar, la inversión en activos fijos tiene un efecto moderador no lineal positivo sobre la financiación digital, mejorando así la productividad del carbono. La economía mundial atraviesa actualmente una recesión, y las exigencias de reducción de las emisiones de carbono a las que se enfrentan muchos países son cada vez más urgentes. 2.Determinants of sharia life insurance productivity in Indonesia Esta investigación puede dar a la dirección de seguros una visión general de sus niveles de productividad y de los factores que afectan a la productividad. Según los resultados del IPM, las empresas de seguros de vida islámicos de Indonesia aún no han alcanzado la productividad. 5. Long-lead daily streamflow forecasting using Long Short-Term Memory model with different predictors Región de estudio: Cuenca del río Yangtsé. Enfoque del estudio: Las técnicas de aprendizaje automático se han aplicado ampliamente a la predicción del caudal de los ríos a corto plazo, y se han introducido cada vez más predictores para mejorar las habilidades predictivas. Sin embargo, el efecto de diferentes predictores y sus combinaciones a largo plazo aún no ha sido explorado. En este estudio, se utiliza el modelo de Memoria a Corto y Largo Plazo (LSTM) para pronosticar el caudal diario en el río Yangtsé durante las temporadas de inundaciones con anticipación de 1 a 30 días, utilizando diferentes combinaciones de caudal, precipitación, humedad del suelo y evapotranspiración como predictores. Se investigan los efectos de diferentes predictores en el caudal diario y en los flujos altos/bajos, junto con la diferencia entre plazos de anticipación cortos y largos. Nuevas percepciones hidrológicas para la región: El experimento que utiliza el caudal previo como predictor tiene una eficiencia Kling-Gupta (KGE) alta (0.58-0.99) en plazos de anticipación de 1 a 7 días, pero la KGE disminuye rápidamente a medida que aumenta el plazo de anticipación. Agregar el predictor de precipitación aumenta la KGE del caudal diario en 0.09-0.25 y corrige los sesgos negativos/positivos en los flujos altos/bajos en plazos de anticipación largos (> 20 días). Los predictores de humedad del suelo y evapotranspiración añaden valor a la predicción del caudal diario en plazos de anticipación largos al mejorar aún más la KGE en 0.04-0.11, pero ejercen influencias menores en los extremos del caudal. Por lo tanto, cómo incorporar múltiples predictores hidrometeorológicos en el modelo LSTM para mejorar los pronósticos de los extremos en plazos largos sigue siendo un desafío. 6. Forecasting small area populations with long short-term memory networks Los gobiernos locales y estatales dependen de pronósticos de población en áreas pequeñas para tomar decisiones importantes relacionadas con el desarrollo de infraestructura y servicios locales. A pesar de su importancia, los métodos actuales a menudo generan pronósticos altamente inexactos. En años recientes, se han observado desarrollos prometedores en la predicción de series temporales utilizando Aprendizaje Automático en una amplia gama de variables sociales y económicas. Sin embargo, se ha realizado un trabajo limitado para investigar la aplicación potencial de métodos de Aprendizaje Automático en demografía, particularmente para la predicción de población en áreas pequeñas. En este artículo, describimos el desarrollo de dos arquitecturas de redes neuronales de Memoria a Largo y Corto Plazo (LSTM) para poblaciones en áreas pequeñas. Empleamos el Ajuste Automático de Hiperparámetros de Keras para seleccionar los números de unidades de capa, variar la amplitud de la ventana de los datos de entrada y aplicar un régimen doble de entrenamiento y validación que respalda el trabajo con series temporales cortas y da prioridad a los valores de secuencias posteriores para las predicciones. Estos métodos son transferibles y pueden aplicarse a otros conjuntos de datos. Se crearon pronósticos retrospectivos de población en áreas pequeñas para Australia durante los períodos 2006-16 y 2011-16. Se evaluó el rendimiento del modelo frente a datos reales y dos métodos de referencia (LIN/EXP y CSP- VSG). También evaluamos el impacto de limitar los pronósticos de población en áreas pequeñas a un pronóstico nacional independiente. La precisión de los pronósticos se vio influenciada por el año de partida, la limitación, el tamaño del área y la lejanía. El modelo LIN/EXP fue el método de mejor rendimiento para los pronósticos basados en 2011, mientras que los métodos de aprendizaje profundo funcionaron mejor para los pronósticos basados en 2006, incluidas mejoras significativas en la precisión de los pronósticos a 10 años. Sin embargo, los métodos de referencia fueron consistentemente más precisos para áreas más remotas y para aquellas con poblaciones <5000. 7. A two-phased cluster-based approach towards ranked forecast- model selection Los procesos de pronóstico de ventas suelen estar automatizados en cierta medida en el sector minorista y los profesionales a menudo tienen conocimiento limitado sobre la selección de métodos de pronóstico apropiados. En este artículo, proponemos un marco genérico en dos fases basado en agrupaciones que puede ayudar a los profesionales del pronóstico en el sector minorista a seleccionar los métodos de pronóstico adecuados para series temporales de sus datos de ventas minoristas. Una fase del marco, llamada fase de evaluación comparativa, implica establecer un conjunto de datos de referencia (o actualizarlo si ya existe) que se puede aprovechar para informar la identificación y clasificación de modelos de pronóstico basados en características para diferentes agrupaciones de series temporales. La identificación eficiente desde el punto de vista computacional de una lista reducida de modelos de pronóstico personalizados se facilita durante la otra fase del marco, llamada fase de implementación, para cada serie temporal de ventas presentada por una organización minorista, según las características de la serie temporal presentada. Las dos fases del marco pueden aplicarse repetidamente de manera alternada, ampliando el conjunto de datos de referencia y mejorando su representatividad cada vez después de haber aplicado la fase de implementación a las series temporales de ventas de una nueva organización minorista al volver a aplicar los procesos de la fase de evaluación comparativa. Se demuestra y valida una iteración de esta aplicación alternada de las dos fases del marco con respecto a los datos de la competencia de pronóstico M5 (empleados durante la fase de evaluación comparativa) y un conjunto de datos de la cadena minorista Corporación Favorita (empleados posteriormente durante la fase de implementación).