循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析

張沛源

（西安培華學(xué)院，陜西西安 710125）

隨著我國葡萄酒產(chǎn)業(yè)經(jīng)濟(jì)的快速發(fā)展，根據(jù)數(shù)據(jù)統(tǒng)計(jì)，2018年我國生產(chǎn)葡萄酒1.345億升，同比增長450.44%。中國葡萄酒產(chǎn)業(yè)發(fā)展面臨新的契機(jī)，在優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)的情況下，結(jié)合循環(huán)經(jīng)濟(jì)發(fā)展模式進(jìn)行產(chǎn)業(yè)驅(qū)動(dòng)調(diào)節(jié)，快速完成產(chǎn)業(yè)行業(yè)升級，促進(jìn)葡萄酒產(chǎn)業(yè)的快速發(fā)展，建立葡萄酒產(chǎn)業(yè)發(fā)展的新型驅(qū)動(dòng)模型。在高額利潤環(huán)境下，進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展的驅(qū)動(dòng)經(jīng)濟(jì)建設(shè)，可促進(jìn)葡萄酒產(chǎn)業(yè)發(fā)展升級，提高產(chǎn)業(yè)的利潤[1]。在全球葡萄酒產(chǎn)量過剩、進(jìn)口酒關(guān)稅下調(diào)的社會(huì)環(huán)境下，分析葡萄酒產(chǎn)業(yè)發(fā)展的動(dòng)力因子，結(jié)合量化分析方法進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析。采用統(tǒng)計(jì)分析和回歸分析相結(jié)合的方法，進(jìn)行循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析。研究循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析模型，在優(yōu)化葡萄酒產(chǎn)業(yè)升級，促進(jìn)葡萄酒產(chǎn)業(yè)的經(jīng)濟(jì)融合發(fā)展方面具有重要意義[2]。

當(dāng)前，對循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子進(jìn)行量化分析主要采用分組檢驗(yàn)分析方法，結(jié)合對葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的統(tǒng)計(jì)分析結(jié)果進(jìn)行內(nèi)源融資性檢驗(yàn)分析，提取葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的統(tǒng)計(jì)平均值，實(shí)現(xiàn)對葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的顯著正相關(guān)性分析，但該方法分析葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的模糊度較大，自適應(yīng)性不好[3]。對此，本文提出基于聯(lián)合驅(qū)動(dòng)因子檢驗(yàn)的循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析模型，經(jīng)實(shí)證檢驗(yàn)分析，得出該方法可得出有效性的結(jié)論。

1 樣本選取和約束參量分析

1.1 葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子分析的樣本選取

為了實(shí)現(xiàn)循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的量化分析，構(gòu)建循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的空間分布模型，采用有向圖分析方法進(jìn)行循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的分布式調(diào)度和數(shù)據(jù)結(jié)構(gòu)分析。根據(jù)數(shù)據(jù)分布的結(jié)構(gòu)特征進(jìn)行大數(shù)據(jù)挖掘，構(gòu)建循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析模型[4]。在循環(huán)經(jīng)濟(jì)模式環(huán)境中實(shí)現(xiàn)葡萄酒產(chǎn)業(yè)發(fā)展的驅(qū)動(dòng)建設(shè)和跨越式發(fā)展。

首先采用樣本分段選取方法進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子統(tǒng)計(jì)樣本分析建模，假設(shè)，在循環(huán)經(jīng)濟(jì)模式下，目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子調(diào)節(jié)的信息度為：

其中，hk表示目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子調(diào)節(jié)信息鏈的特征分布集，f k表示動(dòng)力因子調(diào)節(jié)信息鏈的采樣時(shí)間間隔，vk表示動(dòng)力因子調(diào)節(jié)信息鏈的時(shí)間窗函數(shù)。

在最大方差膨脹因素下進(jìn)行循環(huán)經(jīng)濟(jì)模式中葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力調(diào)節(jié)，假設(shè)，在循環(huán)經(jīng)濟(jì)模式下，葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的狀態(tài)參量集為（0,0），目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的驅(qū)動(dòng)項(xiàng)為Ts=NfTf，結(jié)合量化回歸分析方法，對提取的目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的關(guān)聯(lián)特征集進(jìn)行分類融合，采用基于模糊C均值聚類方法獲取統(tǒng)計(jì)特征量和驅(qū)動(dòng)延遲項(xiàng)，分別為αl和τl。其中，l∈[0,L-1]，τ0＜τ1＜L τL-1。采用模糊自適應(yīng)調(diào)度方法，構(gòu)建目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子訪問的空間統(tǒng)計(jì)特征分布模型，得到統(tǒng)計(jì)特征值滿足cjTc＜Tf，?j∈[0,Nf-1]。在決策樹模型下，根據(jù)目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的鏈路層分布進(jìn)行結(jié)構(gòu)重組[5]，給出循環(huán)經(jīng)濟(jì)模式下，葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的模糊遞歸函數(shù)為：

上式中，Hi為隸屬于第i個(gè)簇的聚類數(shù)據(jù)數(shù)量，Si表示第i個(gè)簇的聚類數(shù)據(jù)自相關(guān)函數(shù)；模糊規(guī)則集為Mh，在聚類屬性特征V分布模式下，進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子屬性集調(diào)度，在此基礎(chǔ)上進(jìn)行虛擬變量調(diào)節(jié)和回歸分析。采用有效性評價(jià)模式，進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展的融資決策性調(diào)度和可靠性評價(jià)[6]。

1.2 約束參量分析

根據(jù)葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子分析樣本選取結(jié)果，構(gòu)建葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力的約束參量模型，采用描述性統(tǒng)計(jì)分析方法進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展的盈余特征分析[7]，得到循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的有向向量圖結(jié)構(gòu)模型為：

在約束范圍(x,x(k))內(nèi)，采用有向圖分析方法進(jìn)行目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子拓?fù)浞治?，在最大盈余模式下，得到循環(huán)經(jīng)濟(jì)條件下，葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力驅(qū)動(dòng)的特征標(biāo)記點(diǎn)為i,j，葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子回歸分析模型為：

根據(jù)數(shù)據(jù)結(jié)構(gòu)特征分布，構(gòu)建反映循環(huán)經(jīng)濟(jì)模式下，葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的本體函數(shù)集，基于本體函數(shù)集建立葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的均衡調(diào)度模型為：

其中，Pfi表示目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的特征分布集，Pdi為葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的模糊關(guān)聯(lián)規(guī)則集，PF、PD表示均衡因子；ui表示自變量。

結(jié)合關(guān)聯(lián)規(guī)則分析方法對循環(huán)經(jīng)濟(jì)模式下目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子特征分布進(jìn)行關(guān)聯(lián)性映射[8]，得到關(guān)聯(lián)權(quán)重為：

對提取的產(chǎn)業(yè)發(fā)展動(dòng)力因子進(jìn)行分類融合，得到模糊約束參量分布規(guī)則集為：

式中，m為相似度特征分布，(dik)2為葡萄酒產(chǎn)業(yè)的經(jīng)營杠桿系數(shù)，μikm表示無量綱化指標(biāo)數(shù)值。結(jié)合年度虛擬盈余特征分布進(jìn)行融資決策[9]，構(gòu)建葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力驅(qū)動(dòng)模型為：

基于葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力驅(qū)動(dòng)模型，根據(jù)相似傳遞性原則對循環(huán)經(jīng)濟(jì)模式下，葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子進(jìn)行有限論域特征匹配。采用統(tǒng)計(jì)信息挖掘方法構(gòu)建產(chǎn)業(yè)驅(qū)動(dòng)約束參量分布模型[10]，在循環(huán)經(jīng)濟(jì)模式下，集成葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的模糊向量集ψ=[ψ1,ψ2,……,ψN]，利用下式描述葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子驅(qū)動(dòng)的聚類稀疏性：

其中，si為描述統(tǒng)計(jì)特征量的初始概率分布，采用空間結(jié)構(gòu)重組和博弈方法，構(gòu)建循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展的回歸分析模型，根據(jù)動(dòng)力因子的量化回歸分析結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)建模。

2 葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析模型優(yōu)化

2.1 聯(lián)合驅(qū)動(dòng)因子檢驗(yàn)

在上述樣本數(shù)據(jù)選取和驅(qū)動(dòng)約束參量分析的基礎(chǔ)上，進(jìn)行目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析模型的優(yōu)化設(shè)計(jì)，提出基于聯(lián)合驅(qū)動(dòng)因子檢驗(yàn)的循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析模型。令p=R(r)Θ(θ)Z(z)ejwt，在置信度α下提取目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的關(guān)聯(lián)規(guī)則特征量為：

結(jié)合量化回歸分析方法，對提取的動(dòng)力因子關(guān)聯(lián)特征集進(jìn)行分類融合[11]，由此確定循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子分布的映射關(guān)系為：

以公式（14）給出的動(dòng)力因子分布的映射關(guān)系構(gòu)建目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子分布檢驗(yàn)均值模型：

其中，GX(x,y)是葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子分布發(fā)展的指向性函數(shù)，m、n分別是關(guān)聯(lián)維數(shù)和延遲。結(jié)合資產(chǎn)效益定量遞歸分析方法，實(shí)現(xiàn)循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子融合分析，采用最大方差估計(jì)方法進(jìn)行目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的多重共線性分析：

在最大盈余決策下，得到循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的模糊指標(biāo)集為：

根據(jù)目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的激勵(lì)機(jī)制，進(jìn)行循環(huán)經(jīng)濟(jì)模式下，葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子評價(jià)和尋優(yōu)，自適應(yīng)尋優(yōu)輸出為：

表1 成長期樣本的回歸結(jié)果

因子序列的子序列：

通過上述分析，采用分段檢驗(yàn)方法進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的主成分分析和建模，結(jié)合因變量的回歸分析模型進(jìn)行統(tǒng)計(jì)分析和量化評估。

2.2 葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析

采用自適應(yīng)分組檢驗(yàn)方法，進(jìn)行循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的粗糙集評價(jià)，得到粗糙集評價(jià)模型為：

其中，s為循環(huán)經(jīng)濟(jì)模式下目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力的線性回歸系數(shù)，p為目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的驅(qū)動(dòng)的延遲。結(jié)合模糊聚類分析方法，在顯著度水平下，分析目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的多元回歸參量模型[12]，得到模糊聚類的響應(yīng)特征輸出為：

目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子驅(qū)動(dòng)的關(guān)聯(lián)規(guī)則集的期望輸出為：

根據(jù)上述分析，實(shí)現(xiàn)對循環(huán)經(jīng)濟(jì)模式下目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的多重回歸分析，在顯著度水平下，建立目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的多元回歸參量模型，得到指數(shù)向量為，繼續(xù)上述過程，計(jì)算目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子指數(shù)分布集為，由此得到目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子的預(yù)測概率值為：

綜上分析，結(jié)合混合數(shù)據(jù)模板匹配和聯(lián)合驅(qū)動(dòng)因子檢驗(yàn)方法實(shí)現(xiàn)葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析[13]。

3 實(shí)證檢驗(yàn)與評價(jià)

為了驗(yàn)證本文模型在實(shí)現(xiàn)葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析中的應(yīng)用性能，進(jìn)行實(shí)證分析。采用多元回歸模型進(jìn)行樣本的實(shí)證回歸分析，得到葡萄酒產(chǎn)業(yè)發(fā)展成長期樣本的回歸結(jié)果見表1。

根據(jù)表1的描述性統(tǒng)計(jì)和回歸分析結(jié)果，進(jìn)行循環(huán)經(jīng)濟(jì)模式下，目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析，測試葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析的收斂性，得到結(jié)果如圖1所示。

分析圖1可知，本文方法相比粒子尋優(yōu)及主成分分析法收斂誤差更低，當(dāng)?shù)螖?shù)為40次時(shí)，主成分分析方法的收斂誤差為0.15，粒子尋優(yōu)方法的收斂誤差為0.08，而本文方法的收斂誤差為0.05；當(dāng)?shù)螖?shù)為80次時(shí)，主成分分析方法的收斂誤差為0.11，粒子尋優(yōu)方法的收斂誤差為0.03，而本文方法的收斂誤差為0.01；分析上述數(shù)據(jù)可知，本文模型進(jìn)行循環(huán)經(jīng)濟(jì)模式下目標(biāo)產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析時(shí)，精度較高，置信度水平較好。

圖1 收斂性測試

4 結(jié)語

本文提出基于聯(lián)合驅(qū)動(dòng)因子檢驗(yàn)的循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析模型，分析葡萄酒產(chǎn)業(yè)發(fā)展的動(dòng)力因子，結(jié)合量化分析方法進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析，采用統(tǒng)計(jì)分析和回歸分析相結(jié)合的方法，進(jìn)行循環(huán)經(jīng)濟(jì)模式下葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析。研究得知，本文方法進(jìn)行葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子量化分析的精度較高，收斂性較好，能夠?qū)崿F(xiàn)對葡萄酒產(chǎn)業(yè)發(fā)展動(dòng)力因子的準(zhǔn)確分析。