通过管理准备金的价格和数量,央行可以在保持价格稳定的同时积极提供大量政府融资——铸币税。我开发了一个统一的框架,将异质家庭、不完全市场和需要准备金来对冲流动性风险的IO银行业整合在一起。央行通过管理银行的流动性需求来控制市场利率。当最低准备金要求(MRR)不具有约束力时,铸币税是对银行利润的一种征税,福利最优值的特点是适度的超额准备金,因为提供更多准备金会减少流动性利差但会降低铸币税。相反,当准备金持有由具有约束力的MRR强制执行时,铸币税实际上就是对流动财富的一种征税,福利最优值是全额准备金银行(MRR为100%)。在这种制度下,政府预算主要由流动财富回报的国有化来资助,政府债务的实际利率为零。除了极度贫困的人以外,所有人都会倾向于最优的超额准备金供应,而不是当前的制度,而三分之二较不富裕的人口则会倾向于全额准备金制度。
中国:无可争议的市场领导者 中国是全球抽水蓄能增长的最大贡献者,在建容量为 36,150 兆瓦,并且近年来一直是全球抽水蓄能增长的主要贡献者。截至 2022 年 3 月,中国共有 38 座大中型抽水蓄能电站投入运营,总容量为 35.6 吉瓦。鉴于该国的进一步增长潜力,还有更多计划,目前的容量仅占该国总电力容量的 1.4%,远远落后于欧洲和美国某些市场 10% 的平均水平。此外,中国的目标是到 2025 年使可再生能源占其总发电量的 50% 以上,高于目前的 42%。根据中国抽水蓄能行业中长期发展规划,到2025年底,中国抽水蓄能装机容量预计将增至62吉瓦,到2030年将翻一番,达到120吉瓦。
前沿创新能在专制统治下持续下去吗?最近的学术研究表明,人工智能技术和专制政权可能相互促进。我们在中国面部识别人工智能的背景下测试这种相互促进的关系。为此,我们收集了有关人工智能公司和政府采购合同以及过去十年中国各地社会动荡的全面数据。我们首先表明,独裁者从人工智能中受益:地方骚乱导致政府更多地采购面部识别人工智能作为一种新的政治控制技术,而增加人工智能采购确实抑制了随后的骚乱。我们随后表明,人工智能创新受益于独裁者对动乱的镇压:签约的人工智能公司为政府和商业市场进行更多创新,也更有可能出口其产品;而非签约的人工智能公司没有经历可察觉的负面溢出效应。综上所述,这些结果表明在中国政权下人工智能创新持续的可能性:人工智能创新巩固了政权,政权为政治控制而对人工智能的投资刺激了进一步的前沿创新。
摘要 神经科学领域的研究驱动技术发展提出了一些有趣且可能复杂的问题,这些问题与数据有关,尤其是脑数据。脑记录产生的数据与姓名和地址不同,它可能来自大量非自愿脑活动的处理,可以针对不同目的进行处理和再处理,而且非常敏感。由于这些因素,同意特定类型或特定目的的脑记录变得复杂。脑数据的收集、保留、处理、存储和销毁都具有高度的伦理重要性。这让我们不禁要问:目前的欧洲数据保护条例是否足以处理与神经技术相关的新兴数据问题?在脑机接口 (BCI) 领域快速发展的背景下,这个问题尤其紧迫,通过记录的脑信号发挥作用的设备正在从研究实验室扩展到医疗治疗,甚至扩展到消费市场,用于娱乐用途。我们在此提出的一个观点是,在脑部记录方面,可能不存在琐碎的数据收集,尤其是在涉及算法处理的情况下。本文对与神经技术(尤其是 BCI)相关的一些特定数据保护问题进行了分析和讨论。特别是,BCI 驱动的应用程序中使用的脑部数据是否以及如何以与个人数据相关的方式算作个人数据
摘要使用AI和数据驱动的技术和基础架构来创新和开发高级研究和工业应用,需要在广泛的工具,学科和能力的广泛范围内集成。尽管具有巨大的破坏性潜力,但在工业应用程序中,AI在研究和开发中的作用通常受到缺乏合并和共同的共同实践来转化特定领域特定过程以将知识引起附加值的过程的阻碍。这些问题对于中小型企业(中小企业)尤其引人注目,该问题必须采取明确有效的政策来实施成功的技术转移道路进行创新。CNR-ISMN的Daimon实验室的活动集中在Hi-Tech应用程序中创新的集成建模,数据驱动和AI方法和基础架构的设计,开发,实施和应用。我们的方法基于水平平台的开发,可以应用于广泛的垂直用例。也就是说,我们针对与特定域和用例有关的高通量工作流的实现,这些域名和用例都能够收集和处理模拟和/或物理数据和信息。实施可互操作的集成框架是进一步应用AI工具进行预测和自动化的先决条件。强烈着重于开发关键启用技术(KET),例如高级材料,所采用的方法扩展到了各种应用领域和行业感兴趣的方案,包括电子和ICT,高级和可持续的制造,能源,能源,流动性。
纳米纳维化,并在活动的所有合伙人,支持者和合作伙伴的贡献中促进了纳米式。纳米货币的前七个版本成功地结束了,平均有来自不同国家的1200多名参与者,以及60个主题研讨会和讲习班,拥有400多名演讲者和主持人。纳米技术领域的大多数国家领先的公共和私人研究参与者都参加了。遵循大流行期间采用的风格,将于2024年9月9日至13日举行的VIII版纳米文化版也将以混合形式举行。为了确保广泛的参与,大多数计划都将在网上和亲自进行。纳米纳维化将再次在罗马萨皮恩扎大学的民用和工业工程学院Sangallo的文艺复兴时期的回廊中举行。纳米货币化是参与微观和纳米技术研究和开发的广泛和多学科社区的全国参考事件,及其与所有应用领域中其他支持技术(KET)的集成。纳米编制一直是将学术界,研究和企业家系统融合在一起的独特且不可错过的机会,其目的是提出和交流创新的思想,转移知识,并促进知识和经验的整合。纳米invation 2024 Will:将在第八版纳米货币化中,PNRR动作的作用及其对研究,创新和工业生态系统的影响。
1 文献提出了几种中介定义。在本文中,我们遵循 Hugonnier 等人(2014 年、2018 年)的观点,认为如果代理人在没有资产时积极尝试购买资产,而在拥有资产时积极尝试出售资产,则该代理人充当中介。场外市场中介的经验证据比比皆是;请参阅 Duffie(2011 年)的概述、Bessembinder 和 Maxwell(2008 年)的公司债券市场、Afonso 和 Lagos(2014 年、2015 年)的联邦基金市场以及 Li 和 Sch¨urhoffer(2019 年)的市政债券市场。 2 这些举措要求及时向公众传播交易后价格和数量信息,包括针对市政债券市场的市政证券规则制定委员会 (MSRB)、针对公司债券和证券化资产市场的交易报告和合规引擎 (TRACE),以及最近针对欧洲公司债券市场模仿 TRACE 的 MiFID II 法规。有关电子平台的证据,请参阅 Staffird (2016)、Liu 等人 (2018) 和 Vogel (2019)。3 最近的一些论文强调了在解释许多场外交易市场实证观察到的“核心-外围”结构时纳入投资者特征的额外异质性的重要性。在所有这些论文中,中介都是随机会议和事后讨价还价的结果。有关与我们方法的详细比较,请参阅文献综述部分。
纳米纳维化,并在活动的所有合伙人,支持者和合作伙伴的贡献中促进了纳米式。纳米货币的前七个版本成功地结束了,平均有来自不同国家的1200多名参与者,以及60个主题研讨会和讲习班,拥有400多名演讲者和主持人。纳米技术领域的大多数国家领先的公共和私人研究参与者都参加了。遵循大流行期间采用的风格,将于2024年9月9日至13日举行的VIII版纳米文化版也将以混合形式举行。为了确保广泛的参与,大多数计划都将在网上和亲自进行。纳米纳维化将再次在罗马萨皮恩扎大学的民用和工业工程学院Sangallo的文艺复兴时期的回廊中举行。纳米货币化是参与微观和纳米技术研究和开发的广泛和多学科社区的全国参考事件,及其与所有应用领域中其他支持技术(KET)的集成。纳米编制一直是将学术界,研究和企业家系统融合在一起的独特且不可错过的机会,其目的是提出和交流创新的思想,转移知识,并促进知识和经验的整合。纳米invation 2024 Will:将在第八版纳米货币化中,PNRR动作的作用及其对研究,创新和工业生态系统的影响。
简介对于面临不断变化的环境的现有企业来说,平衡渐进式和激进式商业模式创新 (BMI) 是一项关键活动 (Amit & Zott, 2012; Egfjord & Sund, 2020; Khanagha, Vol berda, and Oshri, 2014; Sund, Bogers, & Sahramaa, 2021)。激进式创新会导致不连续性,而渐进式创新则建立在现有基础之上 (Bucherer, Eisert, & Gassmann, 2012)。在稳定且竞争较少的环境中,现有企业可以通过围绕现有能力进行渐进式改进 (Jensen & Sund, 2017) 或协调现有资源 (Sund, Barnes, & Mattsson, 2018) 来建立可持续的竞争优势。在竞争激烈的环境中,这变得更加困难,管理者可能会寻求探索更激进的 BMI 形式,以摆脱这种竞争。有一种环境使得企业难以建立可持续的竞争优势,那就是竞争异常激烈的环境。D'Aveni (1994) 将这种环境定义为“一种剧烈变化的环境,灵活、积极、创新的竞争对手可以轻松、迅速地进入市场,侵蚀大型和老牌企业的优势”(D'Aveni,1994:6)。在竞争异常激烈的市场中,这些老牌企业(现有企业)只能通过逐步改变其商业模式来获得暂时的竞争优势。而对商业模式进行更彻底的改变可能会使企业从竞争对手中脱颖而出,并创造更持久的竞争优势。但是,如果管理者误解了环境的真正性质,该怎么办?
科学论文的可重复性测试表明,大多数论文都无法重复。此外,失败的论文在文献中的传播速度与可重复的论文一样快。这种动态削弱了文献,增加了研究成本,并表明需要新的方法来评估研究的可重复性。在这里,我们训练了一个人工智能模型,使用通过或未通过手动复制测试的研究的基本事实数据来评估论文的可重复性,然后在大量样本外研究中测试该模型的普遍性。该模型对可重复性的预测优于审稿人的基本比率,并且与预测市场相当,这是当今预测可重复性的最佳方法。在对来自不同学科和方法的手动复制论文进行样本外测试时,该模型的准确率高达 0.65 到 0.78。探索模型预测背后的原因,我们发现没有证据表明存在基于主题、期刊、学科、基准失败率、说服性词语或“非凡”或“出乎意料”等新颖词语的偏见。我们确实发现,当对论文文本而不是其报告的统计数据进行训练时,该模型的准确率更高,并且 n-gram(人类难以处理的高阶词组合)与复制相关。我们讨论如何将人类和机器智能结合起来,提高研究信心,提供研究自我评估技术,并创建可扩展且高效的方法来审查不断增长的出版物数量——这项任务需要大量人力资源,仅靠预测市场和手动复制才能完成。