

运筹与模糊学|基于PMC-AE指数模型的应急产业发展政策量化评价研究

汉斯出版社

2025-10-13

导读：关注汉斯出版社公众号联系小编即可投稿，还可获取最新论文模板！

点击蓝字，关注我们

导读：

在汉斯出版社《运筹与模糊学》期刊上，有论文选取2014~2022年间中央及地方政府发布的14项应急产业发展政策作为研究对象，运用文本挖掘技术、LDA主题建模发现政策主题，从政策性质、政策时效等九个维度构建PMC-AE指数评价模型，系统评估现行政策体系的优势与不足，并提出优化路径。

基本信息：

基于PMC-AE指数模型的应急产业发展政策量化评价研究

Quantitative Evaluation of Emergency Industry Development Policies Based on the PMC-AE Index Model

作者：

蔡震宇, 倪静：上海理工大学管理学院，上海

关键词:

应急产业发展；政策评价；PMC-AE指数模型；LDA主题建模

项目基金：

国家自然科学基金青年项目，超高频信息流视角下宏观经济信息对ETF涨跌停的触发作用及制度有效性研究(72103138)

原文链接：

https://doi.org/10.12677/orf.2025.155237

内容简介：

上下滑动，查看更多

研究方法

本文选择2015年至2024年间中国应急产业发展政策作为研究样本。中国的应急产业发展政策主要体现在中央及各地方政府发布的文件和通知中，为了系统全面地获取有关的政策文本，本文采用三种检索方法收集相关数据。(1) 在中国政府网、中国应急管理部等有关部门的网站上查找与应急产业有关的文件。(2) 在北大法宝等政策法规数据库中以“应急产业”作为关键词检索。(3) 是借助谷歌、百度等搜索引擎对收集到的政策信息进行补充。通过上述三种方法，共收集了2014年至2024年的105条国家级、省级以及市级政策，经过通读这些政策，剔除相关度低且内容重复的部分后，保留了40份有效政策，形成本研究的初始语料库。

LDA (Latent Dirichlet Allocation)是一种概率主题模型，用于分析文本数据。具体结构见图1。本研究通过将收集到的政策文本进行LDA主题建模，进而得到2014年至2024年间中国应急产业发展关注的主要焦点。

PMC (Policy Modeling Consistency)指数模型用于政策评价，本文使用ROSTCM6文本研究工具提高设置变量的准确性和效率。自编码器(AutoEncoder, AE)是一种无监督学习的神经网络。本文在计算PMC指数得分时结合AE技术，使得结果融合各维度的政策指标，更具准确性。

模型构建

1）基于LDA模型的政策主题数确定

以收集到的政策文本作为数据集，基于LDA模型，借助Python中的jieba工具包进行分词处理(过滤停用词并剔除字符长度小于等于2的词语，以保留具有实质语义特征的中长词汇)、sklearn工具包进行LDA分析。将超参数α赋值为0.1，将β赋值为0.01，得到主题的困惑度趋势图。如图2所示，当k = 6时困惑度最低，文本分区效果最好，因此将政策文本的主题数设置为6科学且合理。

2）应急产业政策发展主题识别结果

本文根据最优主题数下的主题–高频率词输出文档，系统挖掘出应急产业发展政策所关注的重点主题，如表1所示。

3）政策文本挖掘及PMC-AE模型构建

以40份初始样本作为研究对象，其中包含4份国家政策、23份省级政策以及13份市级政策。使用ROSTCM6软件对政策文本进行自动识别，软件进行分词，特征词按照词频降序进行排序。表2列出了排名前40的高频词。

基于高频词统计的结果生成共现矩阵词表，使用NetDraw可视化共现网络图。在策略共现网络图中，节点的大小表示中心的强度，连接到节点的线越多说明该节点的中心强度越强，相关可视化共现网络图如同图3所示。为保证评估指标的科学性和准确性，本文依据Estrada构建PMC指标体系的思路，确定了9个一级变量。根据政策文本内容、ROSTCM6软件分析结果、LDA主题建模结果，设置与一级变量相对应的36个二级变量，如表3所示。

4）多投入产出表构建

多投入产出表是进行多维度定量分析的数据分析框架，本文根据文本内容、ROSTCM6软件分析结果、LDA主题建模结果，构建了包含9个一级变量和36个二级变量的多投入产出表，如表4所示。

5）PMC-AE模型构建

将自编码器融入PMC指数模型，使各一级变量和二级变量之间进行数据融合，能够得到更客观、准确的评价结果。PMC-AE指数模型的构建，第一步需要对二级指标进行二进制打分；第二步通过构建一个3层神经网络，使得输入节点数等于输出节点数，隐藏层h即为数据融合结果。通过第一次数据融合得到每个一级变量的值，再将9个一级变量的值进行第二次数据融合，得到PMC-AE指数得分。

6）构建PMC-AE曲面图

PMC-AE曲面可以通过图像方式将最终得分立体地表现出来，从而更加直观具体地展现政策评价的结果。构建PMC-AE曲面的前提是需要计算PMC-AE矩阵，具体做法是将一级变量的得分转化为三阶方阵，本文共有9个一级指标，构成一个三阶方阵。

应急产业发展政策量化评价路径优化分析

PMC指标体系构建完成后，在尽可能保证样本在发文时间(涵盖2015年至2024年)、发文主体(3篇国家级、6篇省级、5篇市级)、文本形式(通知形式与实施意见形式)、主题(涵盖6种主题)等方面的典型性、代表性、多元性和综合性的基础上，本文选取了14项具有代表性的政策进行分析，样本见表5。依据本文构建的PMC-AE评价模型中二级变量的评价标准，对所选14项应急产业发展政策进行二进制打分，且编码者间信度检验显示Kappa系数大于0.75，满足科研领域高信度标准，相关打分结果如表6所示。

PMC-AE指数计算如表7所示。根据PMC-AE得分确定各个政策的级别，划分标准如表8所示。为了更直接表示14项代表性政策的PMC-AE得分分布，使用雷达图来表示并比较各9个一级变量的得分。相关雷达图如图4所示。

结论

本研究基于PMC-AE指数评价模型，对应急产业发展政策进行了定量评价，并给出了相应的优化路径。通过收集2014年至2024年间的中国应急产业发展文本，并利用LDA主题建模、ROSTCM6文本挖掘工具以及自编码器(AE)技术，本文构建了包含9个一级变量和36个二级变量的PMC-AE评价模型。该模型能够更加全面、客观地评估应急产业发展政策的效果，并为其优化提供科学依据。评价结果显示：14项政策可以分为3个等级，其中有2项为“I级”、8项为“II级”、4项为“III级”。综合分析得分较低政策可得，性质、激励措施、工具等三项指标是影响其得分不高的主要原因。基于以上研究结论，提出对策建议如下：

(1) 丰富政策性质，充分释放政策效应。当前应急产业发展政策内容主要体现在预测和引导等方面，而监管和建议方面的内容则涉及的比较少，因此在对政策内容进行设定时应增加相关的监管内容。例如：利用中央财政经费支持应急物资储备基地建设项目时，需建立资金使用全流程监管机制，明确禁止专项资金用于非应急领域。

(2) 完善激励保障措施，改善政策实施精准度。对应急产业示范基地进行资金支持时，可采取多种财政激励形式，并规定适用对象及标准。如设立应急产业标准化专项基金，对通过应急物资分类标准认证的企业给予一定额度的奖励。

(3) 优化不同类型政策工具的组合，进一步促进政策目标的达成。建议在制定政策时应注意供给型、需求型、环境型三种政策工具的组合使用，同时要合理安排各种工具在组合中的结构占比，以期达到最优效果。

(4) 制订政企协同响应机制，增进政策落地功效。如要求拿到财政补贴的企业定期披露资金使用流向与创新产出效果；建立政企定期沟通平台，及时协调解决政策实施中的堵点问题，确保政策红利精准直达企业，形成政府引导、企业主体、多方协同的应急产业发展格局。