生产要素按贡献参与分配

摘要： 当前全球数据量迅猛增长,据国际数据公司(I D C)预测,未来几年全球数据产生量年增长率将维持在30%左右,到2025年,全球数据产生量将达到175ZB。“十三五”以来,我国全面实施国家大数据战略,促进新一代信息技术快速发展,深化大数据在各行业的创新应用,大数据加速向政治、经济、文化、生活等各方面渗透,数据资源成为新时期国家基础性战略资源,数据规模呈爆炸性增长趋势。同时,数据作为新生产要素投入到生产和分配阶段。2019年11月,党的十九届四中全会首次提出数据可作为生产要素按贡献参与分配。

摘要： 数字经济时代,数据要素是重要的生产力,兼具基础性战略资源和关键性生产要素的双重属性。在此背景下,党的十九届四中全会首次提出让“数据作为生产要素按贡献参与分配”,这是数字经济时代收入分配领域的新课题,需要马克思主义分配理论的创新性回应。理论界尽管出现了一些关于数据要素参与分配的相关研究成果,但尚未对数据要素参与分配的生成逻辑形成比较系统的专门论述。

摘要： 尽管2019年有哀嚎遍野的情况出现,但我并不认为大数据未来的趋势会向下,我认为2020年可能是个新的起点。一是从国家层面认可了数据作为生产要素在基础生产中的身份地位。2019年11月,中央首次明确数据可作为生产要素按贡献参与分配,这表明我们的大数据行业正在向数据资本化迈出坚实的一步。有了这个定位后,数据要素的交易就成了顺理成章的事情,数据就可以从喧嚣变成落地。

摘要： 2017年12月,习近平总书记强调推动实施国家大数据战略,加快完善数字基础设施,推进数据资源整合和开放共享,保障数据安全,加快建设数字中国.2018年4月,值首届数字中国建设峰会开幕之际,习近平总书记发来贺信:“信息技术创新日新月异,数字化、网络化、智能化深入发展,在推动经济社会发展、促进国家治理体系和治理能力现代化、满足人民日益增长的美好生活需要方面发挥着越来越重要的作用.”2019年11月1日,在中共十九届四中全会新闻发布会上,中央财经委员会办公室在介绍坚持和完善社会主义基本经济制度的有关情况时指出:“要鼓励勤劳致富,健全劳动、资本、土地、知识、技术、管理和数据等生产要素按贡献参与分配的机制……”这是中央首次在公开场合提出数据可作为生产要素按贡献参与分配.

摘要： 按照社会主义核心价值观平等的价值取向进行社会建设，关键是我们党要随时随刻倾听人民呼声、回应人民期待，保障人民平等参与、平等发展的权利，维护社会公平正义．使发展成果巫多更公平地惠及全体人民。坚持既要做大蛋糕，又要分好蛋糕的原则，确立劳动、资本、技术和管理等生产要素按贡献参与分配的原则，完善按劳分配为主体、多种分配方式并存的分配制度。

摘要： 1．对于日益拉大的城乡差距、区域差距、行业差距，有人认为，权力参与分配加剧了分配不公；有人认为，行业垄断拉大了“三个差距”：也有人认为，劳动、资本、技术、管理等生产要素按贡献参与分配的制度出了问题。对此，你怎么看？你认为应如何改革？

摘要： 正国民收入分配关系国计民生、经济发展和社会稳定的大局,已成为社会关注的重点和热点,其焦点是如何实现收入分配的公平合理。那么,为什么在收入分配的实践过程中,一时出现平均主义,一时又产生收入差距过大的不公平不合理现象呢?究其原因是多方面的,其中最主要的是,对于按劳分配这个抽象原则未能正确理解和无法准确操作所致。

摘要： 党的十七大进一步强调要坚持和完善按劳分配为主体、多种分配方式并存的分配制度,健全劳动、资本、技术、管理等生产要素按贡献参与分配的制度,本文对生产要素按贡献参与分配的有效形式和办法进行了分析。

摘要： 要建设效率和公平相统一的分配制度，分配理论必须深化。改革开放前，我国的分配理论存在两种错误的倾向：一是简单地把按劳分配作为唯一分配理论加以推崇；二是在极“左”思潮干扰下，把按劳分配看成是资产阶级法权，主张取消按劳分配，恢复供给制。改革开放后，分配理论突破了各种各样的教条主义束缚，逐步确立了劳动、资本、技术和管理等生产要素按贡献参与分配的原则。

摘要： 提出了一种用于生产分配盒(1)的方法，其中，在第一步骤中，在成形工艺中生产具有盒底部(2”)、环绕所述盒底部(2”)的盒壁(2’)以及环绕所述盒壁(2’)的凸缘(5)的基底元件(2)，其中，在第二步骤中，将饮料原材料填充到由所述盒底部(2”)和所述盒壁(2’)界定的盒内部(3)，并且其中，在第三步骤中，将封闭所述盒内部(3)的盒覆盖件(4)紧固到所述凸缘(5)，其特征在于，在所述第三步骤之后，将环绕所述盒壁(2’)的凹槽(6)压印到所述凸缘(5)中。

摘要： 本发明提供一种多目标生产订单分配装置及多目标生产订单分配方法，目的在于使整个集团公司的效益达到全局最优。该多目标生产订单分配装置从多个工厂向多个客户供应产品，具备：数据获取部，获取工厂数据、物流数据和客户需求数据；分配方式确定部，根据客户需求数据确定分配方式；多目标优化模型建立部，根据分配方式建立包括多个目标函数和约束条件的多目标优化模型；以及运算部，基于NSGA‑Ⅱ算法求解通过多目标优化模型建立部建立的多目标优化模型。

摘要： 本发明公开了一种网络信息体系要素体系贡献率评估方法和装置，所述方法包括：基于现有的数据样本,提取网络信息体系贡献率的关键要素，采用强化学习的体系贡献率评估方法，进行体系贡献率模型构建；基于网络信息体系要素性能指标，自动构建强化学习模型；基于小样本的强化训练模型参数及模型参数构建体系贡献率计算模型，进行训练并提取模型参数，计算体系要素各性能指标的权重，设计累计权重计算方法并通过计算累计权重来计算最终的体系要素体系贡献率，完成体系贡献率计算模型的构建；采用本发明的评估方法，把体系贡献率对网络信息体系的各要素影响整体性能与能力的程度进行评估，作为衡量网络信息体系经济效益的指标。

摘要： 本发明公开了一种能源要素对GDP增长贡献度评估方法、系统及装置，所述方法包括：获取各种要素组合的经济发展情景，并建立动态可计算一般均衡模型；基于所述动态可计算一般均衡模型计算不同经济发展情景下的GDP；基于改进Shapley值法评估各种要素对计算得到GDP的增长的贡献量；对各种要素的贡献量进行归一化，得到能源要素对GDP增长的贡献度。本发明通过评估未来规划水平年GDP增长中能源要素的贡献度，为政府经济、能源规划提供参考依据。

摘要： 用于分配卫生产品的分配器，其包括：飞行时间传感器，其用于测量对象相对于分配器的位置；以及控制器，其被配置成基于对象相对于分配器的所测量的位置来选择性地操作分配器的至少一个功能。

摘要： 本公开提供了一种用于联合学习中确定参与方贡献度的方法及装置。该方法包括：构造全部参与方组合，计算每个参与方组合的权重；确定聚合周期前后联合学习模型的效用变化值并建立查找表，根据效用变化值判断是否对参与方的贡献值进行计算；从全部参与方组合中选取一个参与方组合，对参与方的边际贡献值进行估计，根据估计结果以及权重，判断是否采用插值函数对参与方组合的效用值进行计算；依据参与方组合的效用值对查找表进行更新，依次选取参与方组合，直至计算出所有参与方组合的效用值，利用参与方组合的效用值对查找表进行更新，基于最终更新后的查找表，计算参与方的贡献值。本公开能够提升联合学习中贡献值的计算精度和计算效率。

摘要： 本公开提供了一种确定联合学习中参与方贡献度的方法及装置。该方法包括：基于联合学习的架构生成多个参与方组，计算参与方组的权重；确定聚合周期前后联合学习模型的效用变化值并建立查找表，根据效用变化值判断是否对参与方的贡献值进行计算；利用参与方组随机生成一个全排列组合，并计算参与方加入子组合时的边际贡献值的估计值，根据估计值以及权重，判断是否采用插值函数对新参与方组的效用值进行计算；依据新参与方组的效用值对查找表进行更新，基于更新后的查找表，计算参与方的边际贡献值，直至计算得到收敛后的参与方的贡献值，根据贡献值确定参与方在联合学习中的贡献度。本公开能够提升联合学习中贡献值的计算精度和计算效率。

摘要： 本公开提供了一种联合学习中确定参与方贡献值的方法及装置。该方法包括：计算全部参与方组合中每一个参与方组合的权重，确定当前聚合周期联合模型的效用变化值，并建立查找表；当计算贡献值时，选取一个参与方组合并计算参与方组合中每一个参与方的边际贡献值，根据边际贡献值以及权重，判断利用第一估计方式或者第二估计方式对参与方组合的效用值进行估计；利用估计结果对查找表进行更新，并依次迭代估计每一个参与方组合的效用值，获取依据效用值进行更新后得到的最终查找表，以便利用最终查找表对参与方的贡献值进行计算。本公开能够提升联合学习中贡献值的计算精度和计算效率。

摘要： 本公开提供了一种联邦学习参与方贡献度量方法、装置、存储介质及设备，涉及机器学习技术领域。该方法包括：确定联邦学习建模任务的各参与方的各特征对训练得到的联邦学习模型的沙普利值的边际贡献量，其中，所述各特征是所述各参与方提供的用于训练所述联邦学习模型的数据集中的特征；确定所述各参与方的所有特征的沙普利值的边际贡献量的总和，得到所述各参与方对所述联邦学习模型的贡献量。本公开实施例可更加客观的反映出联邦学习的各参与方对联邦学习模型的贡献价值，提高了评估参与方对联邦学习模型贡献价值的精度。

摘要： 本发明公开的实施例公开了基于横向联合学习参与方的数据贡献力确定方法和装置。该方法包括：在横向联合学习架构中，获取参与方的电力负荷数据集；利用所述电力负荷数据集，对初始模型进行训练，得到训练模型；获取所述训练模型的测试数据集；基于所述测试数据集，确定所述参与方的贡献力。该实施方式使用对电力负荷数据集进行数据去除来计算参与方对模型的影响，然后确定参与方的贡献力，以此可以激励参与方提供高质量的电力负荷数据，间接提高了训练模型的精度，侧面提高用户体验。