李天娇

汇报人：李天娇

汇报题目：多方参与下突发公共卫生事件应急医疗物资保障序贯博弈分析

全球近20年中，突发公共卫生事件如流感大流行、埃博拉等频发，应急医疗物资需求量迅速增加，随着感染者人数持续激增，各类医疗物资供不应求，提升应急医疗物资生产、调配和捐赠量，保障物资运用效果和病毒免疫效果，应急医疗物资多方供应的协同性也需要得到相应提升。本文将应急医疗物资的统筹方（政府应急响应部门、属地内部政府、外部省市政府）与供应方（医疗物资生产企业、调配企业、社会捐赠主体）的生产-调配-捐赠视作为一条完整的应急医疗物资保障脉络，从多主体协调角度对应急医疗物资供应效率和物资运用效果进行权衡，从模式选择到具体策略优化，为突发公共卫生事件应急医疗物资保障研究提供新的研究视角。（1）从应急医疗物资生产角度出发，通过分析现有常规医疗物资生产和应急合作生产研究的不足之处，基于突发公共卫生事件中应急医疗物资扩产和转产实情，构建了常规医疗物资扩产和应急医疗物资转产的微分博弈模型，并优化应急转产补贴投入，对比常规扩产模式和应急转产模式的最优生产量和生产系统总效用。（2）基于属地管理原则下的政府应急医疗物资调配，区别于现有自然灾害和事故灾难应急医疗物资调配研究，结合突发公共卫生事件中病毒传染趋势对物资调配需求的影响，构建了政府为主导的属地内部物资调配和统筹内外部物资调配的微分博弈模型。（3）基于企业协同应急医疗物资调配，与现有市场机制下应急医疗物资的采购与供应不同，爱心企业在政府固定调配基础上进行补足，构建了企业属地内部调配和跨区域政企联调联供的微分博弈模型。（4）以应急医疗物资捐赠为视角，区别于现有灾害事故的人道主义物资捐赠，突发公共卫生事件医疗物资捐赠需考虑病毒传染趋势，基于疫苗物资捐赠产生的直接免疫影响和群体免疫效应实情，构建了定向单一受助地捐赠和多元受助地捐赠的序贯博弈模型，并结合病毒传播率和应急医疗物资捐赠量给出了捐赠策略方案。

金豫

汇报人：金豫

汇报题目：《重大传染病疫情下国际抗疫合作机制的互惠博弈研究》

报告摘要：随着经济全球化的发展疫情跨国传播的速度和范围显著增加，加之病毒变异带来的不确定性导致疫情反复暴发，使得单独一个国家难以应对突发的疫情威胁。在此背景下，有效应对疫情不仅是公共卫生领域的重大挑战，更是国际合作与应急资源均衡分配的管理难题。本文从疫情初期和大流行时期的知识技术共享和应急医疗物资援助两个方面进行国际合作互惠机制的研究。论文的主要内容如下：（1）面对疫情的突然暴发，应急医疗物资需求的急剧上升，提出基于静态互惠博弈的国际援救合作策略分析。构建了元博弈模型，分析疫情初期应急物资在不同博弈条件下的适用性，并引入互惠理论，促进国际社会通过沟通建立起二阶互惠信念，以实现应急物资援助的互利共赢。（2）全球疫情防控合作中，国家如何通过国际合作实现最优决策，避免陷入“金德尔伯格陷阱”和“大国责任陷阱”。运用序贯互惠理论，分析了重大传染病防控国际合作的内在机制、主要障碍及双赢合作的必要条件。通过介绍新冠疫情的全球暴发，论文强调了各国在疫情防控与经济发展间的权衡，提出了“投桃报李”、“以牙还牙”和“相机抉择”等合作策略，并通过博弈模型揭示了疫情先发国与后发国在合作中的互动机制及其对合作稳定性的影响。（3）疫情初期国际合作主要集中在防止其大规模，通过分析重大疫情初期各国在知识共享中的策略选择，揭示了全球公共卫生危机中的“囚徒困境”现象，即各国出于自身利益，可能延迟或拒绝共享关键疫情信息，阻碍全球合作效率。通过设计静态和动态互惠策略，特别是高阶互惠博弈模型，探讨如何增强国际合作的稳定性与有效性，促进知识共享。（4）针对重大疫情初期的知识即时共享问题，分析了国际社会在应对突发公共卫生危机时，如何通过设计国际合作策略来克服国家间的“囚徒困境”。各国在疫情初期往往基于短期利益而延迟或拒绝共享关键疫情知识与信息，导致全球合作效率低下。

武山松

报告人：武山松

报告题目：考虑数据共享与数据安全风险治理的出行平台序贯博弈分析

Sequential game analysis of car rental platforms considering data sharing and data security risk governance

报告摘要：在线出行平台通过提供流量入口和聚合服务，‌优化闲置车辆资源配置，增加就业机会。通过促进网约车市场的扩大和服务的多样化，改变了消费者的出行习惯，成为了构建现代化基础设施体系的重要一环。在线出行平台的业务开展离不开对用户的数据资源收集和数据共享。其中，最主要的数据共享体现在平台供需两端用户的数据共享。此外，随着出行平台的发展，平台间的兼容合作数据共享和政企“智慧应急”合作的数据共享也逐渐成为了理论和实践关注的热点。然而，海量的数据存储和高频的数据传输显著增加了平台的数据安全风险。随着大众的数据安全和隐私保护意识的逐步提升，政府部门对在线出行平台的数据安全监管的必要性也在逐步增加。本研究从在线出行平台的数据共享与数据安全治理的角度切入，基于在线出行平台数据共享与风险治理构建了理论模型，为政府部门数据安全监管策略、平台定价及数据安全防御策略、消费者购买行为提供了管理建议和理论依据。

魏林

报告人：魏林

题目：基于混合机器学习模型的个人信用风险管控研究

Research on Personal Credit Risk Management Based on Hybrid Machine Learning Model

摘要

个人信用是人类社会信用的基础，个人信贷是个人信用最主要的应用场景。近年来，我国高度重视个人信用体系建设，但在个人信用风险管控研究方面尚存诸多不足，使得银行等金融机构在信贷决策中容易做出误判，从而推高贷款不良率，不利于整个金融系统的安全与稳定。机器学习技术在处理大规模高维度数据方面的强大能力，为个人信用风险管控带来了全新的思维方式与方法技术，因此，基于机器学习技术研究个人信用风险管控问题成为一项新的课题。

依托机器学习技术背景，本文重点探讨个人信用风险管控的三个关键构成——即个人信用风险的评估、预测以及控制的相关理论和实证问题。本文聚焦于理论解释与实证检验两个关键维度，形成前后贯通、逻辑严谨的理论体系与实证体系。全文的主要内容概括如下：

（1）不平衡数据驱动的个人信用风险评估。信用风险评估是金融机构资金优化配置和风险控制的关键环节，对于提升资金利用效率和降低金融风险至关重要。本文致力于通过先进的机器学习和数据驱动方法优化信贷评估决策过程。首先，为解决个人信用风险评估中的不平衡数据难题，提出条件对抗变分自编码器算法，为后续信用风险评估提供了平衡的数据基础。随后，结合斯皮尔曼相关性检验和Relief算法，以层层递进的模式逐步进行“过滤”，从信用大数据中提炼出最重要的特征。构建了覆盖个人信息、借款详情、经济背景和还款信息四个维度共17个特征变量的信贷决策指标体系。进一步采用SHAP分析、部分依赖图以及累积局部效应图等方法，揭示信贷指标在贷款审批和还款阶段对信贷评估的影响机制，为后续算法优化提供依据。对比多种机器学习算法后，优选了随机森林算法作为信贷评估的主要算法，并基于信贷指标提出优化算法。制定了新的信贷评估策略并与现有的基于信用等级的策略进行了对比。实验结果表明，所提算法不仅能够稳定生成高质量的样本数据，而且所制定的信贷评估策略在准确性上相较于现有策略具有显著优势。新策略在用户贷款前和还款过程中均能为金融机构提供有力的决策支持。最后，结合实验结果，从数据、算法、策略以及合作等多个方面，为金融机构以数据驱动的方式制定更加科学、合理的信贷评估策略提供了政策建议。

（2）基于组合机器学习的个人信用风险预测。信贷业务伴随着重大风险，违约可能导致金融机构遭受重大经济损失。因此，准确的信用风险预测对于贷款决策的制定和金融机构整体风险的管理至关重要。首先，基于组合学习的思想以串联结构设计了两层结构的组合模型，其中组合模型的前端是神经网络模型，以深度神经网络、卷积神经网络以及循环神经网络作为特征提取器；组合模型的后端是集成学习模型，以随机森林算法、极端梯度提升算法、轻量级梯度提升机算法以及分类提升算法作为分类器，由此组成12种组合模型。进一步，为了验证本文提出的基于神经网络和集成学习的组合学习模型在信用风险预测方面的有效性，选用准确率、F1分数、科尔莫戈罗夫-斯米尔诺值，以及曲线下面积作为模型性能评判指标。结果表明：将神经网络作为特征提取器，集成学习模型作为分类器，二者相结合能够显著提升个人信用风险预测的准确性和效率。在所有测试的组合模型中，循环神经网络与轻量级梯度提升机算法的结合在4种性能指标上表现最佳，显示出最高的预测准确性和鲁棒性，为信用风险预测提供了一种有效且高效的解决方案。最后，结合实验结果，从风险预测模型优化、风险预测模型迭代、技术采纳与培训等方面，为实现对个人信用风险的动态评估和预警，推动信用风险预测的公平、透明和高效提出政策建议。

（3）基于强化学习的个人信用风险控制策略。有效控制信用风险，是个人信用风险管控的最后一环。本文创新性地引入了深度强化学习中的双深度Q网络算法，针对贷款数据进行分析，旨在提出精准化的信用风险控制策略。理论分析部分，本文阐述了运用强化学习技术制定个人信用风险控制策略的必要性。传统风险管理方法在处理大规模、高维度数据时存在局限性，而深度强化学习结合了深度学习的表征学习能力和强化学习的决策优化机制，能够自动从海量数据中提取特征，并动态调整信贷策略从而控制信贷风险。在模型设计方面，本文详细比较了Q-Learning算法、深度Q网络算法和双深度Q网络算法，并选择了双深度Q网络算法作为研究工具，解决了Q值过高估计问题，提高了学习过程的稳定性和预测准确性。进一步，本文针对信贷数据特点，设计了强化学习的状态、动作和奖励的表征方法，构建了考虑关键信贷指标的基于深度强化学习的信用风险控制模型。在实证分析部分，本文展示了双深度Q网络算法在多个组合信用状态下的表现，并通过与Q-learning算法和随机算法的比较，验证了其在信用风险控制中的优越性。实验结果表明，双深Q网络算法在多数情况下能够提供更优的信贷策略，显著降低违约风险。最后，本文从经济学和管理学的角度，对实验结果进行了深入讨论和分析，揭示了信贷机构在引入深度强化学习算法后，能够实现多维度、动态和灵活的风险控制，提升整个信贷市场的稳定性和可持续发展能。

时间：9月5日下午15:00-17:00