張沛源

（西安培華學院，陜西西安 710125）

隨著我國葡萄酒產業(yè)經濟的快速發(fā)展，根據(jù)數(shù)據(jù)統(tǒng)計，2018年我國生產葡萄酒1.345億升，同比增長450.44%。中國葡萄酒產業(yè)發(fā)展面臨新的契機，在優(yōu)化產業(yè)結構的情況下，結合循環(huán)經濟發(fā)展模式進行產業(yè)驅動調節(jié)，快速完成產業(yè)行業(yè)升級，促進葡萄酒產業(yè)的快速發(fā)展，建立葡萄酒產業(yè)發(fā)展的新型驅動模型。在高額利潤環(huán)境下，進行葡萄酒產業(yè)發(fā)展的驅動經濟建設，可促進葡萄酒產業(yè)發(fā)展升級，提高產業(yè)的利潤[1]。在全球葡萄酒產量過剩、進口酒關稅下調的社會環(huán)境下，分析葡萄酒產業(yè)發(fā)展的動力因子，結合量化分析方法進行葡萄酒產業(yè)發(fā)展動力因子量化分析。采用統(tǒng)計分析和回歸分析相結合的方法，進行循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子量化分析。研究循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子量化分析模型，在優(yōu)化葡萄酒產業(yè)升級，促進葡萄酒產業(yè)的經濟融合發(fā)展方面具有重要意義[2]。

當前，對循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子進行量化分析主要采用分組檢驗分析方法，結合對葡萄酒產業(yè)發(fā)展動力因子的統(tǒng)計分析結果進行內源融資性檢驗分析，提取葡萄酒產業(yè)發(fā)展動力因子的統(tǒng)計平均值，實現(xiàn)對葡萄酒產業(yè)發(fā)展動力因子的顯著正相關性分析，但該方法分析葡萄酒產業(yè)發(fā)展動力因子的模糊度較大，自適應性不好[3]。對此，本文提出基于聯(lián)合驅動因子檢驗的循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子量化分析模型，經實證檢驗分析，得出該方法可得出有效性的結論。

1 樣本選取和約束參量分析

1.1 葡萄酒產業(yè)發(fā)展動力因子分析的樣本選取

為了實現(xiàn)循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子的量化分析，構建循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子的空間分布模型，采用有向圖分析方法進行循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子的分布式調度和數(shù)據(jù)結構分析。根據(jù)數(shù)據(jù)分布的結構特征進行大數(shù)據(jù)挖掘，構建循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子量化分析模型[4]。在循環(huán)經濟模式環(huán)境中實現(xiàn)葡萄酒產業(yè)發(fā)展的驅動建設和跨越式發(fā)展。

首先采用樣本分段選取方法進行葡萄酒產業(yè)發(fā)展動力因子統(tǒng)計樣本分析建模，假設，在循環(huán)經濟模式下，目標產業(yè)發(fā)展動力因子調節(jié)的信息度為：

其中，hk表示目標產業(yè)發(fā)展動力因子調節(jié)信息鏈的特征分布集，f k表示動力因子調節(jié)信息鏈的采樣時間間隔，vk表示動力因子調節(jié)信息鏈的時間窗函數(shù)。

在最大方差膨脹因素下進行循環(huán)經濟模式中葡萄酒產業(yè)發(fā)展動力調節(jié)，假設，在循環(huán)經濟模式下，葡萄酒產業(yè)發(fā)展動力因子的狀態(tài)參量集為（0,0），目標產業(yè)發(fā)展動力因子的驅動項為Ts=NfTf，結合量化回歸分析方法，對提取的目標產業(yè)發(fā)展動力因子的關聯(lián)特征集進行分類融合，采用基于模糊C均值聚類方法獲取統(tǒng)計特征量和驅動延遲項，分別為αl和τl。其中，l∈[0,L-1]，τ0＜τ1＜L τL-1。采用模糊自適應調度方法，構建目標產業(yè)發(fā)展動力因子訪問的空間統(tǒng)計特征分布模型，得到統(tǒng)計特征值滿足cjTc＜Tf，?j∈[0,Nf-1]。在決策樹模型下，根據(jù)目標產業(yè)發(fā)展動力因子的鏈路層分布進行結構重組[5]，給出循環(huán)經濟模式下，葡萄酒產業(yè)發(fā)展動力因子的模糊遞歸函數(shù)為：

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

1.2 約束參量分析

根據(jù)葡萄酒產業(yè)發(fā)展動力因子分析樣本選取結果，構建葡萄酒產業(yè)發(fā)展動力的約束參量模型，采用描述性統(tǒng)計分析方法進行葡萄酒產業(yè)發(fā)展的盈余特征分析[7]，得到循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子的有向向量圖結構模型為：

在約束范圍(x,x(k))內，采用有向圖分析方法進行目標產業(yè)發(fā)展動力因子拓撲分析，在最大盈余模式下，得到循環(huán)經濟條件下，葡萄酒產業(yè)發(fā)展動力驅動的特征標記點為i,j，葡萄酒產業(yè)發(fā)展動力因子回歸分析模型為：

根據(jù)數(shù)據(jù)結構特征分布，構建反映循環(huán)經濟模式下，葡萄酒產業(yè)發(fā)展動力因子的本體函數(shù)集，基于本體函數(shù)集建立葡萄酒產業(yè)發(fā)展動力因子的均衡調度模型為：

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

結合關聯(lián)規(guī)則分析方法對循環(huán)經濟模式下目標產業(yè)發(fā)展動力因子特征分布進行關聯(lián)性映射[8]，得到關聯(lián)權重為：

對提取的產業(yè)發(fā)展動力因子進行分類融合，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為葡萄酒產業(yè)的經營杠桿系數(shù)，μikm表示無量綱化指標數(shù)值。結合年度虛擬盈余特征分布進行融資決策[9]，構建葡萄酒產業(yè)發(fā)展動力驅動模型為：

基于葡萄酒產業(yè)發(fā)展動力驅動模型，根據(jù)相似傳遞性原則對循環(huán)經濟模式下，葡萄酒產業(yè)發(fā)展動力因子進行有限論域特征匹配。采用統(tǒng)計信息挖掘方法構建產業(yè)驅動約束參量分布模型[10]，在循環(huán)經濟模式下，集成葡萄酒產業(yè)發(fā)展動力因子的模糊向量集ψ=[ψ1,ψ2,……,ψN]，利用下式描述葡萄酒產業(yè)發(fā)展動力因子驅動的聚類稀疏性：

其中，si為描述統(tǒng)計特征量的初始概率分布，采用空間結構重組和博弈方法，構建循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展的回歸分析模型，根據(jù)動力因子的量化回歸分析結果進行統(tǒng)計學建模。

2 葡萄酒產業(yè)發(fā)展動力因子量化分析模型優(yōu)化

2.1 聯(lián)合驅動因子檢驗

在上述樣本數(shù)據(jù)選取和驅動約束參量分析的基礎上，進行目標產業(yè)發(fā)展動力因子量化分析模型的優(yōu)化設計，提出基于聯(lián)合驅動因子檢驗的循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子量化分析模型。令p=R(r)Θ(θ)Z(z)ejwt，在置信度α下提取目標產業(yè)發(fā)展動力因子的關聯(lián)規(guī)則特征量為：

結合量化回歸分析方法，對提取的動力因子關聯(lián)特征集進行分類融合[11]，由此確定循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子分布的映射關系為：

以公式（14）給出的動力因子分布的映射關系構建目標產業(yè)發(fā)展動力因子分布檢驗均值模型：

其中，GX(x,y)是葡萄酒產業(yè)發(fā)展動力因子分布發(fā)展的指向性函數(shù)，m、n分別是關聯(lián)維數(shù)和延遲。結合資產效益定量遞歸分析方法，實現(xiàn)循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子融合分析，采用最大方差估計方法進行目標產業(yè)發(fā)展動力因子的多重共線性分析：

在最大盈余決策下，得到循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子的模糊指標集為：

根據(jù)目標產業(yè)發(fā)展動力因子的激勵機制，進行循環(huán)經濟模式下，葡萄酒產業(yè)發(fā)展動力因子評價和尋優(yōu)，自適應尋優(yōu)輸出為：

表1 成長期樣本的回歸結果

因子序列的子序列：

通過上述分析，采用分段檢驗方法進行葡萄酒產業(yè)發(fā)展動力因子的主成分分析和建模，結合因變量的回歸分析模型進行統(tǒng)計分析和量化評估。

2.2 葡萄酒產業(yè)發(fā)展動力因子量化分析

采用自適應分組檢驗方法，進行循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子的粗糙集評價，得到粗糙集評價模型為：

其中，s為循環(huán)經濟模式下目標產業(yè)發(fā)展動力的線性回歸系數(shù)，p為目標產業(yè)發(fā)展動力因子的驅動的延遲。結合模糊聚類分析方法，在顯著度水平下，分析目標產業(yè)發(fā)展動力因子的多元回歸參量模型[12]，得到模糊聚類的響應特征輸出為：

目標產業(yè)發(fā)展動力因子驅動的關聯(lián)規(guī)則集的期望輸出為：

根據(jù)上述分析，實現(xiàn)對循環(huán)經濟模式下目標產業(yè)發(fā)展動力因子的多重回歸分析，在顯著度水平下，建立目標產業(yè)發(fā)展動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，計算目標產業(yè)發(fā)展動力因子指數(shù)分布集為，由此得到目標產業(yè)發(fā)展動力因子的預測概率值為：

綜上分析，結合混合數(shù)據(jù)模板匹配和聯(lián)合驅動因子檢驗方法實現(xiàn)葡萄酒產業(yè)發(fā)展動力因子量化分析[13]。

3 實證檢驗與評價

為了驗證本文模型在實現(xiàn)葡萄酒產業(yè)發(fā)展動力因子量化分析中的應用性能，進行實證分析。采用多元回歸模型進行樣本的實證回歸分析，得到葡萄酒產業(yè)發(fā)展成長期樣本的回歸結果見表1。

根據(jù)表1的描述性統(tǒng)計和回歸分析結果，進行循環(huán)經濟模式下，目標產業(yè)發(fā)展動力因子量化分析，測試葡萄酒產業(yè)發(fā)展動力因子量化分析的收斂性，得到結果如圖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?shù)螖?shù)為40次時，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?shù)螖?shù)為80次時，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，本文模型進行循環(huán)經濟模式下目標產業(yè)發(fā)展動力因子量化分析時，精度較高，置信度水平較好。

圖1 收斂性測試

4 結語

本文提出基于聯(lián)合驅動因子檢驗的循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子量化分析模型，分析葡萄酒產業(yè)發(fā)展的動力因子，結合量化分析方法進行葡萄酒產業(yè)發(fā)展動力因子量化分析，采用統(tǒng)計分析和回歸分析相結合的方法，進行循環(huán)經濟模式下葡萄酒產業(yè)發(fā)展動力因子量化分析。研究得知，本文方法進行葡萄酒產業(yè)發(fā)展動力因子量化分析的精度較高，收斂性較好，能夠實現(xiàn)對葡萄酒產業(yè)發(fā)展動力因子的準確分析。