基于自组织建模的成都GDP增长及影响因素研究
摘要
针对以往的建模方法和研究方法存在的问题和缺陷，为了使研究结果更具有客观性、真实性，尽量避免人为主观性的影响，本文对成都市的GDP增长引入了一种新的研究方法，即自组织数据挖掘算法(Group Method of Data Handling，GMDH)。自组织数据挖掘算法是一种以数据为导向的复杂系统建模方法，它的建模过程与生物进化的过程极为相似，通过建模结果能相对容易地认识复杂事物的本质规律性，满足客观性、真实性的要求。本文以成都市的经济数据为基础，对成都市GDP及其影响因素进行自组织数据挖掘建模，并且对建模的主要结果进行深入分析，发现了各影响因素间内在、本质的联系，并提出了改进措施和建设性政策建议，主要内容如下：
第1章，绪论。提出问题，确定研究目的和研究思路，总结国内外研究现状，综述本文的主要工作。
第2章，自组织数据挖掘理论与方法。在全面深入的分析总结以往研究经济增长以及GDP增长成果的基础上，提出研究GDP增长的一种新的研究方法——自组织数据挖掘算法(GMDH)。分析指出用基于数据导向的自组织数据挖掘算法(GMDH)研究成都市GDP增长的重要意义。
第3章，成都市GDP增长的自组织模型。以成都市统计年鉴的数据为主要依据，对成都市GDP增长进行了自组织数据挖掘(GMDH)建模研究。通过不断调节模型参数并选择不同的时间段构建自组织模型群，同时以全国为主要参照对象进行模型对比分析，构建了一个自组织数据挖掘模型群，揭示了影响成都市GDP增长的主要原因。
第4章，投资与消费对成都市GDP增长的影响分析。为了深入研究投资和消费与成都GDP增长的关系，拓展了柯布—道格拉斯函数，提出泛柯布—道格拉斯模型的概念，扩展了柯布—道格拉斯函数的应用范围，对成都GDP增长进行建模研究。同时，运用计量经济学模型对成都市投资水平和消费水平进行深入分析，揭示影响成都市投资与消费水平发展的主要因素，并提出针对性的政策建议。
第5章，产业结构对成都市GDP增长的影响分析。分析成都市近年来产业结构发展现状后，运用偏离份额分析法(SSM)对成都市经济增长动力进行分析，同时运用区位商分析方法对成都市第二产业中工业的四大主导产业进行分析，得出医药工业、电子信息产业区位商较高，是成都市主要的优势产业的观点。针对产业结构存在的问题，提出对成都市产业结构进行调整的方向和措施。
第6章，城市化水平对成都市GDP增长的影响分析。城市化是与成都市GDP增长最为密切的影响因素之一。运用了回归分析模型分析成都市城市化率与经济增长之间的线性对数曲线关系，并进行因果检验。针对成都市处于城市化快速发展时期，运用计量经济学模型，对成都市城市化水平分别进行量和质的建模研究，特别是在质量建模中运用层次分析方法(AHP)进行综合评价，揭示成都市城市化过程中硬件先行、软件滞后，基础设施先行而人文环境落后的突出问题，提出提升成都市城市化率和城市化的质量水平的政策建议。
第7章，成都市非量化因素对GDP增长的影响分析。根据GMDH核心模型和泛柯布—道格拉斯模型的结果，分析影响成都市GDP增长的非量化因素，提出建立规范化服务型政府，深化财政体制改革、提高地方财政运行质量和效益，完善政府投资项目管理等建设性意见，通过改进，大量的非量化因素能够促进成都市GDP的增长，而非制约成都市GDP增长。
第8章，成都市经济发展水平的绿色GDP分析。采用当前国际经济界正在探索和发展的绿色GDP分析方法分析成都市经济发展与绿色GDP的关系。采用传统GDP—自然资源损耗—环境污染损失的方法对成都市绿色GDP进行了核算。运用数学方法对成都市绿色GDP和GDP与经济增长的关系进行了论证。提出以科学发展观为指导的成都市可持续发展战略对策措施。
Contrapose the problems and shortcomings of the modeling and researching metholds in the past, in order to avoiding the factitious effect, retaining objectivity and veracity of the model, a new method is suggested to study GDP increase of Chengdu. It is Group Method of Data Handling (GMDH). GMDH is a method of designing model by data handling, which is similar to the process of envolvement, and it make easier to understand the discipline by the result of model. The model including GDP as well as other many factors of economy designed by GMDH is based on Chengdu economic data. Inherence of many factors is analyzed in-depth by the main result of model, and improvement of step, policy and so on, are suggested.
Main research contents follows:
Chapter One: introduction.It puts forward the questions, makes clear objective and train of thought, summarizes the status interior and overseas and summarizes the main contents.
Chapter Two: The theory and method of Self-organizing data mining. Production and shortage is summarized about study of GDP growth. Group method data handling (GMDH) is suggested as a new method to study. It is found that Group method data handling (GMDH) is very important to studying economic GDP increase of Chengdu in that holding economy of Chengdu rise fleetly.
Chapter Three: self-organization model for GDP increase in ChengDu. Model of GDP growth about Chengdu is designed by GMDH according as data in statistics yearbook of Chengdu, parameters are adjusted continually and time length is selected to make model of GMDH, and important factors are found to effect GDP growth by comparison with data of china GDP growth.
Chapter Four: the influence and analysis of GDP increase in ChengDu by investment & consumption. The relationship between the GDP growth of chengdu and investment & consumption are studied deeply. The model is designed by expanding the Production Function of Cobb-Gouglas. At the same time, investment and consumption are lucubrated to find the main factors that effect development of Chengdu by model of econometrics, and pertinent policy is given to the government of Chengdu.
Chapter Five: the influence and analysis of GDP increase in ChengDu by industry structure. The power of economic development about Chengdu is analyzed using Shift-share Method (SSM) , based on understanding actuality of industrial structure. At the same time, the four dominant industries of secondary industry are studied using Location Quotient, finding that the pharmaceutical industry、electronic and information industry have higher location quotients,which are the superior industries of chengdu, and suggest the direction and measure about adjustment of industrial structure.
Chapter Six: the influence and analysis of GDP increase in ChengDu by Urbanization. Urbanization is one of the most important factors that effect GDP growth. The nonlinear relation between Urbanization and economic growth is studied using regression analysis, and Granger Causality Test. The model is designed quantitatively and qualitatively to rapid Urbanization by econometrics, especially using Analytic Hierarchy Process (AHP) to evaluate the model on quality. It is found that ChengDu has better hardware and infrastructure, poorer software, laggard culture. The suggestion, that advance Urbanization ratio and quality, is raised to keep economic development rapidly.
Chapter Seven: the influence and analysis of GDP increase in ChengDu by The non-quantitative. The non-quantitative factors that effect GDP growth of Chengdu are analyzed, and we put forward many ideas to Chengdu government, including building service government, innovating finance body, improving efficiency of finance, in order to accelerate GDP growth.
Chapter Eight: the analysis of Green GDP in ChengDu. Green GDP is suggested to analyze the economic development in order to keep it growth fast and health. Green GDP is calculated by subtracting the natural resource depletion and environmental losses from GDP. Economic growth in relation to GDP is contrasted with green GDP, and sustainable development strategy is suggested guiding by science development view in order that economic development become continuable and intensive.
第1章，绪论。提出问题，确定研究目的和研究思路，总结国内外研究现状，综述本文的主要工作。
第2章，自组织数据挖掘理论与方法。在全面深入的分析总结以往研究经济增长以及GDP增长成果的基础上，提出研究GDP增长的一种新的研究方法——自组织数据挖掘算法(GMDH)。分析指出用基于数据导向的自组织数据挖掘算法(GMDH)研究成都市GDP增长的重要意义。
第3章，成都市GDP增长的自组织模型。以成都市统计年鉴的数据为主要依据，对成都市GDP增长进行了自组织数据挖掘(GMDH)建模研究。通过不断调节模型参数并选择不同的时间段构建自组织模型群，同时以全国为主要参照对象进行模型对比分析，构建了一个自组织数据挖掘模型群，揭示了影响成都市GDP增长的主要原因。
第4章，投资与消费对成都市GDP增长的影响分析。为了深入研究投资和消费与成都GDP增长的关系，拓展了柯布—道格拉斯函数，提出泛柯布—道格拉斯模型的概念，扩展了柯布—道格拉斯函数的应用范围，对成都GDP增长进行建模研究。同时，运用计量经济学模型对成都市投资水平和消费水平进行深入分析，揭示影响成都市投资与消费水平发展的主要因素，并提出针对性的政策建议。
第5章，产业结构对成都市GDP增长的影响分析。分析成都市近年来产业结构发展现状后，运用偏离份额分析法(SSM)对成都市经济增长动力进行分析，同时运用区位商分析方法对成都市第二产业中工业的四大主导产业进行分析，得出医药工业、电子信息产业区位商较高，是成都市主要的优势产业的观点。针对产业结构存在的问题，提出对成都市产业结构进行调整的方向和措施。
第6章，城市化水平对成都市GDP增长的影响分析。城市化是与成都市GDP增长最为密切的影响因素之一。运用了回归分析模型分析成都市城市化率与经济增长之间的线性对数曲线关系，并进行因果检验。针对成都市处于城市化快速发展时期，运用计量经济学模型，对成都市城市化水平分别进行量和质的建模研究，特别是在质量建模中运用层次分析方法(AHP)进行综合评价，揭示成都市城市化过程中硬件先行、软件滞后，基础设施先行而人文环境落后的突出问题，提出提升成都市城市化率和城市化的质量水平的政策建议。
第7章，成都市非量化因素对GDP增长的影响分析。根据GMDH核心模型和泛柯布—道格拉斯模型的结果，分析影响成都市GDP增长的非量化因素，提出建立规范化服务型政府，深化财政体制改革、提高地方财政运行质量和效益，完善政府投资项目管理等建设性意见，通过改进，大量的非量化因素能够促进成都市GDP的增长，而非制约成都市GDP增长。
第8章，成都市经济发展水平的绿色GDP分析。采用当前国际经济界正在探索和发展的绿色GDP分析方法分析成都市经济发展与绿色GDP的关系。采用传统GDP—自然资源损耗—环境污染损失的方法对成都市绿色GDP进行了核算。运用数学方法对成都市绿色GDP和GDP与经济增长的关系进行了论证。提出以科学发展观为指导的成都市可持续发展战略对策措施。
Contrapose the problems and shortcomings of the modeling and researching metholds in the past, in order to avoiding the factitious effect, retaining objectivity and veracity of the model, a new method is suggested to study GDP increase of Chengdu. It is Group Method of Data Handling (GMDH). GMDH is a method of designing model by data handling, which is similar to the process of envolvement, and it make easier to understand the discipline by the result of model. The model including GDP as well as other many factors of economy designed by GMDH is based on Chengdu economic data. Inherence of many factors is analyzed in-depth by the main result of model, and improvement of step, policy and so on, are suggested.
Main research contents follows:
Chapter One: introduction.It puts forward the questions, makes clear objective and train of thought, summarizes the status interior and overseas and summarizes the main contents.
Chapter Two: The theory and method of Self-organizing data mining. Production and shortage is summarized about study of GDP growth. Group method data handling (GMDH) is suggested as a new method to study. It is found that Group method data handling (GMDH) is very important to studying economic GDP increase of Chengdu in that holding economy of Chengdu rise fleetly.
Chapter Three: self-organization model for GDP increase in ChengDu. Model of GDP growth about Chengdu is designed by GMDH according as data in statistics yearbook of Chengdu, parameters are adjusted continually and time length is selected to make model of GMDH, and important factors are found to effect GDP growth by comparison with data of china GDP growth.
Chapter Four: the influence and analysis of GDP increase in ChengDu by investment & consumption. The relationship between the GDP growth of chengdu and investment & consumption are studied deeply. The model is designed by expanding the Production Function of Cobb-Gouglas. At the same time, investment and consumption are lucubrated to find the main factors that effect development of Chengdu by model of econometrics, and pertinent policy is given to the government of Chengdu.
Chapter Five: the influence and analysis of GDP increase in ChengDu by industry structure. The power of economic development about Chengdu is analyzed using Shift-share Method (SSM) , based on understanding actuality of industrial structure. At the same time, the four dominant industries of secondary industry are studied using Location Quotient, finding that the pharmaceutical industry、electronic and information industry have higher location quotients,which are the superior industries of chengdu, and suggest the direction and measure about adjustment of industrial structure.
Chapter Six: the influence and analysis of GDP increase in ChengDu by Urbanization. Urbanization is one of the most important factors that effect GDP growth. The nonlinear relation between Urbanization and economic growth is studied using regression analysis, and Granger Causality Test. The model is designed quantitatively and qualitatively to rapid Urbanization by econometrics, especially using Analytic Hierarchy Process (AHP) to evaluate the model on quality. It is found that ChengDu has better hardware and infrastructure, poorer software, laggard culture. The suggestion, that advance Urbanization ratio and quality, is raised to keep economic development rapidly.
Chapter Seven: the influence and analysis of GDP increase in ChengDu by The non-quantitative. The non-quantitative factors that effect GDP growth of Chengdu are analyzed, and we put forward many ideas to Chengdu government, including building service government, innovating finance body, improving efficiency of finance, in order to accelerate GDP growth.
Chapter Eight: the analysis of Green GDP in ChengDu. Green GDP is suggested to analyze the economic development in order to keep it growth fast and health. Green GDP is calculated by subtracting the natural resource depletion and environmental losses from GDP. Economic growth in relation to GDP is contrasted with green GDP, and sustainable development strategy is suggested guiding by science development view in order that economic development become continuable and intensive.
引文
* 本节数据来源：2006成都统计年鉴和2006四川统计年鉴
[1] 1975
[2] 1979
[3] 1987
[4] Tichonov, A. N., V. Ja. Arwet'jev: Metody resenija nekottektnych zadac. Nauka, Moskva, 1974
[5] Aksenova. T. I, Ju. P. Jurackovskij: Charakterizacija nesmescennoj struktury i uslovija ee J-optimal' nosti. Avtomatika. 1988, 3 (4): 34-37.
[6] Ivakhnenko A. G. V. S. Stepasko.: 建模的抗干扰性[M](俄). Keiv: Naukova dumka, 1985
[7] 1981, 14(3):32-36.
[8] Aksenova, T. I., Jurackovskij Ju. P. 无偏结构的性质及其J-最优条件(俄)[J]. Avtomatika, 1988, 3(4): 34-37.
[9] 1980,1:28～37
[10] Muller J A, Lemke F. Self-organizing data mining[M]. Berlin, Hamburg: Libri Books, 2000.
[11] Han Jiawei and Kamber Micheline. Data Mining: Concepts and Techniques[M]. Morgan Kaufmann Publishers, Inc. 2001
[12] U. M. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, From Data Mining to Knowledge Discovery in Databases: an overview[J]. In Advances in Knowledge Discovery and Data Mining, U. M. Fayyad, et al eds, Chambridge Mass: MIT Press, 1996, 1-36.
[13] Cherkassky V. and Mulier F. Learnining from Data: Concepts, Theory, and Methods. J. Wiley & Sons. Inc., New York, 1998
[14] Barron AR, Barron RL. 1988. Statistical learning networks: a unifying view. In Computer Science and Statistics: Proceedings of the 20st Interface, 192-203.
[15] Cherkassky, V, F.Mulier. Learning from Data[M]. New York: J. Wiley&Sons.Inc., 1998: 388-421.
[16] Dimitrov V.D. A stochastic GMDH algorithm with successive introduction of pairs of variables. Soviet Automatic Control c/c of Avtomatika. 1970,3(5):61-63.
[17] Madala H R, Ivakhnenko A G. Inductive learning algorithms for complex systems modeling[M]. Boca Raton,London,Tokyo. CRC Press.Inc. 1994.
[18] Mehra R.K. Group method of data handling (GMDH): review and experience[C], in Proceedings of the IEEE Conference on Decision and Control, 1977: 29-34.
[19] Yurachkovskiy Y.P. Improved GMDH algorithms for process prediction. Soviet Automatic Control c/c ofAvtomatika, 1977, 10(5):61-71.
[20] Sarychev A.P.. Solution of the GMDH partitioning problem when calculating the regularity criterion in an active experiment. Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 1989, 22(4): 18-26.
[21] Sarychev A.P. An averaged regularity criterion for the group method of data handling in the problem of searching for the best regression. Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 1990, 23(5):24-29.
[22] Stepashko V.S. Selective properties of the consistency criterion of models. Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 1986, 19(2):38-46.
[23] Ivakhnenko A.G., Muller J.A. Problems of an objective computer clustering of a sample of observations. Soviet Journal of Automation and Information Sciences c/c ofAvtomatika, 1991, 24(1):54-62.
[24] Ivakhnenko A.G. Sorting methods in self-organization of models and clusterizations (review of new basic ideas). Iterative (multirow) polynomial GMDH algorithms. Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 1989, 22(4):88-99.
[25] Ivakhnenko A.G. The group method of data handling in prediction problems. Soviet Automatic Control c/c of Avtomatika, 1976, 9(6):21-30.
[26] Mueller J.A.,Lemke F. Ivakhnenko A.G. GMDH algorithm for complex systems modeling. Mathematical and Computer Modelling of Dynamical Systems. 1998, 4(4):275-316
[27] Zaychenko Y.P., Kebkal A.G., Krachkovskii V.F. The fuzzy group method of data handling and its application to the problems of the macroeconomic indexes forecasting.available in URL address:http://skyscraper.fortunecity.com/cray/793/articles/papers.html, 2000
[28] Robinson C. Multi-objective optimisation of polynomial models for time series prediction using genetic algorithms and neural networks. PhD Thesis in the Dept. of Automatic Control & Systems Engineering. University of Sheffield, UK, 1998
[29] Chang F.J. , Yuan Y.Y. A self-organization algorithm for real-time flood forecast. Hydrological Processes, 1999, (13):123-138.
[30] Ivakhnenko A.G.et al. Self-organization of neural networks with active neurons[J].Pattern Recognition and Image Analysis 1994,2:185-196.
[31] Anderson P, Arrow K.J.and Pines D (eds.),The Economy as an Evolving Complex System, Addison-Wesley,1989
[32] Zadeh.L.A. Fuzzy logic and its application to approach to qualitative algebraic reasoning. Proc. AAAI, 1988, 264-269.
[33] Goldberg DE. Genetic Algorithms in Search. Optimization and Machine Learning. Reading. MA: Addison Wesley. 1989
[34] Bagley, J.D. The behavior of adaptive system which employ genetic and correlation algorithms, Doctoral dissertation. University of Michigan (University Microfilms). 1976.
[35] Holland, J.H. Adaptation plans optimal for payoff-only environments. Pro, of the 2md Hawaii Int, Conf, On system sciences. 1969,917-920.
[36] Holland, J.H. Adaptation in natural and artificial systems,.University of Michigan Press. 1975
[37] DeJong K.A. An analysis of the behavior of a class of genetic adaptive systems, unpublished doctoral dissertation. University of Michigan, Ann arbor, MI,(University Microfilms ),1975
[38] Pucik, V. Promotion Patterns in a Japanese Trading Company. Columbia Journal of World Business. 1985,21.
[39] Takagi T. Sugeno M.Fuzzy Identification of Systems and Application to Modeling and Control. IEEE Trans 1985.SMC-1 (1): 116-132
[40] Durbin R Rumeihart D. Product Unit: A Computationally Powerful and Biologically Plausible Extension to Backpropagation Networks. Neural Computation. 1989, 1(1): 133～14
[41] Rudoph G. Convergence analysis of canonical genetic algorithms. IEEE Transaction on Neural Networks. 1994,5(1):96-101
[42] Davis, L. Applying adaptive algorithm to epistatic domains.Proc.of the International Joint Conference, Artificial Intelligence, 1985:162-164
[43] Ivakhnenko A.G. and Ivakhnenko G.A.. Problems of Further Development of the Group Method of Data Handling Algorithms. Part I[J]. Pattern Recognition and Image Analysis, 2000, 10(2): 187～194.
[44] Ivakhnenko A.G. and Ivakhnenko G.A. Problems of Further Development of GMDH Algorithms: Part Ⅱ[J]. Pattern Recognition and Image Analysis, 2002, 12(1):6-18.
[45] Tadashi Kondo etc. Logistic GMDH-type Neural Networks and their Application to the Identification of the X-ray Film Characteristic Curve[C]. In Proceedings of IEEE International Conference on Systems, Man and Cybernetics, 1999,Vol. 1, pp.437-442,.
[46] Nikolay Y.Nikolaev , Hitoshi Iba.Polynomial harmonic GMDH learning networks for time series modeling[J]. Nerual Networks. 2003, 16:1527-1540.
[47] Kondo T.. GMDH-Type Neural Networks With A Feedback Loop And Their Application To The Identification Of Large-Spatial Air Pollution Patterns[C]. In Proceedings of the 39th SICE Annual Conference International Session Papers, 112A-4, pp.1-6, 2000
[48] Gilbar C.. A New GMDH Type Algorithm For The Development Of Neural Networks For Pattern Recognition[D]. Florida Atlantic University. 2002
[49] Fujimoto Koji, Sampei Nakabayashi. Applying GMDH Algorithm to Extract Rules from Examples[J]. SAMA. 2003, 43(10): 1311-1319.
[50] Zaychenko Yu.P., I.O.Zayets. The Fuzzy GMDH and Its Application to the Tasks of the Macroeconomic Indexes Forecasting[J]. SAMA. 2003, 43(10):1321～1329.
[51] Kordik P. et al. Modified GMDH Model and Models Quality Evaluation by Visualization[J].Control Systems and Computers. 2003,(2):54-67.
[52] Chon KH, Lu S.A new algorithm for autoregression moving average model parameter estimation using group method of data handling[J].Annals Of Biomedical Engineering [Ann Biomed Eng] 2001 Jan, Vol. 29 (1)
[53] Nariman-Zadeh N, Darvizeh A, Ahmad-Zadeh G.R. Hybrid genetic design of GMDH-type neural networks using singular value decomposition for modelling and prediction of the explosive cutting process[J].Proceedings of the Institution of Mechanical Engineers—Part B—Engineering Manufacture, Jun2003, Vol. 217 Issue 6
[54] Nikolaev NY, Iba H. Polynomial harmonic GMDH learning networks for time series modeling[J]. Neural Networks: The Official Journal Of The International Neural Network Society [Neural Netw] 2003 Dec,Vol. 16 (10)
[55] Iwasaki Makoto ,Takei Hiroto, Matsui Nobuyuki. GMDH-Based Modeling and Feedforward Compensation for Nonlinear Friction in Table Drive Systems[J]. IEEE Transactions on Industrial Electronics,Dec2003, Vol. 50 Issue 6
[56] Abdel-Aal Radwan E. Short-Term Hourly Load Forecasting Using Abductive Networks[J]. IEEE Transactions on Power Systems, Feb2004, Vol. 19 Issue 1
[57] Tam C. M, Tong Thomas K. L. Multiple GMDH models for estimating resource requirements[J]. Construction Innovation.Jun2005, Vol. 5 Issue 2
[58] Abdel-Aal RE. GMDH-based feature ranking and selection for improved classification of medical data[J]. Journal Of Biomedical Informatics.2005 Dec, Vol. 38 (6), Date of Electronic Publication: 2005 Apr 16.
[59] Arul S, Raj D.Samuel, Vijayaraghavan L, Malhotra S. K, Krishnamurthy R.Modeling and Optimization of Process Parameters for Defect Toleranced Drilling of GFRP Composites[J] .Materials & Manufacturing Processes;Apr2006,Vol.21 Issue4, p357-365
[60] Hwang, Heung Suk. Fuzzy GMDH-type neural network model and its application to forecasting of mobile communication[J]. Computers & Industrial Engineering; Aug2006, Vol. 50 Issue 4, p450-457
[61] 贺昌政等．数学建模导论[M]．成都：成都科技大学出版社,1997
[62] 贺昌政，张宾，俞海．自组织数据挖掘与人工神经网络方法比较研究[J]．系统工 程理论与实践，2002，22(11)：11-15．
[63] 贺昌政．自组织数据挖掘与经济预测[M]．科学出版社．2005
[64] 马庆国．管理统计[M]．科学出版社．2002
[65] 张晓峒．计量经济学软件Eviews使用指南[M]．南开大学出版社．2004．12
[66] 达摩达尔．N．古扎拉蒂．计量经济学基础[M]．中国人民大学出版社．1996
[67] 李志辉，罗平．SPSS for Windows 统计分析教程[M]．电子工业出版社．2004．10
[68] 李华，胡奇英．预测与决策[M]．西安电子科技大学出版社 2005．3
[69] 阎星．成都市可持续发展研究[M]．成都时代出版社．2006．5
[70] 戴宾．成都：现实与未来[M]．西南交通大学出版社．2006．5
[71] 成都文化产业发展报告编委．2005年成都文化产业发展报告．成都时代出版社．2005
[72] 中共成都市委政策研究室．成都市城乡一体化案例精选[M]．2005．8
[73] 孙东川，林福永．系统工程引论[M]．清华大学出版社．2005．8
[74] 胡运权．运筹学基础及应用[M]．哈尔滨工业大学出版社．2002．9
[75] 汪应洛．系统工程理论、方法与应用[M]．高等教育出版社．1997．7
[76] 胡知能，徐玖平．运筹学—线性系统优化[M]．科学出版社．2003．3
[77] 徐玖平，吴巍．多属性决策的理论与方法[M]．清华大学出版社．2006．8
[78] 何其详．投入产出分析[M]．科学出版社．1999．8
[79] 从爽．面向 Matlab 工具箱的神经网络理论与应用[M]．中国科技大学出版社．2005
[80] 朱启贵．绿色国民经济核算论[M]．上海交通大学出版社．2005．11
[81] 李健，陈立洁．论绿色GDP核算体系及其面临的问题．北方环境．2005年2月第30卷
[82] 朱龙杰．现行GDP与绿色GDP的比较研究[J]．江苏统计，理论探讨．2001年9月
[83] 世界银行．世界发展报告(1981 1999)[M]．京：中国财政经济出版社．2000
[84] 李芳林，张海斌．现行GDP与绿色GDP的比较研究[J]．上海统计．2003
[85] 联合国．国民经济核算体系(1993)[M]．北京：中国统计出版社．1995
[86] 萨缪尔森．诺德豪斯．经济学[M]．北京：华夏出版社．1999
[87] 何跃，贺昌政．自组织建模方法与 GDP 增长模型研究[J]．中国管理科学．2004．4
[88] 丁任重，顾文军等．成都市城市化模式研究[J]．天府新论．2001．5
[89] 郭松．我国城市化水平对经济增长影响的实证分析[J]．黑龙江对外贸易．2006．8
[90] 邵波等．用偏离份额法分析山东省经济结构调整[J]．上海工程技术大学学报．2006．6
[91] 牛定炜．白银市产业结构分析研究[J]．甘肃农业．2004．2
[92] 许涤龙，马岚．宏观投资的影响因素与实证分析[J]．经济问题．2002．4
[93] 江道琪，陈松华等．实用线性规划方法及其支持系统[M]．清华大学出版社．2006．4
[94] 王沫然等．Matlab 与科学计算[M]．电子工业出版社．2006．7
[95] 李杰，刘光中．宏观调控对成都市房地产业发展影响的实证分析．特区经济．2005，12．
[96] 李士勇．模糊控制神经网络和智能控制论[J]．哈尔滨工业大学出版社．1998．
[97] 彭祖赠．Fuzzy 子集的Fuzzy测度[J]．模糊数学．1982，4．
[98] 吴望民．正规Fuzzy子群[J]．模糊数学．1981，1．
[99] 吴从忻．Fuzzy拓扑线性空间[J]．模糊数学．1981，1
[100] 汪培庄．模糊集与随机集落影[M]．北京师范大学出版社．1985
[101] 何新贵．模糊知识处理的理论与技术[M]．国防工业出版社．1998
[102] 何新贵．模糊数据库与模糊知识表示．全国第六届数据库学术会议论文集．苏州．1987
[103] 邹开其，许杨．模糊数学与专家系统[M]．西南交通大学出版社．1989
[104] 何新贵．模糊Petri网[J]．计算机学报．1994，17(12)：946-950
[105] 何新贵．模糊推理网络和计算推理[J]．软件学报．1996，7(12)：168-176
[106] 李洪兴，王群．工程模糊数学方法及其应用[M]．天津科技基础出版社．1993 2-3．
[107] 王立新．自适应模糊系统与控制—设计与稳定性分析[M]．国防工业出版社1995
[108] Martin T．Hagan．Howand B Demuth and Mark H．Beale．戴葵等译．神经网络设计[M]．机械工业出版社．2002．
[109] 钟义信，潘新安，杨义先．智能理论与技术—人工智能与神经网络[M]．人民邮电出版社．1992
[110] 刘增良，刘有才．模糊逻辑与神经网络—理论研究与探索[M]．北京航空 航天大学出版社．1996．23-78
[111] 王士同编著．模糊系统、模糊神经网络及应用程序设计[M]．上海科学技术文献出版社．1998
[112] 张文修，梁广锡编著．模糊控制与系统[M]．西安交通大学出版社．1996
[113] 戴晓晖，李敏强，寇纪淞．遗传算法理论研究综述[J]．控制与决策．2005，12 (3)：263-268
[114] 刘勇．非数值并行算法 (二)——遗传算法[M]．科学出版社．1997
[115] 陈根社，陈新海．遗传算法的研究与进展[J]．信息与控制．1994，23(4)：215-222．
[116] 陈国梁等．遗传算法及其应用[M]．人民邮电出版社．1996
[117] 钟义信，潘新安．杨义先．智能理论与技术—人工智能与神经网络[M]．人民邮电出版社．1992
[118] 殷国富．工程专家系统技术及其应用[M]．成都科技大学出版社 1993
[119] 汪学骞．模糊数学在纺织工业中的应用[M]．开益出版社．1992
[120] 金耀处，蒋静平，诸静．自适应模糊预测及其在天气预报中的应用[J]．模式识别与人工智能．1996．3
[121] 王永庆．人工智能原理·方法·应用[M]．西安交通大学出版社．1999
[122]职业岗位分类词典．国家教育委员会教育规划办公室[M]．高等教育出版社．1988
[123] 周明，孙树栋．遗传算法原理及应用[M]．北京，国防工业大学出版社．1999
[124] Nirwan Ansari Edwin Hou．李军 边肇棋译．用于最优化的计算智能[M]．清华大学出版社．1998
[125] 史忠植．高级人工智能[M]．科学出版社．1998
[126] 康银劳，刘光中等．宏观政策作用下成都市经济发展得自组织模型[J]．预测．2001．2
[127] 康银劳，李海波．西部大开发要正确处理政府行为和企业行为的辨证关系[J]．管理世界．2001．3
[128] 康银劳，袁兰兰．增强微观经济基础是西部大开发的重要课题[J]．宏观经济研究．2000．9
[129] 康银劳，袁兰兰．促进西部城镇化发展的政策建议[J]．宏观经济管理．2001．3
[130] 康银劳，颜科琦．自组织建模方法及西部 GDP 增长模型研究[J]．西南交 通大学学报．2001．2
[131] 康银劳，伍前红．论西部地区旅游业的开发[J]．经济体制改革．2000．6
[132] 康银劳．“重复投资”博弈模型对西部大开发的启示[J]．软科学．2001．2
[133] 康银劳，袁兰兰．加入WTO对西部地区的影响[J]．软科学．2000．4
[134] 康银劳，伍前红．论旅游业在西部大开发中的地位[J]．社会科学研究．2001．1
[135] 康银劳．成都市参与西部大开发战略的体制创新[J]．社会科学研究．2001．6
[136] 康银劳，陶章华．西部大开发战略中的人才资源开发探讨[J]．社会科学研究，西部大开发与四川发展战略专集．2000．5
[137] 康银劳，刘常青．西部地区证券市场融资的方向和重点[J]．中国投资．2000．10
[138] 康银劳，伍前红．中国西部地区产业结构动态控制分析[J]．成都理工学院学报．2001．3
[139] 康银劳，陶章华．树立新思想观念迎接西部大开发[J]．中国技术经济科学．2000．5
[140] 康银劳，赵正佳．郭耀煌．西部大开发的国际经验借鉴[J]．西南交通大学学报，社会科学版．2001．1
[141] 康银劳，祝小文等．大力发展服务业促进西部大开发[J]．电子科技大学学报．2001．1
[142] 陶章华，康银劳等．浅析企业的“最佳产品”误区[J]．技术经济与管理研究．2000．5
[143] 康银劳，邓立新等．对当前利用外资工作的调查与建议[J]．政策与策略．2002．6
[144] 康银劳．改善投资软环境吸引各方资金[J]．政策与策略．2002．3
[145] 康银劳，袁兰兰．成都城市化发展道路研究[J]．成都经济发展．2000．3
[146] 康银劳，李华等．成都市全面建设小康社会研究[J]．发展与研究．2004．18
[147] 康银劳．成都市努力建设规范化服务型政府．2004．11
[148] 张洪，钟胜．基于GMDH的净利润影响因素分析[J]．价值工程．2006．10
[149] 曹鹏，李金龙等．一种选择性GMDH网络集成算法[J]．计算机应用．2006．11
[150] 黄玲，钟家勇等．基于GMDH方法的复杂时间序列的数据预测[J]．计算机与信息技术．2006．10
[151] 邹昊飞，杨方廷等．基于两阶段优化算法的神经网络预测模型[J]．管理科学学报．2006．5
[152] 蒋薇，何跃等．基于GMDH方法和BP神经网络的经济预警模型[J]．现代管理科学．2006．10
[153] 钱镜林，刘国华等．基于小波分解的径流预报非线性模型[J]．水力发电学报．2006．5
[154] 贺昌政，高林．两水平算法及其对预测效果的改善[J]．统计与决策．2006．16
[155] 周敏，张富堂等．数据组合处理方法在数据预测中的应用[J]．计算机测量与控制．2006．7
[156] 肖进，朱兵等．景气预测模型应用研究[J]．软科学．2006．4
[157] 谢芳，肖冬荣等．从复杂系统建模角度研究网络经济测度[J]．微计算机信息．2006．24
[158] 朱兵，贺昌政等．基于GMDH方法的四川民用汽车保有量预测研究[J]．现代管理科学．2006．6
[159] 叶林．自组织理论和BP人工神经网络在税收预测中的应用研究[J]．数学的实践与认识．2006．7
[160] 白丽华．自组织数据挖掘在能源消耗预测中应用[J]．商场现代化．2006．17
[161] 高林，贺昌政．GMDH方法在通货膨胀中的应用[J]．现代管理科学．2006．3
[162] 马海霞，何跃，张秋菊等．基于AC聚类方法和GMDH方法分析四川胃药[J]．中国科技信息．2006．1
[163] 何应龙，田益详．中小企业股票市场化发行定价的半参数自组织模型与实证[J]．南方经济．2006．2
[164] 王光强，周佩玲．神经网络算法在股指预测中的应用[J]．计算机工程．2006．1
[165] 邹昊飞，夏国平等．基于自组织算法的改进型GAANN预测模型[J]．中国管理科学．2005．6
[166] 夏伯平，宋存义等．基于两水平算法的入侵检测系统的研究[J]．通信学报．2005．11
[167] 任萍，宋伟等．基于自组织数据挖掘的房地产影响因素分析[J]．统计与决策．2005．20
[168] 王自豪，刘廷建等．基于GMDH方法的粮食总产量预测模型和分析[J]．科技情报开发与经济．2005．19
[169] 田益详，赵兵等．影响中国房地产价格的因素及其程度分析[J]．商场现代化．2005．27
[170] 田益详．GMDH 物价指数预测模型研究及实证[J]．电子科技大学学报．2005．4
[171] 俞海，刘庆伟．基于自组织算法的股市预测[J]．系统工程理论方法应用．2005．3
[172] 郝冬梅，阮晓刚．基于GMDH型神经网络的EEG分类研究[J]．中国生物医学工程学报．2005．1
[173] 张宾，贺昌政．GMDH 算法的终止法则研究[J]．吉林大学学报 (信息科学版)．2005．3
[174] 柯玲．从复杂系统建模角度研究信息经济测度[J]．西南交通大学学报(社会科学版)．2005．4
[175] 李晓峰，徐玖平．动态全参数自调整BP神经网络模型的改进[J]．中国管理科学．2004．6
[176] 钱镜林，刘国华等．基于自组织法求解的 Volterra 虑波器应用于洪水预报[J]．浙江大学学报 (工学版)．2005．1
[177] 廖志高，谢妮．自组织数据挖掘在电力需求预测中应用[J]．电力科学与工程．2004．4
[178] 谢丽，王自豪．GMDH 方法在混泥土强度预测中的应用[J]．科技情报开发与经济．2005．18
[179] 廖斌，何跃．基于AC聚类方法和 GMDH 的品牌竞争力分析[J]．科技情报开发与经济．2005．15
[180] 甄增荣，李双成．广义MDH理论在中国股市量价关系上的应用研究[J]．现代财经—天津财经学院学报．2004．9
[181] 候健，陈月明等．基于统计学习理论的提高采收率潜力预测[J]．石油大学学报 (自然科学版)．2004．4
[182] 王錗，徐玖平．一类基于不定性复杂系统的粗糙GMDH模型及实证分析[J]．系统工程理论与实践．2004．7
[183] 刘振溪，张宗娟．GMDH 法在橡胶配方非线性建模中的应用[J]．特种橡胶制品．2003．3
[184] 欧红香，郑铭等．GMDH 方法在长良川水质预测中的应用[J]．江苏大学学报 (自然科学版)．2003．4
[185] 俞海，贺昌政等．自组织模式识别与经济预测[J]．电子科技大学学 报．2003．1
[186] 李晓峰．基于自组织方法的人工神经网络经济预测模型的建立[J]．预测．2002．6
[187] 田益详．基于GMDH的VAR滞后选择方法及实证分析[J]．武汉科技大学学报 (自然科学版)．2002．1
[188] 赵小梅，李平等．改进的GMDH型神经网络及其在混沌预测中的应用[J]．电路与系统学报．2002．1
[189] 李晓峰，刘光中．基于自组织方法在成都市居民生活用水量的预测和分析[J]．西南民族学院学报 (自然科学版)．2002．4
[190] 贺昌政，吕建平．自组织数据挖掘理论与经济系统的复杂性研究[J]．系统工程理论与实践．2001．21 (12)：1-5
[191] 田益详，陈华富．中长期预测模型的GMDH两水平算法的改进及实证分析比较[J]．系统工程理论与实践．2002．8
[192] 田益详，姚莉萍．中长期预测模型的GMDH自回归两水平数据组选择研究及实证分析[J]．系统工程理论方法应用．2001．3
[193] 田益详．GMDH建模中变量选择的方法研究[J]．安康师专学报．2001．4
[194] 王华，贺昌政等．中国通货紧缩的成因分析[J]．经济数学．2001．4
[195] 王锺，刘光中，吴玲．自组织方法在四川电力发展的“内需”动力机制分析中的应用[J]．四川大学学报 (工程科学版)．2001．2
[196] 李晓峰，刘光中，贺昌政．成都市居民未来生活用水量预测模型的选择[J]．四川大学学报 (工程科学版)．2001．6
[197] 刘光中，康银劳等．基于自组织理论的GMDH神经网络算法及应用[J]．数学的实践与认识．2001．4
[198] 田益详，李红松等．GMDH 调和算法预测模型及应用[J]．数量经济技术经济研究．2000．10
[199] 田益详．基于 GMDH 两水平预测模型的识别问题研究[J]．武汉科技大学学报 (自然科学版)．2000．4
[200] 肖婷，黄国建．GMDH 神经网络在数据预测中的应用[J]．华东船舶工业学院学报．2000．4
[201] 王亚玲．绿色GDP不能承受之重[J]．商业研究．2006．20
[202] 李静怡．税收收入增长因素与GDP增长相关性分析[J]．经济视角．2006．11
[203] 汪琳嫒，李曦．灰色模型在江西省国内生产总值 (GDP) 中的应用与分析[J]．南昌大学学报 (理科版)．2006．5
[204] 钟茂初．“绿色GDP”只是一个幻影[J]．中国林业．2006．22
[205] 齐守印．从财政收入占GDP比重看转变经济增长方式的紧迫性[J]．经济论坛．2006．20
[206] 刘德智，秦华等．河北省绿色GDP核算实证研究[J]．石家庄经济学院学报．2006．5
[207] 刘颖，刘丹等．重庆市生态环境经济核算研究[J]．宁夏大学学报 (自然科学版)．2006．3
[208] 向书坚，杜凌．可持续发展评价与绿色GDP核算述评[J]．统计与信息论坛．2006．6
[209] 曾光，周伟林．长三角城市经济差异的实证分析[J]．浙江社会科学．2006．6
[210] 张波．湖北省人均GDP时间序列模型及预测[J]．中南财经政法大学研究生学报．2006．2
[211] 刘伟，田树苞．改进型 GMSM 建模方法及其应用[J]．自动化学报．1993，19(4)：468-471
[212] 姜丹．信息论与编码 [M]．合肥：中国科学技术大学出版社，2001
[213] 张金玲．GDP影响因素的计量分析[J]．当代经理人 (下旬刊)．2006．11
[214] 董承章，余小华，李大伟．对中国M_2／GDP 影响因素的实证分析[J]．中央财经大学学报．2003．9
[215] 曼昆 (美)．经济学原理[M]．机械工业出版社．2003．8
[216] 成都市政府．成都市“十一五”规划．2006
[217] 中央国务院．中央经济工作会议纲要．2006．12．5
[218] 吉利斯 (美)．发展经济学[M]．北京：中国人民大学出版社．1998
[219] 查尔斯．I．琼斯．经济增长导论[M]．北京：北京大学出版社．2002
[220] 秦朔．告别 GDP 崇拜：中国发展的一种解读[M]．浙江：浙江人民出版社．2004
[221] 胡乃武，金培．国外经济增长理论比较研究[M]．北京：中国人民大学出 版社．1990
[222] 阿瑟．刘易斯．经济增长导论[M]．北京：商务印书馆．1996
[223] 朱保华．新经济增长理论[M]．上海：上海财经大学出版社．1999
[224] 阙里，钟笑寒．中国地区 GDP 增长统计的真实性检验[J]．数量经济技术经济研究．2005．4
[225] 张晓斌．GDP与价格指数的建模分析[J]．包头钢铁学院学报．2004．6
[226] 陈慎思．我国通货膨胀率与GDP增长率关系的实证研究[J]．中山大学研 究生学刊 (社会科学版)．2005．26
[227] 董大敏．城市化与经济发展研究的综述[J]．商业研究．2004．10
[228] 韩晓山．中国GDP增长[J]．经济论坛．2006
[229] 张广剑．中国对外直接投资与中国GDP关系的实证研究[J]．中南财经政法大学研究生学报．2006．3
[230] 王治．政府购买性支出与GDP的相关性研究[J]．武汉理工大学学报 (信息与管理工程版)．2006．6
[231] 赵盈．我国 GDP 时间序列模型的建立与实证分析[J]．西安财经学院学报．2006．6
[232] 王莉莉．安徽省人均GDP时间序列模型的建立[J]．市场论坛．2006．3
[233] 郭海明，李喆．混合时间序列模型在经济增长预测中的应用[J]．西北民族大学学报 (自然科学版)．2006．6
[234] 张雅清，罗洪林．马尔可夫链在中国各地区人均GDP预测中的应用[J]．山西师范大学学报 (自然科学版)．2006．6
[235] 韩静，杨力．基于神经网络技术的非线性经济建模方法研究[J]．河北建筑科技学院学报 (社科版)．2004．9
[236] Damodar N．古扎拉蒂．《Basic Econometrics》[M]．北京：中国人民大学出版社，2000
[237] 龚定勇，蒋爱民．基础设施建设与城市经济增长的关系[J]．城市问题．2004 (1)
[238] 李红继．中国城市经济增长模型及实证分析[J]．现代财经．2003(2)
[239] 林明华，杨永忠．城市基础设施与城市经济增长关系之实证研究—兼论环境友好型城市建设[J]．福州大学学报 (哲学社会科学版)．2006 (3)
[240] 王文博，陈昌兵，徐海燕．包含制度因素的中国经济增长模型及实证分析[J]．统计研究．2002 (5)
[241] 刘群峰．城市经济增长的区位模型[J]．东莞理工学院学报．2006(2)
[242] 余振宇．城市经济增长模型刍议[J]．鲁行经院学报．2003(2)
[243] 顾海兵．城市经济增长优化的科学评价系统[J]．北京行政学院学报．2000(4)．
[244] 王炜，史晋川，孙福国．经济增长的区域影响与集聚效应分析[J]．数量经济技术经济研究．2001(5)
[245] 尹小玲，夏斌，聂云峰．城市经济可持续发展研究—以广州市为例[J]．热带地理．2006(2)
[246] 武志伟．金融发展在中心城市经济增长中的作用[J]．金融与经济．2002(2)
[247] 刘晓红，李国平．区域经济增长的城市效应与产业效应—关于西部经济发展的路径 探索[J]．决策参考．2005(11)
[248] 刘石慧，王正卫．长江三角洲地区城市发展趋势研究[J]．财贸研究．2003(11)
[249] 吴永保．武汉经济增长动力机制实证分析[J]．学习与实践．2006(9)
[250] 李梅，杨明俊．中国城市产业结构问题研究综述[J]．工业技术经济．2006(2)
[251] 韩世明．长三角16城市经济增长差异比较研究．中国优秀博硕士论文．浙江大学．2005年4月
[252] 武燕玲．城市经济发展与人才发展依存度及人才发展双向过滤模型实证研究．中国优秀博硕士论文．山东科技大学．2003年5月
[253] 徐彦杰．商业银行对城市经济增长的金融支持作用研究．中国优秀博硕士论文．湖南大学．2005年10月
[254] 许泽成．大都市的交通与经济发展．中国优秀博硕士论文．复旦大学．2004年9月
[1] 1975
[2] 1979
[3] 1987
[4] Tichonov, A. N., V. Ja. Arwet'jev: Metody resenija nekottektnych zadac. Nauka, Moskva, 1974
[5] Aksenova. T. I, Ju. P. Jurackovskij: Charakterizacija nesmescennoj struktury i uslovija ee J-optimal' nosti. Avtomatika. 1988, 3 (4): 34-37.
[6] Ivakhnenko A. G. V. S. Stepasko.: 建模的抗干扰性[M](俄). Keiv: Naukova dumka, 1985
[7] 1981, 14(3):32-36.
[8] Aksenova, T. I., Jurackovskij Ju. P. 无偏结构的性质及其J-最优条件(俄)[J]. Avtomatika, 1988, 3(4): 34-37.
[9] 1980,1:28～37
[10] Muller J A, Lemke F. Self-organizing data mining[M]. Berlin, Hamburg: Libri Books, 2000.
[11] Han Jiawei and Kamber Micheline. Data Mining: Concepts and Techniques[M]. Morgan Kaufmann Publishers, Inc. 2001
[12] U. M. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, From Data Mining to Knowledge Discovery in Databases: an overview[J]. In Advances in Knowledge Discovery and Data Mining, U. M. Fayyad, et al eds, Chambridge Mass: MIT Press, 1996, 1-36.
[13] Cherkassky V. and Mulier F. Learnining from Data: Concepts, Theory, and Methods. J. Wiley & Sons. Inc., New York, 1998
[14] Barron AR, Barron RL. 1988. Statistical learning networks: a unifying view. In Computer Science and Statistics: Proceedings of the 20st Interface, 192-203.
[15] Cherkassky, V, F.Mulier. Learning from Data[M]. New York: J. Wiley&Sons.Inc., 1998: 388-421.
[16] Dimitrov V.D. A stochastic GMDH algorithm with successive introduction of pairs of variables. Soviet Automatic Control c/c of Avtomatika. 1970,3(5):61-63.
[17] Madala H R, Ivakhnenko A G. Inductive learning algorithms for complex systems modeling[M]. Boca Raton,London,Tokyo. CRC Press.Inc. 1994.
[18] Mehra R.K. Group method of data handling (GMDH): review and experience[C], in Proceedings of the IEEE Conference on Decision and Control, 1977: 29-34.
[19] Yurachkovskiy Y.P. Improved GMDH algorithms for process prediction. Soviet Automatic Control c/c ofAvtomatika, 1977, 10(5):61-71.
[20] Sarychev A.P.. Solution of the GMDH partitioning problem when calculating the regularity criterion in an active experiment. Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 1989, 22(4): 18-26.
[21] Sarychev A.P. An averaged regularity criterion for the group method of data handling in the problem of searching for the best regression. Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 1990, 23(5):24-29.
[22] Stepashko V.S. Selective properties of the consistency criterion of models. Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 1986, 19(2):38-46.
[23] Ivakhnenko A.G., Muller J.A. Problems of an objective computer clustering of a sample of observations. Soviet Journal of Automation and Information Sciences c/c ofAvtomatika, 1991, 24(1):54-62.
[24] Ivakhnenko A.G. Sorting methods in self-organization of models and clusterizations (review of new basic ideas). Iterative (multirow) polynomial GMDH algorithms. Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 1989, 22(4):88-99.
[25] Ivakhnenko A.G. The group method of data handling in prediction problems. Soviet Automatic Control c/c of Avtomatika, 1976, 9(6):21-30.
[26] Mueller J.A.,Lemke F. Ivakhnenko A.G. GMDH algorithm for complex systems modeling. Mathematical and Computer Modelling of Dynamical Systems. 1998, 4(4):275-316
[27] Zaychenko Y.P., Kebkal A.G., Krachkovskii V.F. The fuzzy group method of data handling and its application to the problems of the macroeconomic indexes forecasting.available in URL address:http://skyscraper.fortunecity.com/cray/793/articles/papers.html, 2000
[28] Robinson C. Multi-objective optimisation of polynomial models for time series prediction using genetic algorithms and neural networks. PhD Thesis in the Dept. of Automatic Control & Systems Engineering. University of Sheffield, UK, 1998
[29] Chang F.J. , Yuan Y.Y. A self-organization algorithm for real-time flood forecast. Hydrological Processes, 1999, (13):123-138.
[30] Ivakhnenko A.G.et al. Self-organization of neural networks with active neurons[J].Pattern Recognition and Image Analysis 1994,2:185-196.
[31] Anderson P, Arrow K.J.and Pines D (eds.),The Economy as an Evolving Complex System, Addison-Wesley,1989
[32] Zadeh.L.A. Fuzzy logic and its application to approach to qualitative algebraic reasoning. Proc. AAAI, 1988, 264-269.
[33] Goldberg DE. Genetic Algorithms in Search. Optimization and Machine Learning. Reading. MA: Addison Wesley. 1989
[34] Bagley, J.D. The behavior of adaptive system which employ genetic and correlation algorithms, Doctoral dissertation. University of Michigan (University Microfilms). 1976.
[35] Holland, J.H. Adaptation plans optimal for payoff-only environments. Pro, of the 2md Hawaii Int, Conf, On system sciences. 1969,917-920.
[36] Holland, J.H. Adaptation in natural and artificial systems,.University of Michigan Press. 1975
[37] DeJong K.A. An analysis of the behavior of a class of genetic adaptive systems, unpublished doctoral dissertation. University of Michigan, Ann arbor, MI,(University Microfilms ),1975
[38] Pucik, V. Promotion Patterns in a Japanese Trading Company. Columbia Journal of World Business. 1985,21.
[39] Takagi T. Sugeno M.Fuzzy Identification of Systems and Application to Modeling and Control. IEEE Trans 1985.SMC-1 (1): 116-132
[40] Durbin R Rumeihart D. Product Unit: A Computationally Powerful and Biologically Plausible Extension to Backpropagation Networks. Neural Computation. 1989, 1(1): 133～14
[41] Rudoph G. Convergence analysis of canonical genetic algorithms. IEEE Transaction on Neural Networks. 1994,5(1):96-101
[42] Davis, L. Applying adaptive algorithm to epistatic domains.Proc.of the International Joint Conference, Artificial Intelligence, 1985:162-164
[43] Ivakhnenko A.G. and Ivakhnenko G.A.. Problems of Further Development of the Group Method of Data Handling Algorithms. Part I[J]. Pattern Recognition and Image Analysis, 2000, 10(2): 187～194.
[44] Ivakhnenko A.G. and Ivakhnenko G.A. Problems of Further Development of GMDH Algorithms: Part Ⅱ[J]. Pattern Recognition and Image Analysis, 2002, 12(1):6-18.
[45] Tadashi Kondo etc. Logistic GMDH-type Neural Networks and their Application to the Identification of the X-ray Film Characteristic Curve[C]. In Proceedings of IEEE International Conference on Systems, Man and Cybernetics, 1999,Vol. 1, pp.437-442,.
[46] Nikolay Y.Nikolaev , Hitoshi Iba.Polynomial harmonic GMDH learning networks for time series modeling[J]. Nerual Networks. 2003, 16:1527-1540.
[47] Kondo T.. GMDH-Type Neural Networks With A Feedback Loop And Their Application To The Identification Of Large-Spatial Air Pollution Patterns[C]. In Proceedings of the 39th SICE Annual Conference International Session Papers, 112A-4, pp.1-6, 2000
[48] Gilbar C.. A New GMDH Type Algorithm For The Development Of Neural Networks For Pattern Recognition[D]. Florida Atlantic University. 2002
[49] Fujimoto Koji, Sampei Nakabayashi. Applying GMDH Algorithm to Extract Rules from Examples[J]. SAMA. 2003, 43(10): 1311-1319.
[50] Zaychenko Yu.P., I.O.Zayets. The Fuzzy GMDH and Its Application to the Tasks of the Macroeconomic Indexes Forecasting[J]. SAMA. 2003, 43(10):1321～1329.
[51] Kordik P. et al. Modified GMDH Model and Models Quality Evaluation by Visualization[J].Control Systems and Computers. 2003,(2):54-67.
[52] Chon KH, Lu S.A new algorithm for autoregression moving average model parameter estimation using group method of data handling[J].Annals Of Biomedical Engineering [Ann Biomed Eng] 2001 Jan, Vol. 29 (1)
[53] Nariman-Zadeh N, Darvizeh A, Ahmad-Zadeh G.R. Hybrid genetic design of GMDH-type neural networks using singular value decomposition for modelling and prediction of the explosive cutting process[J].Proceedings of the Institution of Mechanical Engineers—Part B—Engineering Manufacture, Jun2003, Vol. 217 Issue 6
[54] Nikolaev NY, Iba H. Polynomial harmonic GMDH learning networks for time series modeling[J]. Neural Networks: The Official Journal Of The International Neural Network Society [Neural Netw] 2003 Dec,Vol. 16 (10)
[55] Iwasaki Makoto ,Takei Hiroto, Matsui Nobuyuki. GMDH-Based Modeling and Feedforward Compensation for Nonlinear Friction in Table Drive Systems[J]. IEEE Transactions on Industrial Electronics,Dec2003, Vol. 50 Issue 6
[56] Abdel-Aal Radwan E. Short-Term Hourly Load Forecasting Using Abductive Networks[J]. IEEE Transactions on Power Systems, Feb2004, Vol. 19 Issue 1
[57] Tam C. M, Tong Thomas K. L. Multiple GMDH models for estimating resource requirements[J]. Construction Innovation.Jun2005, Vol. 5 Issue 2
[58] Abdel-Aal RE. GMDH-based feature ranking and selection for improved classification of medical data[J]. Journal Of Biomedical Informatics.2005 Dec, Vol. 38 (6), Date of Electronic Publication: 2005 Apr 16.
[59] Arul S, Raj D.Samuel, Vijayaraghavan L, Malhotra S. K, Krishnamurthy R.Modeling and Optimization of Process Parameters for Defect Toleranced Drilling of GFRP Composites[J] .Materials & Manufacturing Processes;Apr2006,Vol.21 Issue4, p357-365
[60] Hwang, Heung Suk. Fuzzy GMDH-type neural network model and its application to forecasting of mobile communication[J]. Computers & Industrial Engineering; Aug2006, Vol. 50 Issue 4, p450-457
[61] 贺昌政等．数学建模导论[M]．成都：成都科技大学出版社,1997
[62] 贺昌政，张宾，俞海．自组织数据挖掘与人工神经网络方法比较研究[J]．系统工 程理论与实践，2002，22(11)：11-15．
[63] 贺昌政．自组织数据挖掘与经济预测[M]．科学出版社．2005
[64] 马庆国．管理统计[M]．科学出版社．2002
[65] 张晓峒．计量经济学软件Eviews使用指南[M]．南开大学出版社．2004．12
[66] 达摩达尔．N．古扎拉蒂．计量经济学基础[M]．中国人民大学出版社．1996
[67] 李志辉，罗平．SPSS for Windows 统计分析教程[M]．电子工业出版社．2004．10
[68] 李华，胡奇英．预测与决策[M]．西安电子科技大学出版社 2005．3
[69] 阎星．成都市可持续发展研究[M]．成都时代出版社．2006．5
[70] 戴宾．成都：现实与未来[M]．西南交通大学出版社．2006．5
[71] 成都文化产业发展报告编委．2005年成都文化产业发展报告．成都时代出版社．2005
[72] 中共成都市委政策研究室．成都市城乡一体化案例精选[M]．2005．8
[73] 孙东川，林福永．系统工程引论[M]．清华大学出版社．2005．8
[74] 胡运权．运筹学基础及应用[M]．哈尔滨工业大学出版社．2002．9
[75] 汪应洛．系统工程理论、方法与应用[M]．高等教育出版社．1997．7
[76] 胡知能，徐玖平．运筹学—线性系统优化[M]．科学出版社．2003．3
[77] 徐玖平，吴巍．多属性决策的理论与方法[M]．清华大学出版社．2006．8
[78] 何其详．投入产出分析[M]．科学出版社．1999．8
[79] 从爽．面向 Matlab 工具箱的神经网络理论与应用[M]．中国科技大学出版社．2005
[80] 朱启贵．绿色国民经济核算论[M]．上海交通大学出版社．2005．11
[81] 李健，陈立洁．论绿色GDP核算体系及其面临的问题．北方环境．2005年2月第30卷
[82] 朱龙杰．现行GDP与绿色GDP的比较研究[J]．江苏统计，理论探讨．2001年9月
[83] 世界银行．世界发展报告(1981 1999)[M]．京：中国财政经济出版社．2000
[84] 李芳林，张海斌．现行GDP与绿色GDP的比较研究[J]．上海统计．2003
[85] 联合国．国民经济核算体系(1993)[M]．北京：中国统计出版社．1995
[86] 萨缪尔森．诺德豪斯．经济学[M]．北京：华夏出版社．1999
[87] 何跃，贺昌政．自组织建模方法与 GDP 增长模型研究[J]．中国管理科学．2004．4
[88] 丁任重，顾文军等．成都市城市化模式研究[J]．天府新论．2001．5
[89] 郭松．我国城市化水平对经济增长影响的实证分析[J]．黑龙江对外贸易．2006．8
[90] 邵波等．用偏离份额法分析山东省经济结构调整[J]．上海工程技术大学学报．2006．6
[91] 牛定炜．白银市产业结构分析研究[J]．甘肃农业．2004．2
[92] 许涤龙，马岚．宏观投资的影响因素与实证分析[J]．经济问题．2002．4
[93] 江道琪，陈松华等．实用线性规划方法及其支持系统[M]．清华大学出版社．2006．4
[94] 王沫然等．Matlab 与科学计算[M]．电子工业出版社．2006．7
[95] 李杰，刘光中．宏观调控对成都市房地产业发展影响的实证分析．特区经济．2005，12．
[96] 李士勇．模糊控制神经网络和智能控制论[J]．哈尔滨工业大学出版社．1998．
[97] 彭祖赠．Fuzzy 子集的Fuzzy测度[J]．模糊数学．1982，4．
[98] 吴望民．正规Fuzzy子群[J]．模糊数学．1981，1．
[99] 吴从忻．Fuzzy拓扑线性空间[J]．模糊数学．1981，1
[100] 汪培庄．模糊集与随机集落影[M]．北京师范大学出版社．1985
[101] 何新贵．模糊知识处理的理论与技术[M]．国防工业出版社．1998
[102] 何新贵．模糊数据库与模糊知识表示．全国第六届数据库学术会议论文集．苏州．1987
[103] 邹开其，许杨．模糊数学与专家系统[M]．西南交通大学出版社．1989
[104] 何新贵．模糊Petri网[J]．计算机学报．1994，17(12)：946-950
[105] 何新贵．模糊推理网络和计算推理[J]．软件学报．1996，7(12)：168-176
[106] 李洪兴，王群．工程模糊数学方法及其应用[M]．天津科技基础出版社．1993 2-3．
[107] 王立新．自适应模糊系统与控制—设计与稳定性分析[M]．国防工业出版社1995
[108] Martin T．Hagan．Howand B Demuth and Mark H．Beale．戴葵等译．神经网络设计[M]．机械工业出版社．2002．
[109] 钟义信，潘新安，杨义先．智能理论与技术—人工智能与神经网络[M]．人民邮电出版社．1992
[110] 刘增良，刘有才．模糊逻辑与神经网络—理论研究与探索[M]．北京航空 航天大学出版社．1996．23-78
[111] 王士同编著．模糊系统、模糊神经网络及应用程序设计[M]．上海科学技术文献出版社．1998
[112] 张文修，梁广锡编著．模糊控制与系统[M]．西安交通大学出版社．1996
[113] 戴晓晖，李敏强，寇纪淞．遗传算法理论研究综述[J]．控制与决策．2005，12 (3)：263-268
[114] 刘勇．非数值并行算法 (二)——遗传算法[M]．科学出版社．1997
[115] 陈根社，陈新海．遗传算法的研究与进展[J]．信息与控制．1994，23(4)：215-222．
[116] 陈国梁等．遗传算法及其应用[M]．人民邮电出版社．1996
[117] 钟义信，潘新安．杨义先．智能理论与技术—人工智能与神经网络[M]．人民邮电出版社．1992
[118] 殷国富．工程专家系统技术及其应用[M]．成都科技大学出版社 1993
[119] 汪学骞．模糊数学在纺织工业中的应用[M]．开益出版社．1992
[120] 金耀处，蒋静平，诸静．自适应模糊预测及其在天气预报中的应用[J]．模式识别与人工智能．1996．3
[121] 王永庆．人工智能原理·方法·应用[M]．西安交通大学出版社．1999
[122]职业岗位分类词典．国家教育委员会教育规划办公室[M]．高等教育出版社．1988
[123] 周明，孙树栋．遗传算法原理及应用[M]．北京，国防工业大学出版社．1999
[124] Nirwan Ansari Edwin Hou．李军 边肇棋译．用于最优化的计算智能[M]．清华大学出版社．1998
[125] 史忠植．高级人工智能[M]．科学出版社．1998
[126] 康银劳，刘光中等．宏观政策作用下成都市经济发展得自组织模型[J]．预测．2001．2
[127] 康银劳，李海波．西部大开发要正确处理政府行为和企业行为的辨证关系[J]．管理世界．2001．3
[128] 康银劳，袁兰兰．增强微观经济基础是西部大开发的重要课题[J]．宏观经济研究．2000．9
[129] 康银劳，袁兰兰．促进西部城镇化发展的政策建议[J]．宏观经济管理．2001．3
[130] 康银劳，颜科琦．自组织建模方法及西部 GDP 增长模型研究[J]．西南交 通大学学报．2001．2
[131] 康银劳，伍前红．论西部地区旅游业的开发[J]．经济体制改革．2000．6
[132] 康银劳．“重复投资”博弈模型对西部大开发的启示[J]．软科学．2001．2
[133] 康银劳，袁兰兰．加入WTO对西部地区的影响[J]．软科学．2000．4
[134] 康银劳，伍前红．论旅游业在西部大开发中的地位[J]．社会科学研究．2001．1
[135] 康银劳．成都市参与西部大开发战略的体制创新[J]．社会科学研究．2001．6
[136] 康银劳，陶章华．西部大开发战略中的人才资源开发探讨[J]．社会科学研究，西部大开发与四川发展战略专集．2000．5
[137] 康银劳，刘常青．西部地区证券市场融资的方向和重点[J]．中国投资．2000．10
[138] 康银劳，伍前红．中国西部地区产业结构动态控制分析[J]．成都理工学院学报．2001．3
[139] 康银劳，陶章华．树立新思想观念迎接西部大开发[J]．中国技术经济科学．2000．5
[140] 康银劳，赵正佳．郭耀煌．西部大开发的国际经验借鉴[J]．西南交通大学学报，社会科学版．2001．1
[141] 康银劳，祝小文等．大力发展服务业促进西部大开发[J]．电子科技大学学报．2001．1
[142] 陶章华，康银劳等．浅析企业的“最佳产品”误区[J]．技术经济与管理研究．2000．5
[143] 康银劳，邓立新等．对当前利用外资工作的调查与建议[J]．政策与策略．2002．6
[144] 康银劳．改善投资软环境吸引各方资金[J]．政策与策略．2002．3
[145] 康银劳，袁兰兰．成都城市化发展道路研究[J]．成都经济发展．2000．3
[146] 康银劳，李华等．成都市全面建设小康社会研究[J]．发展与研究．2004．18
[147] 康银劳．成都市努力建设规范化服务型政府．2004．11
[148] 张洪，钟胜．基于GMDH的净利润影响因素分析[J]．价值工程．2006．10
[149] 曹鹏，李金龙等．一种选择性GMDH网络集成算法[J]．计算机应用．2006．11
[150] 黄玲，钟家勇等．基于GMDH方法的复杂时间序列的数据预测[J]．计算机与信息技术．2006．10
[151] 邹昊飞，杨方廷等．基于两阶段优化算法的神经网络预测模型[J]．管理科学学报．2006．5
[152] 蒋薇，何跃等．基于GMDH方法和BP神经网络的经济预警模型[J]．现代管理科学．2006．10
[153] 钱镜林，刘国华等．基于小波分解的径流预报非线性模型[J]．水力发电学报．2006．5
[154] 贺昌政，高林．两水平算法及其对预测效果的改善[J]．统计与决策．2006．16
[155] 周敏，张富堂等．数据组合处理方法在数据预测中的应用[J]．计算机测量与控制．2006．7
[156] 肖进，朱兵等．景气预测模型应用研究[J]．软科学．2006．4
[157] 谢芳，肖冬荣等．从复杂系统建模角度研究网络经济测度[J]．微计算机信息．2006．24
[158] 朱兵，贺昌政等．基于GMDH方法的四川民用汽车保有量预测研究[J]．现代管理科学．2006．6
[159] 叶林．自组织理论和BP人工神经网络在税收预测中的应用研究[J]．数学的实践与认识．2006．7
[160] 白丽华．自组织数据挖掘在能源消耗预测中应用[J]．商场现代化．2006．17
[161] 高林，贺昌政．GMDH方法在通货膨胀中的应用[J]．现代管理科学．2006．3
[162] 马海霞，何跃，张秋菊等．基于AC聚类方法和GMDH方法分析四川胃药[J]．中国科技信息．2006．1
[163] 何应龙，田益详．中小企业股票市场化发行定价的半参数自组织模型与实证[J]．南方经济．2006．2
[164] 王光强，周佩玲．神经网络算法在股指预测中的应用[J]．计算机工程．2006．1
[165] 邹昊飞，夏国平等．基于自组织算法的改进型GAANN预测模型[J]．中国管理科学．2005．6
[166] 夏伯平，宋存义等．基于两水平算法的入侵检测系统的研究[J]．通信学报．2005．11
[167] 任萍，宋伟等．基于自组织数据挖掘的房地产影响因素分析[J]．统计与决策．2005．20
[168] 王自豪，刘廷建等．基于GMDH方法的粮食总产量预测模型和分析[J]．科技情报开发与经济．2005．19
[169] 田益详，赵兵等．影响中国房地产价格的因素及其程度分析[J]．商场现代化．2005．27
[170] 田益详．GMDH 物价指数预测模型研究及实证[J]．电子科技大学学报．2005．4
[171] 俞海，刘庆伟．基于自组织算法的股市预测[J]．系统工程理论方法应用．2005．3
[172] 郝冬梅，阮晓刚．基于GMDH型神经网络的EEG分类研究[J]．中国生物医学工程学报．2005．1
[173] 张宾，贺昌政．GMDH 算法的终止法则研究[J]．吉林大学学报 (信息科学版)．2005．3
[174] 柯玲．从复杂系统建模角度研究信息经济测度[J]．西南交通大学学报(社会科学版)．2005．4
[175] 李晓峰，徐玖平．动态全参数自调整BP神经网络模型的改进[J]．中国管理科学．2004．6
[176] 钱镜林，刘国华等．基于自组织法求解的 Volterra 虑波器应用于洪水预报[J]．浙江大学学报 (工学版)．2005．1
[177] 廖志高，谢妮．自组织数据挖掘在电力需求预测中应用[J]．电力科学与工程．2004．4
[178] 谢丽，王自豪．GMDH 方法在混泥土强度预测中的应用[J]．科技情报开发与经济．2005．18
[179] 廖斌，何跃．基于AC聚类方法和 GMDH 的品牌竞争力分析[J]．科技情报开发与经济．2005．15
[180] 甄增荣，李双成．广义MDH理论在中国股市量价关系上的应用研究[J]．现代财经—天津财经学院学报．2004．9
[181] 候健，陈月明等．基于统计学习理论的提高采收率潜力预测[J]．石油大学学报 (自然科学版)．2004．4
[182] 王錗，徐玖平．一类基于不定性复杂系统的粗糙GMDH模型及实证分析[J]．系统工程理论与实践．2004．7
[183] 刘振溪，张宗娟．GMDH 法在橡胶配方非线性建模中的应用[J]．特种橡胶制品．2003．3
[184] 欧红香，郑铭等．GMDH 方法在长良川水质预测中的应用[J]．江苏大学学报 (自然科学版)．2003．4
[185] 俞海，贺昌政等．自组织模式识别与经济预测[J]．电子科技大学学 报．2003．1
[186] 李晓峰．基于自组织方法的人工神经网络经济预测模型的建立[J]．预测．2002．6
[187] 田益详．基于GMDH的VAR滞后选择方法及实证分析[J]．武汉科技大学学报 (自然科学版)．2002．1
[188] 赵小梅，李平等．改进的GMDH型神经网络及其在混沌预测中的应用[J]．电路与系统学报．2002．1
[189] 李晓峰，刘光中．基于自组织方法在成都市居民生活用水量的预测和分析[J]．西南民族学院学报 (自然科学版)．2002．4
[190] 贺昌政，吕建平．自组织数据挖掘理论与经济系统的复杂性研究[J]．系统工程理论与实践．2001．21 (12)：1-5
[191] 田益详，陈华富．中长期预测模型的GMDH两水平算法的改进及实证分析比较[J]．系统工程理论与实践．2002．8
[192] 田益详，姚莉萍．中长期预测模型的GMDH自回归两水平数据组选择研究及实证分析[J]．系统工程理论方法应用．2001．3
[193] 田益详．GMDH建模中变量选择的方法研究[J]．安康师专学报．2001．4
[194] 王华，贺昌政等．中国通货紧缩的成因分析[J]．经济数学．2001．4
[195] 王锺，刘光中，吴玲．自组织方法在四川电力发展的“内需”动力机制分析中的应用[J]．四川大学学报 (工程科学版)．2001．2
[196] 李晓峰，刘光中，贺昌政．成都市居民未来生活用水量预测模型的选择[J]．四川大学学报 (工程科学版)．2001．6
[197] 刘光中，康银劳等．基于自组织理论的GMDH神经网络算法及应用[J]．数学的实践与认识．2001．4
[198] 田益详，李红松等．GMDH 调和算法预测模型及应用[J]．数量经济技术经济研究．2000．10
[199] 田益详．基于 GMDH 两水平预测模型的识别问题研究[J]．武汉科技大学学报 (自然科学版)．2000．4
[200] 肖婷，黄国建．GMDH 神经网络在数据预测中的应用[J]．华东船舶工业学院学报．2000．4
[201] 王亚玲．绿色GDP不能承受之重[J]．商业研究．2006．20
[202] 李静怡．税收收入增长因素与GDP增长相关性分析[J]．经济视角．2006．11
[203] 汪琳嫒，李曦．灰色模型在江西省国内生产总值 (GDP) 中的应用与分析[J]．南昌大学学报 (理科版)．2006．5
[204] 钟茂初．“绿色GDP”只是一个幻影[J]．中国林业．2006．22
[205] 齐守印．从财政收入占GDP比重看转变经济增长方式的紧迫性[J]．经济论坛．2006．20
[206] 刘德智，秦华等．河北省绿色GDP核算实证研究[J]．石家庄经济学院学报．2006．5
[207] 刘颖，刘丹等．重庆市生态环境经济核算研究[J]．宁夏大学学报 (自然科学版)．2006．3
[208] 向书坚，杜凌．可持续发展评价与绿色GDP核算述评[J]．统计与信息论坛．2006．6
[209] 曾光，周伟林．长三角城市经济差异的实证分析[J]．浙江社会科学．2006．6
[210] 张波．湖北省人均GDP时间序列模型及预测[J]．中南财经政法大学研究生学报．2006．2
[211] 刘伟，田树苞．改进型 GMSM 建模方法及其应用[J]．自动化学报．1993，19(4)：468-471
[212] 姜丹．信息论与编码 [M]．合肥：中国科学技术大学出版社，2001
[213] 张金玲．GDP影响因素的计量分析[J]．当代经理人 (下旬刊)．2006．11
[214] 董承章，余小华，李大伟．对中国M_2／GDP 影响因素的实证分析[J]．中央财经大学学报．2003．9
[215] 曼昆 (美)．经济学原理[M]．机械工业出版社．2003．8
[216] 成都市政府．成都市“十一五”规划．2006
[217] 中央国务院．中央经济工作会议纲要．2006．12．5
[218] 吉利斯 (美)．发展经济学[M]．北京：中国人民大学出版社．1998
[219] 查尔斯．I．琼斯．经济增长导论[M]．北京：北京大学出版社．2002
[220] 秦朔．告别 GDP 崇拜：中国发展的一种解读[M]．浙江：浙江人民出版社．2004
[221] 胡乃武，金培．国外经济增长理论比较研究[M]．北京：中国人民大学出 版社．1990
[222] 阿瑟．刘易斯．经济增长导论[M]．北京：商务印书馆．1996
[223] 朱保华．新经济增长理论[M]．上海：上海财经大学出版社．1999
[224] 阙里，钟笑寒．中国地区 GDP 增长统计的真实性检验[J]．数量经济技术经济研究．2005．4
[225] 张晓斌．GDP与价格指数的建模分析[J]．包头钢铁学院学报．2004．6
[226] 陈慎思．我国通货膨胀率与GDP增长率关系的实证研究[J]．中山大学研 究生学刊 (社会科学版)．2005．26
[227] 董大敏．城市化与经济发展研究的综述[J]．商业研究．2004．10
[228] 韩晓山．中国GDP增长[J]．经济论坛．2006
[229] 张广剑．中国对外直接投资与中国GDP关系的实证研究[J]．中南财经政法大学研究生学报．2006．3
[230] 王治．政府购买性支出与GDP的相关性研究[J]．武汉理工大学学报 (信息与管理工程版)．2006．6
[231] 赵盈．我国 GDP 时间序列模型的建立与实证分析[J]．西安财经学院学报．2006．6
[232] 王莉莉．安徽省人均GDP时间序列模型的建立[J]．市场论坛．2006．3
[233] 郭海明，李喆．混合时间序列模型在经济增长预测中的应用[J]．西北民族大学学报 (自然科学版)．2006．6
[234] 张雅清，罗洪林．马尔可夫链在中国各地区人均GDP预测中的应用[J]．山西师范大学学报 (自然科学版)．2006．6
[235] 韩静，杨力．基于神经网络技术的非线性经济建模方法研究[J]．河北建筑科技学院学报 (社科版)．2004．9
[236] Damodar N．古扎拉蒂．《Basic Econometrics》[M]．北京：中国人民大学出版社，2000
[237] 龚定勇，蒋爱民．基础设施建设与城市经济增长的关系[J]．城市问题．2004 (1)
[238] 李红继．中国城市经济增长模型及实证分析[J]．现代财经．2003(2)
[239] 林明华，杨永忠．城市基础设施与城市经济增长关系之实证研究—兼论环境友好型城市建设[J]．福州大学学报 (哲学社会科学版)．2006 (3)
[240] 王文博，陈昌兵，徐海燕．包含制度因素的中国经济增长模型及实证分析[J]．统计研究．2002 (5)
[241] 刘群峰．城市经济增长的区位模型[J]．东莞理工学院学报．2006(2)
[242] 余振宇．城市经济增长模型刍议[J]．鲁行经院学报．2003(2)
[243] 顾海兵．城市经济增长优化的科学评价系统[J]．北京行政学院学报．2000(4)．
[244] 王炜，史晋川，孙福国．经济增长的区域影响与集聚效应分析[J]．数量经济技术经济研究．2001(5)
[245] 尹小玲，夏斌，聂云峰．城市经济可持续发展研究—以广州市为例[J]．热带地理．2006(2)
[246] 武志伟．金融发展在中心城市经济增长中的作用[J]．金融与经济．2002(2)
[247] 刘晓红，李国平．区域经济增长的城市效应与产业效应—关于西部经济发展的路径 探索[J]．决策参考．2005(11)
[248] 刘石慧，王正卫．长江三角洲地区城市发展趋势研究[J]．财贸研究．2003(11)
[249] 吴永保．武汉经济增长动力机制实证分析[J]．学习与实践．2006(9)
[250] 李梅，杨明俊．中国城市产业结构问题研究综述[J]．工业技术经济．2006(2)
[251] 韩世明．长三角16城市经济增长差异比较研究．中国优秀博硕士论文．浙江大学．2005年4月
[252] 武燕玲．城市经济发展与人才发展依存度及人才发展双向过滤模型实证研究．中国优秀博硕士论文．山东科技大学．2003年5月
[253] 徐彦杰．商业银行对城市经济增长的金融支持作用研究．中国优秀博硕士论文．湖南大学．2005年10月
[254] 许泽成．大都市的交通与经济发展．中国优秀博硕士论文．复旦大学．2004年9月