时间：2021年11月24日（周三）14：00-16：00

地点：理科大楼A1714会议室

题目：高标准自由贸易区网络与高水平对外投资：FTA深化与企业跨国并购

报告人：杨连星 华东师范大学副教授

主办：上海并购金融研究院

摘要：

与既有文献FTA同质性假定不同，本文测度和衡量FTA动态深化以及FTA深度投资异质性条款指标，全面揭示FTA深化对企业跨国并购的影响，以此论证中国FTA战略的优化策略与方案。基于FTA条款的异质性，本文多种估计方法研究发现，FTA静态定性指标与FTA动态深化指标，均与企业跨国并购存在显著的正相关关系；除要素流动自由化外，FTA深度投资条款均对企业跨国并购存在显著的促进效应。但FTA深化影响存在显著的差异性：在深度条款领域中，研发合作条款、政治性条款、经济一体化和贸易自由化领域，其促进效应较强，但要素流动自由化领域作用微弱；在国家对方面，“北-北”、“南-南”国家对之间影响更为显著，在“南-北”国家对效应显著降低；在年份效应中，FTA深化影响逐渐趋强，而FTA深投资条款影响趋弱。基于全球各国样本经验结论，本文评估了中国FTA深度投资条款现状与优化路径。以此，在全面开拓构建FTA网络同时，要着重推进FTA深化以及投资条款协定的深化，积极吸引“一带一路”沿线国家加入，加大与缔约国间研发合作，同时适时考虑加入 CPTPP，借力RECP推动与美日区域合作谈判，进而逐步形成区域合作深化的“中国方案”。

报告人简介：

杨连星，华东师范大学经济与管理学部副教授。研究方向为国际贸易。近年来，在《管理世界》、《世界经济》、《金融研究》、Economic Modelling等SSCI/ CSSCI杂志发表40多篇文章。主持国家社科基金青年项目、上海市哲社一般项目、上海市软科学重点项目等多项国家省部级课题。多项专报获得副国级、省部级采纳与批示。

时间：2021年11月25日（周四）10：00-11：30

地点：中北校区理科大楼A1514

题目：Nonlinear dynamic duration panel data model with fixed effect

主讲人：李愚昊（助理教授）

主持人：崔芮 （助理教授）

主办：经济与管理学部统计交叉科学研究院

摘要：This paper proposes a new framework of econometric models for analyzing the nonlinear dynamic duration panel data. The duration outcomes are specified by the Generalized Accelerated Failure Time (GAFT) model with fixed effect unobserved heterogeneity. The model is multiplicative separable, thus, a first ratio transformation is used to difference out the fixed effect. This transformation results a panel of outcomes that are free from any time-invariant individual heterogeneity. We interpret an individual's `ratio' data as realizations of a counting process that is parametrically modelled. The intensity of each counting process can be constructed by specifying the distribution of error term of the GAFT model. A minimum distance estimation method is used, the resulting estimators are root-n consistent and asymptotically normal. We illustrate our method with a work absence application.

时 间：2021年11月25日（周四）13：00-14：30

地 点：腾讯会议：688 676 063

题 目：Adversarial Image Generation and Training for Deep Neural Networks

主讲人：谌自奇华东师范大学研究员

主持人：方方 教授

主 办：统计与数据科学前沿理论及应用教育部重点实验室

摘 要：

Deep neural networks (DNNs) have achieved great success in image classification, but can be very vulnerable to adversarial attacks with small perturbations to images. Moreover, the adversarial training based on adversarial image samples has been shown to improve the robustness and generalization of DNNs. To improve adversarial image generation and training for DNNs, we develop a novel method, called mFI-PSO, which utilizes a Manifold-based First-order Influence measure for vulnerable image/pixel selection and the Particle Swarm Optimization for various objective functions. Our mFI-PSO can thus effectively design adversarial images with flexible, customized options on the number of perturbed pixels, the misclassification probability, and the targeted incorrect class. The mFI-PSO can further improve DNNs in training with the adversarial images crafted from an “intrinsic” perturbation manifold, thereby exhibiting an enhanced adversarial defense in testing. Experiments demonstrate the flexibility and effectiveness of our mFI-PSO in adversarial attacks and training and its appealing advantages over some popular methods.

报告人简介：

谌自奇，华东师范大学紫江青年研究员，博士生导师。研究方向包含高维统计分析、函数型（纵向）数据分析、基于剖面似然的统计推断、生存分析、机器学习、神经网络等。主持国家自然科学基金面上项目1项、国家自然科学基金青年项目1项、上海市自然科学基金1项、湖南省自然科学基金项目1项、获得中国博士后面上和特别资助。他以第一作者或者通讯作者在JASA, Biometric, Statistica Sinica等统计学权威期刊发表（接收）论文10多篇。

生命不息，学而不已