关键词： 非财务信息   债券违约   机器学习  

摘要： 随着债券“违约潮”的来临,近几年信用债违约现象越来越严重,违约债券数量呈现指数型增长。自2014年首次出现违约以来,截至到2019年,违约债券数量已经达到2014年的50倍,由此可见信用债违约风险不容忽视。学术界广泛使用的债券违约风险预测模型多使用财务数据,对于非财务数据的使用较少。财务数据在使用过程中经常出现披露不及时、财务数据造假等现象,在应用中存在一定局限性。事实上,非财务数据中包含大量有关企业经营管理的信息,这部分信息没有被利用,但在预测债券违约风险时能起到重要作用。非财务信息包括很多种类,公告是非财务信息的重要来源之一,是发债主体向外界传递信息最直接的通道。公告中包含人事变动、会议决策、重大事项、处罚等对公司经营管理产生巨大影响的信息,这些信息能够体现公司的经营管理情况,反应管理层对公司的信心,是财务数据无法反应出来的。因此,本文利用非财务信息中的公告对信用债违约风险进行预测。本文的第一部分是综述部分。首先论述了债券违约风险相关研究背景和研究意义。然后是文献综述部分,从违约风险模型和情感分析技术两个方面总结国内外已有文献,为建模提供理论基础和研究方向,并在此基础上提出本文的创新点。本文的第二部分对违约债券的数量、分布、行业及其公告类型角度进行描述性统计分析,将公告全方位、多维度进行分类,为后续建模提供数据支持。第三部分是模型的构建部分。首先将能够进行情感分析的公告进行情感分析,对于不能进行情感分析的公告,直接统计数量输入模型建模。其次,本文根据样本数据特点和逻辑特点选择两个机器学习模型:决策树模型和支持向量机模型。为了选择最优模型,对两个备选模型分别进行训练和评价,选出准确率更高的模型。最后,将调参后的模型代入测试集测试,经比较最终选择支持向量机模型进行实证。第四部分是本文的实证分析部分。本文选取了 2014年至2019年全部违约信用债券进行预处理后的数据作为原始违约数据。为了解决违约债券数量和未违约债券数量的不平衡的问题,本文按照1:5的比例随机选取未违约债券共同作为原始数据。对原始数据进行处理后输入模型,得到最终模型的准确率可达到95.06%,AUC值达到0.92,表明相较于传统违约风险预测模型,本文的模型预测能力更强,适用性更强。第五部分是本文的总结。首先是本文的结论。基于本文共得出以下四个结论:1.优化后的支持向量机模型能够很好地预测信用债违约风险。2.本文模型对未违约债券的预测准确率高于违约债券。3.引起违约债券预测误差的主要原因是违约主体公告信息披露的过少或不及时。4.非财务数据在债券违约风险预测中有较好的应用。其次是文章的不足和展望。最后基于投资者、监管者和评级机构的角度提出的建议。本文有以下两个创新点:第一、本文利用非财务信息对信用债违约风险预测,建模采用的数据是对公告进行文本分析得到的,对比传统用财务数据预测风险,具有创新性。第二、现有关于公告情感分析的研究都是用公告数据和其他财务数据共同作为自变量,这样会使公告变量的权重降低,削弱公告对违约风险的预测能力。本文将公告拆分成多个定类变量和定比变量,只探究公告对违约风险预测能力,不加入任何财务数据,相较于现有研究,具有一定的创新性。

关键词： 阿尔兹海默症   正则化迭代PCA插补法   随机森林插补法   SAEM  

摘要： 阿尔兹海默症是一种常出现老年群体中的神经性脑疾病,是全球第四大死亡原因。我国2019年的研究显示,中国老年人群痴呆患病率接近6%,约有1000-1100万人正在经受着疾病带来的痛苦,一项2019年的研究显示,预计在不久的将来发病总人数会有显著增加。阿尔兹海默症病症情况较多且复杂,诊断需要大量的检查,检查费用高昂,另外还存在我国人民群众对医疗需求日益加深和医疗资源分配不均之间的矛盾,因此阿尔兹海默症在诊断阶段上会遇到许多困难。根据资料调查显示,我国的阿尔兹海默症患者诊断时超过半数的人都已经是中重度患者,而阿尔兹海默症越早治疗康复起来就越快,因此如何早期诊断出阿尔兹海默症具有重要研究意义。近几年来,人工智能在医疗领域发挥了重要意义。医学辅助诊断能够通过机器学习方法对医学影像进行识别,这样可以快速发现病症所在,提高医疗效率。因此将阿尔兹海默症诊断诉诸于人工智能,通过机器学习算法实现智慧辅助诊疗,就能够在一定程度上提前诊断出阿尔兹海默症,使得患者在病情早期阶段就能被诊断,大大提高了治愈率。综上,本文基于以上阿兹海默症受众广、危害大、诊断复杂的背景出发,使用ADNI数据库中的生物标志物、人口统计学、认知评估等数据,利用多种机器学习算法实现阿尔兹海默症的病情诊断预测。以下为本文的研究框架。首先对数据进行哑变量处理、归一化后再进行构建模型。在正式建模之前,首先选择代价权重比值,用以计算使得模型加权错判率最低的分类阈值,从而降低模型的漏诊率。建模总共分为四个部分。第一部分,使用正则化迭代PCA插补法、随机森林插补法分队对缺失数据集进行插补,得到两个完整的数据集Logistic回归模型。再利用向前选择法,找出对阿尔兹海默症诊断解释力最强的变量。第二部分,利用上述两个插补完成的数据集建立支持向量机模型。第三部分,构建插补法随机森林模型,并给出特征重要性分数。第四部分,利用SAEM法,选择使模型收敛速度最快的参数,一次性完成数据的插补和Logistic回归模型的建立。最后对模型结果进行比较,并给出对于阿尔兹海默症病情诊断解释性强的变量。为减小偶然性带来的建模结果影响,本文将上述过程重复10次,用10次建模得到的平均准确率、精确率、灵敏度、特异度、AUC等指标进行模型间的比较。结果显示,预测能力最好的模型的AUC值能够达到98.05%,准确率和召回率分别可以达到91.62%和98.78%。

关键词： 物流网点   机器学习   爬虫   大数据   GIS  

摘要： 随着互联网的高速发展,人工智能技术,机器学习方法等字眼逐渐走进人们的生活,人们得以耳濡目染新技术。同时AI潜移默化地走进很多领域,不断地影响人们的生活,提高人们的生活质量。传统的物流选址方法存在一些问题,比如某些地方物流网点密度过稀,使得一些区域不能得到覆盖;或者密度过高,使得选址覆盖重合造成资源浪费等问题。合理有效的选址,需要用合理的科学方法。既要考虑到地区的人口密度,交通状态,也要考虑到当地的经济水平,地理位置等因素。随着机器学习理论的不断发展和完善,以及大数据时代的到来,我们可以拥有更多的数据来做研究,可以不断地去验证相关理论的可行性。让大数据技术结合相关的机器学习方法,有助于实现合理的城市规划,方便人们的生活。但机器学习相关理论的实践,在物流方面的应用还存在一定的空白。本文采用爬虫,大数据分析以及机器学习的技术,给出上海市的物流站点与其他类型的服务设施之间的量化关系。首先,使用爬虫手段,获取高德地图里提供的各种位置信息,提取出相应的经济,地理,交通,人口等相关因素。其次,再创新性地使用GIS网格化技术将上述的数据切割成大小合适的网格小块,统计每一个网格小块内的数据点数,得到样本总体。对于所有数据,使用机器学习方法得到各种设施和物流点数量之间的回归关系。再使用随机森林,Ada Boost,GBDT,XGBoost提升方法,对基本模型实现准确度的提升,从而建成全套的物流点数量和其他类型设施数量关系的机器学习模型。

关键词： 机器学习   代理模型   自适应采样   贝叶斯学习   结构健康监测  

摘要： 现代工程结构日益大型化、轻柔化,其安全服役和动力灾变问题越来越突出。结构可靠度分析和结构健康监测是保障工程结构长期服役和安全运营的两个重要研究内容:一方面,结构可能直接承受作用强度远超其设计极限的极端自然灾害,导致结构体系失效,因此有必要对结构进行动力可靠度分析;另一方面,在漫长的服役期内,结构会因环境侵蚀和材料老化等因素的影响出现功能退化,致使服役性能不断下降,因此需要利用损伤识别等手段为结构安全评估提供依据。然而,现阶段结构动力可靠度分析及结构损伤识别都还面临诸多挑战,尤其是如何提高计算效率和精度方面仍然具有很大的探索空间。近年来,以神经网络为代表的机器学习技术在土木工程领域受到了广泛关注,其强大的非线性拟合能力、特征提取能力和高度灵活的结构形式使得其已经渗透到土木工程各个研究方向,被用以解决传统方法难以处理的问题,展现出了很好的工程应用潜力。正是基于这样的考虑,论文以机器学习方法在结构动力可靠度分析和结构健康监测中的应用为着眼点,以提高可靠度分析和结构损伤识别的效率和精度为目标,建立了基于径向基神经网络的桥梁颤振可靠度分析方法以及基于贝叶斯卷积神经网络和振动传递比的结构损伤识别方法,通过数值模拟和实验对所提方法的准确性和有效性进行了验证。本文主要工作和结论如下:1.论文对人工神经网络和深度学习的基本概念、基本原理和若干常用数学模型进行了较为系统地梳理,并讨论了两者的联系及适用范围;重点阐述了本文将采用的径向基神经网络和卷积神经网络核心网络层的功能和算法。针对卷积神经网络存在容易过拟合的缺点,论文进一步介绍了贝叶斯卷积神经网络,该方法通过对权重的概率建模来正则化神经网络,引入贝叶斯统计推断的框架量化参数的不确定性,能够有效提升模型的泛化性能。2.在基于机器学习方法的动力可靠度分析方面,论文针对颤振失稳功能函数计算成本高、隐式表达和高维非线性的特点,使用径向基神经网络作为代理模型来替代计算复杂耗时的颤振临界风速搜索过程,结合蒙特卡洛技术,建立了一种高效的桥梁颤振失效概率求解方法。为进一步提高分析效率,论文还提出了一种基于动态距离约束和加权抽样的自适应采样策略,将使用径向基神经网络在变量设计空间全域拟合颤振失稳功能函数的问题转换为拟合极限状态面的问题,降低了计算的复杂度。为实现自适应采样的迭代过程,论文基于全模态颤振分析理论,使用MATLAB和ANSYS协同分析技术,建立了参数化颤振临界风速分析有限元模型,实现了颤振分析过程的“自动化”和“在线化”。3.为了验证本文提出的桥梁颤振失效概率求解方法的效率和精度,论文通过非线性无阻尼单自由度系统和二维小失效概率模型数值算例验证了所提自适应采样策略的适用性和有效性,结果表明,相较于已有自适应采样方法,该策略在精度相当的前提下具有更高的计算效率;通过理想平板断面简支梁桥算例对所提桥梁颤振可靠度分析方法的可行性进行了验证,分析结果表明,该方法具有良好的适用性,具备较高的计算精度和计算效率。4.在基于深度学习的结构损伤识别方面,论文充分发挥振动传递比函数能够有效消除未知激励的影响以及贝叶斯卷积神经网络对数据特征自动提取的优势,采用神经网络有监督学习思路,建立了传递比函数驱动的贝叶斯-CNN损伤识别方法。该方法通过采集各损伤工况结构加速度响应信号来构造传递比数据集,并直接将其作为输入对贝叶斯卷积神经网络模型进行训练,用于提取数据中对损伤敏感的特征,最终实现对未知损伤工况的识别。为了提高贝叶斯卷积神经网络的推理效率,论文引入了一种高效的随机梯度变分贝叶斯推理方法:变分随机失活,来构造贝叶斯卷积神经网络模型,其通过局部重参数技巧将全局不确定性转换成局部不确定性,能够较大幅度地减少随机梯度的方差和训练的计算量。5.为了验证基于贝叶斯深度学习的结构损伤识别算法的有效性,论文以IASCASCE SHM Benchmark结构数值模型和悬臂梁实验模型为研究对象,对论文所提损伤识别方法进行了验证。结果表明,该方法具备较高的识别正确率;由于传递比函数反映的是结构输出-输出之间的关系,能够有效消除荷载的影响,将其作为卷积神经网络的输入特征,损伤识别效果要优于结构加速度响应功率谱;相较于普通卷积神经网络,贝叶斯卷积神经网络在测试集和训练集的精度更为接近,说明其具备更好的泛化性能,损伤识别能力更好。

关键词： 航班延误   Logistic回归   决策树   随机森林   XGBoost   支持向量机  

摘要： 出行是我们日常生活中不可避免的一部分,随着人们对于航空出行接受程度的提高,由于航班延误造成的经济损失成为了人们热议的话题.根据美国联邦航空管理局公布的统计数据,美国2018年仅由于航班延误带来的损失就高达280亿美元,无论对于航空公司还是乘客来说,这都是一笔巨大的损失.随着经济的迅速发展,我国在民航市场的需求也在不断增加,2020年我国全年机场完成旅客吞吐量8.57亿人次,完成飞机起降904.92万架次,已达到美国同年的水平,目前也同样面临着由于航班延误带来的经济损失问题.本文的出发点是通过分析美国的航班延误数据,采用多种不同的方法构建相应的航班延误预测模型,并通过对比各方法从中选出最优模型.进而可以在之后的工作中把文中所用的多种方法推广到我国航班延误的相关分析中,通过技术手段规避相应的风险,减少不必要的损失.本文数据取自美国运输统计局,是2019年美国主要航空公司的航班数据.由于航班的延误情况具有相似性和共通性,所以文章中对于美国航班延误情况的分析方法可以推广并运用到对于中国航班延误情况的分析中.本文首先对数据进行预处理,补充缺失数值并创建新变量.接着分别分析了数据中主要变量与航班延误情况的相关性并将其可视化,直观地展现出来.在经过变量处理后的新数据集中,使用Logistic回归、基于CART算法的决策树、基于C4.5算法的决策树、随机森林算法、XGBoost算法、仅采用XGBoost生成的新特征作为变量的Logistic回归、合并XGBoost生成的新特征与原始特征作为变量的Logistic回归以及基于高斯核函数的支持向量机对航班延误的情况进行分类,并结合准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值和AUC值评价各方法的分类效果.在本文的八种方法中,综合表现最优的方法为基于高斯核函数的支持向量机,它在识别航班延误时效果显著.在选择最优方法时主要比较AUC值,并且由于将延误航班错判为准时航班会给航空公司带来较大的损失,所以也需要格外重视召回率.Logistic回归在召回率方面的效果最为突出,但与基于高斯核函数的支持向量机相比,在AUC值、准确率、精确率和F1值上效果不佳.随机森林和XGBoost将多棵决策树进行集成,比起单一的基于CART算法的决策树和基于C4.5算法的决策树有更加优秀的分类性能.两种组合XGBoost与Logistic回归的方法能够生成变量间的非线性关系,并且结合了二者的思想,但并没有取得预期的效果,这说明优秀的方法不一定适合所有数据,需要具体问题具体分析.在航班延误的分类研究中,需要综合采用多种方法,分析影响航班延误的关键性因素并进行预测.同时在实际工作中积极做好应对准备,采取有效的措施,最大程度上减轻航班延误带来的不利影响。

关键词： 肝细胞癌   早期诊断   基因表达的秩序关系   最小冗余最大相关   支持向量机  

摘要： 肝细胞癌(hepatocellular carcinoma,HCC)是一种常见的恶性肿瘤,其在全球癌症相关死亡人数中排名第三。目前,HCC的早期检测方法主要有血清标记物检测与影像学检查。其中,血清标记物的灵敏度不高,无法鉴别大约1/3以上的肝癌患者。影像学检查对于直径<2厘米且分化较好的早期肿瘤的诊断敏感性约50%左右。因此,对于影像学检查难以辨别的早期肝癌组织中发生的微小病理改变,通常采用肝穿刺活组织检查来鉴定,然而活检经常会出现未取到癌组织而发生漏检的情况。事实上,超过80%的肝癌是由肝硬化发展而来。虽然目前已有一些方法可以用于区分HCC和非HCC患者的肝硬化(非癌旁肝硬化),但其预测的准确率却远远不能令人满意。因此,迫切需要更加准确的诊断模型来辅助临床场景下的早期肝癌诊断,从而增加肝癌的治疗机会和生存率。本文在来自不同实验室的1091个HCC样本和242个非癌旁肝硬化样本的基因表达谱数据集中,利用样本内基因表达量的秩序关系(relative expression orderings,REOs)分别获得在95%以上的样本中保持高度稳定、但在两者间逆转的基因对,并将得到的逆转基因对作为用于HCC早期诊断的候选分子标志。然后使用最小冗余最大相关(minimum redundancy maximum relevance,m RMR)和增量特征选择去除不相关特征。最终,我们筛选得到了由11基因对(TRMT112和SF3B1,MFSD5和COLEC10,FDXR和APC2,LAMC1和CHST4,UBE4B和HGF,NCAPH2和APC2,HSPH1和MTHFD2,TMEM38B和AGO3,PLGRKT和COLEC10,HNF1A和APC2,ARPC2和SF3B1)构成的标志。应用支持向量机(support vector machine,SVM)算法进行分类,并进行5-折交叉验证,结果显示此分子标志在训练集中的准确性为100%。进一步地,我们研究了11基因对标志在几个独立数据集上的肝癌识别能力。对于活检取样数据,该分子标志正确分类100%的HCC样本(共99例)与100%的非癌旁肝硬化样本(共44例)。特别地,97例HCC癌旁正常组织和80例HCC癌旁肝硬化组织均被该分子标志分类为HCC。对于手术切除数据,此分子标志将89.63%的HCC样本(共926例)和100%的非癌旁肝硬化手术切除样本(共18例)正确分类。同时,该分子标志还将93.7%的HCC癌旁肝硬化样本(共254例)及100%的HCC癌旁正常组织样本(共644例)分类为HCC。结果表明,11对基因可以作为早期HCC的诊断标志。即使是对于取样位置不准确的微量活检样本(癌旁正常或癌旁肝硬化),该标志可以将HCC及其癌旁组织从非癌旁肝硬化组织中区分开来,并且在个体层面上对肝癌早期诊断有实际和有效的帮助。

关键词： Artificial intelligence   Transportation  

摘要： According to the Texas Department of Transportation’s Texas Motor Vehicle Crash Statistics, Texas has had the highest number of severe crashes involving large trucks in the US. As defined by the US Department of Transportation, a large truck is any vehicle with a gross vehicle weight rating greater than 10,000 pounds. Generally, it requires more time and much more space for large trucks to accelerating, slowing down, and stopping. Also, there will be large blind spots when large trucks make wide turns. Therefore, if an unexpected traffic situation comes upon, It would be more difficult for large trucks to take evasive actions than regular vehicles to avoid a collision. Due to their large size and heavy weight, large truck crashes often result in huge economic and social costs. Predicting the severity level of a reported large truck crash with unknown severity or of the severity of crashes that may be expected to occur sometime in the future is useful. It can help to prevent the crash from happening or help rescue teams and hospitals provide proper medical care as fast as possible. To identify the appropriate modeling approaches for predicting the severity of large truck crash, in this research, four representative classification tree-based ML models (e.g., Extreme Gradient Boosting tree (XGBoost), Adaptive Boosting tree(AdaBoost), Random Forest (RF), Gradient Boost Decision Tree (GBDT)), two non-tree-based ML models (e.g., the Support Vector Machines (SVM), k-Nearest Neighbors (kNN)), and LR model were selected. The results indicate that the GBDT model performs best among all of seven models.

关键词： 结构健康监测   数据异常检测   卷积神经网络   计算机视觉   迁移学习  

摘要： 结构健康监测系统得到的监测数据通常包含多种类型的异常(包括错误数据),这些异常通常是由传感器故障和数据传输故障等引起的,并不一定代表结构的真实状况。异常数据的存在严重干扰了结构健康诊断与评估。但是,由于结构健康监测系统数据量巨大,异常数据类型多,异常数据特征具有不确定性等特点,传统单目标、二分类方法以及基于阈值的异常数据检测方法均难适用。当前对异常数据的检测方法研究多集中于振动加速度数据,对于种类繁多、复杂的其它各种数据的异常检测研究相对较少,因此本文研究基于机器学习的结构健康监测多元数据的异常检测方法。主要研究内容包括:建立了结构健康监测多元数据异常检测的数据库。考虑到结构健康监测数据的特点,将结构健康监测数据异常检测问题转化为图像分类问题,通过将数据分段可视化,确定应变、支座位移、GPS、温度、倾角等监测数据的异常模式,构造了结构健康监测多元数据库,通过使用Deep Dream卷积神经网络可视化工具将卷积神经网络内部高维权重可视化,总结特征建立异常数据特征库。提出了基于卷积神经网络的结构健康监测多元数据异常检测方法。首先设计并训练了一个用于数据异常分类的卷积神经网络架构,研究在不同工况中卷积神经网络架构的最优参数与超参数。采用数据库中具有代表性特征的样本进行标记、训练、验证与测试,通过实际桥梁监测数据对训练好的卷积神经网络模型进行异常数据检测验证,并与人工检测结果进行对比分析,结果表明提出的方法在精度、效率等方面满足多元数据异常检测要求。提出了基于迁移学习的结构健康监测多元数据异常检测方法。针对单个结构训练数据不足的问题,在原有卷积神经网络模型的基础上,提出采用不同结构的少量数据进行有监督参数迁移学习的方法,设计了迁移学习方案和神经网络架构。采用实桥监测数据进行验证并与基于Alex-Net的迁移学习模型进行了对比分析,结果表明,在小规模数据的迁移学习下能有效地提升异常检测模型的泛化能力。

关键词： 新冠疫情   大五人格特质   主观幸福感   在线文本分析   机器学习  

摘要： 微博平台作为Web2.0时代的主要在线社交媒介,现已成为用户展示自我和分享生活的重要渠道。在线社交媒体的兴起引起了包括心理学在内众多领域的关注,其中包含的大量在线文本已经成为个体心理特质与行为研究的重要数据来源,通过社交平台在线文本分析可以相对客观的获得用户的个性特点。当前世界正在经历一场史无前例的突发性公共卫生事件,2020年初爆发的新冠肺炎(COVID-19)疫情,由于其潜伏期长、传染性强,迅速在全世界蔓延。新冠疫情加速了个体社交媒体的使用频率,通过在线文本分析与建模能更加广泛和全面地揭示微博用户疫情期间的心理动态与生活状况特点。本研究选择微博在线社交平台,结合机器学习分类算法与自建词库对微博用户人格特质与新冠疫情下的主观幸福感进行分析。不仅能够丰富突发负性事件下个体主观幸福感的研究,也能够为今后运用线上“心理特征建模”方式开展研究提供实证基础与参考。 研究1首先整理出大五人格及主观幸福感各维度的种子词,结合Word2Vec技术和包含11977831条原创微博文本的语料库对人格特质和主观幸福感种子词进行扩充,形成初始版词库。随后利用多种机器学习分类算法对初始版人格特质词库和主观幸福感词库进行检验。最后分析词库中词汇的特征值,保留具有有效特征值的词汇。最终构建适合中文网络语境下的大五人格特质词库和主观幸福感词库。在研究2a中,首先调用主观幸福感词库与分类模型,对随机抓取到的5822名微博活跃用户新冠疫情期间发布的原创文本进行主观幸福感水平分类,同时通过潜变量增长模型考察新冠疫情期间微博用户的主观幸福感初始水平与发展速率特点。随后在研究2b中,结合人格特质词库和机器学习分类模型为微博用户标记人格特质水平标签。最后,利用贝叶斯独立样本T检验对人格特质水平高低分组用户新冠疫情期间的主观幸福感进行分析。 本研究得到的结果如下:(1)本研究构建的大五人格特质词库和主观幸福感词库具有较好的区分度,能够有效应用于中文网络语境下的用户心理特征分析。(2)本研究发现“疫情”3个阶段的主观幸福感微博发文数呈现上升趋势,同时主观幸福感的初始状态与发展速率之间存在显著正向预测关系,且不同性别用户主观幸福感在“疫情”期间的发展速率不存在显著差异。(3)本研究发现高神经质水平用户在“疫情”期间的负性情感文本表达上显著多于低水平用户,在生活满意度、正性情感以及主观幸福感的表达上显著低于低水平用户;高严谨性水平用户在正性情感和负性情感表达上显著低于低严谨性水平用户;高宜人性水平和高开放性水平用户在生活满意度和主观幸福感表达上显著高于低水平用户;高外向性水平用户在生活满意度、正性情感和主观幸福感表达上显著高于低水平用户。 本研究结论如下:通过自建词库方式可以相对客观与全面地分析个体心理特征;新冠疫情下微博用户主观幸福感初始状态与发展速率之间具有显著的正向预测关系;微博用户人格特质与新冠疫情下主观幸福感之间存在显著相关。