摘要：文章論述了基金客戶(hù)分類(lèi)對(duì)商業(yè)銀行基金營(yíng)銷(xiāo)的重要性。通過(guò)對(duì)商業(yè)銀行已有的基金客戶(hù)數(shù)據(jù)進(jìn)行預(yù)處理和分析，運(yùn)用決策樹(shù)技術(shù)對(duì)商業(yè)銀行基金客戶(hù)構(gòu)建起分類(lèi)模型，找出高端（低端）客戶(hù)特征進(jìn)而在銀行的儲(chǔ)蓄客戶(hù)中挖掘出潛在的基金交易客戶(hù)，提高商業(yè)銀行業(yè)績(jī)。

關(guān)鍵詞：決策樹(shù)；客戶(hù)細(xì)分；基金理財(cái)客戶(hù)

一、 引言

我國(guó)的證券基金業(yè)經(jīng)過(guò)20世紀(jì)90年代的高速發(fā)展，現(xiàn)在正處于緩慢增長(zhǎng)期，客戶(hù)數(shù)量動(dòng)態(tài)增長(zhǎng)，然而在銀行基金客戶(hù)業(yè)務(wù)中尚缺乏準(zhǔn)確有效的客戶(hù)分類(lèi)模型，這成為銀行代銷(xiāo)基金業(yè)務(wù)發(fā)展的一個(gè)瓶頸。因此準(zhǔn)確的對(duì)銀行基金客戶(hù)進(jìn)行分類(lèi)對(duì)銀行吸引潛在客戶(hù)交易、增加現(xiàn)有客戶(hù)滿(mǎn)意度、減少客戶(hù)流失幾率、提高客戶(hù)交易水平、提高基金交易業(yè)績(jī)具有非常重要的現(xiàn)實(shí)意義。

二、 相關(guān)文獻(xiàn)和方法回顧

1. 文獻(xiàn)回顧。數(shù)據(jù)挖掘是從大量原始數(shù)據(jù)中挖掘出有用的、隱含的、尚未發(fā)現(xiàn)的知識(shí)和信息，國(guó)外的許多學(xué)者認(rèn)識(shí)到數(shù)據(jù)挖掘應(yīng)用于銀行客戶(hù)關(guān)系管理中的重要意義，并對(duì)應(yīng)用數(shù)據(jù)挖掘進(jìn)行客戶(hù)分類(lèi)進(jìn)行了大量的研究和應(yīng)用。Tillett L Scott（2000）認(rèn)為數(shù)據(jù)挖掘優(yōu)化了CRM的服務(wù)功能，可以為客戶(hù)服務(wù)提供準(zhǔn)確的參考信息，提高對(duì)客戶(hù)事務(wù)處理的能力。AdamRombel（2001）認(rèn)為客戶(hù)關(guān)系管理為客戶(hù)與銀行之間創(chuàng)建了一個(gè)溝通渠道，而數(shù)據(jù)挖掘技術(shù)則進(jìn)一步優(yōu)化了銀行內(nèi)部的業(yè)務(wù)流程，使這一渠道變得更加高效與快捷，并且銀行能夠通過(guò)分析客戶(hù)的交易行為，更好的了解客戶(hù)和保留客戶(hù)，挖掘客戶(hù)的愛(ài)好和興趣，從而以最快的速度響應(yīng)客戶(hù)的需求，為客戶(hù)提供最優(yōu)質(zhì)的服務(wù)，極大地提高客戶(hù)的忠誠(chéng)度。Groth R（1999）認(rèn)為集成有數(shù)據(jù)挖掘技術(shù)的營(yíng)銷(xiāo)輔助工具可以提供高精確度的模式識(shí)別和預(yù)測(cè)功能，使商業(yè)人員有效地策劃和開(kāi)展?fàn)I銷(xiāo)活動(dòng)。Koh Hian Chye、Chan Kin Leong Gerry（2002）闡述了數(shù)據(jù)挖掘技術(shù)在銀行CRM中的重要應(yīng)用，數(shù)據(jù)挖掘可以應(yīng)用于客戶(hù)關(guān)系管理中的多個(gè)方面，比如客戶(hù)價(jià)值分析和客戶(hù)貸款預(yù)測(cè)、洗黑錢(qián)以及其他金融犯罪的偵破。另外，國(guó)外許多銀行和研究機(jī)構(gòu)也對(duì)數(shù)據(jù)挖掘技術(shù)進(jìn)行了理論研究和產(chǎn)品開(kāi)發(fā)，并且廣泛應(yīng)用于銀行業(yè)的客戶(hù)關(guān)系管理：Mellon銀行通過(guò)應(yīng)用IBM公司開(kāi)發(fā)的Intelligent Miner軟件，大大提高了定價(jià)和銷(xiāo)售金融產(chǎn)品的精確度；美國(guó)HNC公司開(kāi)發(fā)了功能強(qiáng)大的數(shù)據(jù)挖掘產(chǎn)品Marksman，美國(guó)Firstart銀行能夠根據(jù)該軟件產(chǎn)品對(duì)客戶(hù)的信息數(shù)據(jù)和消費(fèi)偏好的研究從而對(duì)客戶(hù)的行為進(jìn)行預(yù)測(cè)，以確定何時(shí)對(duì)客戶(hù)采取何種市場(chǎng)活動(dòng)。

綜述所述，國(guó)外有關(guān)數(shù)據(jù)挖掘和客戶(hù)關(guān)系管理的研究為下面進(jìn)行實(shí)證研究奠定了堅(jiān)實(shí)的理論基礎(chǔ)，也提供了頗具價(jià)值的研究經(jīng)驗(yàn)和理論基礎(chǔ)。但由于銀行體制結(jié)構(gòu)的差異，國(guó)外的研究方法尚無(wú)法直接套用在國(guó)內(nèi)的研究上。

我國(guó)銀行業(yè)對(duì)于數(shù)據(jù)挖掘在銀行客戶(hù)關(guān)系管理方面的研究和應(yīng)用還處于起步階段；聶晶、孫捷（2005）進(jìn)行了基于數(shù)據(jù)挖掘的商業(yè)銀行客戶(hù)關(guān)系管理系統(tǒng)的體系的架構(gòu)。張穎、杜斌、鐘永紅（2005）提出了一種基于數(shù)據(jù)挖掘技術(shù)的銀行客戶(hù)關(guān)系管理系統(tǒng)的設(shè)計(jì)方案，希望能夠用來(lái)解決我國(guó)現(xiàn)行銀行信息系統(tǒng)中在銀行客戶(hù)關(guān)系管理中所存在的問(wèn)題。他們?cè)诜治隽爽F(xiàn)有銀行客戶(hù)信息系統(tǒng)的現(xiàn)狀后，討論了數(shù)據(jù)倉(cāng)庫(kù)、OLAP和數(shù)據(jù)挖掘在銀行CRM中的應(yīng)用，并將XML以及多維數(shù)據(jù)模式設(shè)計(jì)的思想結(jié)合在一起，并在此基礎(chǔ)上構(gòu)造了一個(gè)新的銀行客戶(hù)關(guān)系管理系統(tǒng)。張忠磊、孫玉娟（2006）介紹了一種基于數(shù)據(jù)挖掘技術(shù)的銀行客戶(hù)關(guān)系管理系統(tǒng)的設(shè)計(jì)方案。在分析了現(xiàn)有銀行客戶(hù)信息系統(tǒng)的現(xiàn)狀后，討論了數(shù)據(jù)倉(cāng)庫(kù)、OLAP和數(shù)據(jù)挖掘在銀行CRM中的應(yīng)用，并結(jié)合XML和多維數(shù)據(jù)模式設(shè)計(jì)的思想，構(gòu)造了一個(gè)銀行客戶(hù)關(guān)系管理系統(tǒng)的架構(gòu)。趙寶華（2009）闡述了基于銀行細(xì)分的數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)，并將數(shù)據(jù)挖掘技術(shù)中的聚類(lèi)算法應(yīng)用于用戶(hù)市場(chǎng)的細(xì)分，從而有助于銀行的業(yè)務(wù)發(fā)展和市場(chǎng)定位。常雪琦、劉偉（2009）研究了在銀行客戶(hù)關(guān)系管理中如何應(yīng)用數(shù)據(jù)挖掘技術(shù)，并在此基礎(chǔ)上構(gòu)建了以數(shù)據(jù)挖掘?yàn)楹诵牡你y行客戶(hù)關(guān)系的管理系統(tǒng)；魯江、何曉玲（2009）將數(shù)據(jù)挖掘技術(shù)與銀行信用風(fēng)險(xiǎn)度量系統(tǒng)結(jié)合在一起，此技術(shù)能夠輔助銀行的決策者進(jìn)行信用方面的風(fēng)險(xiǎn)管理；鄒少軍（2009）利用決策樹(shù)分析了在銀行的客戶(hù)關(guān)系管理的應(yīng)用模式，并闡述了它的實(shí)現(xiàn)過(guò)程以及決策樹(shù)構(gòu)造算法。

由以上相關(guān)文獻(xiàn)檢索可知，我國(guó)銀行業(yè)對(duì)數(shù)據(jù)挖掘方面的應(yīng)用較少，且國(guó)內(nèi)的相關(guān)研究的成果主要集中在客戶(hù)關(guān)系管理，證券客戶(hù)分類(lèi)等方面，缺乏對(duì)銀行基金客戶(hù)分類(lèi)的研究。對(duì)數(shù)據(jù)挖掘技術(shù)在客戶(hù)關(guān)系管理中的應(yīng)用多是采用因子分析和回歸分析，還較少有人對(duì)數(shù)據(jù)挖掘技術(shù)在商業(yè)銀行客戶(hù)關(guān)系管理中進(jìn)行定量、系統(tǒng)地進(jìn)行過(guò)研究。因此本文在繼承以往學(xué)者研究的基礎(chǔ)上，運(yùn)用決策樹(shù)方法對(duì)某商業(yè)銀行2009.01.01到2010.03.31期間的數(shù)據(jù)建模，構(gòu)建銀行基金客戶(hù)的決策樹(shù)模型，并且將其與常用的分類(lèi)模型邏輯回歸模型和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比以此說(shuō)明決策樹(shù)方法的可行性。

2. 決策樹(shù)分類(lèi)算法。決策樹(shù)算法起源于概念學(xué)習(xí)系統(tǒng)CLS（Concept Iearning System），決策樹(shù)分類(lèi)算法主要是利用信息論原理對(duì)大量樣本的屬性進(jìn)行分析和歸納而產(chǎn)生的，發(fā)展到ID3方法而為高潮，最后又演化為能處理連續(xù)屬性的C5.0?；跊Q策樹(shù)的分類(lèi)技術(shù)以其特有的優(yōu)點(diǎn)廣為人們采用。首先，決策樹(shù)以樹(shù)形結(jié)構(gòu)表示，且樹(shù)的節(jié)點(diǎn)處是對(duì)預(yù)測(cè)結(jié)果影響顯著的屬性，方法結(jié)構(gòu)簡(jiǎn)單，便于理解；其次，決策樹(shù)模型效率高，適合訓(xùn)練數(shù)據(jù)集較大的情況；再次，決策樹(shù)方法通常不需要受訓(xùn)數(shù)據(jù)外的知識(shí)；最后，決策樹(shù)方法具有較高的分類(lèi)準(zhǔn)確度。

決策樹(shù)技術(shù)主要是利用信息論中的信息增益來(lái)尋找訓(xùn)練數(shù)據(jù)集中具有最大信息量的屬性字段，并將該屬性字段作為決策樹(shù)的一個(gè)節(jié)點(diǎn)，然后根據(jù)該屬性字段的不同取值來(lái)建立樹(shù)的分支，在每個(gè)分支集中重復(fù)建立樹(shù)的下一個(gè)節(jié)點(diǎn)和分支的過(guò)程。樹(shù)的質(zhì)量取決于分類(lèi)準(zhǔn)確度和決策樹(shù)的規(guī)模。一般來(lái)說(shuō)，決策樹(shù)的構(gòu)造主要由兩個(gè)階段組成：第一階段，建樹(shù)階段。選取部分受訓(xùn)數(shù)據(jù)建立決策樹(shù)，決策樹(shù)是按廣度優(yōu)先建立直到每個(gè)葉節(jié)點(diǎn)包括相同的類(lèi)標(biāo)記為止。第二階段，調(diào)整階段。用剩余數(shù)據(jù)檢驗(yàn)決策樹(shù)，如果所建立的決策樹(shù)不能正確回答所研究的問(wèn)題，就要對(duì)決策樹(shù)進(jìn)行調(diào)整，直到建立一棵正確的決策樹(shù)。

在決策樹(shù)構(gòu)造完成之后，便可以對(duì)未知的樣本數(shù)據(jù)進(jìn)行分類(lèi)預(yù)測(cè)。通過(guò)對(duì)樣本數(shù)據(jù)的各個(gè)屬性值在決策樹(shù)上進(jìn)行測(cè)試，便形成了一條由根節(jié)點(diǎn)到葉子節(jié)點(diǎn)的路徑。決策樹(shù)可以很容易地轉(zhuǎn)化成分類(lèi)規(guī)則。

三、 基于決策樹(shù)的商業(yè)銀行客戶(hù)分類(lèi)

1. 研究思路。本文的研究思路是首先將某商業(yè)銀行的樣本分為兩部分：隨機(jī)抽取60%的樣本作為訓(xùn)練集；其余40%的樣本作為測(cè)試集，然后，通過(guò)計(jì)算訓(xùn)練集樣本的各特征因素（如：客戶(hù)年齡、交易金額、交易手續(xù)費(fèi)、最后一次交易時(shí)間等）與貢獻(xiàn)度標(biāo)簽的關(guān)系，建立決策樹(shù)分類(lèi)器，最后再檢驗(yàn)該分類(lèi)器在測(cè)試集中的準(zhǔn)確性，換而言之是否具有外推性。

2. 數(shù)據(jù)來(lái)源及說(shuō)明。國(guó)內(nèi)某商業(yè)銀行的數(shù)據(jù)為客戶(hù)在2009年01月01日到2010年03月31日共一年零三個(gè)月的交易數(shù)據(jù)以及客戶(hù)的銀行存款數(shù)據(jù)，共計(jì)6 394條數(shù)據(jù)。其中剔除2009年沒(méi)有交易數(shù)據(jù)的無(wú)效數(shù)據(jù)1 084條數(shù)據(jù)，剩余5 310條有效數(shù)據(jù)，這部分?jǐn)?shù)據(jù)具有以下特點(diǎn)：

（1）交易數(shù)據(jù)全面：有詳細(xì)的交易金額，時(shí)間，次數(shù)。

（2）信息充足：不僅擁有交易數(shù)據(jù)，還擁有客戶(hù)的存貸款數(shù)據(jù)，其他業(yè)務(wù)數(shù)據(jù)，以及個(gè)人信息數(shù)據(jù)。

（3）真實(shí)度較高：數(shù)據(jù)真實(shí)可靠，數(shù)據(jù)缺失較少。

本文將2009年1月1日至2009年12月31日共計(jì)一年的時(shí)間確定為觀察期，將2010年1月1日至2010年3月31日為表現(xiàn)期，將在表現(xiàn)期中有交易的客戶(hù)即認(rèn)定為優(yōu)質(zhì)客戶(hù)，打標(biāo)為1。這樣認(rèn)定的原因是只有客戶(hù)存在交易就會(huì)給銀行帶來(lái)收入，即帶來(lái)正的現(xiàn)金流；而銀行成本分?jǐn)傊撩總€(gè)客戶(hù)可以忽略；即短期（3個(gè)月）有現(xiàn)金流入即認(rèn)定為優(yōu)質(zhì)客戶(hù)。按照上述原則，對(duì)5 310名有效客戶(hù)進(jìn)行了分類(lèi)打標(biāo)，得到標(biāo)簽為0的客戶(hù)即低端客戶(hù)數(shù)量為2 854名，占樣本總數(shù)的53.75%，標(biāo)簽為1的客戶(hù)數(shù)量為2 456名，占樣本總數(shù)的46.25%。如表1所示。

3. 模型構(gòu)建。本文用WEKA軟件進(jìn)行運(yùn)算處理，分類(lèi)模型過(guò)程如下所示：

（1）對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，計(jì)算每個(gè)屬性的信息增益和獲取率，選擇獲取率最大的但同時(shí)獲取的信息增益又不低于所有屬性平均值的屬性，作為當(dāng)前的主屬性節(jié)點(diǎn)，為該屬性的每一個(gè)可能的取值構(gòu)建一個(gè)分支。對(duì)該子結(jié)點(diǎn)所包含的樣本子集遞歸地執(zhí)行上述過(guò)程，直到子集中的數(shù)據(jù)記錄在主屬性上取值都相同，或沒(méi)有屬性可再供劃分使用，生成初始的決策樹(shù)。

（2）對(duì)初始決策樹(shù)進(jìn)行樹(shù)剪枝；主要采用后剪枝算法對(duì)生成的初始決策樹(shù)進(jìn)行剪枝，并在剪枝過(guò)程中使用一種悲觀估計(jì)來(lái)補(bǔ)償樹(shù)生成時(shí)的樂(lè)觀偏差。

（3）由所得到的決策樹(shù)提取分類(lèi)規(guī)則；對(duì)從根到樹(shù)葉的每一條路徑創(chuàng)建一個(gè)規(guī)則，形成規(guī)則集。將規(guī)則集顯示給用戶(hù)，把用戶(hù)篩選過(guò)認(rèn)為可行的規(guī)則存入規(guī)則數(shù)據(jù)庫(kù)。

（4）當(dāng)新客戶(hù)發(fā)生市場(chǎng)交易行為時(shí)，系統(tǒng)運(yùn)用決策樹(shù)所得規(guī)則對(duì)新客戶(hù)的數(shù)據(jù)信息進(jìn)行分析，預(yù)測(cè)該客戶(hù)的行為屬于哪一類(lèi)，從而為客戶(hù)營(yíng)銷(xiāo)策略提供輔助決策。

根據(jù)以上的決策樹(shù)分類(lèi)模型過(guò)程構(gòu)造決策樹(shù)并根據(jù)決策樹(shù)模型進(jìn)行分析，當(dāng)客戶(hù)最后一次交易距2009年末時(shí)間長(zhǎng)度超過(guò)52天時(shí)客戶(hù)識(shí)別為高端客戶(hù)的比例為11.9%，低端客戶(hù)的比例為88.1%。在最后一次交易小于52天時(shí)且定投次數(shù)大于0時(shí)高端客戶(hù)占到90.4%，當(dāng)定投次數(shù)小于0時(shí)，客戶(hù)的類(lèi)別又與凈值偏好和股票型支數(shù)有關(guān)，凈值偏好大于0且股票型支數(shù)大于2支時(shí)，高端客戶(hù)所占樣本比例很高。從總體而言，從決策樹(shù)模型看出的客戶(hù)分類(lèi)直觀明確，且符合邏輯。經(jīng)測(cè)試集對(duì)模型分類(lèi)測(cè)試后，準(zhǔn)確率達(dá)到87.85%

4. 模型效果及對(duì)比。由于隨機(jī)樣本分成60%的訓(xùn)練集和40%的測(cè)試集可能具有一定的偶然性，因此本文采用使用weka軟件的決策樹(shù)工具包進(jìn)行十折交叉運(yùn)算進(jìn)行驗(yàn)證效果，同時(shí)也用邏輯回歸和模糊神經(jīng)網(wǎng)絡(luò)方法進(jìn)行十折交叉運(yùn)算，對(duì)模型的效果加以對(duì)比，得出的結(jié)果如表所示。

從表2可以看出，進(jìn)過(guò)十折交叉運(yùn)算后決策樹(shù)方法準(zhǔn)確率為86.478 3%高于邏輯回歸和神經(jīng)網(wǎng)路的85.762 7%，84.463 3%，從Mean absolute error指標(biāo)看出決策樹(shù)方法的誤差低于邏輯回歸和神經(jīng)網(wǎng)絡(luò)，說(shuō)明決策樹(shù)方法在商業(yè)銀行基金客戶(hù)分類(lèi)中的準(zhǔn)確率高于其他方法。從Kappa statistic參數(shù)來(lái)看決策樹(shù)方法為0.722 2，同樣也高于邏輯回歸和神經(jīng)網(wǎng)絡(luò)的0.707 8，0.683 9，說(shuō)明決策樹(shù)在銀行基金客戶(hù)分類(lèi)中的一致性相對(duì)另外兩種常用的方法較好。

表格中第一行TP Rate是判斷分類(lèi)是0，結(jié)果也是0的概率。第二行TP RATE是判斷分類(lèi)是1結(jié)果也是1的概率。這個(gè)值越高越好，從表中可以看出決策樹(shù)方法在基金客戶(hù)分類(lèi)中預(yù)測(cè)效果高于其他兩種方法。

四、 結(jié)論

客戶(hù)關(guān)系管理的基本原則之一就是客戶(hù)分類(lèi)，合理準(zhǔn)確的客戶(hù)分類(lèi)也是商業(yè)銀行維護(hù)不同層次客戶(hù)，提高利潤(rùn)的重要手段和前提。決策樹(shù)分類(lèi)方法作為比較常用的分類(lèi)方法卻很少用于商業(yè)銀行基金客戶(hù)分類(lèi)。本文運(yùn)用決策樹(shù)分類(lèi)方法建立了商業(yè)銀行的客戶(hù)分類(lèi)模型，獲得了較為準(zhǔn)確的分類(lèi)結(jié)果，同其他常用的數(shù)據(jù)挖掘方法相比較，其解釋能力和準(zhǔn)確性都有很好的效果。銀行可以運(yùn)用此方法進(jìn)行客戶(hù)分類(lèi)進(jìn)而針對(duì)不同類(lèi)別采取不同的營(yíng)銷(xiāo)策略，實(shí)現(xiàn)收益的最大化。

參考文獻(xiàn)：

1. Adam Rombel.CRM Shifts to Data Mining to Keep Customers.Global Finance，2001，15(11):97-98.

2. Groth R.Data Mining，Building Competitive Advantages.Prentice-Hall Ptr，1999.

3. 洪家榮，丁明峰，李星原，王麗薇.一種新的決策樹(shù)歸納學(xué)習(xí)算法.計(jì)算機(jī)學(xué)報(bào)，1995，（6）.

4. John Durkin，蔡競(jìng)峰，蔡自興.決策樹(shù)技術(shù)及其當(dāng)前研究方向.控制工程，2005，（1）.

5. 劉小虎，李生.決策樹(shù)的優(yōu)化算法.軟件學(xué)報(bào)， 1998，（10）.

6. 田金蘭，趙慶玉.并行決策樹(shù)算法的研究.計(jì)算機(jī)工程與應(yīng)用，2001，（20）.

7. Tillett L Scott.Banks Mine Customer Data.Internet Week，2000，（831）:45-46.

8. 徐愛(ài)琴，張德賢.基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)決策樹(shù)構(gòu)造.計(jì)算機(jī)工程與應(yīng)用，2000，（10）.

9. 聶晶，孫捷.基于數(shù)據(jù)挖掘的商業(yè)銀行客戶(hù)關(guān)系管理系統(tǒng)構(gòu)建研究.科技創(chuàng)業(yè)月刊，2005，（10）:95-96.

10. 張忠磊，孫玉娟.數(shù)據(jù)挖掘技術(shù)在銀行客戶(hù)關(guān)系管理系統(tǒng)中的應(yīng)用研究.華南金融電腦，2006，（5）：89-91.

11. 趙寶華.數(shù)據(jù)挖掘技術(shù)在銀行客戶(hù)細(xì)分中的應(yīng)用.微型電腦應(yīng)用，2009，25（10）:40-44.

12. 常雪琦，劉偉.數(shù)據(jù)挖掘技術(shù)在客戶(hù)關(guān)系管理中的應(yīng)用分析——以銀行業(yè)為例.信息技術(shù)與信息化，2009， （5）:70-78.

13. 魯江，何曉玲.數(shù)據(jù)挖掘在我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)度量模型中的應(yīng)用. 中國(guó)管理信息化，2009，12（11）: 75-78.

14. 鄒少軍.數(shù)據(jù)挖掘與決策樹(shù)在銀行 CRM 中的設(shè)計(jì)與實(shí)現(xiàn).電腦知識(shí)與技術(shù)，2009，5（33）:9154-9156.

15. 吳迪.高鵬.董紀(jì)昌.基于場(chǎng)景理論的中國(guó)城市居住房地產(chǎn)需求研究. 系統(tǒng)科學(xué)與數(shù)學(xué)，2011，31（3）：253- 264.

16. 吳迪，高鵬，董紀(jì)昌.保障性住房違規(guī)出租問(wèn)題的博弈分析和治理研究.管理評(píng)論，2011，23（2）：3-10.

17. 吳迪，高鵬，董紀(jì)昌.公共租賃房租金定價(jià)研究.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2011，41（5）：47-55.

18. 吳迪，高鵬.“城中村”問(wèn)題的國(guó)內(nèi)理論研究進(jìn)展.學(xué)術(shù)論壇，2009，12（227）：114-119.

19. 吳迪，李秀婷，高鵬，董紀(jì)昌.我國(guó)房地產(chǎn)市場(chǎng)的短期量?jī)r(jià)變化研究及預(yù)測(cè).改革與戰(zhàn)略，2011，27（3）：139- 141.

20. 李朝暉.建立國(guó)家級(jí)戰(zhàn)略性新興產(chǎn)業(yè)創(chuàng)業(yè)投資引導(dǎo)基金的對(duì)策建議．現(xiàn)代經(jīng)濟(jì)探討，2011，（10）．

基金項(xiàng)目：國(guó)家自然基金項(xiàng)目“我國(guó)房地產(chǎn)市場(chǎng)區(qū)域差別與調(diào)控政策差異化研究”（項(xiàng)目號(hào)：71173213）；中國(guó)科學(xué)院預(yù)測(cè)科學(xué)研究中心主任基金項(xiàng)目“高陽(yáng)金信基金理財(cái)產(chǎn)品研究”（項(xiàng)目號(hào)：Y0410411G2）；中國(guó)科學(xué)院預(yù)測(cè)科學(xué)研究中心主任基金項(xiàng)目“中國(guó)宏觀經(jīng)濟(jì)預(yù)測(cè)”（項(xiàng)目號(hào)：0929018ED2）。

作者簡(jiǎn)介：董紀(jì)昌，中國(guó)科學(xué)院管理學(xué)博士，中國(guó)科學(xué)院研究生院管理學(xué)院應(yīng)用經(jīng)濟(jì)中心主任、院長(zhǎng)助理；趙銘，中國(guó)科學(xué)院研究生院管理學(xué)院碩士生；紀(jì)鵬飛，中國(guó)科學(xué)院研究生院管理學(xué)院碩士生；吳迪，中國(guó)科學(xué)院研究生院管理學(xué)院博士后。

收稿日期：2012-01-28。