论文部分内容阅读
伴随着科技的快速发展,社会的各行各业,诸多领域都在积极的引进计算机技术,特别是在银行,尤其如此。目前想要从海量的信息中快速的发掘出精准的自己想要获取的消息,要较以往更加困难。而对于银行来说,数据的是否精确和迅速基本决定了其发展前景,但是有相当大一部分银行目前还没有发现数据爆炸性增长所带来的问题和挑战。对此,相关的银行工作人员必须加以重视,引进数据挖掘技术,实现银行业的快速发展和可持续发展。本文作者,通过一定的数据考察和分析,撰写此文,希望能够对现在的银行发展起到有效帮助。
随着当今时代科技的快速发展和进步,计算机技术和大数据也日益成熟。因此对于银行来说,如果想要不断地精进业务,就需要积极建设相应基础网络,不断地去改进计算机系统中的操作技术,建立一些专业的企业数据库,还有主数据储存库等基础设施。现在一些新兴技术的发展,快速的增强了银行掌握数据的能力。对于银行来说,现在已经具有比较成熟可靠的产生,整合,储存以及访问数据的相应技术,无论是在外部数据,还是在内部数据,是非结构数据,还是结构数据,银行都已经具有非常成熟的技术予以处理。因此,如果想要最大限度地实现大数据的价值,就需要银行更加全面的去分析,挖掘数据的发展趋势和效应的规律,并且运用到银行运行中来。
一、大数据时代对银行业的影响
随着科技的发展,大数据的应用也越发广泛,这样的情况对于当今的银行业产生了非常多的影响,并且促使其改变。对于企业文化发展的影响,主要包括下列幾方面,第一,银行能够接受非结构数据的存在,已经不再偏爱使用纯净数据和有条理数据,以及能够允许少量的不精确数据的存在。第二,这种冲击已经在迅速的扩大,逐渐从局部变为全部冲击,因为大数据时代不同于以往的传统时代,正因为其提供了大量的数据,因此广泛全面的冲击了现有的企业文明。第三,企业文化与数据逐渐由因果关系转变为向关联的关系,特别是面对着随着社会主义市场经济的发展,身处竞争日益激烈的市场大环境,商业银行必须要认清大数据技术变革带来的广泛,深刻的影响,如此才能积极的应对金融互联网的新的,巨大的挑战。在当代的科学技术快速发展,大数据广泛应用的前提下,银行方面要充分的利用海量的数据。挖掘出对自己有价值的信息,能够利用海量的大数据了解客户的需求偏好,并且能够对其提供相对的特应性服务,进而促进银行企业的发展。
现在对于大数据技术的应用已经逐渐扩散到生活中的各个领域,现在线上支付已经非常普遍,这对于各个银行的业务,特别是信贷业务和支付业务带来了极大的冲击和挑战。用大数据技术进行数据分析,对于银行决策来说,其优势就是能够让银行发展目标更加明确,便于其能够快速的对于数据进行分析,了解当前的基础信息。在时代的背景下,当代银行面临着全新的挑战,一方面,大数据时代的发展和进步,要求银行内部不断地开发新的业务,提供新的产品,另一方面就是对于传统数据的革新问题,现在要求传统数据结构性能处理速度加快,因为数据化的发展使银行每天需要面对海量的数据,由于数据的增长速度极快,并且规模迅速扩大,种类多样,所以需要利用多种技术,多种算法对数据进行分析拆解数据类型。除了传统的数字结构之外,现在还具有语音,视频,文字,图片相应形式,它具有非常高的实效性,因此更需要银行根据时代的变化进行改革,加快数据的处理速度,利用其强大时效性,准确及时的进行数据处理和分析。
二、大数据背景下的数据挖掘技术
(一)数据挖掘概念
数据挖掘作为一种新的商业信息处理技术,始于20世纪80年代的美国,首先应用在金融、电信等领域进行使用;数据挖掘是目前数据科学领域以及人工智能数据库领域研究的热点问题,应用范围极广,涉及范围广泛,其主要特点是对已收集的海量数据进行抽取、预处理、分析、模型化、可视化处理,从数据中提取出有助于商业决策的关键性信息。
这里需要强调,数据本身不存在价值,数据作为载体所承载的信息具有极高的商业价值、变现价值。所谓的数据挖掘技术就是指在海量的数据中,揭示出隐含的先前不知道并且具有极高的潜在价值的信息的卓越过程。数据挖掘实质上是一种决策支持的基础,它主要基于人工智能,机器学习,统计学以及其他的科技技术,它可以自主,高度自动化的分析企业的海量数据,并且从海量的数据之中作出归纳性推理,从而建立起有效的模式,能够帮助相关决策者进行调整策略,降低风险,做出正确的决策。
(二)数据挖掘技术应用步骤
数据挖掘技术应用主要包括以下步骤:数据挖掘实际上就是在大量的数据中利用各种现行分析技术来建立数据之间的模型,或者是发现数据与数据之间关系的过程。可以通过预测数据之间的关系建立数据之间的模型,找到潜在的数据关系,发现这个数据被忽视的真正原因,从而加强数据挖掘的有效性,这是目前解决数据大爆炸的最有效方式。同时,数据挖掘其实是反复的一个过程,要求相关部门和银行能够对于数据挖掘产生足够的重视,促进数据挖掘技术的快速进步。
1.在进行数据发掘的过程中,需要分析现行领域通过识别应用目标掌握相应知识。才能真正的识别用户背景和用户要求。在评估历史数据,利用数据挖掘来不断的满足用户需求的同时,制定合理的数据采集计划。
2.数据挖掘不仅存在着处理大量数据的问题,同时也存在着处理冗余数据和噪音数据以及不完整数据的相应问题。具体的准备工作主要包括,对于大数据进行清理,对于现行的数据进行合成选择,进行数据变换,规约数据以及数据的质量分析。
3.主要就是通过现有的数据和已经知道的知识建立一个准确的模型。这个模型能够对于知识和数据进行有效的分析和描述,并且能够应用于位置数据当中。对于银行的业务具有一定的帮助,建模实际上就是把具体的一般规律或者是具体的相关经验抽象出来形成一个分析模型。那么挖掘数据实质上就是根据这个抽象的模型对于数据进行分析处理和预测的过程。
4.评估模式。就是指通过相应的知识来表现出域用户的具体要求,然后对于挖掘数据过程中的合理数据进行优化,直到符合要求和规范。 三、数据挖掘技术在银行中的应用
大数据技术的发展与成熟在各个领域掀起了一场“产业数字化”的变革,其中,金融行业作为最先参与其中的产业,信息量巨大,并且蕴含着极高的经济价值。显而易见,银行信息化的迅速发展,产生了大量的、即时性的、多维度的业务数据。而从海量数据中提取出有价值的信息,为银行的商业决策服务,是数据挖掘的重要应用领域。当下知名的银行,汇丰、花旗、瑞士银行等都是该领域中践行数据挖掘技术的“领头羊”。如今,数据挖掘技术早已在银行业、电子商务领域有了更加广泛、深入的应用。
(一)贷款方进行信用风险评估应用
贷款方进行的信用风险评估,其实是银行应用数据挖掘技术的主要体现之一。对于银行业务的开展具有极大的意义,银行可以通过数据挖掘技术建立一定的评级模型来进行贷款方风险评估,如果其风险评估等级较高的话,银行就可以不予借款,这样就可以降低银行的资金回笼危险,可以降低银行的损失。同时,在评估相应账户的信誉的时候,可以适当地使用直观和量化的方式,按照信用评分确定权重。按照数据挖掘模型,对于申请过程中的每一项进行打分累加起来就是申请人的实际信用情况,然后可以按照这样的信用评分来确定是否要接受申请人的借款以及信用额度。
最典型的案例,比如银行机构通过构建信用评级模型,评估贷款人或信用卡申请人的风险,判断是否批准借贷款。基于数据中最优化的方法,结合专家诊断、经验参数来调试模型,从而提出一个进行信用风险评估的解决方案,能对银行数据库中所有的账户指定信用评级标准,再调用数据库进行查询就可以得出用户信用风险的列表。这种对于信用风险的评级或着说分类标准,是基于海量数据背景下的个体客户的账户数据特征得到的,包括客户尚未偿还的贷款数额、拖欠贷款时间、信用调降报告记录、账户类型、客户的收入水平等。将所有的上述信息汇总,量化分析后的结果记录成银行账户的信用评估报告,一般会采取较为直观的量化的评分效果呈现。其中,使用类似与主成分分析的原理,对顾客的海量信息数据赋予特定权重从而加以衡量该特征对于信用风险的重要程度,针对各种目标给出量化的评分。而定制信用评分卡模型,则需要通过数据挖掘模型、结合专家经验参数来确定的赋予每个特征的具体权重,给每项申请的各类指标评分,最终得到该申请人的总信用评分。随后,银行方面根据信用评分卡的结果来决定是否接受客户信用借贷款的申请,以及借贷款的信用额度弹性。
随着大数据技术在银行信用业务评估领域的引入,大大降低了工作人员的信用评估工作负荷,摒弃了传统带有主观色彩的、不人性化的考核标准。同时,对于可以企业的具体业务需求,增加客戶特征维度变量或者优化重点参数来提高信用评分卡模型的精度,满足银行的信用评价的需求。
(二)客户关系管理中应用
事实上,客户关系的管理也是银行数据挖掘技术的重要应用途径之一。发现以及开展新的客户,留住老客户,这是银行发展过程中极为重要的一个目标。银行方面可以通过探索挖掘数据的方式分析老客户的特征以及预测进行营销活动的客户响应率。同时可以利用将客户分类别的方式来对于不同的客户给予不同的重视,进行不同的营销活动,具体可以分为以下三种类别,包括黄金客户,钻石客户以及一般客户。我们可以根据这些不同种类的客户的自身特点来提供一些银行类的特有服务,从而留住客户,有效的提高客户的忠诚率。同时,在银行中运用数据挖掘技术就可以适当的预防流失客户,在风险出现流失客户,到时候我们就可以通过给予客户特殊对待或者是对于其资产进行额外增值,或者是激励及忠诚度的方式来对客户进行挽留,例如在预测客户停止在本银行进行贷款,转为去其他银行进行贷款的时候,就可以通过适当的降低借款利率以及增加借款额度来保留这个客户。因此事实上数据挖掘技术可以在相当大的程度上及时的转移关联因子。然后采用分析孤立点的方式来体现一些客户的异常行为,这样才能够准确识别和预测客户的动向,可以使银行能够最大限度的减少客户的不必要流失。
(三)金融监管应用
1.随着金融市场的快速发展和不断进步,以及大数据和诸多科学技术的快速进步,其实也会对金融市场产生极大的冲击。而能够维持金融市场正常运行的实质上是金融监管,同时这也是预防市场风险的有效方式。现阶段金融监管方式应用数据发掘就是主要集中在反洗钱方面在反洗钱中应用数据挖掘中的分类研究等方式具有很大的优势能够有效进行对于细节行为的监测。
2.监管非现场时,银行方面可以更广泛的应用大数据的分析技术,对于非现场进行数据发掘,还有数据分析,能够准确到察觉银行的经营情况,客户的状况以及风险程度,可以从根本上了解现场监督以及警示其发展情况。
3.数据挖掘最重要的其实就是大量数据的提供。对于数据进行可视化处理就十分的关键,具体可以分为分析数据,还有提供图形。数据可视化的处理,为金融监管人员处理基础业务还有发觉重要信息,提供了基本的保障。同时,数据可视化的处理也有利于对于银行的发展进行监管,促进其快速平稳发展。
四、结语
当今已经是信息时代,也逐渐成为富含海量的大数据信息的时代,正因为如此,想要从海量的信息中快速的发掘出精准的想要获取的消息,要较以往更加困难。随着各行各业的数字化、信息化,除了金融活动所产生的数据之外,非金融活动的数据经过大数据技术的处理,也逐渐被应用到金融领域内,成为了广义金融大数据的一部分。
移动互联网技术的普及,人们的衣、食、住、行在内的日常活动都产生了各种不同类型、结构的信息数据。根据不同的应用场景,“衣”有电商交易数据、“食”有外卖数据,“住”有酒店平台数据,“行”有移动数据,以及人机互交数据、网络搜索数据,游戏等娱乐数据等,这些个体数据的汇总,不仅可以用于分析个体行为的特征,还可以用于分析聚类群体行为的特征,从而实现对个体和群体的现状描述甚至未来行为预测。
当这些非金融活动数据的分析结果被应用于金融领域,就产生了巨大的辅助价值,尤其是在征信、风险管控、金融产品精准化营销、精准匹配等方面。而对于银行来说,数据的是否精确和迅速基本决定了其发展前景,对此,相关的银行工作人员必须加以重视,引进数据挖掘技术,完善金融监管手段,让银行能够与时俱进,快速发展,这样才能真正的面对时代的要求,迎接时代的挑战。
(作者单位:西安科技大学高新学院经济与管理学院)
随着当今时代科技的快速发展和进步,计算机技术和大数据也日益成熟。因此对于银行来说,如果想要不断地精进业务,就需要积极建设相应基础网络,不断地去改进计算机系统中的操作技术,建立一些专业的企业数据库,还有主数据储存库等基础设施。现在一些新兴技术的发展,快速的增强了银行掌握数据的能力。对于银行来说,现在已经具有比较成熟可靠的产生,整合,储存以及访问数据的相应技术,无论是在外部数据,还是在内部数据,是非结构数据,还是结构数据,银行都已经具有非常成熟的技术予以处理。因此,如果想要最大限度地实现大数据的价值,就需要银行更加全面的去分析,挖掘数据的发展趋势和效应的规律,并且运用到银行运行中来。
一、大数据时代对银行业的影响
随着科技的发展,大数据的应用也越发广泛,这样的情况对于当今的银行业产生了非常多的影响,并且促使其改变。对于企业文化发展的影响,主要包括下列幾方面,第一,银行能够接受非结构数据的存在,已经不再偏爱使用纯净数据和有条理数据,以及能够允许少量的不精确数据的存在。第二,这种冲击已经在迅速的扩大,逐渐从局部变为全部冲击,因为大数据时代不同于以往的传统时代,正因为其提供了大量的数据,因此广泛全面的冲击了现有的企业文明。第三,企业文化与数据逐渐由因果关系转变为向关联的关系,特别是面对着随着社会主义市场经济的发展,身处竞争日益激烈的市场大环境,商业银行必须要认清大数据技术变革带来的广泛,深刻的影响,如此才能积极的应对金融互联网的新的,巨大的挑战。在当代的科学技术快速发展,大数据广泛应用的前提下,银行方面要充分的利用海量的数据。挖掘出对自己有价值的信息,能够利用海量的大数据了解客户的需求偏好,并且能够对其提供相对的特应性服务,进而促进银行企业的发展。
现在对于大数据技术的应用已经逐渐扩散到生活中的各个领域,现在线上支付已经非常普遍,这对于各个银行的业务,特别是信贷业务和支付业务带来了极大的冲击和挑战。用大数据技术进行数据分析,对于银行决策来说,其优势就是能够让银行发展目标更加明确,便于其能够快速的对于数据进行分析,了解当前的基础信息。在时代的背景下,当代银行面临着全新的挑战,一方面,大数据时代的发展和进步,要求银行内部不断地开发新的业务,提供新的产品,另一方面就是对于传统数据的革新问题,现在要求传统数据结构性能处理速度加快,因为数据化的发展使银行每天需要面对海量的数据,由于数据的增长速度极快,并且规模迅速扩大,种类多样,所以需要利用多种技术,多种算法对数据进行分析拆解数据类型。除了传统的数字结构之外,现在还具有语音,视频,文字,图片相应形式,它具有非常高的实效性,因此更需要银行根据时代的变化进行改革,加快数据的处理速度,利用其强大时效性,准确及时的进行数据处理和分析。
二、大数据背景下的数据挖掘技术
(一)数据挖掘概念
数据挖掘作为一种新的商业信息处理技术,始于20世纪80年代的美国,首先应用在金融、电信等领域进行使用;数据挖掘是目前数据科学领域以及人工智能数据库领域研究的热点问题,应用范围极广,涉及范围广泛,其主要特点是对已收集的海量数据进行抽取、预处理、分析、模型化、可视化处理,从数据中提取出有助于商业决策的关键性信息。
这里需要强调,数据本身不存在价值,数据作为载体所承载的信息具有极高的商业价值、变现价值。所谓的数据挖掘技术就是指在海量的数据中,揭示出隐含的先前不知道并且具有极高的潜在价值的信息的卓越过程。数据挖掘实质上是一种决策支持的基础,它主要基于人工智能,机器学习,统计学以及其他的科技技术,它可以自主,高度自动化的分析企业的海量数据,并且从海量的数据之中作出归纳性推理,从而建立起有效的模式,能够帮助相关决策者进行调整策略,降低风险,做出正确的决策。
(二)数据挖掘技术应用步骤
数据挖掘技术应用主要包括以下步骤:数据挖掘实际上就是在大量的数据中利用各种现行分析技术来建立数据之间的模型,或者是发现数据与数据之间关系的过程。可以通过预测数据之间的关系建立数据之间的模型,找到潜在的数据关系,发现这个数据被忽视的真正原因,从而加强数据挖掘的有效性,这是目前解决数据大爆炸的最有效方式。同时,数据挖掘其实是反复的一个过程,要求相关部门和银行能够对于数据挖掘产生足够的重视,促进数据挖掘技术的快速进步。
1.在进行数据发掘的过程中,需要分析现行领域通过识别应用目标掌握相应知识。才能真正的识别用户背景和用户要求。在评估历史数据,利用数据挖掘来不断的满足用户需求的同时,制定合理的数据采集计划。
2.数据挖掘不仅存在着处理大量数据的问题,同时也存在着处理冗余数据和噪音数据以及不完整数据的相应问题。具体的准备工作主要包括,对于大数据进行清理,对于现行的数据进行合成选择,进行数据变换,规约数据以及数据的质量分析。
3.主要就是通过现有的数据和已经知道的知识建立一个准确的模型。这个模型能够对于知识和数据进行有效的分析和描述,并且能够应用于位置数据当中。对于银行的业务具有一定的帮助,建模实际上就是把具体的一般规律或者是具体的相关经验抽象出来形成一个分析模型。那么挖掘数据实质上就是根据这个抽象的模型对于数据进行分析处理和预测的过程。
4.评估模式。就是指通过相应的知识来表现出域用户的具体要求,然后对于挖掘数据过程中的合理数据进行优化,直到符合要求和规范。 三、数据挖掘技术在银行中的应用
大数据技术的发展与成熟在各个领域掀起了一场“产业数字化”的变革,其中,金融行业作为最先参与其中的产业,信息量巨大,并且蕴含着极高的经济价值。显而易见,银行信息化的迅速发展,产生了大量的、即时性的、多维度的业务数据。而从海量数据中提取出有价值的信息,为银行的商业决策服务,是数据挖掘的重要应用领域。当下知名的银行,汇丰、花旗、瑞士银行等都是该领域中践行数据挖掘技术的“领头羊”。如今,数据挖掘技术早已在银行业、电子商务领域有了更加广泛、深入的应用。
(一)贷款方进行信用风险评估应用
贷款方进行的信用风险评估,其实是银行应用数据挖掘技术的主要体现之一。对于银行业务的开展具有极大的意义,银行可以通过数据挖掘技术建立一定的评级模型来进行贷款方风险评估,如果其风险评估等级较高的话,银行就可以不予借款,这样就可以降低银行的资金回笼危险,可以降低银行的损失。同时,在评估相应账户的信誉的时候,可以适当地使用直观和量化的方式,按照信用评分确定权重。按照数据挖掘模型,对于申请过程中的每一项进行打分累加起来就是申请人的实际信用情况,然后可以按照这样的信用评分来确定是否要接受申请人的借款以及信用额度。
最典型的案例,比如银行机构通过构建信用评级模型,评估贷款人或信用卡申请人的风险,判断是否批准借贷款。基于数据中最优化的方法,结合专家诊断、经验参数来调试模型,从而提出一个进行信用风险评估的解决方案,能对银行数据库中所有的账户指定信用评级标准,再调用数据库进行查询就可以得出用户信用风险的列表。这种对于信用风险的评级或着说分类标准,是基于海量数据背景下的个体客户的账户数据特征得到的,包括客户尚未偿还的贷款数额、拖欠贷款时间、信用调降报告记录、账户类型、客户的收入水平等。将所有的上述信息汇总,量化分析后的结果记录成银行账户的信用评估报告,一般会采取较为直观的量化的评分效果呈现。其中,使用类似与主成分分析的原理,对顾客的海量信息数据赋予特定权重从而加以衡量该特征对于信用风险的重要程度,针对各种目标给出量化的评分。而定制信用评分卡模型,则需要通过数据挖掘模型、结合专家经验参数来确定的赋予每个特征的具体权重,给每项申请的各类指标评分,最终得到该申请人的总信用评分。随后,银行方面根据信用评分卡的结果来决定是否接受客户信用借贷款的申请,以及借贷款的信用额度弹性。
随着大数据技术在银行信用业务评估领域的引入,大大降低了工作人员的信用评估工作负荷,摒弃了传统带有主观色彩的、不人性化的考核标准。同时,对于可以企业的具体业务需求,增加客戶特征维度变量或者优化重点参数来提高信用评分卡模型的精度,满足银行的信用评价的需求。
(二)客户关系管理中应用
事实上,客户关系的管理也是银行数据挖掘技术的重要应用途径之一。发现以及开展新的客户,留住老客户,这是银行发展过程中极为重要的一个目标。银行方面可以通过探索挖掘数据的方式分析老客户的特征以及预测进行营销活动的客户响应率。同时可以利用将客户分类别的方式来对于不同的客户给予不同的重视,进行不同的营销活动,具体可以分为以下三种类别,包括黄金客户,钻石客户以及一般客户。我们可以根据这些不同种类的客户的自身特点来提供一些银行类的特有服务,从而留住客户,有效的提高客户的忠诚率。同时,在银行中运用数据挖掘技术就可以适当的预防流失客户,在风险出现流失客户,到时候我们就可以通过给予客户特殊对待或者是对于其资产进行额外增值,或者是激励及忠诚度的方式来对客户进行挽留,例如在预测客户停止在本银行进行贷款,转为去其他银行进行贷款的时候,就可以通过适当的降低借款利率以及增加借款额度来保留这个客户。因此事实上数据挖掘技术可以在相当大的程度上及时的转移关联因子。然后采用分析孤立点的方式来体现一些客户的异常行为,这样才能够准确识别和预测客户的动向,可以使银行能够最大限度的减少客户的不必要流失。
(三)金融监管应用
1.随着金融市场的快速发展和不断进步,以及大数据和诸多科学技术的快速进步,其实也会对金融市场产生极大的冲击。而能够维持金融市场正常运行的实质上是金融监管,同时这也是预防市场风险的有效方式。现阶段金融监管方式应用数据发掘就是主要集中在反洗钱方面在反洗钱中应用数据挖掘中的分类研究等方式具有很大的优势能够有效进行对于细节行为的监测。
2.监管非现场时,银行方面可以更广泛的应用大数据的分析技术,对于非现场进行数据发掘,还有数据分析,能够准确到察觉银行的经营情况,客户的状况以及风险程度,可以从根本上了解现场监督以及警示其发展情况。
3.数据挖掘最重要的其实就是大量数据的提供。对于数据进行可视化处理就十分的关键,具体可以分为分析数据,还有提供图形。数据可视化的处理,为金融监管人员处理基础业务还有发觉重要信息,提供了基本的保障。同时,数据可视化的处理也有利于对于银行的发展进行监管,促进其快速平稳发展。
四、结语
当今已经是信息时代,也逐渐成为富含海量的大数据信息的时代,正因为如此,想要从海量的信息中快速的发掘出精准的想要获取的消息,要较以往更加困难。随着各行各业的数字化、信息化,除了金融活动所产生的数据之外,非金融活动的数据经过大数据技术的处理,也逐渐被应用到金融领域内,成为了广义金融大数据的一部分。
移动互联网技术的普及,人们的衣、食、住、行在内的日常活动都产生了各种不同类型、结构的信息数据。根据不同的应用场景,“衣”有电商交易数据、“食”有外卖数据,“住”有酒店平台数据,“行”有移动数据,以及人机互交数据、网络搜索数据,游戏等娱乐数据等,这些个体数据的汇总,不仅可以用于分析个体行为的特征,还可以用于分析聚类群体行为的特征,从而实现对个体和群体的现状描述甚至未来行为预测。
当这些非金融活动数据的分析结果被应用于金融领域,就产生了巨大的辅助价值,尤其是在征信、风险管控、金融产品精准化营销、精准匹配等方面。而对于银行来说,数据的是否精确和迅速基本决定了其发展前景,对此,相关的银行工作人员必须加以重视,引进数据挖掘技术,完善金融监管手段,让银行能够与时俱进,快速发展,这样才能真正的面对时代的要求,迎接时代的挑战。
(作者单位:西安科技大学高新学院经济与管理学院)