Category: General Topics

Current Trends Point to a China-U.S. GDP Match in 2041 (2022 data)

As of 2022, China’s GDP per capita is $12,814 vs. the US $76,348.49, or only about 1/6 of the US value. China’s GDP per capita in 2022 is about US’ level in 1981, or 41 years behind. Based on the growth trends during the past 18 years, it will take China until 2078 to reach the US level, or about 55 years from now. See the growth forecast in the Chart below

China’s total GDP in 2022 is $18,100 bil., vs. US’ $25,460 bil., or about the US level in 2015. China is 7 years behind the US. Based on the current GDP growth of both countries since 2005, China will catch the US in about 2041, or 19 years from 2022. All dollar figures are based on current value. See the forecast growth trends in the chart below.

Of course, the forecasts assume the future world economic outlook, trade, and the two countries’ social conditions for the years to come to stay relatively comparable in the years between 2005-2022, and between 1980-2022 for the per-cap GDP forecast. Disruptive geo-political events are likely to invalidate the forecasts in either direction in short term, as many developed countries worked hard to stop the frightful world power shift. Nevertheless, the general demand for better living standards from the vast number of developing countries will ultimately drive world growth in the long run. China as one of the poor developing countries equipped with outstanding learning skills will enjoy abundant catch-up work, by gradually improving their production means. The per-capita economic gap China posts with the US may not mend soon, and it is exactly what will drive the race between China and US for hundreds of years to come.

(Data are compiled by Researchnology Economic Research©. Researchnology Co. will update these forecasts annually)

美国政府农业统计-US Agricultural Statistics

美国联邦政府农业部下属的农业统计局（NASS），每年发布农业统计数据，以满足农户、企业和投资人对农业生产、供应、消费、设施、成本和回报的多样化的信息需求。农业统计的年度数据形式涵盖了广泛，信息处理手段丰富，发布及时，是农业生产决策者、投资届，农户们最可靠的参考书。因为包括大量详尽的预测数据，广大农户在选择种植和养殖的品种上得到了指导。统计调查工作最直接的影响是稳定了农户收入，降低了投资的风险。 美国农业部对农作物、牲畜和家禽的估测，提供及时的当前、各州和全国的总量和平均值。农业统计是基于对农民和与农民做生意的人的抽样调查获得的数据，调查数据每五年会通过农业普查信息得到补充。随着数据通过商业或政府来源，已出版的数据也可能会进行修订。除非另有说明，各种表格中关于面积、产量、数量、价格、价值、供应和处置的美国总数均基于农业部的官方估计。它们不包括没有编制官方估计的州。

农业统计局收集、汇总、分析和发布美国农牧业方面的数据。为了适应快速变化的农业，其采用最先进的计算机、遥感技术并结合新的统计方法，定期地为政府政策制定者、农户、与农业相关的企业和金融投资者提供广泛的统计数据。其主要的数据收集工作包括：

  • 每年进行400 多次每周、每月、每季度或每年的调查。
  • 每五年进行一次农业普查——美国农场和牧场的完整统计。
  • 对调查设计、抽样和其他前沿统计问题进行持续研究。

其数据和报告产品涵盖的范围广泛，主要领域包括但不限于：

  • 农作物生产规模和库存
  • 农场劳动力规模、劳动力工资、个人和家庭收入和财务状况
  • 农业生产中使用的化学品的种类和数量
  • 特定作物的长势、牲畜库存和未来走势，农村发展状况
  • 农业产业，如面粉加工、乙醇、棉花和油脂，的现状

(待续）

通用研发项目描述文档模板 – Sample Topical Outline for the Primary Project Documentation

研发项目总描述文档是研发过程中重要的一环。 不仅研发团队可以在开发过程中用它随时回顾进程，设计下一步走向，即使在项目结束后，接手团队仍然可以延续过程。项目描述文档可以让大的团队保持同步。特别是在开发复杂、大范围系统的项目中，作用至关重要，项目组织者必须搞好。下面我们提供一套根绝实际项目编写的通用项目文档模板。稍加修改，可适用于大部分技术项目。

研发项目描述文档章节模板
Download PDF

复杂技术开发项目流程样板 – A Sample Template for Project Task Tree

无论技术大小，开发的过程基本都是一样的。担当技术难度大、涉及的知识领域广、需要参与的团队大时，正确的项目设计、管理就尤为重要。科学的管理方法可以提高研发效率，减轻各部门的压力，处理意外情况。而贯穿于始终的就是“科学方法”，简论见本站另一则短文。这里我们提供一套项目流程样板供参考。这个样板是基于一个真实的目标识别项目修改后得到的。 

测量目标识别软件系统的效能项目任务图
测量目标识别软件系统的效能项目任务图

开发新技术应遵循的科学方法 – Scientific Method for Developing New Technologies

技术开发，只要遵循统一的项目管理路线，无论多么庞杂、庞大，即使需要很复杂的过程、有很大的团队参与，也可以轻松完成。重要的是要在研发管理各个环节使用“科学方法”。 科学方法的简要框架可以概括为：

Scientific Method
Scientific Method

研发人员工作提示集 – Tips for Research Scientists and Engineers

以下为一组贴心小提示， 帮助研发人员、工程师、项目管理人员和管理层更高效地完成研发任务。

提示

  1. 管理层要为每一位研究和管理人员提供一套完备的用于规划、设计和实施研究项目的软件工具。提供使用和维护这些工具的时间和资源。
  2. 在整个项目各节点使用先期验证项目来发现可能的、意料之外结果，防止故障，避免采纳脆弱的步骤，确定操作范围并估计所提出方案的可行性
  3. 使用任务树结构图来规划自上而下的项目。随着这些项目的进展，使用里程碑结构图来规划项目的物流、时间表和成本核算。
  4. 在执行任务之前和执行过程中，盘点外部和内部对试验单元进行的修改，仔细确定每个修改是必需的、不需要的还是不相关的。
  5. 谨慎设计有人或动物参与的任务，因为管理和控制人或动物会比较困难且成本高昂，同时会牵扯复杂的道德和法律问题。
  6. 对于给定的任务，仔细地定义系统、环境和实验室，然后彻底、系统地检查它们，以确定：
    • 任务资源可能产生的不良影响，以及外部对于任务资源产生的不良影响；
    • 确定系统边界可能被破坏的方式；
    • 系统内影响任务单元的外来元素
  7. 将众多单个收益指标汇总成一个总结矩阵，或将众多收益指标和成本组合成一个总结矩阵总是可能的，但这种简单的形式有可能掩盖更有意义的信息。
  8. 计划好每一个任务后，在研究报告中随时记录下你发现的每一个小规律。定期将笔记收集到一个主列表中，按类别、类型和角色分组，将它们整理成系统的规律组，并确保规律之间没有冲突。
  9. 为了最大限度地降低测量结果的净不确定性，我们应该：（1）尽可能直接测量，（2）尽量减少中间结果的算术合并次数；（3）确保测量样本尽可能独立和随机
  10. 对于每个包含数字的知识命题，尽可能直接在命题本身或在伴随的命题中陈述数字的精度，或估计精度。例如：- 摄像机支持 256 级灰度； – 在0 到 120 mph 速度范围内，速度测量的误差在5 mph范围之内。
  11. 可行性试点对于探讨各组成任务的可行性很有用。每个试点计划可以相对简单，也可以不记录在最终的项目报告中，但研究团队必须在研究笔记中完整记录结果。一旦试点产生了可能有用的结果，也一定要进行确认和验证工作来。
  12. 一般来说，用于计划时间过少比过多会导致更大的整体上的时间损失
  13. 由于项目任务树模式图和里程碑模式图清楚地呈现了项目每个阶段、每个步骤的关系，作为主要规划文件，其非常重要，所以团队每一位成员都要有任务图的最新副本。
  14. 对于研发科学家和工程师：要抵制“随手编造”的冲动。提前仔细地计划好项目，同时随着经验的积累和试点的结果调整计划，发现计划的缺陷和潜在的可以改进的地方。准备好向管理层提供可靠的时间和成本估算。如果发现无法在最后期限前完成任务，就要马上让经理知道，不要等到最后一刻。请理解经理们需要照顾更广泛领域内各方的关切。在工作场所是不能实施民主制度的。
  15. 研发经理：请为您的研究人员和工程师提供必要的时间和资源，用于完善项目的规划和设计。将人员安排在一个或两个同时进行的项目上。不要进行无必要的操练式的工作，浪费研究人员和工程师的时间；不要微观管理，不要在小问题上斤斤计较。尽量不要让你的科学家和工程师承担行政任务，那是你的工作。如果你别无选择，请明确划定行政任务的时间和成本，核算在当前项目预算之外，并适当延长项目截止日期。
  16. 任务目标是任务团队和管理层之间的契约。它通常带有人际政治成分，所以要谨慎措辞。
  17. 从项目一开始，就要写好项目完成后要得到的知识。每当获得新的知识时，就要修改或更新最初的列表。
  18. 通过试点来摸索需要的参数和可行的运转条件，以及各因素的动态范围区间、前进每一步的大小。
  19. 如果已有解决方案可以满足任务需求，采用它几乎肯定比再造新的更具成本效益。
  20. 安排获得完整、原始且未经预处理的数据。准备好处理人际关系和所有权问题，以及不请自来的“帮助”。
  21. 在开始实验设计之前，仔细清点任务的所有组成部分。
  22. 确保实验室中的每件物品在实验中都有特定的用途。如果有物品不在所需任务的清单上，请将其移除。如果无法移除，也要尽可能用积极的方法处理
  23. 禁止除必要人员以外的所有人进入实验室，张贴并发布此限制，并严格执行。停止调整所有固定参数和环境系统。如有必要，在无人期间持续监控实验室
  24. 因为实验产生的偏差通常是非常隐蔽、出乎意料和违反直觉的，所以要查清所有可能造成实验偏差的来源。可以根据风险和成本，决定如何调查这些来源及其影响。当有人参与试验时，可以请心理学家来帮助识别偏差来源。
  25. 由于原始数据会被变形，性能指标也可能被更改，我们应该同时保留原始和处理后的实验数据。
  26. 在计算总体性能之前，分析在试点取得的原始或简化后的结果，检测任何异常、意料之外的规律，并确认假设的性能指标是否正确。
  27. 除了了解当前的任务目标之外，项目和管理人员还应该充分了解当前的上层任务和子的任务目标。在项目任务纵向层次和同层任务之间建立有效的沟通渠道。
  28. 文本的排版和各种的颜色选择可以增强文字和图形所能传递的信息。相反，不当的使用会分散读者的注意力，造成视觉混乱，使你希望读者无法正确地领会信息。参加一些正式的培训，可以提高文本排版和颜色使用的技术。要了解你的文档的黑白打印效果。
  29. 在记录项目过程时，省略曾经走过的弯路和错误的起始点，将过程提炼成尽可能简单的故事：从分析任务，到建立假设，到消化结果，再到验证结论，沿一条线性序列描述。
  30. 在整理项目报告或演示文稿之前，要首先了解读者和读者对这个项目感兴趣的内容，包括读者的知识水平、政治取向知识本身，以此来指导报告结构的设计和内容选择。

Data Analytics Skills that Accelerate Scientific Discovery (1)

The following main skills are essential for researchers and technology innovators:

  • Data summarizing knowledge
  • Uncertainty and quantification of uncertainty
  • Predictive models
  • Design and analysis of experimental data 

None of these are either trivial or easy. We will discuss in separate posts the above topics for practical application that will provide immediate benefits. Further study is always welcome such as through university courses or reading advanced texts. In each of the posts, we will first summarize the basic knowledge, then illustrate how this knowledge may be applied in the real world setting using one or multiple scientific and technological application examples.

1. Data Summarization Basics

Data Summarizing Knowledge is the basic skill for all data analysis methods. A good understanding of the data provides a foundation for locating the best method to tackle scientific and technological problems. To understand data, the first step would be to check on

  1. Types of the data (numerical, categorical, or  a mix of all)
  2. Structure of the data (a series, multiple series such as in a table, unstructured such as texts or images)

For numerical data, to summarize the data we need to focus on

  1. The center of the data (mean, median, mode, quantile)
  2. The variation of the data (variance, max, min, range)
  3. The distribution pattern (symmetric vs. tailed, the direction of skewness)

For categorical data, to summarize we need to check

  1. The frequencies or relative frequencies of each category

If the data contains multiple series such as those usually appear in a table, in addition to the above actions on each of the individual series we need to check the statistical relationships between the series (columns or variables in a table) as well. The most common statistical relationship is the linear correlation. A linear correlation exists between numerical series, between numerical and categorical series, between categorical and categorical series. More about that will be described later. A complete correlation matrix helps us understand which two series are closely related. Note this is just to gain very basic knowledge, there are many relationships that are hidden quite deep, we will need more advanced methods to discover, which we will introduce later. Linear correlation paints a direct picture of the association between the series. Often it tells us how these series are related.