背景值改造后的GM(1,1)模型在振荡序列中的应用

文章讨论了背景值改造后的GM(1,1)模型中,背景值公式存在的异议及存在的合理性:在此基础上讨论了其在振荡序列中的应用.直接应用的结果是对精度的虽有改善,但改善的幅度不大:对振荡序列做了预处理之后,对精度的改善会大大提高.因此,这种有条件的应用扩大了该模型的适用范围.     

社会背景、统计模型与研究结果——从Downey等人与G&V的争论谈起

文章从《美国社会学评论》的两篇文章对"兄弟姐妹数量与教育成绩"的关系的质疑与反质疑谈起,首先对几位学者争议的研究数据和统计模型进行清晰的梳理,接着以社会背景、统计模型与研究结果为三维,对不同国家与地区同一主题的九项研究进行整理、分析,结果发现在统计模型之外,两变量的关系是在不同的社会背景下产生了或大或小的差异。     

独立董事背景对企业价值影响的研究——来自中小企业板上市公司的经验证据

独立董事制度对于完善中国上市公司治理结构具有重要作用,而国内外研究却较少关注影响独立董事履职的背景因素。因此从代理问题与履职能力的角度出发,选取2006年中小板块上市公司为样本,实证检验独立董事背景对企业价值的影响。研究发现：独立董事的受教育程度、工作地和居住地的一致性与企业价值具有显著的正相关关系;而独立董事的年龄、性别、职称、会计专业背景、多重身份及任期对企业价值没有显著影响。     

美元化政策分析

亚洲金融危机以及其它一系列金融危机引发了美洲大陆乃至世界范围内对美元化政策问题的重新探讨。本文通过对发展中小国汇率制度选择的剖析 ,指出了美元化政策的制度缘由 ;分析了美元化政策带来的收益和存在的货币政策困境 ;并对美元化的可能前景和影响进行了初步的描述     

知识员工薪酬制度感知的实证检验

文章立足于目前全国的薪酬实践,对科技工作者薪酬制度感知的总体情况和基于个人背景变量差异的薪酬感知进行了实证分析.研究表明:科技工作者薪酬制度感知处于中等水平,其中各分层面以竞争性感知得分最高,其次为激励性感知,倾斜性感知,合理性感知,沟通性感知;不同背景变量的科技工作者在薪酬制度感知整体和各层面的认知上各有差异.     

谁进入了体制内部门就业——教育与家庭背景的作用分析

在劳动力市场分割的情况下,体制内部门的优势吸引了大量高素质劳动者的竞争。体制内部门就业受到劳动者个人人力资本和家庭背景等因素的影响。使用CHNS的数据,采用logit模型说明了教育和家庭背景在进入体制内就业过程中所起的作用。从家庭背景来看,家庭收入、父亲或母亲在体制内部门就业及母亲的户口类型都明显增加了劳动者个人进入体制内部门就业的机会,其影响远远超过了教育的作用。家庭背景在就业过程中的巨大作用形成了职业的代际传递,损害了机会平等原则。教育可以在一定程度上削弱代际职业传递效应。     

对教育消费市场化的思考

教育问题是近几年人们普遍关注的焦点问题,从对城镇居民消费调查看,教育消费明显高于同期生活消费的超前现象已存在多年,需引起重视,适当进行必要的教育消费宏观调控实属必要。 一、教育消费快速增加 从对黑龙江七市四县1800户城镇居民家庭调查看,九十年代后居民教育消费支出增幅呈现快速增加势头。调查显示出黑龙江城镇居民人均用于教育方面的消费支出由1990年的32.5元增加到1999年240.2元,增加了6.39倍。而同期居民消费性支出仅增加2.71     

遗传算法优化的GM(1,1)模型研究

为提高GM(1,1)模型预测精度,文章分析了模型中背景值构造与预测结果误差的关系,并总结了背景值改进研究的相关成果。采用权值序列替换原模型背景值构造公式中的单一权值,建立了GA-GM(1,1)预测模型,利用遗传算法迭代寻优获得的一组最优权值序列来构造背景值,以提高模型精度。用两组数据进行GA-GM(1,1)模型与GM(1,1)模型的对比实验,结果表明GA-GM(1,1)具有更小的预测误差,验证了该模型的有效性。     

灰色GM(1,1)模型新的改进方法

为了提高灰色GM(1,1)模型的模拟及预测精度,文章考虑对模型的初始条件x(1)(n)增加扰动因素β,把x(1)(n) β作为模型的新初始条件,并对模型的背景值进行优化,从而得到了一种改进的GM(1,1)模型。文章还通过实例验证了新建模型比原有模型具有更好的模拟及预测精度。     

基于背景值构造方法的GM(1,1)模型优化

背景值构造方法是影响GM(1,1)模型精度和适应性的重要因素之一.在已有背景值构造方法的基础上,文章重构了一种精确的、优化的背景值构造公式.使用这种新型背景值构造方法的GM(1,1)模型不仅拟舍、预测精度高,并且对于高、低指数增长序列建模同时适用.示例数据的拟合和预测结果充分显示出新型背景值构造方法的有效性和优越性.     

企业家人口背景特征与企业社会绩效的相关性研究

文章以高阶理论为基础,研究公司中企业家的人口背景特征对企业社会绩效的影响。运用中国上市公司制造业样本数据进行的实证研究发现,拥有输出型职能背景的企业家更倾向于承担社会责任,企业的社会绩效更高;企业家的任职时间越短,越倾向于承担社会责任,提高企业社会绩效。     

基于改进灰色模型的企业战略资源预测

针对GM(1,1)模型和灰色非线性Bernoulli模型背景值的缺陷,文章通过背景值重构建立了改进灰色模型,并基于Matlab编程和搜索算法求解参数.将改进灰色模型引入企业战略资源预测中,并与多种预测方法比较.结果表明,该方法合理、有效,预测精度较高.     

发展系数与预测模型初始值确定的新方法

文章针对用x~(1)(k)、x~(1)(k-1)加权组合来优化背景值的情形,提出发展系数初始值不必通过基本灰色模型x~(0)(k) a[1/2x~(1)(k) 1/2x~(1)(k-1)]=b求解,而是直接令发展系数初始值a_0=ln(1/(n-1)(■ (x~(0)(k-1))/(x~(0)(k))的新方法;然后分析了原始模型响应式中以x~(0)(n)=x~(0)(n)为初始值存在的缺陷,提出了先推导出还原式,再以x~(0)(n)=x~(0)(n)为初始条件确定离散响应式系数的新方法。     

基于改进背景值算法的优化GM(1,1)模型及其应用

研究表明,GM(1,1)模型的背景值构造方法是影响其建模精度的一个重要因数。文章研究了已有的相关文献中关于背景值的构造方法,进而提出了一种新的背景值构造方法,其具有更好的适应性。同时,为了进一步提高灰色GM(1,1)模型的模拟及预测精度,利用拟合值和原始值平方和误差最小对预测模型的初始值进行了优化。文章改进的优化GM(1,1)模型既适用于对低增长指数的数据也适用于对高增长指数的数据进行GM(1,1)预测实例建模结果展示了其具有更高的精度和适应性。     

川菜王国百年演义之名人和名菜

成都自古以来宜于人居，拥有深厚的人文地理背景，冬无严寒，夏无酷暑，水旱从人，既丽且崇，更为重要的是她有享誉世界的川菜文化体系，经过无数名流贤达的推举，不断得到彰显。巴蜀文化的精髓在于川酒、川菜、川戏、川茶、蜀绣、蜀方言……在这诸多方面中川菜是纲，其余是目，纲举目张，一荣俱荣，一损俱损。     

论自由贸易港建设背景下如何提升公安机关警务实战教官的整体素质能力

随着我国社会经济不断发展,各界人士对如何提升公安机关警务实战教官的整体素质能力十分重视。在信息化时代背景下,警察教育训练工作逐渐趋向于正规化、专业化,其专业水平不断提高,训练科目与模式得到科学配置、优化提升,带来良好的实战效果。为了能够进一步提高警务训练的实战性,本文将以一名公安教育训练从业者、一名省级警务实战教官的角度来思考相关问题,并根据海南省公安民警的训练标准,将警务训练当中存在的问题以及研究对策作为基础,结合搜集到的资料、数据进行针对性分析,利用自身警务实战教官的优势开展实践式训练,在文中描述公安机关警务实战训练基本做法、成效与可能存在的问题,通过人类生态学POET模型、对比较成功警务训练经验等方法,分析问题出现的原因和提出促进以实施能力为本的警务实战训练相关的对策和建议,把警务训练转化为实战战斗力,用警务实战训练去指导当前的公安工作,以期丰富我国目前关于警务实战训练方面的理论成果。     

教育发展水平与机会公平性省际差异研究

通过分析各省市教育发展水平和机会公平性,评估了各地区教育发展状况。研究发现:其一,教育发展水平与机会公平性存在负向关系,教育发展水平较高的地区伴随着严重的教育机会不公平;其二,家庭背景导致教育机会不公平最为严重,户籍因素次之,而性别差异作用微弱,其中家庭背景因素主要通过父母文化资本影响子女受教育年限,从而对教育机会不公平构成影响;其三,教育机会不公平因地区而异,一些省市教育机会不公平是由于家庭背景、户籍类型和性别因素的分布差异所致,另一些省市由于这些因素对个体受教育年限影响程度不同,从而导致教育机会不公平。     

基于变步长梯形算法GM(1,1)模型背景值的优化

文章从GM(1,1)建模机理及背景值形成过程出发,分析出对于具有明显指数规律的一次累加生成序列,GM(1,1)有时会出现预测误差较大的情况,并得出背景值的构造方法是造成这种误差的重要原因之一.利用拉格朗日插值函数和变步长梯形算法对背景值进行优化,通过对变步长梯形算法中步长大小的变化,形成了一种新的背景值构造方法,可使由背景值构成的误差降低.     

同时优化GM(1,1)模型背景值和灰导数的新方法

文章从已优化的GM(1,1)模型的背景值出发,通过求其导数,找到了与之相匹配的灰导数,从而提出了一种同时优化背景值和灰导数的新方法;再结合迭代的思想建立新模型,提高了建模精度。实际数据验证结果表明,新模型不管是对于低增长还是高增长的序列,都比原始模型或只优化背景值的模型具有更好的预测效果和模拟效果。