基于集对分析的大学思想政治教育层次评价研究

良好的思想政治教育是大学培养人才的基础。具有良好的思想政治教育,大学才能培养出优秀的大学生,也才能培养出建设祖国的优秀人才。文章通过对大学思想政治教育内涵的阐述和指标体系的分析,提出了利用集对分析的方法,进行大学思想政治教育的评价。集对分析不仅可以对一所大学进行级别的分析,而且对不同大学也可以进行评价。由此可以得出各个学校的思想政治教育水平。给高校的思想政治教育提供了一个标杆。有利于高校思想政治教育的发展。     

国家自然科学基金资助项目综合评价:基于Vague集多准则决策

采用基于Vague集的多准则决策方法,对国家自然科学基金11类主要竞争性资助项目的实施情况进行综合评价和排序.首先,通过问卷调研的方式,由国家自然科学基金项目评审专家采用"高"、"不高"和"不清楚"三类语义,对各类项目按照"评审公正性"、"管理规范性"、"科研创新性"和"社会影响力"四个准则进行评价;然后,根据问卷统计结果,将语义评价转化为Vague估计值,并利用一种新的评分函数计算各类项目在各准则下的得分;最后,采用正态分布的OWA算子集结各准则下的得分,得到所有项目的综合评价和排序.本文的研究结果将为完善国家自然科学基金的资助结构与管理模式提供重要参考依据.     

基于粗糙集与未确知模型的供应商风险评估方法研究

供应商是制造商材料的来源,供应商风险的发生可能导致原来井然有序的供应链无法正常运转,因此,供应商风险的预警与评估在供应链风险管理中占据着举足轻重的地位。本文提出一种基于粗糙集和未确知测度理论的供应商风险评估方法,该方法首先运用粗糙集理论对繁杂的供应商风险指标体系进行精简,并确定指标权重,然后运用未确知测度模型对供应商风险进行评估,从而使评估结果更加客观。最后在实证研究中以某汽车制造商企业供应商风险评估体系为例,阐明了该评估方法的科学有效性以及评估结果的合理性。     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

物质资本选择人力资本的博弈分析

首次分析了人力资本使用的集合并聚合性与科层达尔文性,提出了一种博弈公平的收益分配方式.然后,在此基础上,以C-D生产函数为例,导出了物质资本选择人力资本的博弈合作条件及结论,并阐明了人力资本的几种显示信号.     

Temptation and Self‐Control

We study a two‐period model where ex ante inferior choice may tempt the decision‐maker in the second period. Individuals have preferences over sets of alternatives that represent second period choices. Our axioms yield a representation that identifies the individual's commitment ranking, temptation ranking, and cost of self‐control. An agent has a preference for commitment if she strictly prefers a subset of alternatives to the set itself. An agent has self‐control if she resists temptation and chooses an option with higher ex ante utility. We introduce comparative measures of preference for commitment and self‐control and relate them to our representations.     

Preference for Flexibility in a Savage Framework

We study preferences over Savage acts that map states to opportunity sets and satisfy the Savage axioms. Preferences over opportunity sets may exhibit a preference for flexibility due to an implicit uncertainty about future preferences reflecting anticipated unforeseen contingencies. The main result of this paper characterizes maximization of the expected indirect utility in terms of an ‘Indirect Stochastic Dominance’ axiom that expresses a preference for ‘more opportunities in expectation.’ The key technical tool of the paper, a version of Möbius inversion, has been imported from the theory of nonadditive belief functions; it allows an alternative representation using Choquet integration, and yields a simple proof of Kreps' (1979) classic result.