幼儿园教师招聘与选拔中的问题及对策

幼儿园教师在提升学前教育质量上发挥着重要作用。随着学前教育事业的蓬勃发展,对幼儿园教师的需求量也随之 增加,但“虐童事件”的多次发生也引起社会各界对学前师资队伍建设的省思。幼儿园虽在招聘与选拔时严格把关,但依旧存 在准入门槛低且选拔方式单一,教师与应聘岗位契合度低,重艺术技能,轻文化知识的问题。对此,幼儿园在招聘与选拔时要 定位园所目标与文化,明晰用人标准,提高准入门槛;优化选拔方式,不断调整选拔测评结构,以此改善招聘与选拔中存在的问 题,促进幼儿园教师队伍建设。     

西安市装备制造业供应商选择模型构建

供应商与采购商关系是供应链研究中的重要问题。本文以西安市装备制造业为研究对象,建立西安市装备制造业供应商评价指标体系,建立评价模型,在已建立的评价模型得到供应商排序结果的基础上,以采购总成本最小的目标,建立基于多产品的供应商数量选择模型并求解,从而给出企业供应商选择方案,通过具体企业实例检验模型有效可行。结果表明,该模型可有效为采购决策提供支持。     

交易强度、逆向选择成本与知情交易

以上证18支来自不同行业的股票2004年的数据作为样本,将交易强度以交易持续期形式引入MRR结构模型,实证分析交易强度的变化对逆向选择风险的影响。结果表明,随着交易强度增加,逆向选择成本增加,交易对价格的冲击增大,但对流动成本影响不显著。进一步分析交易强度对逆向选择成本影响的成因,利用WACD(1,1)模型,验证持续期残差项对逆向选择成本及流动成本的影响。结果发现,持续期残差项对逆向选择成本有显著影响,但对流动成本不产生影响,这表明,知情交易强度的增大是引起逆向选择成本增加的主要原因,且知情交易对流动成本影响不显著。     

社会救援资源动员联盟伙伴选择

社会救援资源是应急救援工作的重要资源支撑,平时被企业、非政府组织和社会公众等各类社会主体所掌控。动员联盟则是各类主体所组建的特殊虚拟企业。动员联盟的特殊性表现为无准备期、联盟盟主往往多线程、弱经济性以及时效性和高动态性,其组织形式应为星型联邦模式。伙伴选择则是组建动员联盟的关键问题,直接关系到救援成效。社会救援资源动员联盟伙伴选择包括正序选择与逆序选择两种方式,每种方式都适合不同的条件,并有不同的步骤且各有其合理算法。     

远缘跨学科研究与交叉科学的发展

随着一系列社会问题的出现以及世界科技革命的快速发展,跨学科教育成为复杂社会背景下人才培养的重要途径。基于对跨学科核心与边界的分析,认为跨学科教育的内涵是通过学科间的融合以及改革相应的教育体系来培养学生的跨学科综合能力。弗吉尼亚联邦大学达芬奇产品创新中心通过明确的目标-评估体系、跨学科适应性课程体系以及跨学科的生活-学习条件较好地诠释了跨学科教育的内涵。借鉴上述经验,中国跨学科人才培养应采取完善跨学科教育顶层设计、设立专门的跨学科组织机构、制定合理的跨学科课程体系、营造跨学科生活学习氛围几方面实施策略。

     

逆向选择条件下带奖惩金的两期保险契约模型及其Pareto改进性研究

为了更有效的规避影响保险市场交易效率的逆向选择问题,本文分投保人风险类型为两种和多种情形建立了带奖惩金的两期保险契约模型,首次提出可以用奖励金和惩罚金有效甄别投保人的风险类型。该模型根据投保人第一个保险期内的索赔情况在第二个保险期对其进行奖励或惩罚,高风险类型的投保人如果选择为低风险类型投保人设计的保险契约,则其在第二阶段受到惩罚的概率要远远大于得到奖励的概率,即风险越高的投保人越害怕惩罚金,因此所建模型满足斯彭斯-莫里斯分离条件。带奖惩金的两期保险契约模型中保险公司的期望利润仍然为0,并不会给投保人带来额外的经济负担,却能够实现对传统部分保险契约简单重复两次的严格帕累托改进。最后采用一个算例说明了该模型的有效性。     

不确定需求下考虑供应商参与机制的应急资源配置鲁棒优化研究

突发事件应急资源优化配置是突发事件发生后救援工作有效开展的前提和基本保障。本文在调研国内外相关研究的基础上,以应对地震灾难为背景研究考虑供应商参与机制的应急资源保障策略,在灾前选择供应商建立政府与供应商的合作机制完成政府储备仓库的选址与资源配置,突发事件发生后依托政府储备仓库和供应商生产能力共同满足应急救援对应急资源的分时段需求,以期协调供应商与政府储备、灾前实物采购与灾后生产能力采购的比例,在保障救援效率的同时降低应急资源保障体系的成本。同时由于地震灾难发生具有需求不确定性的特点,本文引入L1范数描述需求的不确定性,建立了备灾与灾害救援两阶段决策的鲁棒优化模型,并给出了鲁棒模型对应问题的转化方法。最后通过算例仿真验证了模型和对应问题转换方法的有效性,为地震的应对提供理论指导和决策支持。     

Schmidt-logistical回归及在股票投资风格分析中的应用

将Gram-Schmidt过程运用到logistical回归模型当中,提出Schmidt-logistical回归方法,该方法在自变量集合中选择对模型解释性最强的信息,删除对因变量无显著解释作用的信息以及重复解释的信息,并把挑选出来的解释变量集合变换成若干直交变量。这样,一方面实现了logistical回归中的变量筛选;同时,Gram-Schmidt 正交化过程的信息分解结构清晰,使得回归模型的解释更加容易。将该方法应用于股票投资风格分析中,有效地进行了变量筛选,实现了股票成长/价值属性的快速判断。     

求解输出为有界随机数的排序择优问题

目的/意义排序择优问题是仿真优化领域的经典研究问题。该问题的目标是设计统计采样算法,通过在有限个统计分布中进行采样并观测随机采样结果从而找到真实均值最大的分布。在该问题的研究中,现有文献大多假设对不同分布进行采样时输出为正态分布随机数,进而基于正态分布随机数相关性质进行算法设计。但在现实中,该假设通常不成立,一旦假设不成立,现有算法的统计有效性将会大受影响。设计/方法将正态假设进行拓展,即假设对不同分布为有界域分布,进而开展算法设计。结论/发现设计出一类顺序淘汰式算法求解输出为有界域随机数的排序择优问题,数值实验验证,此算法效率远高于现有的SE、ME和lil′DCB算法。     

Improved Transferability of Data‐Driven Damage Models Through Sample Selection Bias Correction

Damage models for natural hazards are used for decision making on reducing and transferring risk. The damage estimates from these models depend on many variables and their complex sometimes nonlinear relationships with the damage. In recent years, data‐driven modeling techniques have been used to capture those relationships. The available data to build such models are often limited. Therefore, in practice it is usually necessary to transfer models to a different context. In this article, we show that this implies the samples used to build the model are often not fully representative for the situation where they need to be applied on, which leads to a “sample selection bias.” In this article, we enhance data‐driven damage models by applying methods, not previously applied to damage modeling, to correct for this bias before the machine learning (ML) models are trained. We demonstrate this with case studies on flooding in Europe, and typhoon wind damage in the Philippines. Two sample selection bias correction methods from the ML literature are applied and one of these methods is also adjusted to our problem. These three methods are combined with stochastic generation of synthetic damage data. We demonstrate that for both case studies, the sample selection bias correction techniques reduce model errors, especially for the mean bias error this reduction can be larger than 30%. The novel combination with stochastic data generation seems to enhance these techniques. This shows that sample selection bias correction methods are beneficial for damage model transfer.