怎样的制造企业更愿涉足服务业务?———“服务化困境”问题的生产率匹配探析

本文关注于制造业企业服务化过程中的产业效率因素,设计了差异化产品模型。在需求层面,公司所提供的产品和服务之间具有互补性;而在供应方面,企业在产品生产和服务之间在专业知识分配上存在竞争。理论模型提供了对制造企业服务化与全要素生产率之间的计量评估。本文利用我国上市制造业版块中的企业数据,通过使用具有异质性的Fractional Probit 模型控制内生性并进行实证检验,理论模型推导和经验估计指出,企业全要素生产率与服务化之间存在“U”型关系,针对四个行业部门的检验也证实服务化和企业全要素生产率之间的非线性关系。在不同地区的企业之间,“U”型关系也存在差异。企业所处行业环境、所在区域以及所提供产品和服务的内在特征对于“服务化困境”的表现都存在差异性的影响。     

影响边远地区高校大学英语教学的多种因素综合辨证分析

影响边远地区高校非专业大学英语教学质量和教学效果的因素包括环境因素、学生因素、教师因素、教学设备、教材等,认识和分析这些因素,对这些地区的高校开展大学英语教学和推进大学英语改革有重要意义。     

企业网络中知识转移的影响因素与案例研究

组织间知识转移是知识由知识发送方向知识接受方转移的过程,是企业获得持续竞争优势的基础。本文对企业网络中组织间知识转移的影响因素进行了梳理,从知识转移双方的属性、知识属性、关联属性以及企业网络属性几方面分别进行阐述。通过案例分析,进一步说明企业可以主动通过企业网络有效获得外部知识,提高企业绩效,并促进企业网络成员间的知识转移。     

亲贫困增长分析中的Shapley分解规则

亲贫困增长主要是指能够使贫困群体参与经济活动并从中得到更多好处的经济增长。本文把影响亲贫困增长的因素分解为经济增长效应、收入分配效应和贫困线变动效应,并纳入一个统一分析框架中,采用合作博弈理论中的Shapley分解规则证明了亲贫困增长分析中因素变动效应的完全分解过程,并用住户调查数据（1988-2007年）对中国农村和城镇的亲贫困增长状况进行了实证,在此基础上作为制定具有瞄准功效的反贫困政策的有力依据。     

我国城乡收入差距持续扩大的模型解释

 我国城乡收入差距是当前最突出一个社会问题。最近5年来,我国政府在“三农”方面推出的扶持政策如此之多,政策的力度如此之大,为何城乡收入差距扩大的趋势依然如故？本课题在回顾关于收入分配有关理论以及有关专家学者的研究成果基础上,通过建立统计多元回归模型,研究了工业化、城市化、投资、财政支出、经济增长等因素与城乡收入差距的数量关系,解释这些因素影响城乡收入差距变化的关系。并据此提出了缩小城乡收入差距的政策建议。     

中国企业渠道联盟关系影响因素研究

渠道联盟被认为是渠道关系中最高、最好的形式。学术界对渠道联盟关系影响因素的研究主要集中在承诺、信任、沟通与合作等方面。本文实证研究了影响中国企业渠道联盟关系的若干因素及其影响程度,特别是探讨了私人关系和行政因素等的影响程度。     

基于因子分析的GDP质量综合评价

GDP是反映一个国家整体经济态势和发展水平的最重要的指标,然而单一用GDP来反映整个经济发展状况存在一定的缺陷。为此,按照一定的原则,构建GDP质量综合评价指标体系很有必要,因子分析结果表明我国GDP质量水平从1983-2006期间总体上呈先降后升的趋势。     

连片特困区农村低保与扶贫开发衔接绩效影响因素分析——基于六盘山特困区两个县的数据

农村低保与扶贫开发衔接作为我国反贫困战略的重要组成部分,其减贫效果和政策优势逐步显现,但制约两项制度衔接绩效的影响因素仍未消除。 文章选取六盘山连片特困区具有典型贫困特征的定西市两个县作为研究样本,借助 NVivo11 分析软件,运用质性研究方法,对两项制度衔接绩效影响因素进行分析发现:贫困人口识别、政策评价监督、干部队伍建设、部门之间协作是核心影响因素,政策精准及政策执行系核心影响过程。 根据分析结果提出了优化两项制度衔接的相关对策,以期助推衔接过程更加合理运行。     

Bootstrap Prediction Intervals for Factor Models

We propose bootstrap prediction intervals for an observation h periods into the future and its conditional mean. We assume that these forecasts are made using a set of factors extracted from a large panel of variables. Because we treat these factors as latent, our forecasts depend both on estimated factors and estimated regression coefficients. Under regularity conditions, asymptotic intervals have been shown to be valid under Gaussianity of the innovations. The bootstrap allows us to relax this assumption and to construct valid prediction intervals under more general conditions. Moreover, even under Gaussianity, the bootstrap leads to more accurate intervals in cases where the cross-sectional dimension is relatively small as it reduces the bias of the ordinary least-squares (OLS) estimator.