基于预期理论的通信消费者决策行为研究

通信消费者在决策时,由于对套餐信息的不完全了解,再加上心理因素的影响,往往选择比较随意,造成非理性消费。通过分析预期理论的基本思想,研究了通信消费者决策的一般心理变化过程;以消费者近三个月的平均ARPU值为参考点,通过损失承受变量分析了消费者决策过程中的盈利和损失并确定价值函数;通过主观概率确定概率权重函数;构建了基于损失承受能力的通信消费者决策模型;运用心理物理学方法进行了实证分析,结果表明改进的基于预期理论的通信消费者决策模型更贴近实际生活中消费者决策行为。     

商品住宅销售面积与待售面积的互动关系——以沈阳市为例

基于向量自回归(VAR)模型,构建2002-2010年沈阳市商品住宅待售面积与销售面积相互作用的动态模型,分析两指标的因果关系,并利用脉冲影响函数对二者的互动进行了探讨,认为沈阳市商品住宅待售面积降低1％时,销售面积增加0.625％,此互动周期约为4年,待售面积对销售面积影响贡献率逐步加强并稳定在70％.     

公共选择理论研究评述

公共选择理论在激烈的争辩和曲折的背景中破土而出，是一种以现代经济学分析民主立宪制政府各种问题的学科。该学科在与一些传统学说抗辩中艰难地成长着，至今其理论大厦仍未最后竣工，一些基础性的金砖玉瓦仍有待人们去熔炼。对公共选择理论的起源、曲折的发展历程、争辩焦点、新进展进行介绍、梳理、评价，有助于人们较系统地认识该学科的发展状况。     

高等教育学费标准的评价与优化

高等教育学费问题涉及学校、每一个大学生及其家庭,因此学费标准的确定无论对教育事业还是建设和谐社会都具有重要的意义.通过定义学校的抱怨函数和学生的抱怨函数,并以两者极小化为目标建立双目标规划模型.运用lingo软件进行求解,得出学校和学生在不同的权重下每年的理想学费标准.与实际上交的学费进行对比,进而对现有学费标准的合理性进行评价,得出结论:当前的收费标准较忽略学生家庭的承受能力.     

基于愿景满意度函数的多属性群决策方法

针对定性和定量属性相混合的多属性群决策问题，提出基于愿景满意度函数的多属性群决策方法。该方法从损失和收益的角度考虑问题，通过计算标准化的愿景值和属性值之间的距离，建立考虑专家不同风险态度的愿景满意度函数，求得专家各自的满意度，最后应用简单加权算子集结专家的排序结果。通过案例分析和算法对比说明了该算法可适用于不同风险态度的专家进行决策，而风险态度和愿景值的分析结果表明当属性不确定性较大时，专家看重损失或者收益取决于专家的风险态度和愿景值的高低，该方法可为参与决策的双方提供有价值的参考意见。     

信息不确定条件下的风险决策研究

信息在风险决策中扮演关键角色,但决策者在现实情境中却往往无法掌握明确信息,文章试图分析实验参与者在信息明确程度不同的情境中对决策偏好的差异,以探索其与风险态度的关联性.研究发现:决策者会因信息的明确程度不同,而偏好不一样的风险决策;风险决策差异愈大,越容易在不同信息明确程度下做出相异的选择;在信息不明确情况下,决策者相对偏好较稳健的风险决策.同时,发现参与者的金钱效用和机率权重参数与信息明确程度呈现明显的相关性.     

成本函数的统计研究综述与应用

近年来成本函数统计方法的兴起引起了学界的广泛关注.尽管成本函数理论的应用成果颇为丰硕,然而在国内并未出现一篇对其进行介绍推广及系统梳理的综述类论文.有鉴于此,在回顾成本函数理论的发展历史的基础上,详细分析了现今占据主流的各种成本函数形式的优点和缺陷.同时,基于大量国内外的优秀研究成果,文章依据成本函数理论实证应用最为广泛的生产领域——金融、公共事业和制造业展开论述,展望成本函数理论的未来应用方向和技术改进方法,以供相关研究者参考.     

范围经济效应与商业银行的风险防范

多元化的经营目标已经成为现代商业银行的重要特征,探索开拓业务范围的经济效益对研究银行业组织理论具有指导意义。基于多产出类型的超越对数成本函数模型并结合随机前沿方法,对中国商业银行2008—2015年的范围经济效应进行测算,并检验范围经济效应与银行资产报酬率和信用风险的相关关系,在控制了内生性问题后可以发现,尽管范围经济效应提高了银行的资产报酬率,但也会加剧银行的信用风险,且对信用风险的影响更强。这个结论得到了一系列稳健性检验结果的支撑。范围经济对风险的作用受到经营规模、流动性水平等因素的影响,小型银行追求范围经济效应会大幅提升自身的信用风险,而大型银行则能够小幅减缓风险水平;流动性水平越高,追求范围经济对风险的影响越低。     

基于熵权法和支持向量机的中长期电力负荷预测

文章提出了一种将熵权法与支持向量机(Support Vector Machine,SVM)相结合的中长期电力负荷预测方法.与目前采用单一SVM的负荷预测方法相比,该方法考虑了中长期电力负荷各种影响因素的信息稠密度;通过熵权法对SVM的训练样本集进行加权处理,减少了信息冗余,提高了SVM的训练速度和预测精度.