国内生产总值预测模型与经济分析

本文利用统计分析方法和计量经济学模型,就如何拟合国内生产总值预测模型进行了探讨,并根据所建立的模型对国内生产总值的增长与其它经济指标的关系进行了量的分析。     

我国隐性就业规模的灰色估测

一国未观测经济的规模大小,直接影响着政府统计的质量,其规模的衡量指标之一就是隐性就业规模。传统的C-D函数模型估测隐性就业规模,一般采用回归分析法去估测参数。但是,回归分析法亦有其自身的缺陷。相比于传统方法,灰色理论是一种比较新颖的动态测算方法,它可以较准确地测算各个不同时期的C-D函数待估系数。本文应用灰色理论的方法测算我国1982-2003年间的隐性就业规模,并基于测算结果进行了分析。     

干旱区内陆河流域未利用地开发生态风险评价及预测*——以开都河流域为例

[目的]探析开都河流域在未利用地开发过程中生态风险指数的变化特征,为西北干旱区内陆河流域土地利用结构调整与生态保护修复协调发展提供建议。[方法]文章采用PSR模型构建基于14个指标框架的流域未利用地开发生态风险评价指标体系;通过测度综合生态风险指数法进行时空视角的特征变化与格局划分评价;并运用灰色预测模型前瞻性模糊预测该区域未来4年的生态风险变化态势。[结果]2009—2016年开都河流域未利用地开发生态风险整体呈波动上升趋势,生态风险程度由较低下降至低生态风险水平,随后上升至一般程度。这是因为土地开发利用对生态环境造成压力,但在政府相应生态保护政策的出台落实下又逐步缓解,生态系统结构和功能好转明显,抵御风险能力得以提升。预测结果显示2017—2020年开都河流域生态风险将由一般生态风险程度上升至较高程度,因此需要采取适当的管理措施来消减生态风险发生的可能性。[结论]开都河流域作为沙漠中典型的绿洲生态系统,生态环境较为脆弱,通过未利用地的差别化开发、鼓励零星分散的开发模式以及细分不同地类开发的生态补偿设置等方式路径,以期缓解降低干旱区内陆河流域未利用地开发带来的生态风险。     

人口发展压力下政府管理岗位临聘人员员额控制问题探析

近年来,在我国尤其是新兴发展地区,人口发展迅猛,剧增的人口给社会发展带来了各方面的问题,体现在城市管理方面就是各级政府大量聘用临时管理岗位人员来应对超常发展的人口。目前,普遍存在的问题是各地各级政府临聘人员员额超员,但是管理职能岗位仍存在着较大的缺口。笔者通过对深圳市LG区13个街道办事处部门相关人员进行第一线调研,发现31个街道都存在着临聘人员超出上一级政府编制办公室计划的现象,同时,总体来看各街道仍然存在着管理力量不足的问题。文章试图通过对13个街道临聘人员岗位与员额规模与管理方面可能存在的问题分析,探析当前基层政府管理人员严重超标的现实问题,设计出计算出临聘人员岗位规模的预测控制方程式模型,对如何有效地建立临聘人员的激励机制和稳定队伍进行了分析,以期对广东省其他经济发达地区政府基层管理提供借鉴作用。     

我国火力发电行业SO2排放许可限值约束作用研究

2017年,我国环保部门完成了火力发电等行业的排污许可证的核发,对我国建设排污权交易制度和实现“一证式”环境管理体制具有重要意义。围绕排污许可证中污染物的排放许可限值展开研究,应用脱钩原理对我国2003—2017年火力发电行业SO2排放与经济增长之间的脱钩关系进行分析,并基于脱钩理论,结合灰色预测方法GM(1,1)并运用情景假设法分析评价了排污许可证对我国2018—2020年火力发电行业SO2排放的约束作用强弱及其合理性,并提出建议。     

一元判定模型

一元判定模型是指以某一项财务指标作为判别标准来判断企业是否处于破产状态的预测模型。在一元判定模型中，最为关键的一点就是寻找判别阈值。通常需要将样本分为两组：一组是构建预测模型的“预测样本”，也称“估计样本”．     

基于灰灾变预测的“牛鞭效应”解决办法

简要介绍了灾变灰预测理论,并将此理论用于零售终端企业的库存控制,通过零售商的合理库存预测来减轻牛鞭效应的影响。之后给出实际案例进行了相关的研究和分析,证明灾变灰预测是减轻牛鞭效应的很好思路。     

基于财务比率的自由现金流量预测模型研究

本文构建了一个适用于企业价值估计的基于财务比率的自由现金流量预测模型.笔者根据自由现金流量的财务本质,通过重构自由现金流量表达式,将其表示成各相应财务比率及销售收入的运算关系式,然后根据计量经济学相关原理和方法,构建一个对下一期的自由现金流量进行预测的预测模型,并用汽车制造业上市公司的面板数据(1996-2006)对该预测模型进行了检验.结果表明,模型本身以及解释变量都具有很高的显著性和较强的预测能力.同时该模型还证明,除了滞后一期的财务比率自身之外,其滞后一期的一阶差分同样具有显著的预测能力,是预测自由现金流量不可或缺的解释变量.     

基于CatBoost的护士离职预测研究

针对传统的离职预测算法应用于现实中高维度小样本不平衡数据集时存在准确度低、易过拟合、鲁棒性差等问题,应用梯度增强集成分类器CatBoost算法,进行类别型特征处理,利用BOHB(Bayesian Optimization and Hyperband)寻找最优参数,结合交叉验证对模型分类性能进行评估,建立分类模型并对护士离职情况进行预测。该算法采用高维小样本不平衡特征的上海部分公立医院的护士离职数据集,并与XGBoost、随机森林、支持向量机进行对比。实验结果表明,该算法准确度高,鲁棒性强,能够有效地对护士离职进行预测。