新三板企业转科创板上市背景下私募投资策略

在新三板深化改革、科创板设立的背景下,转入科创板成为新三板企业的良好选择。文章基于此分析G私募基金可能面临的机遇和风险,总结该基金在转板企业方面的投资策略框架,并以贝特瑞为例进行验证。在行业方面,选取高成长性科创类行业;在企业方面,选择有核心竞争力的企业,多维度财务分析但不局限于财务指标,考虑企业所处行业的特点,结合多种方法估值;在投资方面,注意时机避免突击入股。文章对拟投资转板企业的私募基金提出建议:针对科创板优先领域投资,重视企业成长性,结合行业特点多维度财务分析,对照标的企业合理估值,密切关注企业动向,把握投资时点等。这为类似基金提供了投资转板企业方面的策略参考,对促进新三板企业直接融资有一定意义。     

大学生线上学习的效果及影响因素分析

本研究会通过一些统计分析办法,对疫情期间的学习状况以及存在的问题,做出更加深入的、更加专业化的了解,为之后的线上教学实践,提供科学依据。本研究通过收集学生疫情期间的具体学习状况的反馈,深入挖掘学生存在的各种问题,包括物质上,以及心理上,对网课学习效率不高的症结所在。研究结果可以看出,学生在自我管理方面依旧是存在短板,导致长时间的学习后,对网课产生抵触心理,外界的干扰,基础条件也是客观层面上,降低积极性的很大原因。仍需要学校的家庭,通过引导和培训,构建起学生自主学习的能力,发挥学生的自主性,激发学习兴趣。并且,将基础设施的配套视为同等重要的因素,为学生打造一个良好的学习环境。     

社会服务对评价大学生科技创新团队的意义

高校大学生科技创新团队是一支不容忽视的科技创新力量。将社会服务作为评价大学生科技创新团队的重要标尺,是高校落实立德树人根本任务的需要、参与国际竞争和建设科技强国的需要。     

指向深度学习的古诗教学“四意识”——以部编版小学语文四年级上册第三单元《古诗三首》为例

深度学习是落实学科核心素养的重要途径,古诗教学是语文阅读中的重要组成部分。指向深度学习的古诗教学开展尤为迫切,要打破以往传统的教学方法,应具备四个意识即关联意识,转化意识,横纵意识和聚焦意识。     

银行业竞争、创新资源配置和企业创新产出——基于中国工业企业的经验证据

本文利用城市级商业银行分支机构数据,结合中国工业企业数据和企业专利数据,实证分析银行业竞争对中国企业创新产出的影响。研究发现,竞争性的银行业市场结构显著促进了企业创新产出,对非国有企业和中小企业尤为显著。进一步地,本文基于资源配置角度,从新进入企业和在位企业双重视角探讨银行业竞争影响企业创新产出的作用途径。检验发现,银行业竞争提高条件下,更多的高效率企业进入创新部门,更多的高效率在位企业增加创新投入,且上述影响在非国有企业和中小企业中更为明显。本文检验结果显示,银行业竞争能提高银行对高效率企业的信贷支持,优化企业之间创新资源配置,并通过引导高效率非国有企业和中小企业增加创新投入而推动整体层面的创新产出。本文拓展了银行业竞争对企业创新的微观影响研究,为制定基于创新驱动的金融发展政策提供新思路。     

网络强度、组织冗余与创新模式——对200家样本企业问卷调研数据的实证检验

通过社会网络带来资源冗余进而对创新选择产生影响，这一机制已成为当今企业可持续发展的重要路径。运用200份企业样本调研数据，对网络强度、不同类型组织冗余及两种创新模式进行实证检验，结果发现，网络强度显著正向直接影响利用式创新和探索式创新;网络强度还通过正向影响未吸收冗余对两种创新产生正向间接影响作用;未吸收冗余与创新模式间具有显著正向影响关系,而吸收冗余在三者影响路径关系中检验结果不显著，可能是受企业自身因素或条件影响所致。最后，根据研究结论提出3点重要管理启示。     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

关于优化创新内部审计技术方法的意义及建议

随着经济社会的发展,传统以"查错防弊"为主要目标的内部审计工作已向"帮助组织增加价值"方向转变,受传统内部审计技术方法的限制,内部审计的覆盖面、效率、质量等已不能满足组织对内部审计的要求,因此不断优化创新内部审计技术方法具有重要意义。本文对如何高效利用内部审计资源、拓宽内部审计工作思路、搭建内部审计信息化平台、实现组织内信息资源互联互通、提升审计人员综合素质、助力内部审计充分发挥监督评价职能进行了阐述,为促进组织高质量发展提供更全面、更具体、更有价值的审计服务,对优化创新内部审计技术方法提出几点建议。