失败学习对企业绩效的影响机制研究

已有文献认为失败学习对企业绩效具有重要作用，但失败学习通过何种途径促进企业绩效提升的研究并不完善。基于失败学习理论，引入资源拼凑和机会识别作为中介变量，构建失败学习影响企业绩效的多路径模型，探索失败学习对企业绩效的驱动路径及内在机理。实证结果表明：失败学习对企业绩效具有显著积极作用，资源拼凑和机会识别分别在失败学习与企业绩效之间起中介作用，资源拼凑和机会识别在失败学习对企业绩效驱动过程中存在链式中介作用，战略柔性能够强化资源拼凑与企业绩效之间的关系，并正向调节资源拼凑的中介作用。研究结论拓展了失败学习对企业绩效的影响路径，对企业复苏和成长具有重要启示。     

数字经济对区域创新绩效及其空间溢出效应的影响

数字化时代的经济运行方式呈现出数据驱动、万物互联、创新迭代的特征，数字经济的数字化、网络化、智能化属性对创新活动产生了深刻影响。运用空间杜宾模型，对361座城市2010-2018年度数据进行实证检验。检验结果表明，数字经济发展不仅能够带动本地创新绩效提升，而且对周边城市创新绩效也具有显著正向影响；与中、西部地区相比，东部地区数字经济对创新绩效的促进作用更强，空间溢出效应也更显著。由此，建议可从挖掘数据要素价值、搭建数字化平台、推动数字技术创新等角度发展数字经济，促进本地区和周边地区创新绩效共同提升。     

团队科学创造力的提升需重视团队成就目标导向——被调节的中介效应

基于创造力成分等多维理论，构建以团队反馈寻求行为为中介变量，团队凝聚力为调节变量的被调节的中介效应模型，以期深入解释创新团队成就目标导向如何影响其团队科学创造力。基于129个理工科大学生科技创新团队数据，研究结果表明，团队学习目标导向和团队表现目标导向分别与团队科学创造力有显著的正向和负向关系；团队反馈寻求行为在团队成就目标导向与团队科学创造力间起部分中介作用；团队凝聚力负向调节团队反馈寻求行为与团队科学创造力间的关系，并弱化了团队成就目标导向通过团队反馈寻求行为对团队科学创造力的间接影响。结论对提高科技创新团队科学创造力有一定指导价值。     

农村新业态发展现状、问题与对策研究

近年来,农村新业态快速发展,成为农村经济发展的新动能。文章在介绍农村新业态发展现状的基础上,剖析了当前存在的顶层设计不清晰、要素制约突出、水平有待提升以及规范化不足等系列问题;结合乡村振兴战略全面实施带来的新机遇,提出要强化顶层设计、优化发展环境、加快转型提质、加大监管力度等政策建议,加快促进农村新业态健康有序发展。     

基于AHP-TOPSIS模型的京津冀家政服务人力资源供给质量评价研究

依托已有的研究成果构建了家政服务人力资源供给质量评价指标体系,利用AHP-TOPSIS模型对京津冀家政服务人力资源供给质量进行了评价和排名,并使用障碍度模型分析了员工制、准员工制、培训学校、中介制四种类型家政机构人力资源供给质量的关键制约因素,在此基础上,给出了不同类型家政机构人力资源供给质量改善的针对性建议,为家政服务人力资源供给质量的改善提供参考依据。     

价值共创引导乡村旅游价值链重构

［目的］通过充分发挥移动互联时代消费者对于价值链、创新链、产业链构建的作用，实现价值共创视角下乡村旅游价值链的重构，解决乡村旅游产业中消费者需求和产业供给不平衡不充分之间的矛盾，推动乡村旅游高效、有序、协调、综合发展。［方法］基于价值共创理论，通过文献研究法和系统论方法，探索性重构乡村旅游价值链。［结果］（1）价值共创引导下的乡村旅游价值链是由基本价值活动、辅助价值活动和价值共创活动共同组成，通过虚拟价值链和传统价值链的互动与融合，实现乡村旅游价值链的新价值创造。（2）价值共创活动是以虚拟价值链为基本特征，以“产消者”创新社区为表现形式，依托移动互联网时代的先进技术，创新性赋予旅游者产品生产者和旅游消费者的“产消者”双重属性，通过将消费者从传统价值链的幕后拉向幕前，实现乡村旅游价值链重构和价值增值。［结论］价值共创引导的乡村旅游价值链需要依托平台思维、共享思维和创新思维进行建设，以消费者需求为导向形成的价值链的开放和互动对于实现乡村旅游供给侧结构性改革具有重大意义。     

中国水稻加工环节成本结构及影响因素分析

［目的］“产业兴旺”是乡村振兴战略中的重要内容，探究中国水稻加工环节成本结构及影响因素，对促进我国农业一、二、三产业的融合，实现农业价值链转型升级，提升我国农产价值链竞争力具有重要的意义。［方法］通过微观调研数据，构建超越对数成本函数和要素需求函数，采用似不相关回归法（Seemingly Unrelated Regression）实证分析我国水稻加工厂的成本及要素投入的影响因素。［结果］（1）稻米加工厂存在规模报酬经济，扩大规模可以降低稻米加工平均成本。（2）建立品牌、与农户形成合同关系、鼓励多元主体经营、公司成立时间、企业能够获得政府支持对降低加工厂的平均加工成本具有正向显著影响。（3）建立品牌、与稻农签订合同、企业负责人的年龄、受教育年限越高对提高加工厂资本投入，促进结构升级具有显著影响。［结论］应采取相关政策措施鼓励稻米加工产扩大加工规模，与上下游形成更为紧密的利益共同体，加强稻米加工企业的品牌意识进而提高我国稻米加工产业的成本竞争力，并鼓励具有更为丰富管理经验、接受更高教育水平的管理者担任企业负责人，在促进我国稻米加工行业的升级转型的同时，提高我国稻米副产品的深度开发利用。     

南方丘陵区新增耕地质量空间特征研究*——以江西省宜春市为例

［目的］粮食安全的根本是在耕地，关键在于耕地质量。目前新增耕地主要源于土地开发项目、城乡建设用地增减挂钩土地复垦项目等，这些新增耕地需要对其开展耕地质量等别评定工作，了解新增耕地的质量状况，分析其空间特征，这对落实国家耕地保护制度、开展农村土地整治工作等具有重要作用。［方法］文章以南方典型丘陵区域——江西省宜春市作为研究区域，在新增耕地质量评价的基础上，运用地统计学、景观生态学、Arcgis空间分析技术和典型相关分析方法，研究宜春市新增耕地质量的空间特征，掌握耕地质量等别的分布规律，了解耕地质量的影响因素，为制定合理的耕地资源利用与保护政策提供依据。［结果］（1）Moran′s I值结果表明宜春市2014年新增耕地利用质量在空间分布上的空间自相关性最强，而耕地自然质量空间自相关性最弱。（2）景观破碎度指数结果表明优、高等别的新增耕地质量破碎度大于中、低等别的； 多样性指数结果表明新增耕地质量多样性指数比较大； 优势度指数结果表明新增耕地质量等别优势度指数比较小，与多样性指数结果相呼应； 均匀度指数结果表明，新增耕地质量等别均匀度指数相差不大，新增耕地质量等别比较均匀。（3）质心结果表明2013—2014年间宜春市新增耕地质量的格局整体上是向西南方向变化。［结论］宜春市新增耕地质量不高； 新增耕地的利用水平差异性较小，自然本底状况差异较大； 新增耕地质量等别类型多，各质量等别类型耕地均有增加，耕地质量参差不齐，较高等地的新增耕地相对低等地而言更破碎化； 新增耕地的开发格局向着西南方向移动； 该研究为南方丘陵区的新增耕地保护提供了一定的参考依据。     

诸葛八卦村游客行为特征与旅游体验评价研究*——基于百度指数和网络文本分析

［目的］利用网络大数据了解客源市场特征以及游客旅游体验评价可反馈旅游目的地建设与运营中存在的问题，对其进行系统分析以促进景区的形象优化。同时也可为古村落型旅游景区的保护和可持续性发展提供新思路。［方法］以浙江兰溪诸葛八卦村为对象进行研究，使用百度指数作为信息源对旅游目的地的网络关注度进行探究，通过分析游客的人群特点，进一步了解旅游者行为偏好等； 运用网络文本内容研究分析方法，使用ROST Content Mining软件，对网络评论文本进行分析，探究旅游者对旅游景区形象感知、旅游体验质量评价等方面的内容，准确了解游客对古村落型旅游景区的形象感知。［结果］（1）分析客源地市场特征表明景区对浙江省内地区影响力较大，中年男性游客对景区关注度最高，游客出游多受法定节假日影响，且行程安排多为省内周边游。（2）网络评价文本分析表明游客对景区认可度较高，游客旅游体验总体较好，但从景观风貌、休闲活动、景点设置、设施服务、文化底蕴、游客情感态度等几个方面细化分析仍有一些问题亟待解决。［结论］景区优化提升可以从针对客源市场人群特点调整营销策略、联动周边景区、挖掘历史文化扩大影响力、完善服务、开发特色旅游体验活动等方面入手，同时，对核心景点的保护、注重以食宿等产业吸引游客并体现地域特色的基础上，防止过度商业化以保持淳朴天然的景区旅游氛围等问题也值得重视。     

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。