乡村森林旅游项目规划中哲学元素运用的个案分析——以宜春市月都花溪谷项目为例

以江西省宜春市"月都花溪谷"乡村森林旅游项目规划中哲学元素的应用为个案,结合哲学理论进行分析。结果表明:乡村森林旅游项目规划应有哲学的自觉,根据项目所在地自然和人文资源禀赋,因地制宜地吸收哲学元素,从而打破乡村森林旅游项目同质化和见物不见人的困局,赋予乡村森林旅游项目以特色和灵魂。因此,提出突破森林旅游项目规划中一元化的经济思维定势、以哲学思维唤起人学意义、因地制宜激发内生式哲学文化活性等启发性建议。     

基于数字图像处理技术的再生混凝土数值模拟

为了研究骨料形态对再生混凝土材料力学性能的影响,基于势能原理的基面力元法,利用图像处理技术和MATLAB软件,建立了再生混凝土真实骨料细观模型。应用FORTRAN分析软件对再生混凝土试件进行单轴拉伸试验的数值模拟,研究了真实骨料细观模型再生混凝土宏观应力-应变曲线变化规律和试件的破坏形态。结果显示,真实骨料模型得到的宏观应力-应变曲线和试验曲线吻合度较高,骨料形状对试件的破坏形态影响较小。模型可真实地模拟再生混凝土在单轴拉伸作用下的损伤破坏过程,准确地反映试件的实际骨料形态。     

后疫情下休闲体育产业高质量发展的推进策略

新冠疫情以来,人们的健康意识觉醒,体育产业越来越受重视,本文通过对疫情期间体育产业受到的影响进行分析,从体育消费、体育产品中小企业、体育赛事几个方面阐述了疫情以来体育产业受到的阻碍。凡事都有两面性,疫情也为体育产业带来了新的机遇,"线上+线下"融合、新兴产业的崛起、人们健康意识的加强都因为疫情带来了新的发展动力。在后疫情时代,政府应该推出新的政策与措施鼓励体育产业发展,市场则应该抓住机遇实现体育产业的供给侧改革,通过与新兴产业、互联网等的结合,推动体育产业的转型升级。     

生态文明建设背景财政扶持、林权改革对林业生产效率的影响

基于2000—2016年中国省际面板数据,利用DEA-Malmquist指数法对中国林业生产效率的区域差异和时序变化进行研究,运用面板Tobit模型检验财政扶持对林业生产效率的影响并验证林权改革对二者关系的调节作用。研究发现:在生态文明建设背景下,林业生产效率存在显著的区域差异;技术进步对于全要素生产率的提升起到重要推进作用;财政扶持与林权改革均对林业生产效率产生了正向影响,但林权改革并没有对财政扶持与林业生产效率的关系产生积极调节作用。因此,各省份应当通过加大政府扶持力度、优化投资方式、深化集体林权制度改革等措施促进林业生产效率提升。     

经济新常态下煤炭企业发展战略研究

着眼于当前我国煤炭企业的新环境,我们要转变视角,致力于探索推动我国煤炭行业发展的新途径和新方法,为了更好地保护矿工的合法权益,保障煤炭行业的可持续发展,煤炭企业需要引进一些创新性技术和先进管理理念。论文主要基于关心矿工生命安全和煤炭企业安全发展的角度,对目前我国煤炭企业的发展提出一些思考和策略。     

基于GM(1,1)模型的造纸业上市公司财务研究——以冠豪高新为例

财务风险是企业调整发展战略、提升管理水平的重要参考指标之一。财务风险预测模型的建立能够预测企业在中短期内的财务风险,为企业敲响警钟。以造纸业上市公司冠豪高新为例,选取近五年财务杠杆系数为风险指标,建立GM(1,1)风险预测模型,结果显示该公司短期内财务风险呈下降趋势,调查发现这主要得益于产品成本的降低以及营销策略的改变。     

区域森林公园生态效率实证分析——以华东地区为例

采用Malmquist-Luenberger指数法对华东地区森林公园生态效率值进行测定的结果表明:从时序范围看,2011—2016年华东地区森林公园生态效率的均值为1. 006,但从2015年起进入下滑态势,说明华东地区森林公园的生态效率已经达到有效水平,但在扩大森林公园规模的同时忽视了对环境的有效保护以及资源的合理配置;从空间差异角度看,只有浙江与安徽两省的森林公园生态效率值未达到有效水平(分别为0. 851和0. 871),其余各省(市)的森林公园生态效率值均大于1,说明区域内存在一定的差异性;技术进步指数下降是制约MalmquistLuenberger指数提升的主要原因。由此可见,加大技术投入,促成交流合作机制,形成特有的竞争优势等,对提高区域森林公园生态效率是十分重要的。     

Machine learning for financial transaction classification across companies using character-level word embeddings of text fields

An important initial step in accounting is mapping financial transfers to the corresponding accounts. We devised machine-learning-based systems that automate this process. They use word embeddings with character-level features to process transaction texts. When considering 473 companies independently, our approach achieved an average top-1 accuracy of 80.50%, outperforming baselines that exclude the transaction texts or rely on a lexical bag-of-words text representation. We extended the approach to generalizes across companies and even across different corporate sectors. After standardization of the account structures and careful feature engineering, a single classifier trained on 44 companies from 28 sectors achieved a test accuracy of more than 80%. When trained on 43 companies and tested on the remaining one, the system achieved an average performance of 64.62%. This rate increased to nearly 70% when considering only the largest sector.