基于需求预测的店中店模式决策

基于Yue等人的需求预测模型, 研究了产品替代度、市场波动以及渠道成员需求预测精度对店中店模式和 传统模式下渠道成员收益的影响, 并以此为基础说明了制造商在不同情况下应如何选择销售模式. 研究表 明: 第一, 在产品替代度较小时, 制造商和零售商均倾向于选择店中店这一销售模式, 反之, 则双方更倾 向于选择传统模式; 第二, 当市场波动较大时, 制造商更倾向于采用店中店模式, 反之, 则双方更倾向于 选择传统模式, 同时在一定的市场波动范围内, 采用店中店模式对渠道双方均有利; 第三, 店中店模式下 制造商的需求预测精度越高, 制造商越倾向于采用店中店模式, 且该需求预测提高到一定的程度后, 采用 店中店模式对渠道双方均有利.     

人才需求及质量预测模型

人才资源预测与优化的很重要的因素是人才资源的结构，需求量和人才质量。本文建立因素重构分析预测方法和弹性系数预测方法，并对电子行业２０００年到２０１０年科学技术人才的结构需求量和人才质量进行定量动态的分析和预测。     

网约车出行需求预测方法

随着互联网出行方式的迅速变化,城市居民快速增长的网约车(Internet private hire vehicle,IPHV)出行需求与服务车辆资源之间的供需矛盾日渐突出.针对网约车出行需求预测基础理论的研究,对国内外大量文献进行了梳理和分析.首先分析了网约车用户出行影响因素;然后从时间维度和事件维度详细综述了网约车出行需求预测的内容、方法和关键技术,对比了各类预测方法的优缺点;最后,总结了既有研究存在的主要问题,并进一步提出了未来的研究方向.     

装备制造企业人力资源规划实证研究

人力资源规划是企业人力资源管理活动的重要组成部分,是整个人力资源管理的"选、用、育、留"四大职能的起点。目前国内外对装备制造业人力资源规划的研究相对较少。本文以装备制造业的骨干企业A公司为例,使用三维度人力资源规划模型对A公司的生命周期、发展战略、人力资源现状进行了分析,并运用二次指数平滑法等技术对企业的人力资源进行需求预测和供给预测,预见人才需求的数量和质量要求,保证企业人力资源的供需平衡,为实现公司的长期持续发展提供战略参考。     

具有激励特征的科技人才需求预测方法

针对经济体制转换时期的特殊情况，提出了具有激励特征和动态特征的科技人才需求预测方法，并对Ｌ省Ｓ市２０００￣２０１０年科技人才需求量及具有预期学历结构约束的人才补充量进行了预测。     

物流网络中多地区配送需求预测方法研究

物流网络较为复杂,当前预测方法只采用一种方法对物流网络中多地区配送需求进行预测,无法保证预测精度。提出一种新的需求预测方法, 通过两个或两个以上不一样的预测方法,对物流网络中多地区配送需求进行预测,构建物流网络中多地区配送需求组合预测模型,对不同方法进行加权组合,通过熵值法对组合预测模型的组合权重进行计算,充分利用不同预测方法的优点,获取较优的预测结果。通过残差检验和后验差检验,对组合预测模型的配送需求预测能力进行评价。实验结果表明,所提方法具有很高的预测精度。     

中国食糖需求预测实证研究

本文详细地研究了回归法在中国食糖需求预测中的应用。     

区域能源开发的系统分析——评《四川省能源需求预测与开发战略研究》

能源是国民经济的基础产业和战略性资源,是保障和促进经济增长与社会发展的重要物质基础.四川作为西部的第一经济大省和强省,要实现工业化和城市化的战略目标,必须以能源产量的增长来保障GDP增长目标的实现.基于这一背景,刘朝明教授以其主持的有关项目取得的研究成果为基础,出版的<四川省能源需求预测与开发战略研究>一书具有十分重要的现实意义.     

Bowman库存策略下的供应链稳定性及需求放大分析

为了研究不同库存策略对供应链稳定性的影响,基于一般线性需求预测,在考虑在途库存的Bowman库存补给策略和不考虑在途库存的(R,S)库存补给策略2种情况下,研究了供应链的稳定性,并在考虑在途库存的Bowman库存补给策略下对需求放大进行了度量和分析.结果表明:在考虑在途库存的Bowman库存补给策略下,当订单平滑参数满足0<γ≤1时供应链稳定;不考虑在途库存的(R,S)库存补给策略,当提前期由小于2变到等于2再变到大于2时,供应链从稳定变到边际稳定再变到不稳定;考虑在途库存的Bowman库存策略中,不同的参数对需求放大程度会产生不同的影响,合理选择参数可以减小需求放大程度.     

考虑建成环境交互影响的共享单车需求预测

共享单车的发展有利于交通的节能减排绿色发展。建成环境是影响共享单车出行需求的重要因素,然而很少有学者探究考虑其交互作用。为了准确分析建成环境中各影响因素的交互作用以达到精确预测共享单车出行需求的目的,本文使用了深圳市共享单车出行数据、兴趣点数据（point of interest,POI）、路网数据和公交线路数据等多源数据,采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型预测共享单车出行需求,并与BP(Back Propagation)神经网络模型预测结果进行比较;最后借助SHAP(SHapley Additive explanation)方法解释GBDT模型中各种影响因子对共享单车出行需求产生的影响,并分析各影响因素及其交互作用。实验结果表明：GBDT模型预测结果平均绝对误差为0.683,均方根误差为0.728,较BP神经网络模型预测准确性更高;通过SHAP方法发现自行车道密度、公交站点数等交通属性因素对于共享单车出行需求作用明显,土地利用中土地利用混合度不是简单线性作用且不同POI间存在复杂交互关系。可见通过借助GBDT模型和SHAP方法可以用来共享单车出行需求预测以及影响因素分析,从而为共享单车发展提出改善建议。