企业社会绩效与供应商关系:慈善捐赠的影响

需积分: 9 0 下载量 181 浏览量 更新于2024-07-19 收藏 260KB PDF 举报
"这篇文档探讨了供应商对企业的社会绩效(CSP)的反应,主要基于中国上市公司的数据,研究企业通过慈善捐赠形式的CSR行为是否能获得供应商的积极反馈,特别是是否能更容易获得贸易信贷。" 文章标题《Do Suppliers Applaud Corporate Social Performance》暗示了其核心议题:企业社会绩效(CSP)如何影响供应商的看法。描述中提到这是一篇关于SAS(可能是Statistical Analysis System,一种数据分析软件)实用性的文档,包含大量示例和经典论文,暗示了研究可能采用了统计分析方法来研究CSR(企业社会责任)问题。 标签"SAS"提示我们,研究可能利用SAS工具进行了数据分析,包括但不限于回归分析,以评估企业CSR行为与供应商反应之间的关系。部分内容引用的摘要表明,研究通过城市和变化模型回归分析,发现卓越的CSP确实有助于非国有企业(非SOEs)更轻松地获得供应商的贸易信贷支持。然而,这种影响在国有企业中并不显著。 研究结果支持了“战略慈善”观点,即企业通过实施CSR策略可以吸引供应商并巩固合作关系,从而从供应商那里获得更多的贸易信贷融资。这符合利益相关者理论,表明企业在供应链中的CSR行为能够对其财务状况产生积极影响。 此外,研究还进行了各种CSP度量标准的检验和内生性测试,以确保结果的稳健性。这意味着他们可能比较了不同CSR指标,例如环保、员工福利、社区投资等,并考虑了可能影响结果的其他因素,如市场环境、公司治理结构等。 这篇文档深入探讨了企业社会责任如何影响其与供应商的交易关系,特别是在中国的背景下,非国有企业通过CSR策略可以实现供应链合作的强化,进而提升其金融支持。这对于理解企业社会责任的实施效果,以及如何通过有效的社会绩效策略优化供应链管理具有重要的实践指导意义。同时,它也展示了SAS在实证研究中的应用,为其他领域的研究提供了分析方法的范例。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R