基于SIR模型的直播电商供应链运营风险传播与控制研究

为正确识别直播电商供应链的风险因素,分析、研判风险在直播电商供应链的传播规律,构建了直播电商供应链的结构框架,利用复杂网络模拟了供应链的运营过程。首先,识别出直播电商供应链的22个风险因素,引入SIR风险传染模型。其次,根据风险因素的分类,设置不同初始风险状态和传播规则,对风险传播过程进行模拟仿真分析。结果发现:品牌方的销售策略、主播的直播状态、直播间消费者对产品和主播的负面评价等风险需要重点关注。最后,结合风险传播路径和关键风险因素,提出控制直播电商供应链运营风险的管理措施。

基于修正E-G指数模型的安徽省战略性新兴产业聚集评价

战略性新兴产业聚集对于区域产业结构升级、国家创新能力提升意义重大。从空间聚集、规模聚集和综合聚集三个角度出发,基于修正E-G指数模型,利用2010-2021年的数据对安徽省战略性新兴产业的聚集水平进行了评价。研究发现,2010-2021年间,安徽省战略性新兴产业的空间分布状态由均衡向聚集转化,皖南地区的空间集中度较高;规模聚集水平整体上也处于上升状态,皖中地区在规模上的聚集水平较高;综合聚集水平自2010年以来整体上处于上升状态,2015年以后上升趋势更加明显,其中皖中地区最高,上升趋势也更明显,皖南次之,皖北最低。

作物品种区试数据分析的主效可加互作可乘模型(AMMI)图形

对一些常用的主效可加互作可乘模型（ＡＭＭＩ）图形作了介绍，有助于利用ＡＭＭＩ模型对品种区试数据的分析。

水稻品种区域试验的AMMI模型分析

在农作物品种区域试验中，品种在各地点的表现通常是不一致的，也就是说品种的基因型和环境（Ｇ×Ｅ）存在着交互作用。常用的Ｇ×Ｅ交互作用分析方法是相对于环境指数的线性回归方程，但这一方法约束性较强，解释Ｇ×Ｅ交互作用较少。加性主效应和乘积交互作用模型（简称ＡＭＭＩ模型）在常规的基因型和环境的加性模型中加入了乘积形式的交互作用，能更多地解释Ｇ×Ｅ交互作用。实例分析表明ＡＭＭＩ模型是品种区域试验结果分析更为有效的方法。

水稻品种区域试验的品种×环境互作及其与气候因子的关系

利用 AMMI模型分析了 1 997年南方水稻区试华南早籼组的数据 ,并着重探讨了 G×E互作与气候的相互关系 ,解释气候对 G×E互作的影响 ,以鉴别并利用具有有利 G×E互作的品种。分析结果表明 ,气候因子中主要是秧田期的日照和抽穗灌浆期的降雨影响参试地点的产量水平 ;而影响 G×E互作的主要气候因子是气温 ,其次是

用AMMI模型分析玫瑰品种产花量的稳定性

【目的】研究玫瑰(Rosa rugosa Thunb.)不同品种单株产花量的年度稳定性问题。【方法】选用13个玫瑰品种,采用随机区组试验设计,4次重复,每小区10～12株,连续两年测定各品种的单株产花量,应用AMMI(additive main effects and multiplicative interaction,又称为主效可加互作可乘)模型对连续两年的单株产花量的基因型、环境和基因型与环境(G×E)互作进行了探讨。【结果】基因型、环境及G×E互作的平方和分别占总平方和的65.610%、12.352%、22.038%,均达极显著水平,而误差仅占2.75×10-17%,参试品种的单株产花量在500～1500g;AMMI双标和排序图表明,紫云、玉盘、唐紫、唐粉、紫枝玫瑰、朱龙游空与2006年的环境互作为正,而与2007年的环境互作为负;赛西子、唐红、西子、紫芙蓉、朱紫双辉、紫雁、香刺果与2007年的环境互作为正,与2006年的环境互作为负。AMMI品种适应性分析显示,朱龙游空、唐紫和赛西子具有最佳适应性。【结论】AMMI模型很好地解释了玫瑰品种产量性状的基因型效应、环境效应和G×E互作效应。根据分析结果可以得出以下结论,单株产花量高且稳定的品种有西子、紫芙蓉和赛西子(1200～1800g),相对稳定的品种有玉盘、唐粉、紫枝玫瑰、紫云、紫雁和朱紫双辉(800～1150g),高产但较不稳定的品种有唐紫和朱龙游空(1700～2600g),产量低也不稳定的品种是唐红和香刺果(500～600g)。

天然气烃露点预测研究进展

获取准确的天然气烃露点数据,对发展天然气工业的诸多环节(如天然气开采、加工和管输)都具有重要意义。预测方法可快速提供一定精度范围的天然气烃露点数据,是推动天然气工业发展的一种重要手段。首先,梳理了经验关联式、状态方程、超额吉布斯自由能-状态方程(G^E-EOS)模型3种预测方法的发展及其在烃露点预测领域的应用。其次,通过对不同天然气体系复杂性的分析,提出了以不同的预测模型深入开展不同天然气体系烃露点预测研究的思路,并结合开展的实验工作,指出目前国内常用的烃露点预测模型(PR方程和SRK方程)的平均预测偏差较大(分别为6.7℃、9.2℃),不能准确有效地指导天然气工业的工程设计和装置运行。最后,指出针对不同复杂性的天然气体系,开发不同的预测模型,形成系统化的天然气烃露点研究成果的重要性与迫切性。

基因型和环境及其互作对我国冬小麦部分品质性状的影响

为了解基因型、环境及其互作对我国冬小麦品质性状的影响,选择北方冬播麦区有代表性的65个小麦品种(系),分别在6个省份的11个地点种植,对其部分品质性状进行了分析。结果表明,品质指标在不同小麦品种(系)以及不同地点之间存在极显著差异;品质性状间相比,基因型(G)对籽粒硬度、环境(E)对千粒重、G×E互作对SDS沉淀值的影响较大。用AMM I模型(主效可加互作可乘)对基因型和环境互作的影响进行分析,G×E互作程度比较大的试点有北京、济南和徐州,比较小的为临汾试点,其中籽粒硬度和SDS沉淀值G×E互作程度较大的为北京和泰安试点,籽粒蛋白质G×E互作程度较大的为济南、烟台和徐州试点,千粒重G×E互作程度较大的为北京和徐州试点。不同品种的不同品质指标有不同的适宜地区,对于籽粒硬度,品种95(6)161、烟475在北京有较好的适宜性,原冬971在泰安有较好的适宜性;HS97-1、秦麦11的籽粒蛋白质含量在烟台、徐州有较好的适宜性;对于千粒重,农大3308、临旱917在北京,晋农218在济南,HS97-1在运城,中梁88303在烟台,豫农95027在徐州有好的适宜性;对于SDS沉淀值来说,中梁93646、中梁88303在北京,99G 46、中91162在石家庄,L 2-503、99G 66在泰安,农大3383在运城,郑SP 2027、临汾125在周口、徐州有好的适宜性。

基于AMMI模型的品种稳定性分析

AMMI模型发展了分析基因型与环境互作的统计方法,但缺乏度量品种稳定性的定量指标。本文提出一个度量品种稳定性的新参数D_i。实例分析表明,D_i与生态价方法和稳定性方差法的分析结果有很好的一致性。讨论了AMMI模型在分析品种稳定性方面的意义以及应用新参数时应注意的问题。

AMMI模型及其在作物区试数据分析中的应用

作物品种区域化试验是品种繁育推广不可缺少的重要环节.区试中品种的基因型和环境交互作用的存在使区试数据的分析非常棘手.加性主效应和乘积交互作用模型(简称 AMMI 模型)是分析区试数据新的一类模型,与常规的方差分析模型和线性回归模型相比,该模型应用范围更广而且更有效.本文将着重介绍和讨论 AMMI 模型和用于表达 AMMI 分析结果的图形工具双标图(bi-plot),然后对1995年的南方稻区早籼中熟组区试数据进行 AMMI 分析.实例分析显示 AMMI 模型不仅是分析区试数据非常有效的工具,而且可以帮助我们深入了解基因型和环境交互作用.

AMMI模型在马铃薯品种区试中的适用性分析

应用AMM I模型对6个马铃薯品种的区试产量进行了分析。结果表明:在线型回归分析的条件不具备时,AMM I模型可解释基因型与环境之间的互作。通过AMM I模型双标图和稳定性参数可以比较基因型与环境互作的大小,进而评价各参试品种的稳定性与适应性。

应用AMMI模型分析云南保山烤烟物理性状的基因与环境互作

目的：研究云南保山烤烟不同品种物理性状在不同环境条件下的适应性和稳定性。方法：将云南保山3个烤烟常栽品种种植在3个海拔高度的2种土壤上,采用完全随机设计,每个品种设3次重复,每小区50-60株,应用AMMI模型对烤烟物理性状的进行基因、环境和基因与环境（G×E）互作分析。结果：各因素对各物理性状指标都有极显著的影响,环境效应〉基因效应〉G×E互作效应。填充值、叶面密度主要受基因影响,叶长、叶宽、含梗率主要受环境效应影响。G×E互作对梗重、含梗率、综合得分的影响显著,其主成分因子IPCA1的F值均达极显著水平,分别解释了相应G×E互作变异总平方和的98.71%、95.72%、99.99%;叶面密度与海拔呈极显著的正相关,开片度、含梗率、填充值与海拔呈极显著的负相关。K326的烟叶物理可用性最高但稳定性最差,Y87可用性最低稳定性居中,Y99可用性居中但稳定性最好;箐桥对烟叶各品种物理性状的影响力最大,双河最小,公平居中。结论：在本试验范围区域内,烟叶物理性状受G×E互作效应影响极显著。从物理性状看,K326对环境条件最为敏感,适合在中等海拔区种植,Y87、Y99对环境条件的敏感性较弱,在高、低海拔区域均能种植并能获得物理可用性较高的烟叶。

优质油菜新品种(系)的稳定性和适应性分析

应用AMMI模型对8个甘蓝型优质油菜新品种(系)区试产量进行了分析。结果表明:AMMI模型解释基因型与环境互作明显优于线性回归模型。通过AMMI1模型双标图可以看出产量在品种和地点间的变异程度,找出稳定性较好的品种。从AMMI2双标图上可以找出与每一个地点产量互作最大的品种。

应用AMMI模型评价马铃薯品种的稳定性和适应性

应用AMMI模型对6个马铃薯品种的区试产量进行了分析。结果表明:在线型回归分析的条件不具备时,AMMI模型可解释基因型与环境之间的互作。通过AMMI模型双标图和稳定性参数可以比较基因型与环境互作的大小,进而评价各参试品种的稳定性与适应性。

基于G^E模型的MH方程在二元流体相平衡中的应用

提出了ＭＨ方程基于Ｇ￣Ｅ模型的混合法则，并用于流体相平衡计算。研究结果表明：基于ＵＮＩＦＡＣ模型的ＭＨ方程能较好地预测汽液平衡，而基于ＮＲＴＬ模型的ＭＨ方程能满意地关联液液平衡数据。

含CO_2体系高压相平衡测定和关联

测定了ＣＯ２－Ｃ２Ｈ５ＯＨ和ＣＯ２－Ｈ２Ｏ体系的高压汽液平衡数据，并采用ＥＯＳ／ＧＥ模型推导出局部组成混合规则，用ＳＲＫ方程关联结果与实验值符合较好。

家蚕品种最适环境片区的划分

对家蚕品种最适环境片区划分进行了研究，初步得到如下结果：参试的8个地区可以划分为两个环境片区。第一个环境片区包括四川、重庆和浙江；第二个环境片区包括陕西、山东、安徽、湖北和镇江；第一个环境片区的最适基因型是品种B；第二个环境片区的最适基因型是品种C。如果在各环境片区推广相应最适基因型比在所有地区只推广品种C，则全区平均万蚕收茧量可提高2．1％。

利用双标图分析作物区试数据

品种区试中品种的基因型和环境存在着交互作用（G×E），使区试数据的分析比较棘手．主效可加和互作可乘模型（简称AMMI模型）是分析区试数据的一新类模型，与常规的方差分析模型和线性回归模型相比，这一方法应用范围广而且更有效．而双标图（biplot）不仅是解释AMMI分析结果的直观有效的工具，而且可以帮助我们选择分析数据的合适模型．本文以95年南方水稻区试单季晚粳组数据为例，对AMMI模型及双标图作一扼要介绍，给出双标图的一些新的性质和用途，和一种可用于产量预测的双标图.

利用双标图分析基因型和环境交互作用

在作物的品种区域化试验中，品种的基因型和环境（Ｇ×Ｅ）交互作用越来越受到重视．一种新的非常有效的分析Ｇ×Ｅ交互作用模型是加性主效应和乘积交互作用模型（简称ＡＭＭＩ模型），而双标图（ｂｉｐｌｏｔ）是解释ＡＭＭＩ分析结果的一种直观有效的图形工具．本文对ＡＭＭＩ模型及双标图作一扼要介绍，并选用１９９５年南方水稻区试单季晚粳组数据作为实例，给出了两种新的双标图，以帮助我们更深入地了解Ｇ×Ｅ交互作用．

基于AMMI模型的区域试验玉米新品种的稳定性和适应性评价

以2009年贵州省玉米新品种区域试验C组各承试点的产量为资料,应用AMMI(additive main effects and multiplicative interaction,又称为主效可加互作可乘)模型对小区产量的基因型、环境和基因型与环境(G×E)互作进行了探讨。结果表明:AMMI模型很好地解释了玉米新品种产量性状的基因型效应、环境效应和G×E互作效应。根据AMMI双标图和分析结果可以得出以下结论:小区产量高且稳定的品种有C2、C6和C8(10.689～11.433kg),相对稳定的品种有C7、C10和CK(10.071～10.594kg),高产但较不稳定的品种有C3和C4(10.571～11.055kg),产量低也不稳定的品种是C1、C5和C9(9.543～10.157kg);试点E1、E5和E2的分辨力较强,E6、E7和E3的分辨力较弱。