Papers read

1. Increasing returns, monopolistic competition, and international trade

   Krugman 1979

   主旨:垄断竞争模型的基础;规模经济带来贸易。

2. Intraindustry Specialization and the Gains from Trade

   Krugman 1981

   主旨:解释了产业内贸易的原因(要素禀赋相似)——如果要素禀赋不同则转为产业间H-O理论。

3. Increasing Returns,Product Quality and International Trade

   Simon Fan 2003

   主旨:解释了发达国家间的产成品贸易原因——质量在国际贸易中起的作用;假设中间品质量决定产成品质量,富国要求高质量,穷国可能会保持生产大量廉价品而不参加贸易。

    注意:补充了Linder模型——需求相似度及规模报酬递增是产成品国际贸易的主要原因。Linder认为富国要求高质量产品。由此产生了与质量相关的贸易理论。

      Further reading option:

      1.The Determinants of quality specialization(Working Paper)

         Jonathan I. Dingel  Oct 2016

        主旨:    现有两大理论解释高收入国出口高质量产品:

                       a‘ Fajelbaum, Grossman and Helpman(2011)完善了Linder理论认为母国需求决定了专业化生产模式因此高收入国家出口高质量产品;

                       b‘ 要素比例模型认为技术丰裕的高收入国家出口技术密集型高质量产品。

                       本文通过发展一种模型来解释母国需求和收入会通过要素的不同使用方式来共同影响出口产品的质量。

      2. Financial Imperfections, Product Quality, and International Trade

           Rosario Crino,Laura Ogliari Oct 2016

        主旨:本文研究了金融市场的不完善如何影响贸易中的产品质量。在集约边际的增长方面这种影响尤其明显。

      3. Prices,Plant Size,and Product Quality

           Maurice Kugler,Eric Verhoogen

         主旨:投入要素和产出品价格及公司规模对产品质量的影响。

 

4. Productivity, quality and exportingbehavior under minimum quality constraints

    Juan Carlos Hallak and Jagadees Sivadasan, July 2008

主旨:传统Melitz(2003)模型只有生产效率的单一元素,本文引入两种因素来影响企业出口:a’传统的生产效率(效率越高产品数量越多);b’生产一定质量(出口要求标准质量)的企业能力(能力越高产品质量越高);用来解释国内大公司和出口小公司的现状。

 

5. Trade,markup heterogeneityand misallocations

    PaoloEpifani,Gino Gancia(2011)

主旨:价格加成不同导致的不同行业间的资源错配。(to be reread)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值