前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Excel数据分析案例:用excel做利润敏感性分析

Excel数据分析案例:用excel做利润敏感性分析

作者头像
沉默的白面书生
发布于 2020-04-23 08:49:19
发布于 2020-04-23 08:49:19
4.5K0
举报

一家小型的航空公司正在考虑扩大服务,希望购买一家小型飞机。这架小型飞机有一个客舱和行李舱,除了飞行员外客舱可以容纳5个乘客。飞机在购买后可以用于固定航线飞行和对外租赁飞行。假设飞机总飞行800小时,租赁飞行时间占总飞行的比例为0.5。如果飞机用于租赁飞行,那么价格为325元/小时;如果飞机用于固定航线飞行,那么每人的票价为100元/小时。假设正常条件下固定航线飞行的服务能力为50%,飞机每小时飞行的运营成本为245元,保险费为20000元。购买飞机的价格估计在87500元,如果购买需要融资,融资比例在0.4左右,利率为11.5%。下面是获得的关键决策变量的变化取值表:

目前需要解决的问题是:对上表的决策变量取值做单因素敏感性飞行,并且对决策变量两两组合,做双因素敏感性分析。

1、首先,需要建立敏感性分析模型,结果和公式下图:

2、接下来根据第一步建立的敏感性分析模型,对给定的变化方式和取值范围做单因素敏感性分析,最终呈现出来的结果如下图:

下图是给出的是使用飓风图表示的敏感性分析结果。图中每一个横方块表示输入变量的变化能够带来输出变量变化的范围,即最大值和最小值之差。能够带来输出变量变化范围最大的输入变量的横方块放在最上面,其他输入变量方块按照影响程度从大到小一次排列。可以看到对总利润影响较大的有哪些因素。

下图是以蜘蛛图表示的敏感性分析结果,图中每条线代表一个输入变量变化取值对输出变量的影响方式和影响程度。斜率为正表示影响正相关,为负,则相反,斜率绝对值越大表示影响程度越大。

3、接下来做双因素敏感性分析,最终结果如下图所示:可以看到对航空公司总利润变化影响最大的变量组合为固定航线票价和租赁飞行占总飞行的比例。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution
DeepLabV3 采用多个不同比例的并行 atrous conv 来挖掘不同尺度的上下文信息,记为 ASPP.
AIHGF
2019/02/27
2.9K0
语义分割算法之DeepLabV3+论文理解及源码解析
之前讲了DeepLabV1,V2,V3三个算法,DeepLab系列语义分割还剩下最后一个DeepLabV3+,以后有没有++,+++现在还不清楚,我们先来解读一下这篇论文并分析一下源码吧。论文地址:https://arxiv.org/pdf/1802.02611.pdf
BBuf
2019/12/04
3K0
语义分割算法之DeepLabV3+论文理解及源码解析
DeepLab系列学习
DeepLab系列在2015年的ICLR上被提出,主要是使用DCNNs和概率图模型(条件随机场)来实现图像像素级的分类(语义分割任务)。DCNN应用于像素级分类任务有两大障碍:信号下采样和空间“不敏感性”(不变性)。由于DCNNs的平移不变性,DCNNs被用到很多抽象的图像任务中,如imagenet大规模分类,coco目标检测等中。第一个问题涉及在每层DCNN上执行的最大池化和下采样(‘步长’)的重复组合所引起的信号分辨率的降,此模型通过使用空洞算法(”hole” algorithm,也叫”atrous” algorithm)来改进第一个问题,通过使用全连接条件随机场来改善分割效果。 总结DeepLabV1又三个优点: (1)速度快,带空洞卷积的DCNN可以达到8fps,而后处理的全连接CRF只需要0.5s。 (2)准确性高:在PASCAL VOC取得第一名的成绩,高于第二名7.2%个点,在PASCAL VOC-2012测试集上达到71.6%的IOU准确性。 (3)简单:有两个模块构成整体模型,分别是DCNN和CRF
全栈程序员站长
2022/07/31
6360
DeepLab系列学习
DeepLab 笔记
DeepLab 后面接了一个全连接条件随机场 (Fully-Connected Conditional Random Fields) 对分割边界进行 refine label map。CRF 经常用于 pixel-wise 的 label 预测。把像素的 label 作为随机变量,像素与像素间的关系作为边,即构成了一个条件随机场且能够获得全局观测时,CRF 便可以对这些 label 进行建模。全局观测通常就是输入图像。
全栈程序员站长
2022/07/28
8350
DeepLab 笔记
ECCV2020 oral | 基于语义流的快速而准确的场景解析
该论文提出了一种有效且快速的场景解析方法。通常,提高场景解析或语义分割性能的常用方法是获得具有强大语义表示的高分辨率特征图。广泛使用的有两种策略:使用带孔(空洞)卷积或特征金字塔进行多尺度特征的融合,但会有计算量大、稳定性的考验。
AI算法修炼营
2020/07/07
1.1K0
语义分割的基本构造_语义分割综述
语义分割(全像素语义分割)作为经典的计算机视觉问题(图像分类,物体识别检测,语义分割)。其涉及将一些原始数据(例如:平面图像)作为输入并将它们转换为具有突出显示的感兴趣区域的掩膜,其中图像中的每个像素根据其所属的对象被分配类别ID。早起的计算机视觉问题只发现边缘(线条和曲线)或渐变元素,但它们从完全按照人类感知的方式提供像素级别的图像理解。语义分割将属于同一目标的图像部分聚集在一起解决这个问题,从而扩展了其应用领域。值得注意的是,与其他的基于图像的任务相比,语义分割是完全不同且先进的。
全栈程序员站长
2022/09/25
9380
语义分割的基本构造_语义分割综述
华为诺亚实验室提出CFT | 大模型打压下语义分割该何去何从?或许这就是答案!
本文首发于 【集智书童】,白名单账号转载请自觉植入本公众号名片并注明来源,非白名单账号请先申请权限,违者必究。
集智书童公众号
2023/09/04
5320
华为诺亚实验室提出CFT | 大模型打压下语义分割该何去何从?或许这就是答案!
CARAFE:基于内容感知的特征(FEatures)重新组装
https://arxiv.org/pdf/1905.02188 特征上采样是许多现代卷积网络架构(例如特征金字塔)中的关键操作。其设计对于诸如目标检测和语义/实例分割等密集预测任务至关重要。在本文中,我们提出了内容感知特征重组(CARAFE),这是一种通用、轻量级且高度有效的算子,以实现这一目标。CARAFE具有几个吸引人的特性:(1)大视野。与仅利用子像素邻域的前期工作(例如双线性插值)不同,CARAFE可以在大感受野内聚合上下文信息。(2)内容感知处理。与对所有样本使用固定核(例如反卷积)不同,CARAFE支持针对实例的内容感知处理,可以即时生成自适应核。(3)轻量级且计算速度快。CARAFE引入的计算开销很小,并且可以轻松集成到现代网络架构中。我们在目标检测、实例/语义分割和图像修复的标准基准上进行了综合评估。CARAFE在所有任务中都表现出一致且显著的增益(分别为、、、),且计算开销可忽略不计。它有望成为未来研究的强大构建块。代码和模型可在https://github.com/open-mmlab/mmdetection获取。
AI浩
2024/11/04
2370
CARAFE:基于内容感知的特征(FEatures)重新组装
YoloV8改进策略:上采样改进:CARAFE:轻量级上采样|即插即用|附改进方法+代码
https://arxiv.org/pdf/1905.02188 特征上采样是许多现代卷积网络架构(例如特征金字塔)中的关键操作。其设计对于诸如目标检测和语义/实例分割等密集预测任务至关重要。在本文中,我们提出了内容感知特征重组(CARAFE),这是一种通用、轻量级且高度有效的算子,以实现这一目标。CARAFE具有几个吸引人的特性:(1)大视野。与仅利用子像素邻域的前期工作(例如双线性插值)不同,CARAFE可以在大感受野内聚合上下文信息。(2)内容感知处理。与对所有样本使用固定核(例如反卷积)不同,CARAFE支持针对实例的内容感知处理,可以即时生成自适应核。(3)轻量级且计算速度快。CARAFE引入的计算开销很小,并且可以轻松集成到现代网络架构中。我们在目标检测、实例/语义分割和图像修复的标准基准上进行了综合评估。CARAFE在所有任务中都表现出一致且显著的增益(分别为、、、),且计算开销可忽略不计。它有望成为未来研究的强大构建块。代码和模型可在https://github.com/open-mmlab/mmdetection获取。
AI浩
2024/11/07
6360
YoloV8改进策略:上采样改进:CARAFE:轻量级上采样|即插即用|附改进方法+代码
论文速递 | 实例分割算法BlendMask,实时又state-of-the-art
论文:BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation
VincentLee
2020/01/24
1.2K0
论文速递 | 实例分割算法BlendMask,实时又state-of-the-art
目标分割技术-语义分割总览
目标分割是计算机视觉领域的一个重要任务,旨在从图像或视频中准确地分割出特定的目标或对象。与目标检测关注物体位置和边界框不同,目标分割要求精确地识别并标记目标的每个像素,实现对目标的像素级别理解。
fanstuck
2024/02/01
9260
目标分割技术-语义分割总览
Yolo11改进策略:上采样改进|CARAFE,轻量级上采样|即插即用|附改进方法+代码
https://arxiv.org/pdf/1905.02188 特征上采样是许多现代卷积网络架构(例如特征金字塔)中的关键操作。其设计对于诸如目标检测和语义/实例分割等密集预测任务至关重要。在本文中,我们提出了内容感知特征重组(CARAFE),这是一种通用、轻量级且高度有效的算子,以实现这一目标。CARAFE具有几个吸引人的特性:(1)大视野。与仅利用子像素邻域的前期工作(例如双线性插值)不同,CARAFE可以在大感受野内聚合上下文信息。(2)内容感知处理。与对所有样本使用固定核(例如反卷积)不同,CARAFE支持针对实例的内容感知处理,可以即时生成自适应核。(3)轻量级且计算速度快。CARAFE引入的计算开销很小,并且可以轻松集成到现代网络架构中。我们在目标检测、实例/语义分割和图像修复的标准基准上进行了综合评估。CARAFE在所有任务中都表现出一致且显著的增益(分别为、、、),且计算开销可忽略不计。它有望成为未来研究的强大构建块。代码和模型可在https://github.com/open-mmlab/mmdetection获取。
AI浩
2024/11/11
8260
Yolo11改进策略:上采样改进|CARAFE,轻量级上采样|即插即用|附改进方法+代码
自动驾驶领域:一种实时高精度的城市道路场景语义分割方法
论文下载:https://arxiv.org/pdf/2003.08736.pdf
3D视觉工坊
2020/12/11
5430
你知道Deeplab那些事儿吗?
DeepLab系列论文一共有四篇,分别对应DeepLab V1,DeepLab V2,DeepLab V3,DeepLab V3+。
灿视学长
2021/05/28
8120
CNN结构设计技巧-兼顾速度精度与工程实现
宽度(通道数)决定了网络在某一层学到的信息量,另外因为卷积层能重组通道间的信息,这一操作能让有效信息量增大(这也是1x1卷积的作用,它能学习出重组信息,使得对于任务更友好,所以这里不能和分离卷积一起比较,传统卷积的有效卷积数更多,正比于输入通道乘以输出通道,分离卷积的有效卷积正比于输入通道数,传统卷积相当于分离卷积前升维再做分离卷积)。
BBuf
2020/04/15
8840
CNN结构设计技巧-兼顾速度精度与工程实现
Mask-RCNN最详细解读
最近在做一个目标检测项目,用到了Mask RCNN。我仅仅用了50张训练照片,训练了1000步之后进行测试,发现效果好得令人称奇。就这个任务,很久之前用yolo v1训练则很难收敛。不过把它们拿来比当然不公平,但我更想说的是,mask RCNN效果真的很好。
小草AI
2019/06/02
10.4K1
北航、旷视联合,打造最强实时语义分割网络
下面要介绍的论文由北航、旷视、鹏城实验室发于2019年12月,题为「Real-Time Semantic Segmentation via Multiply Spatial Fusion Network」。
AI科技评论
2020/02/21
1.1K0
北航、旷视联合,打造最强实时语义分割网络
干货 | 一文概览主要语义分割网络,FCN、UNet、SegNet、DeepLab 等等等等应有尽有[通俗易懂]
原文地址:https://meetshah1995.github.io/semantic-segmentation/deep-learning/pytorch/visdom/2017/06/01/semantic-segmentation-over-the-years.html
全栈程序员站长
2022/09/25
4K0
干货 | 一文概览主要语义分割网络,FCN、UNet、SegNet、DeepLab 等等等等应有尽有[通俗易懂]
汇总|实时性语义分割算法(全)
我们在上篇——汇总|实时性语义分割算法(上篇)中,已经总结了【1】~【12】,这里我们继续。
计算机视觉
2020/11/11
1.3K0
汇总|实时性语义分割算法(全)
实例分割总结 Instance Segmentation Summary[通俗易懂]
实例分割:机器自动从图像中用目标检测方法框出不同实例,再用语义分割方法在不同实例区域内进行逐像素标记
全栈程序员站长
2022/09/23
2K0
实例分割总结 Instance Segmentation Summary[通俗易懂]
推荐阅读
相关推荐
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档