彩神登录-ISO/安卓/推荐(2023已更新)

力促房地产与金融正常循环******

　　促进房地产与金融正常循环，关键要把握好“度”。要从供给、需求两端发力，“慢撒气”缓解流动性紧张。要抓住关键、治病祛根，进一步完善相关制度，增强政策精准性、稳定性，在动态调整中寻求市场均衡。

　　房地产与金融的正常循环，事关国民经济健康运行。近期多家金融管理部门表示，力促金融与房地产正常循环。要务必做好“保交楼、保民生、保稳定”工作，满足房地产市场的合理融资需求；坚持“房住不炒”定位，因城施策实施好差别化住房信贷政策；推动房地产业向新发展模式平稳过渡。

　　房地产业、金融业都是系统重要性行业。前者是国民经济的支柱产业，后者是实体经济的血液。房地产链条长、涉及面广，在GDP中占比约7%，若加上建筑业占比则高达14%。金融关乎国家核心竞争力，金融安全是国家安全的重要组成部分。当前，房地产与金融的关联度较高。房地产贷款，以及以房地产作为抵押物的贷款，二者占银行业全部贷款余额的39%。可见，若房地产与金融循环淤堵，容易引发外溢性风险，甚至可能产生系统性风险。

　　促进房地产与金融正常循环，关键要把握好“度”。以房地产贷款为例，首先，我们不能将其妖魔化，必须承认合理、适度的房地产贷款增速有助于推动国民经济增长，也有助于满足购房者的刚性、改善性住房需求。其次，凡事过犹不及。此前，房地产市场曾出现“过度金融化”问题。一方面，房企大多身患“三高”疾病，高负债、高杠杆、高周转；不少房企争相布局、涌入金融领域，比如投资、持股商业银行、保险机构、信托公司等。另一方面，个人住房贷款快速增长，居民部门的杠杆率高企；此外，一些违法违规行为又加剧了风险，如消费贷、经营贷违规流入楼市。

　　如何把握好“度”？应在动态调整中实现。市场不可能永远固定在完美的均衡状态，“过”与“不及”是常态，但金融管理部门要通过精准调控，尽量缩小二者之间的误差。

　　化险是当务之急。2021年下半年以来，个别大型房企风险暴露，究其主因，在于房企出现了流动性紧张。一是受疫情影响，房地产销售较为低迷，回款不畅；二是房企原有的高杠杆融资模式受限，固有风险加速暴露，如自身经营不善、资产负债不健康等；三是金融机构过度避险，一度误伤了房企的合理融资需求，最终致使房企的流动性紧张加剧，陷入了恶性循环。

　　化险要从供给、需求两端发力，“慢撒气”缓解流动性紧张。在供给端，既要适度“输血”，满足房企的合理融资需求，又要稳妥“手术”，以市场化方式推动行业并购重组、风险出清。目前，信贷、债券、股权融资“三箭齐发”，“保交楼”专项借款资金已基本投放至项目，优质房企的融资环境已明显改善。2022年9月至11月，房地产开发贷款同比多增2000多亿元；2022年四季度，境内房地产企业债券发行同比增长22%。在需求端，要着力改善预期，支持刚性和改善性住房需求，这也有助于房企销售企稳、回款恢复。目前，个人住房贷款的放款速度已达到2019年以来最快，2022年12月新发放的个人住房贷款利率，全国平均为4.26%，达到2008年有统计以来的历史最低水平。

　　治本才是长远之策。促进房地产与金融正常循环，要抓住关键、治病祛根。一方面，房地产业要“健体”，要摆脱多年来的“三高”模式，深入研判市场供求关系、人口变化、城镇化格局，平稳过渡到新发展模式。另一方面，相关的土地、财税、金融等基础性制度应进一步完善，增强政策精准性、稳定性，在动态调整中寻求市场均衡，避免出现“一刀切”。(郭子源）

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）