快盈官网app下载-百科百科

“慢撒气”化解房企风险怎么做？中国多部委释放信号******

　　(经济观察)“慢撒气”化解房企风险怎么做？中国多部委释放信号

　　中新社北京1月11日电 (记者 庞无忌)2023年，防范化解房地产市场风险被视为中国楼市调控政策的重中之重。住房和城乡建设部部长倪虹近日表示，以“慢撒气”的方式，稳妥化解房企资金链断裂风险。“慢撒气”怎么做？这对房地产企业来说意味着什么？

　　对于2023年的房地产工作，倪虹近日表示，概括起来是三句话：增信心、防风险和促转型。其中，针对化解房企风险，倪虹指出，以“慢撒气”的方式，稳妥化解房企资金链断裂风险。重点是增加房企开发贷、并购贷和购房人的按揭贷，满足合理融资需求。

　　广东省城规院住房政策研究中心首席研究员李宇嘉认为，“慢撒气”实际上指的是在不发生重大系统性风险的前提下，让存量风险有序释放，“去腐生肌”。这个过程中可能会有阵痛，但这是由旧模式向新模式过渡必须承担的成本。

　　针对房企风险，金融监管部门也作出部署。中国央行、银保监会日前联合召开的主要银行信贷工作座谈会明确，要有效防范化解优质头部房企风险，实施改善优质房企资产负债表计划。其中提到，聚焦专注主业、合规经营、资质良好、具有一定系统重要性的优质房企，开展“资产激活”“负债接续”“权益补充”“预期提升”四项行动。

　　李宇嘉指出，会议释放的信号很清晰，就是要对优质的、稳健经营的房企积极纾困。会议提及的四项行动，其实也是监管部门总结出资金可以投入，并能安全退出的四种类型，这也将是修复房企资产负债表的四种渠道。未来，机构进场推动收并购、资产重组，或者扶持优质房企，也是从这四个渠道进行。

　　这四项行动包含哪些内容？

　　上海易居房地产研究院研究总监严跃进表示，资产激活意味着要把房地产企业的各类资产盘活，包括待开发的土地和待出售的房产、预售资金的加快回笼、资产证券化的加快推进、REITs等产品的加入等。负债接续包括负债展期、债转股、出售资产以清偿债务等工作。权益补充意味着后续要鼓励各类优质企业积极做战略投资者。预期提升则主要通过减少企业违约、调整销售目标等方式，修复投资者对于房企预期，促进“金融-房企-销售市场”等渠道的顺畅。

　　值得注意的是，加大支持力度并不等于房企可以“等靠要”。李宇嘉提醒，今年相关政策倾向也督促出险企业放弃幻想，断臂求生，以适宜的价格，尽快出让股权和项目。

　　在新的发展模式下，58安居客房产研究院分院院长张波认为，优质的头部房企、“三道红线”绿档房企、提前部署拿地未来有货可卖的房企以及聚焦主航道、稳扎稳打不激进的房企将迎来更大的发展机会。而前期发展脚步迈得太大，或是产业布局过于多元化的企业，容易出现资金问题，最终难在经济产业升级转型的大潮中深耕下去。

　　当然，房地产业链条环环相扣，要化解房企风险最终还需要整体市场的预期回暖、销售恢复，企业才能恢复“造血”功能。这就需要保交楼、增信心。

　　李宇嘉指出，今年，保交楼可以说是没有任何商量余地的任务，一定要夯实房企的主体责任、地方支付的属地责任。对房企来说，需要放弃过去“高举高打”、寻求短期暴利的经营模式，要顺应国家对于房地产新模式的方向，积极参与保障性租赁住房、城乡融合、区域开发等建设，谋求未来可持续的、细水长流的收益。(完)

　　搜索

复制

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）