腾龙彩票注册网 - 腾龙彩票下载app

以消费为主导扩大内需******

　　作者：王微（国务院发展研究中心市场经济研究所所长、研究员）

　　党的二十大报告从新时代全面建设社会主义现代化国家的要求出发，对加快构建新发展格局、着力推动高质量发展作出了一系列重大部署，提出“把实施扩大内需战略同深化供给侧结构性改革有机结合起来”。中央经济工作会议提出“要把恢复和扩大消费摆在优先位置”，要求“增强消费能力，改善消费条件，创新消费场景”。这些对着力扩大内需、增强消费对经济发展的基础性作用提供了重要指引。

　　近年来，我国在深度参与国际产业分工的同时，不断提升国内供给质量水平，着力释放国内市场需求，促进形成强大国内市场，内需对经济发展的支撑作用明显增强，特别是消费基础性作用持续强化。《扩大内需战略规划纲要（2022－2035年）》显示，改革开放以来特别是党的十八大以来，最终消费支出占国内生产总值的比重连续11年保持在50%以上；住行消费等传统消费显著增长，城镇居民人均住房建筑面积稳步提高，汽车新车销量连续13年位居全球第一；消费新业态新模式快速发展，2021年实物商品网上零售额占社会消费品零售总额比重为24.5%，人均服务性消费支出占人均消费支出比重为44.2%。可以说，消费已经成为进一步扩大内需的最大动力来源。

　　我国超大规模市场优势和巨大内需潜力是长期积累培育、从量变到质变的结果。从消费需求看，我国拥有规模广阔、需求多样的国内消费市场，拥有形成超大规模消费市场的人口基础，消费结构升级与消费创新共同推动我国消费市场持续壮大繁荣，消费作为经济“稳定器”和“压舱石”的重要性日益上升，以消费为主导的内需增长空间广阔、动力强劲。

　　一方面，商品消费提质升级态势明显。人民群众对美好生活的向往总体上已经从“有没有”转向“好不好”，人们更多选择高品质、高附加值、高技术的商品消费，不断推动商品消费加快提档升级，消费韧性不断增强。另一方面，服务消费快速发展。2021年，居民人均服务性消费支出10645元，服务消费已经成为支撑消费增长和服务业新体系加快构建的重要动力。还要看到，消费人群高度分化、消费加快向城市集聚等态势也日益明显。预计到2030年，我国中等收入群体占总人口比重将超过50%，对居民消费的贡献将超过70%。此外，新消费群体将加速形成，预计2030年“Z世代”创造的新兴消费市场规模将达到16万亿元，60岁及以上老年群体创造的“银发经济”规模可达20万亿元。同时，大型中心城市将成为消费新增长极，国际消费中心城市对消费的引领带动作用将进一步提升，一批辐射带动能力强、资源整合有优势的区域消费中心加快形成，中小型消费城市梯队建设逐步成型。

　　需要认识到，有效扩大和更好满足消费，对构建新发展格局、推动高质量发展意义重大。面向未来，必须坚定实施扩大内需战略，准确把握国内市场发展规律。要切实消除现存障碍，充分释放被抑制的消费潜能，特别是正在加快升级的中高端消费潜能；深化供给侧结构性改革，加快推进供给结构调整，加大服务消费领域的改革开放力度，不断增加多样化多元化的服务供给，加快释放服务消费升级孕育的巨大增长潜力；进一步促进消费线上线下融合创新，加快新型信息基础设施建设；不断完善有助于培育建设国际消费中心城市的政策体系，加快打造具有国内外影响力的新商圈、新平台、新场景；以县域消费为抓手促进多层次消费市场协调互促发展；等等。总而言之，就是要多措并举，不断释放内需潜力，充分发挥内需拉动作用，建设更加强大的国内市场，推动我国经济高质量发展。

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）