落实“金融十六条”在行动 银行业支持房企授信金额已超5.4万亿元******

　　记者 杨 洁

　　2022年11月份以来，“金融十六条”的推出以及三支箭的加速落地，都得到了市场的迅速响应，多家银行同房企签署了意向性授信协议。据中指研究院数据显示，截至1月9日，至少已有105家银行向188家房地产企业提供意向性授信，总额度约54629.33亿元。

　　近日，人民银行党委书记、银保监会主席郭树清在接受媒体专访时特别强调，要落实“金融十六条”措施和改善优质头部房企资产负债表。

　　改善优质房企资产负债表是近段时间多项重要会议一再强调的任务。2022年中央经济工作会议指出，“满足行业合理融资需求，推动行业重组并购，有效防范化解优质头部房企风险，改善资产负债状况”。银保监会官网显示，2022年12月份，郭树清主持召开党委(扩大)会议，会议要求“满足房地产市场合理融资需求，改善优质房企资产负债表”。

　　中信证券首席经济学家明明对《证券日报》记者表示，“改善优质头部房企资产负债表”被多次提及，体现出了稳地产的决心。其中，政策所惠及的主体是“优质头部房企”，意味着政策是有选择性的，保护稳健经营的企业，淘汰无序扩张的企业，促进形成良性的房地产市场。

　　图金融研究院研究员雒佑对《证券日报》记者表示，通过对优质房企释放流动性，不仅有助于帮助头部企业度过危机，也能通过头部房企的改善引导市场预期。

　　目前我国金融市场以银行体系为代表的间接融资模式主导，银行信贷是各类企业最重要的融资渠道之一。对房地产企业而言，开发贷是进行地产施工和投资的主要资金来源，房企信贷融资的重要性不言而喻。

　　记者了解到，由于当前大多为协议授信，具体授信情况还需要商业银行与房企根据情况进一步落实。雒佑表示，“在信贷投放方面，当前要集中解决和防范化解停工衍生的相关风险，帮助地产开发商摆脱资金困境，保证房地产行业‘活起来’，达到‘保项目+保优质主体’的目的。此外，在因城施策背景下，后续在项目及主体上配合政府及地方继续提供更多的金融和信贷支持，比如提高对房地产商信贷敞口的容忍度，提供更多的资金保障。”

　　在明明看来，后续银行在投放信贷前应对企业的财务、经营状况进行深入、细致的调查，降低违约风险。同时，银行也应该对信贷资金的使用进行约束，结合房企的实际情况进行有针对性的支持，确保资金流向最紧缺的薄弱环节以及重点项目，防止资金滥用。

　　中指研究院企业研究总监刘水表示，2022年前三季度，房地产新增贷款占各项新增贷款比例仅为4.7%，而2021年同期是18.1%，房地产新增贷款增速明显低于各项贷款增速水平。2023年，金融机构继续落实“金融十六条”，改善优质头部房企资产负债状况，随着银行授信的落地，房地产贷款投放将明显提速。此外，优质头部房企在发债及股权融资等方面，也将继续得到支持。

　　明明预计，今年个人住房贷款和房地产开发贷款都将比2022年小幅扩张。个人住房贷款方面，一是商品房销售增速将在2023年逐步回正，全年有望实现正增长，二是房贷的早偿现象可能会较2022年有一定缓解。这两个因素的变化将使今年个人住房贷款规模趋于增长。房地产开发贷款作为稳定房地产市场融资环境的“第一支箭”，2022年下半年已经开始逐渐发挥作用，预计2023年将对房地产企业提供更大的支持，满足行业合理融资需求，确保房地产市场平稳健康发展。

　　“2023年房地产销售和投资有望见底回稳，对GDP增长的贡献也有望由负转正。”雒佑表示，接下来中央及地方政府在满足购房者刚性和改善性住房需求方面或将进一步发力，在地产转型方面则持续推进城市更新和老旧改造、保障性租赁住房市场、地产代建等新发展模式，这些都需要大规模的资金投放。可以说地产投资已经迎来政策“应出尽出”阶段，2023年也会成为拉动国内投资的主要动力。

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