凤凰彩票注册|凤凰彩票技巧

国家统计局：上月CPI环比由降转平 同比涨幅略有扩大******

　　中新网1月12日电 国家统计局12日发布了2022年12月份全国CPI(居民消费价格指数)和PPI(工业生产者出厂价格指数)数据。对此，国家统计局城市司首席统计师董莉娟进行了解读。

　　CPI环比由降转平，同比涨幅略有扩大

　　12月份，各地区各部门更好统筹疫情防控和经济社会发展，多措并举做好市场保供稳价，物价运行总体平稳。

　　从环比看，CPI由上月下降0.2%转为持平。其中，食品价格由上月下降0.8%转为上涨0.5%，影响CPI上涨约0.09个百分点。食品中，受季节性因素影响，鲜菜和鲜果价格分别上涨7.0%和4.7%；生猪供给持续增加，猪肉价格下降8.7%，降幅比上月扩大8.0个百分点。非食品价格由上月持平转为下降0.2%，影响CPI下降约0.13个百分点。非食品中，受国际油价下行影响，国内汽油和柴油价格分别下降6.1%和6.5%；随着疫情防控政策优化调整，出行及娱乐活动逐步恢复，飞机票、电影及演出票、交通工具租赁费价格分别上涨7.7%、5.8%和3.8%；春节临近，家政服务价格上涨1.0%。

　　从同比看，CPI上涨1.8%，涨幅比上月扩大0.2个百分点。其中，食品价格上涨4.8%，涨幅比上月扩大1.1个百分点，影响CPI上涨约0.87个百分点。食品中，猪肉价格上涨22.2%，涨幅比上月回落12.2个百分点；薯类和鲜果价格分别上涨12.7%和11.0%，涨幅均有扩大；鸡蛋、食用油和粮食价格分别上涨10.0%、7.2%和2.6%，涨幅均有回落；鲜菜价格下降8.0%，降幅收窄13.2个百分点。非食品价格上涨1.1%，涨幅与上月相同，影响CPI上涨约0.92个百分点。非食品中，汽油和柴油价格分别上涨10.5%和11.4%，涨幅均有回落；飞机票价格上涨26.7%，涨幅扩大7.8个百分点。扣除食品和能源价格的核心CPI略有回升，同比上涨0.7%，涨幅比上月扩大0.1个百分点。

　　PPI环比由涨转降，同比降幅有所收窄

　　12月份，受石油及相关行业价格下降影响，PPI环比由涨转降；受上年同期对比基数走低影响，同比降幅收窄。

　　从环比看，PPI由上月上涨0.1%转为下降0.5%。生产资料价格由持平转为下降0.6%；生活资料价格由上涨0.1%转为下降0.2%。国际原油价格下行带动国内石油及相关行业价格下降，其中石油和天然气开采业价格下降8.3%，石油煤炭及其他燃料加工业价格下降3.5%。金属和煤炭价格有所上涨，其中有色金属冶炼和压延加工业价格上涨1.1%，黑色金属冶炼和压延加工业价格上涨0.4%；煤炭开采和洗选业价格上涨0.8%。此外，农副食品加工业价格由上涨0.7%转为下降1.0%；计算机通信和其他电子设备制造业价格由上涨0.3%转为下降0.2%；医药制造业价格由持平转为上涨0.2%。

　　从同比看，PPI下降0.7%，降幅比上月收窄0.6个百分点。生产资料价格下降1.4%，降幅收窄0.9个百分点；生活资料价格上涨1.8%，涨幅回落0.2个百分点。主要行业中，价格降幅收窄的有：黑色金属冶炼和压延加工业下降14.7%，收窄4.0个百分点；非金属矿物制品业下降7.8%，收窄1.1个百分点；有色金属冶炼和压延加工业下降3.6%，收窄2.4个百分点；煤炭开采和洗选业下降2.7%，收窄8.8个百分点。价格涨幅回落的有：石油和天然气开采业上涨14.4%，回落1.7个百分点；农副食品加工业上涨6.9%，回落1.0个百分点。价格涨幅扩大的有：石油煤炭及其他燃料加工业上涨10.1%，扩大3.2个百分点；计算机通信和其他电子设备制造业上涨1.3%，扩大0.1个百分点。(中新财经)

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）