中新时评：克服短期扰动 中国经济仍有充足动力******

　　中新社北京12月28日电 题：克服短期扰动 中国经济仍有充足动力

　　中新社记者 王恩博

　　今年应对超预期因素冲击后，明年中国推动经济运行整体好转，需要强劲引擎。

　　世界经济拉响衰退警报，国内经济面临下行压力，支撑中国发展的动力是否仍在？从多个维度观察，均可得出肯定答案。

　　中国经济仍有充足动力，且发力更加聚焦。

　　年底举行的多场论坛、会议上，中国的官员、学者、企业家们热烈讨论着同一个问题：明年经济如何回归稳健增长轨道。某种程度上，这是一个凝聚共识的过程。各方普遍意识到，2023年是中国经济弥补疫情冲击损失的重要窗口。

　　这个方向也为中国决策层所明确。中央经济工作会议围绕“突出做好稳增长、稳就业、稳物价工作”进行细致部署，提出“从改善社会心理预期、提振发展信心入手”的方法论，无不折射出对稳住经济大盘的关切。

　　当心往一处想，劲就能往一处使。降准释放长期资金、房地产金融政策利好频传、扩大内需战略顶层设计出炉，今年末中国各领域叠加发力的政策效应明年将持续显现。根据实际需要，一些新政策、新措施也会陆续有来。存量政策、增量政策同向发力，将积极促进中国经济运行好转。

　　中国经济仍有充足动力，且活力将加速释放。

　　随着奥密克戎病毒特性变化，中国从更好统筹疫情防控和经济社会发展出发作出防疫转段决策。优化防疫二十条、新十条落地，新冠病毒感染调整为“乙类乙管”，疫情防控政策因应形势变化持续优化调整，为经济恢复创造了重要条件。

　　12月26日，2022年最后一个周一，北京地铁公司所辖运营线路日客运量时隔一个多月重返450万人次以上。在全国范围内，武汉、重庆等地地铁客流也明显恢复。尽管通勤早晚高峰还不似以往忙碌，但地铁客流逐步攀升，是生活回归正轨、城市恢复活力的有力注脚。

　　疫情仍是当前影响中国经济运行的关键变量。专家估计，优化疫情防控措施对经济运行的影响料将产生类似“J曲线效应”，即短期会对经济运行造成扰动，但全年是重大利好。随着相关政策落实，中国的人流、物流将更加顺畅，社会再生产各环节、经济社会生活各领域都有望加快恢复，重新焕发活力。

　　中国经济仍有充足动力，其潜力会持续兑现。

　　眼下，中国正布局更好统筹供给侧结构性改革和扩大内需。找准二者结合点，即是为经济增长挖潜的过程。

　　例如，中国迫切需要加快产业体系优化升级，这就需要加大制造业研发和技术改造的投资力度，加大新领域新赛道投入。这些投入既是当期需求，未来产生高质量供给后，又会进一步创造有效需求。中国新能源汽车产业就是典型成功案例。今年早些时候，中国汽车出口量“超车”德国跃居世界第二，背后正是新能源汽车热销海外的“加持”。

　　令人期待的是，中国发展轨道上还有不少这样的堵点、痛点、难点、空白点，可以大做文章。创造有利体制机制环境，施以适当政策引导，潜藏的动力就会兑现为新增长点，推动经济实现质的有效提升和量的合理增长。

　　这些有利因素的累积，正让中国经济前景更加清晰明确。据综合研判，明年世界经济增速可能明显下滑，而中国经济有望总体回升，形成一个独立的向上运行轨迹。

　　当然，经济好转不会是“天上掉馅饼”，各方必须为之付出艰苦努力。但可以确定的是，近几年疫情短期扰动，并未削弱中国经济长久动力，更不足以改变中国经济长期趋势。对此，人们应当充满信心。(完)

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