• 项目
首页>>文章列表 >>行业研究
行业研究

金准数据 中国租金回报率研究报告 2017-08-23 17:05:33

楼市正在以出奇不意的方式进入拐点:

·交易冻结。一年来国内有52个城市或地区累计出台282项买卖限制性政策(不完全统计),房子由买卖市场转入租赁市场。

·房价冻结。收益从单纯依赖房价涨幅,变为越来越多依赖于租金。

再加上“租购同权的火热,于是,租金回报率,成为你躲也躲不开的话题。

金准数据做了迄今最为系统地各大城市租金回报率梳理,有助于投资者作全面参考。


一、百城榜分析

一般而言,我们把净租金回报率在4%左右视为高回报。中国城市的租金回报率普遍较低,背后一方面是因为房价较高,另一方面是租金水平与国外比较低。



1、一般规律:城市越大租金回报率越低

在排名前10名中,没有一个一线或者新一线城市;二线城市只有3个;三、四线城市占到了70%。滑到第27名,第一个新一线城市才出现——沈阳。

四大一线城市全部排在了回报率最低的阵营里,这与房价相对租金来说过高有关。

四个城市中,北京的租金回报率最低,以1.37%在百城里排名第96位,其次是深圳(1.38%)、上海(1.48%)和广州(1.69%)。

新一线城市的回报率也排在了中后位置,15座新一线城市的内部排名如下:

沈阳、大连这两个东北省会排名最前,因为它们整体房价较低,这也侧面体现出东北市场相对冷清的状况。南京、苏州等这一轮房价上涨凶猛的城市,租金回报率都较低。

城市越大,租金回报率越低这是全球通行的规律,只是中国背离得比较厉害。

中国城市的租金回报率普遍低于4%,侧面印证了我在开头说的,房产收益此前仍被房价主导,人们都在望着房价盼其涨以获得利润。

在房地产健康的市场中,年涨幅通常不到10%,而租金回报率百城榜的后20名城市,房价年涨幅有一半超过了40%,但这不可能长久持续。目前的租金回报率,似乎成了楼市热度的一个反向指标,回报率越低,楼市越火热;回报率越高,越是冷清。

从图中的坐标点分布可以看出,租金回报率越低房价涨幅越高

这是楼市一轮疯狂后的特殊景象,从长远来看,随着租房时代的到来,这些数据会有相应调整。


2、“一线辐射”现象

租金回报率还呈现“一线辐射”的特征,也就是一线租金回报率低的同时,也“染红”了其周围的租金回报率。

图中的分界线为京广铁路线


最典型的是北京周边的廊坊,身为三线城市,回报率低于所有一线和新一线城市!

在百城榜的最后10名中,除了大城市,其他全是一线周边城市。廊坊、保定是环首都圈;舟山则是环上海圈。这些城市的共同特点是租金都不高,但房价很高,从而拉低了租金回报率。

广深都市圈也是租金回报率较低的集中区域,广州周边如佛山、中山、珠海,深圳周边如惠州,都是房产热门的城市。

此外从上图来看,越往东部沿海地区的城市,租金回报率越低,呈现梯级递减。


3、反常之城

排名靠前和垫底的两座二线城市很特别:哈尔滨和厦门。

哈尔滨受东北整体环境的影响,房价并不高,排在百城中的第55名 ,租金却在第16名,也就是说哈尔滨是租金高房价低的地方,这在百城榜中很为少见,大多数城市都是房价高租金低。

厦门的租金回报率在所有城市里垫底,比一线城市更低。这是由于厦门租金保持在低迷的状态(最近一年还在跌),但房价却一直昂首向上导致的。

厦门的房价已经超过了广州,成为了继北上深之后,平均房价最贵的城市。与厦门相似的是三亚,两座城市都非常依赖房地产市场、而且都是国内的旅游度假圣地。


二、国内外租金回报率对比

北京豪宅租金好便宜?

都说国外租金回报率比国内高,具体怎个高法?

在链家网站上,北京朝阳区的高级住宅红玺台,租金水准在北京算很高了,72平米的两室一厅月租金约为1.7w元/月。但这个价在伦敦,却不到其平均水准!

北京房价跟伦敦的水平相当,但房租只有伦敦的1/4。就算跟东京比,北京的租金也是略低的。


1、具体对比分析

金准数据拿纽约和北京不同等级的租金标价进行一下比较,分为:

·高级公寓

·普通公寓


1)高级公寓

Avery, 100 Riverside Boulevard应该是纽约最著名的高级公寓之一了。一套两房的公寓租金约为5950美元/月(约合人民币4万),房价则是123万美金,租金回报率约为5.8%。

Avery, 100 Riverside Boulevard


相应的,北京选择了新城国际,两房一厅的租金约为2.3万人民币/月,而同等户型房价约为1550万。这么算下来,租金回报率差不多是1.78%。


2)普通公寓

纽约的普通公寓就是大多数年轻人和工薪阶层的人所选择居住的地方。一般是一栋五六层的公寓,而且房龄都比较老,几乎将20世纪的各个年代都涵盖了。

我们在西118-127号找了一套两房的公寓。这已经是相对比较偏的地方,且还是曼哈顿被认为最危险的Harlem区,租金达到3353美金/月(约为2.2万人民币),房价差不多为91.3万美元,租金回报率约为4.4%。

西118 127号街景

在北京,我们也找了一个不是非常中心但是在五环以内的位置——芍药居北里。租金约为7300元/月,房价则为680万人民币,租金回报率约为1.29%。

纽约的房屋不管在哪个等级,回报率都比北京同等级的高。




2、国际对比

英国罗浮堡大学的全球化和国际城市研究(GaWC),曾按综合竞争力排名把全球大城市分成不同等级,包括中国城市,其对应的租金回报率如下:

以上分级标准是由英国罗浮堡大学的GaWC提供的2016年最新等级

上表可清晰看出,基本上全球城市,也是呈现出城市越大租金回报率越高的特征。纽约比波士顿、西雅图的回报率都低。这是因为越是大都市,房价比租金的领先度更大。

日本仍是投资回报不错的城市,这与日本年轻人的租房率高、租房市场需求强劲有很大关系;而受到本国退欧的影响,英国各城市的租金回报率跟他国几个同等级城市里属于偏低水平,但仍比中国高。


在每个等级,中国城市的租金回报率都低于国外城市,其整体分布如下图:

从毛回报率的比较来看,广州和华盛顿相差了5%以上、成都和西雅图也有超过3%的差值。除去每年的房产税和维护成本等费用,西雅图也超过成都约2%。如果房价不变,在西雅图收回买房成本的时间,比在成都缩短了18年。



3、区域对比

城市中每个区域的租金回报率也不一样,拿纽约和北京作对比:

纽约市的不同区中,租金回报率跟其房产热度呈负相关的关系,也就是房地产越热的区域,其租金回报率也就越低。

然而,北京的情况却非如此。其租金最低的区域出现在怀柔,低于1%。而且密云区、平谷区、门头沟区和房山区也处于低位,甚至比五环以内的西城区还低。反观北京城中心的几个区,海淀、朝阳、东城和丰台的租金回报率都处在相对于外围的大部分区域更高的水平。

这种郊区的回报率反而处于低谷的形态,可以理解成郊区的房价被哄抬得比较厉害,房价涨幅高过租金涨幅,这种情形,我们就称其为“山丘分布”。



4、中国其他城市租金分布

1)上海市:租金回报率分布较为均匀,呈“平原分布”,偶有几处较高。

上海大部分区域的回报率在1.3%到1.6%之间,中心地区有个长宁区的小高峰。但除了外围较高的两个区(崇明区和嘉定区)之外,其他区域都在这个区间内,比较热门的如浦东新区、黄浦区的数值较低。总体而言,上海保持了热门区域租金回报率更低的特点。

与上海相似的城市有:重庆、杭州、成都

2)广州市:与纽约的分布情况相似,越中心租金回报率越低。

广州市租金回报率最高的区域花落花都区,且这个趋势也延续到其他外围区域,如从化区。因为近年来的城区更新换代,作为广州市老区的白云区和荔湾区所剩的房源都普遍较老,房价涨幅不如天河和越秀区,使得它们的租金回报率比天河、越秀、海珠区更高。

相反增城区因为在去年限购时曾有短暂一段时间未被纳入限制范围,致使资金往增城区流动,这样就拉动了该区的热度,出现租金回报率在外围区中偏低的现象。


3)深圳:“山丘分布”。

除了临近香港的两个中心区,其他区域的租金回报率都较低。南山区是高科技公司集中布局的区域,相信有很多年轻租房客在这里出租,但也同时拉高了南山区的房价。贵为深圳金融中心的福田区表现不如广州的天河区亮眼,主要与租金较高、轨道交通分布发达导致年轻租户出走有关。

盐田区的低回报率则侧面反映出其作为房产热门区域的一个表现:房价堪比罗湖区,租金却只有宝安区的水平。



4)重庆:依靠长江,一个区比较火。

重庆也是“平原分布”,租金回报率在2.5%~2.7%之间。唯有一处比例低至2.17%,是渝中区。我推测这个作为重庆政治中心的行政区也是颇受到投资喜爱的区域,加上商业中心的江北区就在旁边,这两个地区撑起了重庆的房价。而重庆本地人可能就更偏爱外围,比如九龙坡区或者沙坪坝区,这两个行政区也是回报率颇高的地方。



5)杭州:呈现“平原分布”,租金刷刷涨。

作为江浙地区目前被夸赞最有前途的城市,杭州的租金回报率分布情况与上海、重庆相似,比较平均,唯有一处(西湖区)较低。杭州的租金回报率分布在1.9%~2.2%之间,比较低的西湖区是房价高所导致,平均房价高于其他行政区。

杭州的租金在这一年来涨得厉害,而且环比的涨幅超过房价的涨幅,可见租房需求在增加。


6)南京:呈西北低东南高的“一面倒分布”特点,越市中心租金回报率越高。

南京租金回报率较低的两个区是浦口区和六合区,而更靠东南的几个区租金回报率都在1.7%以上。六合区和浦口区并不是南京租金\房价最高的区域,两个区价位甚至可以说是倒数,租金回报率之所以低,是因为房租房价两个数的比值都较低所致。

另一方面,建邺区以及鼓楼区则是租金和房价双高,这使得两个行政区的租金回报率都达到1.7%。所以,南京在我们所选取的11座城市里,表现出相反的特质,反而是租金回报率越高的地方越靠市中心。

7)成都:各城区数值普遍均匀的“平原分布”。

成都也是租金回报率较高的城市,并且它的呈现也相对均匀,跟上海、重庆相似。同时,它也呈现出越市中心租金回报率越低的现象。就我们统计,锦江区和青羊区是成都房价最高的两个区,他们的租金回报率也自然是最低的了。


8)天津:中间低外围高的“盆地分布”。

天津市中心——和平区的租金回报率着实是所有区中最低的,而且越往外围租金回报率越高。和平区是天津房价最高的地区。此外,作为临近北京的大都市,京津高铁使得在北京上班、在天津安家成为可能,因此也超热了高铁站周边的房价。


9)武汉:沿江、中心区低外围高的“盆地分布”。

武汉沿长江的几个区:汉江、江岸、武昌、汉阳、黄坡的租金回报率都比较低,其中武昌区的平均房价是最高的。

除了蔡甸和江岸区外,其他行政区的租金在这一年来都在上涨,看来武汉吸引人才的政策稍有起色。


10)哈尔滨:回报率最高二线城市,租金回报率分布也随意。

整体而言,哈尔滨的房价不算高,但有些区的租金却不低,比如道里区和南岗区。道里区也是哈尔滨房价最高的地区,唯一一个均价超过一万/平米的区域,但是它的租金回报率却不低。

近几年哈尔滨涌入许多人,给哈尔滨的租房市场提供了大量需求,所以房租上,哈尔滨环比上涨较多。但是,同比来看,哈尔滨几乎所有中心城区的房租都在下跌,所以若想投资哈尔滨这个市场,需多观望。


11) 厦门:回报率最低二线城市,租金回报率分布也随意。

作为厦门人,我是深感投资厦门的房产不能用租金回报率这一套,因为完全靠租金在厦门根本不能在有生之年回本。思明区和湖里区是通俗上的厦门岛,也就是厦门市中心,这两个地区的房价都高得惊人。

而海沧区除了有工业,也是近年来在厦门岛内二手房屋市场饱和并且房价高企的情况下,新生的离岛最近的生活区,新的住宅楼盘建成,使得许多人在此买房,从而带动了海沧区的房价。

但是因为厦门的产业结构单一且薄弱,再加上多数在厦门工作的人是厦门本地人,拥有房产(父辈),所以租房的市场并不大,这也就导致厦门的租金一直上不去。


四、总结

中国租房人口比例远不及发达国家的城市。目前仅有25.8%,其中北京约为32.2%,广州46.9%。而纽约的租房率高达56.9%,伦敦在2025年也将达到65%,东京则有机构声称目前是90%租房率。

有迹象表明,年轻一代的买房年龄正在推迟。拿北京举例,首次购房人群年龄已经从2013年的30岁推迟到2016年的34岁。而2010年到2016年,30岁至50岁的租赁人口占比从原本的11%升至47%。

金准数据认为,从长远的角度考虑,租金回报率是衡量房地产市场健康程度的重要指标。新租房时代即将到来。

金准数据 职场形势分析报告 2017-08-22 14:36:48

二季度随着高考的结束和毕业季的到来,社会阶层固化的现象再次引发社会热议。在一项涉及约11000人的问卷调研中,74.06%的参与者认为当前社会阶层已经固化;75.10%的人认为改变自己阶层最具决定性的因素是“获得职业上的晋升,提高收入”。在升学、求职、婚恋、生育等人生的关键节点,社会阶层无时无刻不在影响着我们。

职业技能让你在这个社会安身立命,而职场流动则使你产生新的价值,帮你改变自己的阶层。

金准数据将告诉你,职场的机会和高薪分布在哪些行业,竞争的热点在哪里出现,行业和地区的人才流动所对应的可以量化的难度指标,去哪里你能获得多少薪资涨幅……这些都会让你更精确地判定潮水的方向,力争上游,打破阶层固化的魔咒。


一、就业市场分析

1、全行业人才供需不对等 存在结构性失衡现象

2017年二季度,全行业人才需求和人才供给占比排名中,位居前六的行业均为互联网、金融、房地产、机械制造、电子通信和消费品。位居前六的行业需求与供给占比排名次序各不相同。互联网供需占比均位列第一,分别为31.03%、19.18%。

行业需求占比位列第二、三、四的是金融(15.18%)、房地产(14.60%)、机械制造(7.37%);而供给占比位居第二、三、四的是房地产(15.52%)、机械制造(13.37%)、金融(11.55%)。电子通信、消费品在需求占比中排名第五(6.37%)和第六(5.84%),在供给占比中则排名第六(7.13%)和第五(8.99%)。

其中,互联网的人才需求占比远远高出其供给占比;金融的人才需求占比明显大于其供给占比;房地产、电子通信的供求占比差异较小;机械制造、消费品的供给占比则明显高出其需求占比。这表明全国总体行业间人才需求结构和供给结构不平衡,这也在一方面推动了人才的流动和劳动力的重新分配。


2、互联网长期人才饥渴 房地产供需趋向平衡

2016年一季度到2017年二季度期间,全行业TSI(注:Talent Shortage Index,即人才紧缺指数,缩写为TSI=有效需求岗位数/求职人数。TSI>1,表示人才供不应求;TSI<1,表示人才供大于求。如果TSI上升,表示人才紧缺程度加剧)在2016年三季度达到峰值1.36。

2017年一二季度全行业TSI均低于2016年同期,说明人才紧缺程度降低,企业招人相对容易。2017年二季度的TSI为1.18,同比下降1.67%,环比上升19.19%,说明人才比同年一季度更为紧缺。随着秋招的启动,2017年三季度的TSI预计还会继续周期性走高。

互联网、电子通信和金融的TSI几乎在每个季度都高于全行业均值,且大于1,人才长期供不应求,而互联网的TSI为最高。这三个行业在2017年二季度的TSI均低于去年同期,其中,互联网的TSI在2017年二季度为1.50,比去年同期下降26.47%。

房地产、消费品、机械制造三个行业的TSI则每个季度都明显低于全行业均值,且都小于1,说明人才供大于求。值得注意的是,房地产TSI在二季度达到过去六个季度的最高值0.90,表明该行业供求关系趋向平衡。


二、就业形势分析

1、房地产人才竞争最白热化 人力资源成最抢手职位

2017年二季度人才竞争较为白热化的六大行业中,房地产名列第一,平均每个职位有92.69人投递简历;互联网排名倒数第二,平均每个职位有54.74人投递简历;倒数第一的是电子通信行业,平均每个职位有46.24人投递简历。

2017年3月在全国范围内,以北京为首的城市为了抑制房价过快上涨,先后出台了较为严厉的限购政策,房地产行业的发展受到限制,使得本来就供大于求的业内竞争状况变得更加激烈。

与此同时,互联网、电子通信这种创新性、技术性特色较强的行业尚有较大空间,竞争相对和缓。金准数据建议求职者可在这两个行业寻求适合自己发展的机会。

2017年二季度最抢手的职位中,人力资源经理/主管排名第一,平均每个职位有113.50人竞争。这跟人力资源岗位不分行业、极易跨界的优势密不可分。

在这10种职位中,有四类带有明显互联网属性的职能——运营经理/主管、产品经理/主管、WEB前端开发工程师、测试工程师,这意味着互联网越来越多地渗入、融入到其他行业,互联网+越来越普遍。


2、从金融进入房地产行业最难 从消费品进入金融最易

此次报告发现,任何行业的内部人才流动难度指数都小于与该行业相关的跨行业流动难度指数,这意味着跨行业流动难度更大。

在供需占比最高的六大行业中,行业内人才流动难度指数最低的是电子通信行业,为0.25;难度指数最高的是房地产,为0.52。

在六大行业的跨行业流动中,房地产是其他行业最难进入的行业,其他行业的人才进入房地产的难度指数普遍偏高,在0.58-1.00之间波动。房地产是较为传统且非常专业的行业,直接受经济及政策的影响,从业者压力巨大,业内竞争较为激烈,对于其他行业的人而言具有较高的专业门槛和较大的心理考验。

本报告数据显示,在六大行业的跨行业人才流动中,从金融进入房地产行业流动难度指数最高,为1.00;从消费品进入金融行业难度指数最低,为0.38。

在人才需求占比最高的互联网和金融行业,跨行业人才流动是什么情况?与互联网相关的跨行业流动中,从互联网进入房地产、从房地产进入互联网都是最难的,难度指数分别为0.81、0.71;从互联网进入消费品、电子通信和从后两个行业进入互联网难度最小,难度指数均为0.49。

从与金融相关的跨行业人才流动来看,金融进入房地产最难,难度指数是1.00;进入机械制造是最容易的,难度指数为0.47;而在其他行业进入金融行业方面,消费品进入的难度最低,难度指数为0.38;房地产进入的难度最高,难度指数为0.65。


3、消费品转电信薪资涨幅最高 金融转机械制造涨薪幅度最低

薪资是吸引人才和跨行业流动的一个重要因素。在2017年二季度的全行业平均年薪排名中,金融行业最高,为22.17万元,比名列第二、第三的互联网、房地产分别高出2.14万元、2.79万元。

在六大行业中,行业内流动并不会产生最高的薪资涨幅,此类流动的薪资涨幅范围为23.92%-28.35%。值得注意的是,跨行业流动会产生最高的薪资涨幅,为30.87%(从消费品进入电子通信行业);也会产生最低的薪资涨幅,为14.38%(从金融流入机械制造行业)。

整体而言,从其它行业流入金融行业薪资涨幅最高,涨薪范围为23.75%-30.74%;从其它行业流入互联网产生的薪资涨幅次之。这与这两个行业薪资较高不无关系。

从互联网流入其它各行业的情况来看,流入电子通信薪资涨幅最高,为27.36%;流入消费品涨幅最低,为17.89%。

从金融行业流入其它行业的情况来看,流入消费品的薪资涨幅最高,为25.56%;流入机械制造涨幅最低,为14.38%。


4、金融行业最能留住人 交通贸易人才流失最严重

2017年上半年全行业人才净流入率(行业人才净流入率=该行业人才净流入人数/该行业人才流动总人数×100%)方面,数值为正值的只有金融、互联网、制药医疗和房地产行业,说明这四个行业流入的人才多于流出的人才,对人才具有较大吸引力。其中,金融人才净流入率最高,为4.03%。金融行业平均年薪最高,从其它主要行业流入金融行业产生的薪资涨幅最高,因而金融行业对人才有较强的吸引力。

互联网人才净流入率仅次于金融行业,为3.68%。除这四个行业外,其余行业的人才净流率均为负值,不同程度地存在人才流失现象,交通贸易行业人才净流入率最低,为-9.99%,表明该行业人才流失最严重。


三、城市就业行情分析

1、上海进入北京最难 深圳进入成都、重庆最易

在全国七大主要城市北京、上海、深圳、广州、杭州、成都、重庆的人才流动中,整体而言,人才流入前四个城市难度较大,流入后三个城市难度较小。

在不同城市之间的人才流动中,从上海流入北京最难,人才流动难度指数为1.00;从深圳流入成都、重庆最容易,其人才流动难度指数为0.33。就整体而言,其他六个城市流入北京的难度最大,难度指数在0.72-1.00之间波动。

在这七个城市中同城人才流动方面,北京市内人才流动难度指数最高,为0.64;杭州市内才流动难度指数最低,为0.37。


2、一线城市薪资差距缩小 人才流入一线城市薪资涨幅较高

2017年二季度平均年薪最高的20个城市中,排名前五的城市依次是北京、上海、深圳、广州和杭州,除去杭州,其他四个城市的平均年薪均在20万元以上。北京以23.25万元的平均年薪排名第一,上海的平均年薪只比深圳高出100元。这表明,一线城市的薪资差距正在缩小。

各地人才流入北京难度最大,而北京的同城人才流动也最难,这就不难说明进入北京的人才门槛最高,但薪资回报也同样最高。

从七大城市人才流动产生的薪资涨幅来看,人才流入北京、上海、深圳、广州和杭州产生的薪资涨幅较大,流入成都和重庆的涨幅最小,甚至还有降薪的情况。北上广深杭的工作机会多,薪资相对较高,但同时生活成本也大。成都、重庆生活的成本小,在一定程度上抵消了工资的涨幅。而从成都、重庆进入其他五个城市所产生的薪资涨幅远远高于这两个城市内部流动所产生的薪资涨幅。

在七大城市之间的人才流动中,重庆流入杭州产生的薪资涨幅最高,为62.97%;深圳流入成都产生的薪资涨幅最低,为-6.39%。

在同城人才流动中,北京市内人才流动的薪资涨幅最高,为26.70%;最低的是重庆,薪资涨幅为18.91%。


3、杭州最能吸引人才 深圳成都上海留人魅力旗鼓相当

2017年上半年全国主要城市人才净流入率排名中,杭州人才净流入率(地区人才净流入率=该地区人才净流入人数/该地区人才流动总人数×100%)最高,为11.21%,明显高出其他城市。杭州就业机会多、人才进入难度较小、薪资相对高、生活环境好,综合优势强,因而对外地人才有较大的吸引力。

位居第二、第三、第四的是深圳、成都、上海,人才净流入率为5.65%、5.53%、5.23%,差距微小,几乎不相上下。

北京人才净流入率为4.38%,排名第五;广州人才净流入率为1.42%,排名倒数第二;排名倒数第一的是天津,人才净流入率为-2.31%,是这10个主要城市中唯一净流入率为负值的城市,人才处于净流出的状态。


四、总结

现阶段,阶层固化成了多数人的共识。在调研过程中,38.52%的人认为自己在社会底层,36.86%的人认为自己在社会中层,只有0.93%的人认为自己在社会上层。但人们并不因此而消沉,52.26%的受访者表示最想跻身社会上层,38.33%的人最想进入社会中层。

收入、职业和教育背景被参与者认为是决定自己目前社会阶层最重要的三项要素,支持率排名最高,分别为77.23%、70.03%、49.32%,而原生家庭的支持率只占到33.30%。

金准数据认为,虽然阶层固化会酝酿一种略微消极的社会情绪,但是大部分职场人仍怀有提升自己社会地位和生活品质的进取心。职场上的流动产生新的价值和身份认同感,也可为缓解阶层固化问题带来新的可能,建议职场人审时度势,把握好适合自己的职业机会,做自己命运的主宰。

金准数据 比特币行情研究报告 2017-08-21 16:41:39

一、比特币暴涨

8月份不足20天的时间里,比特币疯狂上涨了大约60%,一个月的时间,涨幅已经高达130%。而前几天比特币又一次暴涨了,而且在历史高位不断的突破新高,一枚比特币的价格已经突破3万人民币了。

就在一个月前,比特币的走势还一度跌到低谷,更有人认为,比特币大势已去。不过,伴随着全球ICO的火爆以及对ICO争议的管控,比特币又迅速找到了攀高的支撑点。

要理解什么是ICO,就要先知道什么是IPO。IPO是在二级市场上融资以求发展,而ICO就是把融资换成融币,其中融资比特币的项目居多。不过,有业内人士指出,不少ICO的项目不过就是换种方式的炒币,回报也是比特币,而非IPO中的股权。

日前,美国证券交易委员会(SEC)对ICO项目The Dao进行了一项调查,SEC认为该ICO可能会被认为属于证券。

8月12日,比特币交易平台bitfinex表示“预计未来的监管环境将变得更具挑战性”,随后暂停了向美国普通消费者提供ICO交易服务,使数字资产投资市场上资金回流至比特币,导致比特币价格屡破新高。

值得注意的是,在中国,针对ICO的争议同样不绝于耳,是否属于非法集资、什么时候纳入监管?问题是,与美国、日本等国家相比,中国并不承认比特币的合法性,又何来ICO的合法性呢?

有业内人士认为,比特币毕竟是全球对数字货币的探索,仅中国围追堵截并不管用,倒不如大大方方将比特币及其衍生品纳入监管,“摆在明面上总比暗度陈仓强”。

金准数据提醒:比特币交易市场,没有涨停跌停机制。而且7×24小时全球交易、价格完全由市场决定。对于比特币这种高风险和高收益并存的投资,要谨防从迅速上涨的惊喜,瞬间变成快速跳楼的惊吓。




二、行情分析

目前,比特币的价格已经是1个月前低点价格的2倍以上。更重要的是,这一个暴跌和一个暴涨,导致的原因竟然也都和扩容与分叉密切相关。

1、分叉

1个月前的那次暴跌,有很大因素是因为大家担心比特币会因为硬分叉而对市场产生冲击。而最近的暴涨,也有较大因素是因为最近这段时间很多东西尘埃落定,很多不确定性消除,尤其是比特币可能会产生多次硬分叉的时间节点大都顺利平稳度过,这些硬分叉的可能性一个一个被排除。所以在消除了原先巨大的市场担忧之后,再加上比特币系统也正在经历一次很重要的升级,改善了其性能,所以比特币的价格再一次一飞冲天,不断突破新高。

那这个硬分叉到底是什么?

首先,硬分叉不是前阵子出来的一种新的虚拟货币——Bitcoin Cash(BCC)。严格意义上来说,BCC并不是比特币的硬分叉结果,而是建立在原来的BTC之上的一种新的虚拟货币,更通俗的说他相当于传统比特币的一个备份,同时又是一种不同的政治选择。而原来拥有比特币的人,都会1:1的比例获得同样多的BCC(相当于平白无故多了一块资产),而在具体的算法、理念、方案上和传统的比特币以及升级扩容后的比特币都不一样。

分叉其实就是比特币客户端软件的版本升级。软件的开发和运营者都会充分考虑用户的体验,尽可能让多个不同版本的用户都能同时顺畅的使用。但是在有些时候,当遇到一些关键功能更新的时候,软件的开发者可能无法满足新版本与老版本的同时兼容,从而不得不停止对一些老版本的支持,要求这些老版本的用户强制更新,不更新就不给你用了。所以,简单来说,软件的每一次版本升级就是一次分叉,变成了多个版本。那些升级之后不会对老版本造成使用影响的软件升级,我们可以称之为软分叉。而升级之后无法兼容老版本的,要求老版本必须强制升级的,我们称之为硬分叉。

当然,比特币的硬分叉和软分叉概念和刚才说的还不完全一样,但是大致的意思是差不多的。比特币的运行也是依靠一套协议软件,而这个软件系统本身也是在不断升级换代的,之前几乎每一次的升级都是向前兼容的,也就是说用户不需要升级比特币的客户端软件到最新版本,也可以继续使用。

但如果一次升级属于硬分叉,那么用户就必须升级自己的比特币客户端才能继续用下去。而硬分叉的风险在于,如果有用户没升级自己的客户端,他会发现自己的比特币,和别人升级了客户端的比特币不一样,是不兼容的,一个是旧版比特币,一个是新版比特币,如果有用户坚持在旧版上不升级,就产生了两个不同的比特币,系统就会产生混乱。

在历史上,比特币其实也出现过硬分叉的情况,在2013年3月12日,当时是bitcoin qt 0.8.0版本的客户端发布了,而这个版本中有一个之前没考虑到的不兼容老版本的bug,使得先升级成0.8.0版本的用户挖矿得到的比特币无法得到还留在老版本的用户的认可,就导致比特币分裂成了两条链,实质上两条链上的比特币就是两种币,但这种分裂是超出预期的,是因为软件bug所导致的,所以最后不得不牺牲那些先行升级的用户,要求大家都再统一回到老版本上,放弃他们在这个有bug的新版本上挖出来的比特币。最后他们不得不接受,因为就算他们继续坚持将错就错,那些新的链上的新的比特币,也没有市场价值,不值钱的东西你坚持了也没意义。所以这么看来,有时候升级的太勤快也不一定有好处,因为可能会遇到bug,我就经常碰到软件升级后产生新bug的情况,就是因为升级太勤快了,有时候也是要吃亏的。

但那一次硬分叉很快就被叫停修正了,分叉出来的新币很快也没人挖了,也就自然死亡了。所以对于当时的比特币价格并没有造成什么影响。那为什么这次的硬分叉担忧却对比特币的价格造成如此巨大的影响呢?可能引起此次硬分叉的原因就是扩容。

2、扩容

扩容就是扩大比特币每个区块的大小。而比特币的区块就相当于比特币这个货币系统的账本,而这个账本是通过一个一个区块的前后链接而形成的(现在已经有48万多个区块),账本记录了比特币从诞生以来所有用户的每一次交易记录,目前这个账本中每个区块的容量呢是1M。而比特币的区块作为账本,它记录的就是所有比特币用户在这个货币系统中的转账交易记录,那么根据比特币平均每10分钟新增一个区块的特性,1M的区块大小只能支持到每秒3笔的交易速度上限,因为再快就记不下了,这就会大大限制比特币系统记账的效率。

VISA可以支持每秒1万笔的交易记录,而支付宝在双十一这种高峰期处理过每秒9万笔的交易记录。这样来看,比特币目前每秒3笔是远远不够的。但其实他们之间是没有可比性的,因为比特币是Peer to Peer的、去中心化的记账体系,他必然会损失效率,两者是不可兼得的。而去中心化恰恰是比特币最根本、最重要的特性之一,所以去中心化这也决定了比特币的记账效率不会太高。

但目前来说,随着比特币得到越来越多人的认可和使用,整个比特币网络就会产生越来越多的交易,从而使得比特币网络已经变得非常拥堵了,基本上每个区块都被用满了1M的区块上限,所以说扩容这件事情刻不容缓。而且其实比特币网络拥堵这一事实已经持续了很久了,比特币系统一直在一种接近满负荷的状态下运转,由于扩容问题迟迟没有被解决,使得最近一年比特币转账的确认速度越来越慢,为了更快完成转账所需要付给矿工的手续费也越来越高。也就导致大家对于这个问题的关注和担忧越来越高了。

那既然扩容这个紧迫的重要需求已经被讨论了那么久,为什么就迟迟得不到落地呢?原因就在于如果扩容的话虽然能够解决上述网络拥堵的问题,却也会带来新的问题。所以就有人提出了不同的想法和方案,而主要的两派观点已经争执了很久,始终难以达成共识。

整个比特币体系实质上是由整个比特币社群、由所有玩比特币的玩家们共同决定的。

传统的软件背后一般都有一家公司,那么公司的老板要求开发团队怎么做那就会怎么做,这完全是中心化的机制。而比特币的软件是开源软件,其整套运行的机制也是去中心化的。

我们打一个通俗的比方,如果我们把比特币世界看成是一个充分市场化竞争的民主国家,而每一个开发团队都相当于一个政党。我们每个比特币的玩家都相当于是选民,当然也会有一些重要的社会组织和团体,比如矿业、交易所、钱包服务商等。这些社会组织和团体也都服务和影响着所有选民。而每个政党都把自己的执政理念、方针,以及对比特币世界未来的看法与展望公布出来,以得到更多选民的支持,而成为执政党。支持的方式很简单,就是使用谁开发的软件那就是支持谁。比特币世界最早的执政党,自然就是创造了比特币的中本聪,后来他在隐退前把软件代码的开发大权交给了Gavin,而Gavin觉得比特币是一个去中心化的伟大人类创造,认为自己一个人独裁不好,所以又把代码权限分权给了其它4名开发人员,后来又有更多的人加入,发展成了大家经常听到的Core开发团队。所以Core开发团队在很长时间里就相当于比特币世界的执政党,但是在几年前Core内部就发生了路线斗争,Gavin因为和其他人员的理念不合,结果竟然被Core自己扫地出门,后来Gavin和其他一些开发人员就分别建立了XT、Classic、BU等开发团队,Gavin就这样从一个原本可以独霸天下的独裁者,通过自我阉割拉入同伴分权、然后被同伴们扫地出门,最终沦为在野党。

应该说包括Gavin和赶走Gavin的人以及其他所有的开发团队,他们有一样东西是永远一致的,那就是大家其实都是为了比特币世界好,因为如果是有损于比特币世界的想法和做法,也会被广大选民用选票抛弃。他们唯一的区别只是他们对于比特币未来发展的理念不同,所以才会产生分歧、产生路线之争。

之前虽然各党派之间开发的软件也存在一些差异,但都只是软分叉这个层级,并没有到那种互不兼容的情况,所以比特币还是一个比特币。但随着最近几年来比特币扩容的压力越来越严峻,而各方的分歧和路线之争又迟迟没有达成共识和妥协,两派的支持力量又比较相当,如果真的闹掰硬来的话,就可能导致比特币的硬分叉,从而导致比特币世界的大分裂。

金准数据将其分为两大派别:一派支持扩容,一派不支持扩容。

扩容派,希望直接扩容到一个大的区块大小,比如20M、8M甚至2M,这一派前赴后继出现了很多团队,但大部分方案已经阵亡了。

不扩容派,希望保持1M的区块大小限制,但是通过其他的方法:比如隔离见证+闪电网络的方式来解决记账效率和网络拥堵的问题。

金准数据不详细介绍这两种技术细节,各有利弊。双方好不容易在2016年在香港的大会上达成过一次共识(被称为香港共识),双方的方案中最核心的部分都采用执行,但后来不扩容派毁约不执行了。

后来一直到今年的5月23号在纽约一次更大的大会上,终于让来自全球21个国家56家知名区块链初创公司共同签署了纽约共识(Segwit2x)。纽约共识获得了全网83.28%的算力支持,总量超过每月51亿美元交易额的各交易所以及超过2000万的比特币钱包同意执行共识方案。其实这个方案和2016年2月份签署的香港共识如出一辙,都是双方的一个妥协,双方要求的工作都做,先做隔离见证(即Segwit),再做扩容到2M(即2x)。只是执行方法有所改变,代码交由第三方来开发,并且由5个分散的团队,即使其中一个出了问题,另外的团队也能保障方案能够顺利执行上线,从而保证了纽约共识直到目前都是被一路顺利执行的。这其实也再次体现了比特币去中心化的特点。


三、总结

金准数据认为,比特币最近一段时间的暴涨暴跌的原因,是因为大家对硬分叉带给比特币世界严重分裂的担忧程度的变化所致。而此次可能的硬分叉其根源又是来自于比特币不得不面对的扩容升级方案的路线之争。而这种路线之争又恰恰反映了比特币去中心化的特点,没有任何一方可以轻易的控制比特币。

而目前,比特币世界的大部分人已经通过3年多的协商和妥协达成了一个较为一致的意见,并且已经在稳步的按计划执行了。这也是最近价格暴涨的重要支撑

未来,硬分叉最终还是很可能会发生,但其实不用太过担心。比如BCC其实就相当于纯粹的扩容派分裂后的产物,而这种分裂并没有对比特币的价格造成太大的影响,是因为大部分人已经选择支持纽约共识所达成的更加折中的方案。等到11月份,纯粹的不扩容派(也就是前面提到的Core开发团队)也可能从主流比特币世界分裂,从而导致硬分叉产生另一个新比特币。但只要他们不会带走太多的支持者,就不会对比特币本身的地位造成太大影响。

比特币其实也并不孤独,不仅他自己内部可能会分裂成多个比特币,还有大量新型的虚拟货币与其一起竞争。对于普通投资者来说,最稳妥的办法就是保持这几种分裂的货币与主流比特币之间1:1的比例。这样的话,万一未来这些不同路线斗争的新版比特币,最终在市场竞争中赢得了胜利,也并不是没可能取代现在的比特币的。

金准数据认为,通过充分的、自由的市场化竞争,不论最终成功的是不是比特币,被人类所广泛接受的货币一定是一种更加完美的、对更多老百姓有利的那一个。

金准数据 人工智能失控论讨论研究报告 2017-08-18 16:47:20

近期,Facebook方面表示,因其意识到机器人程序(bot)开始自行开发出人类无法理解的简略语言,为了防止机器人“失控”,公司将被迫停掉了其中一个人工智能实验项目。

但值得一提的是,今年5月份,Facebook公司刚刚启动了新平台ParlAI,该平台的目的就是能够实现AI研究人员与机器人、单个机器人之间以及多个机器人之间的交流,而如今却因为机器人之间实现“交流”而被迫叫停某些项目。

Facebook这两次大举措看似“自相矛盾”,却也表现出时下人们对于人工智能领域的态度,既希望其进一步发展,却也为人工智能的“失控”而担忧。

一、人工智能失控?

1、失控事件分析

上个月,Facebook 人工智能研究所(FAIR)使用机器学习方法,对两个聊天机器人进行对话策略迭代升级,结果发现它们竟自行发展出了人类无法理解的独特语言。研究者不得不对其进行了人工干预。

这一研究一经发布,迅速在网络和媒体上引起了广泛的关注和传播。但是也有人指出,这不就是一堆乱码吗?现在Facebook 的研究院已经停止了这一项目的研究,原因是“担心可能会对这些AI失去控制”。

这不是第一次发现 AI 偏离训练所用的英文,转向发展出新的更加有效的语言。虽然在人类看来,这些沟通更像是胡言乱语。但是,从AI 智能体的角度上看,他们实际上是有词义意义的。

正如Fast Co. Design报道,研究员注意到,系统中的聊天机器人(bots)完全放弃了用英语进行交流,但是,升级版的系统确实能够与其他的智能体进行交流。他们一起可以决定如何继续进行任何工作。一开始,他们所使用的词汇似乎是无法理解的,但是,通过长期的观察,研究者发现,这些词汇其实代表了智能体面临的任务。


例如,在一次交流中,两个进行对话的机器人——Bob 和 Alice,使用自己创造的语言来完成了交流。Bob 开始说:“I can can I I everything else”。Alice回答,“Balls have zero to me to me to me to me to me to me to me to me to。” 接下来的对话都是类似这样的句子。

虽然这些词语组合第一眼看上去没什么实际意义,但是,研究者认为,他们揭示了两个机器人是如何工作的,每一个词汇他们需要进行多少次处理。Bob的重复说明了他如何使用这一词汇,来想Alice传递更多的信息。如果用这种方法来进行阐述,那么它所说的那就好就有点像人们所说的“I’ll have three and you have everything else”。


看起来,似乎智能体们发现,英语的句子对于特定场景的理解并不是必需的。当下,以深度学习为主的AI 遵循的是“回馈”(reward)原则,智能体通过依照一系统特定的行为行动,会获得相应的利益(benefit)。但是,在这一场景中,继续使用英语并没能带来相应的回馈,所以智能体决定适应更加高效的方法进行沟通。

Facebook AI Research (FAIR)的研究员对FastCo. Designs说,“英语语言中,并没有所谓的回馈能让智能体来遵从。”FastCo. Designs报道称:“智能体会偏离自己人类能理解的语言,创造出自己的‘代码语言’。比如,如果提到‘the’ 5次,那么就是我想要复制这一术语5次。这和人类创造的缩写其实也没有多大的差别。”


其他的AI开发者也注意到了智能体会使用“缩写”来简化沟通。在Open AI,研究者成功地让AI机器人学会自己创造的语言。如果AI继续创建自己的语言,开发人员可能会在创建和采用新的神经网络时遇到问题,但是不清楚这是否会让机器实际上推翻其研发者。

然而,这些新的发展使得AI能够更有效地工作,并且如果他们在工作中学习新的AI创建的“缩写”,并保持最新的这种新的沟通方式,可以使研究团队长期受益。

AI会变成新物种吗?AI会毁灭人类吗?科幻电影里的场景真的会发生吗?其官方解释说,关闭的原因并非“失控”,而是无意义,“希望 AI 与人沟通,而不是相互沟通。”“两个机器人为实验性质,且并没有发明新的语言,因为他们还是在用‘i’、‘balls’、‘the’等英文单词沟通,只是没有了英语语法的这个激励项,创造了一种新的表达方式而已。”。简单来说,它们只是英语不太好。


二、关于AI威胁论的讨论

1、AI威胁人类生存

今日,华润董事长傅育宁称:人工智能已经威胁到了业务存亡。

华润有好几块业务都属于制造领域,有超过10万名以上的员工直接从事生产制造岗位。华润雪花在全国有98家生产工厂,水泥的生产基地和混凝土搅拌站加起来共有六七十家,医药在国内拥有40个生产基地、288条生产线,微电子、化工、纺织、怡宝、五丰等企业均有十几家生产工厂或基地。

当我们建设新工厂还在考虑人工成本的时候,国外的可口可乐、国内的海尔已经开始运营无人化的智能工厂;当我们的物流中心还在使用皮带传送分拣时,亚马逊早已开始使用模块化的机器人传送了。智能生产、智能物流和智能工厂。看似离我们很遥远,实则已经威胁到我们一些业务板块的生死存亡。

而人工智能的长期批评者——特斯拉CEO马斯克,日前在推特上发文再度对人工智能的快速发展表示担忧,他警告称人工智能对人类的威胁比核武器更大。他认为,人工智能将对公众构成威胁,因此政府应该将其列入监管范围,如同汽车、飞机、药品和食品一样。“如果你不担心人工智能的安全性,那么现在你应该担心。它比核武器危险得多,”马斯克在推特上表示。

除了担任特斯拉CEO外,马斯克目前还带领着太空探索公司SpaceX打造商业太空旅行项目。太空探索公司SpaceX曾于2016年4月完成人类历史上首次在海上对火箭进行回收。2017年8月14日,SpaceX公司第一次为美国宇航局(NASA)把一台超级计算机送往国际空间站。2016年底,在彭博全球50大最具影响力人物排行榜单中,马斯克排第11名。外界评论认为,马斯克不仅完成了私人公司发射火箭,同时还造出了全世界最好的电动汽车,并打造出世界上最大的网络支付平台。据传,电影《钢铁侠》就是以马斯克的故事为蓝本进行创作。

马斯克对人工智能的担忧也获得了微软联合创始人比尔盖茨以及知名科学家霍金的支持。

霍金曾多次公开发表过对人工智能的担忧。比尔盖茨则表示,他同意马斯克和其他人的观点,并且不理解为什么有些对此并不感到担心。比尔盖茨认为,虽然目前AI(人工智能)还没有达到超级智能的水平,但是几十年后,人工智能将强大到足以引起担心的水平。因此,他对人工智能长期的发展感到担忧。


2、人工智能“威胁论”为时尚早

“现在说机器有智能是没有根据的。”北京大学教授、中国工程院院士高文注意到目前有些对话型的智能机器人,通过了图灵测试,但他认为它们还不具备人的智能,“因为人的智能绝不仅是自然语言的表达。”他展示了《清明上河图》的一部分来解释:“一图胜千言,这幅图上所传达的信息实在太多了。”


在此前举行的“2017第二届语言与智能高峰论坛”上,高文院士做了题为《图灵视觉测试》的报告,提出“图灵视觉测试”是对图灵测试的自然拓展。他举了一个例子,一幅照片上有长条桌,上面摆满香蕉,周边有人。人看到照片后会描述:一个人站在香蕉面前;而机器则描述:香蕉周边有一群人。为什么机器与人的描述有区别?这是因为人对周边事物的识别是很自然的,虽然机器可以通过训练识别猫狗以及人脸,但是让机器多任务、多物种视觉识别目前还做不到。

因此,从所看所知完成概念提取,从所看所说中完成语言的描述,在所看所知所说中建立联系,才能完成智能的表达。其中,语言的理解比语言处理更难。

“人工智能不与语言结合,是无法发展的。”高文院士做了一个比较,人类从小到大的学习是把视觉、听觉、语言自然地结合在一起的,而现在对机器的设计却不是这样,有的只是在做语言,做视觉的则只做图像和视频。所以,人工智能研究也要回归本源,让机器对几种能力进行结合学习,从而推进计算语言学发展。

人工智能概念的提出已经有60多年,近几年,智能硬件、智能家居、智能汽车、智能机器人众多应用的出现,让人工智能发展又迎来一个春天。但是人们看到,虽然AlphGo可以战胜人类围棋高手,可是今年推出的高考机器人却在数学考试中考不过状元,有老师给出评语称“AI语文没学好,读不懂题目”。

而诸如“天冷了,能穿多少穿多少;天热了,能穿多少穿多少”,“乒乓球队,谁都赢不了;足球队,谁都赢不了”,机器也都还不能理解。

对此,中国计算机学会(CCF)中文信息技术专委会秘书长赵东岩教授解释,AI的一个重要部分是认知智能,包括理解、运用语言的能力,掌握知识、运用知识的能力,以及在语言和知识基础上的推理能力。认知智能又主要集中体现在语言智能也就是自然语言处理上。也就是说,只有通过自然语言理解,才能实现智能与人类的无缝对接,实现真正意义上的人工智能,他认为“自然语言理解是人工智能这座高峰上的一颗明珠”的比喻是非常恰当的。


此外创新工场李开复博士对于当前AI的发展看法,也提出过5个方面的具体观点:

● AI只是工具,离超级智能还很远;基于我投入AI领域的科研、开发、投资相关工作37年的经验,“超级智能”、“灭绝人类”这类耸人听闻的说法,根本没有切实的工程基础。

● 智库、科学家应该讨论AI安全问题、AI对社会的改变,但是科技圈的意见领袖不应该在这时误导大众AI要控制人类,让人类灭亡,这确实是不负责的说法。大部分的人已经对AI所知有限,这会造成更为错误不实的群众恐慌。

● AI可以为人类创造大量财富,甚至逐渐解决人类温饱问题;我们每个人也将获得更多的时间和自由,来做我们爱做的事情。

● AI真实会带来的问题是人类的失业,失业后可能的抑郁和丧志问题,还有贫富不均问题,人类社会目前所习惯的职业结构确实会发生显著的改变。

● AI会带给我们100%确定性的巨大机会,随着改变也会产生些必然的问题。此时去用概率极低甚至是零可能性的“超级智能”,误导大众恐惧AI,甚至约束AI,反而不去拥抱机会、解决问题,是没有道理的。


3、AI存在更值得讨论的问题

近期人工智能专家吴恩达表示,人类有更迫在眉睫的问题需要解决。

在近日《哈佛商业评论》的一次会议上,Andrew Ng和观众分享,比起那些关于人工智能取代人的恐慌,我们更应该担心的是机器学习带来的工作机会的流失。

“作为一名身在人工智能领域的从业者,我开发和推出了很多款的人工智能产品,但没有发现一条人工智能在智力方面会超过人的可行之路。”Andrew Ng说。“我认为,反倒工作岗位流失会是个大问题,我希望我们能对这一问题的解决引起重视,而不是成天沉醉在那些在科幻作品中才可能出现的场景。”

Andrew Ng曾参与过包括谷歌大脑团队在内的多个知名人工智能项目。虽然Elon Musk和Stephen Hawking等科技大佬曾多次提出过人工智能将超过人类的担心,Ng则认为这种情况在不远的将来是不会出现的。

并不是说人工智能超过人是不可能的,只是眼下还有更其他更迫切的问题。

“我私下曾与许多学术界的人工智能专家和开发人工智能产品的产业界朋友们交流过,他们都觉得一款新的人工智能产品的出现在一家公司就可能消灭数以万计个工作岗位,那么在多家公司就会更多。” Ng说道,“但有趣的是,那些工作岗位可能会被人工智能所取代的人们,他们并不理解什么是人工智能,更别谈获得理解人工智能所需要的培训,因此他们还意识不到自己的工作将被人工智能所替代的危机。”

Andrew说,虽然科技和人工智能对于创造财富来说是件好事,但要在此之上创建一个公平的社会,人类还是任重而道远。因此,他大力呼吁社会要提供更多的教育机会,特别是对于工作岗位面临人工智能威胁的人群。

“我认为现在是要重建教育系统的时候了,或者至少要给现有的教育系统增加一些新的元素,使工作岗位被取代的人,有机会获得找到新工作所需要的培训。”


这并不意味着Andrew 希望人人都学会写代码,但他以前也确实表示过希望有越来越多的人可以自己写软件。他表示,未来的夫妻小作坊店最好都能对使用的技术进行个性化定制,来更好地满足自己的需求。

Andrew也指出,解决人工智能危机工作岗位这一症结的良药并非是让人人都成为能实施人工智能项目的软件开发者。在他看来,一种解决方案是帮助这些人找到适合他们的工作。

“如果自动化导致焊接工作的消失,一些电焊工就能成为风力涡轮机的技师吗?当然不会。”提供一个普遍的基本收入,让每个人有一笔数额的资金来给自己充电,这是帮助解决缩小“科技贫富差距”的建议之一。Andrew也基本认同这个想法,但他说这样并不意味着要无条件的给人钱。

“我认为工作中的尊严感很重要,基本收入的某一方面其实是和工作的自我价值实现背道而驰的。”Andrew更希望的是建立一个基本的收入计划来支持人们的学习,从而帮助他们找到有意义的工作。

但这条道路也是曲折的。其中一个关键问题就是,有些人可能不想接受再培训了“一个经验丰富的电焊工老炮儿可能很难一时放下曾经的光环,重新去学习去转变一个新角色,这更多的会是情感上的挑战。”Andrew类比道,“这和我们平时遇到的问题是一样的,为了寻求更大的价值,曾经我是个搞Basic的程序员,现在还要再去学习Python。”



三、如何预防人工智能失控

在本月,OpenAI 的人工智能花了 10 分钟就打败了人类的 Dota 世界冠军。

OpenAI 位于旧金山的办公室里,研究人员 Dario Amodei 正在通过赛船冠军赛(Coast Runners)来训练人工智能。不过,这个人工智能好像有点失控了。

赛船冠军赛的游戏规则很简单,如果想赢,选手必须收集到最多的分数,然后跨过终点线。

Amodei 的人工智能玩着玩着有点过火了,它在不断地追求高分,非但毫无跨过终点线的意思,反倒为了要多转几个圈拿高分,它开始和其它赛船碰撞,或是在过程中自己撞墙爆炸了。

为了应对,Amodei 和 OpenAI 的同事 Paul Christiano 正在研发一套不仅可以自我学习,同时也愿意接受人工监控的算法。

Amodei 在告知人工智能,怎样的操作模式才更好)

在赛船游戏的训练中, Amodei 和同事将不时通过按键来指出人工智能的不当之处,告知人工智能,不仅要赢分数,同时也要跨过终点线。他们认为,这种包含了人工干预成分的算法可以确保系统安全性。

而在 Google 旗下 DeepMind 的研究人员也同意 Amodei 和同事的想法。两个团队,分别代表了 OpenAI 和 DeepMind,最近罕有地合作发表了部分人工智能安全方面的研究论文。

除此以外,Google 旗下的 Google Brain,以及来自伯克利大学和斯坦福大学的研究团队,都设有该方向研究课题,从不同方面考虑人工智能安全问题。

除了这种在自我学习过程中“搞错重点”的潜在危险,另一个可预想的人工智能危险在于“为了完成任务,拒绝被开发者关机”。

一般在设计人工智能时,研发人员都会给它设定“目标”,就像赛艇游戏中的“得分”一样。一旦人工智能将获得“分数”为终极目标,它可能会产生一个方法论——想要获得更加多的分数,其中一个方法就是不关闭自己,这样就能无止境地获取分数了。

伯克利大学的研究人员 Dylan Hadfield-Menell 和团队最近发布了讨论这个问题的论文。他们认为,如果在设计算法的时候,让人工智能对目标保持一定不确定性,它们才有可能愿意保留自己的“关机键”。他们采用了数字方式来尝试实现这个设置,目前还处于理论阶段。

除了人工智能自我“失控”,研究人员还在考虑黑客对人工智能的干预影响。

现代计算机视觉基于深度神经网络(deep neural networks),它通过学习分析大批量数据来形成对模式的了解。也就是说,如果要让计算机学会什么是“狗”,那就让它分析大批量狗的图片,并从中寻找规律。

Google 的 Ian Goodfellow 则认为,这种模式可能会为黑客提供“蒙骗”人工智能的机会。Goodfellow 和其它研究人员曾展示,只要修改图片中的几个特定像素,他们就能让神经网络相信图片中的大象是一辆汽车。

如果这个神经网络是应用在安保镜头的话,这样就问题大了。

即便你用了数百万张标志了‘人’的照片来训练一个物件识别系统,你还是可以轻易拿出系统和人工识别 100% 不同意的图片。我们需要认清这种现象。

Goodfellow 说道。虽然这些研究大多仍处于理论阶段,但这群致力于将意外扼制于摇篮的研究人员坚信,越早开始考虑这个问题越好。DeepMind 人工智能安全方面的负责人 Shane Legg说道:虽然我们还不能确定,人工智能将以多块地速度发展。但我们的责任是尝试理解并猜测,这种技术将有可能以哪种方式被误用,并尝试找出不同的应对方式。


四、总结

其实,对于人工智能的看法,一直有两种不同观点。以物理学家霍金、特斯拉CEO马斯克为代表的“威胁论”,认为人工智能会对人类带来冲击,甚至会“驾驭”人类;但是包括扎克伯格在内的技术派科学家,则认为“威胁论”毫无根据,是杞人忧天。

在金准数据看来,其实AI已经在不知不觉中渗透到了我们生活的各个部分。手机芯片、人脸识别,等等。对于一项新兴技术,我们的确该拥有忧患意识,不能完全相信放纵人工智能,但这不该是阻碍我们发展的脚步,毕竟这是诸多科学家60多年奋斗的结果。我们应该考虑的是,如果要防止这种情况出现,我们需要做哪些准备、采取何种措施,迎难而上、排除障碍。想好AI带来方便的同时会对我们的生活造成什么重大的影响,又该如何去降低甚至消除这些问题。我们应当满怀信心,憧憬着人与人工智能的融合:几个人运作一个公司,每个人都能率领成千上万个机器人,这些机器人做不同且擅长的事情。机器和人将成为一个共同的“军队”,不断地攻克堡垒,推动人类向更好的方向发展。

金准数据 租赁同权研究报告 2017-08-18 15:32:43

一、租赁时代到来

7月,万科董事局主席郁亮在接受新华社采访的时候说:2017年对于中国房地产来说,意义堪比1998年。

1998年,中国楼市发生了什么?那年的3月,朱镕基总理在“两会新闻发布会”上宣布:住房的建设将要成为中国经济新的增长点,我们必须把现行的福利分房政策改为货币化、商品化的住房政策,让人民群众自己买房子。整个房改方案已酝酿三年多。我们准备今年下半年出台新的政策,停止福利分房,住房分配一律改为商品化。

也就是说,1998年是中国楼市走向市场化的分水岭。此前,楼市基本上是“公有制”,政府建房、国有企业建房,职工以极低的价格租住。那时,中国基本上不存在“住不起房子”的情况,而只存在“分不到房子”的情况,住房矛盾非常突出。

市场化改革之后,房子成为商品,开发商出现了。于是,中国城镇化开始提速,城镇化+房地产+大基建”逐步成为中国经济的最重要推动力量。中国过去20年基础设施、城市面貌的大变化,都是依赖这个模式。

到了今天,这个模式难以维持下去。一是绝大多数中小城市,房屋已经过剩,而人口增长缓慢或者流失;二是房价跑得远比收入快,老百姓追不上了;三是楼市积累了明显的泡沫,以及民怨。

所以,从去年开始,国家开始提出“房子是用来住的,不是用来炒的”,以及酝酿建立“长效机制”。

而在7月24日,上海楼市迎来大消息!上海市宣布的两块“只租不售”(即使用用途只有租赁选项)土地。这意味着,中国楼市将发生重大转折:租赁时代来了,“住房公有制”在中心城市发挥主导作用的时代来了,楼市的价格体系将发生重大变化!



二、租赁新政

2017年7月,住房城乡建设部会同国家发展改革委、公安部、财政部、国土资源部、人民银行、国家税务总局、国家工商总局、证监会等八部门联合印发了《关于在人口净流入的大中城市加快収展住房租赁市场的通知》,要求在人口净流入的大中城市,加快发展住房租赁市场。广州、深圳、南京、杭州、厦门、武汉、成都、沈阳、合肥、郑州、佛山、肇庆等12个城市作为首批开展住房租赁试点的单位。同时广州、佛山、无锡等地亦相继出台加快发展住房租赁市场的政策。市场关注点普遍聚焦租赁市场収展对楼市及房价的影响、长租公寓迎来政策风口等,我们在《长租公寓,万亿市场待起航》亦做过专题分析。然而却鲜有涉及租赁土地供应加大,土地购置费的下滑对地产投资的影响。


1、理论上:房地产投资=土地购置费用+施工面积*单位时间单位建安成本

从投资构成来看,主要包括建安支出和土地购置费,无论是租赁用地还是商品房开发用地,均需要施工建设,但由于租赁用地地价更便宜,租赁用地占比提升将减少土地购置费,迚而影响房地产投资。从7月24日上海出让的两块租赁用地来看,楼面地价分别为5569元/平米和5950元/平,明显低于商品房开发用地出让地价。同时广州印发《加快収展住房租赁市场工作斱案的通知》,明确提到增加租赁住房用地有效供应,将租赁住房用地供应纳入年度土地供应计划。

尽管无锡、合肥等非试点城市目前已出台租赁住宅落户等政策,我们亦认为未来发展租赁市场将不局限于12个先行试点城市,但本文我们仅讨论12个试点城市加大租赁用地供应对全国投资的影响。

由于核心城市土地资源的相对稀缺,加大租赁用地供应意味着商品房开发用地的减少,而较低的土地出让金将通过减少土地购置费支出进而影响投资。在整体土地供应保持不变的假设前提下,12城加大租赁用地供应,理论上对投资影响如下:12城加大租赁供地对投资的负面影响==12城租赁供地占比*(1-租赁用地地价占商品房地价比)*12城土地购置费占12城房地产投资的比重*12城地产投资占全国比重当然加快发展租赁市场,除通过影响土地购置费影响投资外,中长期来看,随着租赁市场的壮大,可能存在对商品房市场的冲击和需求替代,进而影响商品房开収投资,但由于这块影响难以量化,本文并不考虑这方面影响。


2、试点城市土地购置费用占投资比重

剔除土地购置费用数据不可得的佛山和肇庆,2017年上半年其他10个试点城市土地购置费2624亿、房地产投资额为9914年,土地购置费占比26.5%。我们用10城市土地购置费用占比近似替代试点的12个城市。


3、试点城市地产投资占全国比重

从房地产投资占比来看,2016年12个城市合计房地产投资额20890亿元,占全国房地产投资额的20.4%。


4、租赁用地供应占比

根据北京2017-2021年住宅用地供应计划,5年全市住房建设需求150万套,其中产权类住房100万套,租赁住房50万套。从供地面积来看,计划供地6000公顷,其中租赁住房用地供应1300公顷,占比21.7%。

上海“十三五”计划住房用地供应5500公顷,其中租赁住房用地1700公顷,占比30.9%。预计新增供应各类住房12750万平斱米、约170万套,其中租赁住房4250万平斱米、约70万套,占比分布达33.3%和41.2%。

从福州2017-2021年度住宅用地供应计划来看,公租房供地占比10%。


5、租赁用地地价占商业用地比

由于租赁用地地价更便宜,租赁用地占比提升减少土地购置费,进而影响房地产投资。7月24日上海浦东新区张江南区出让的两块租赁用地来看,楼面地价分别为5569元/平米和5950元/平,明显低于商品房开发用地出让地价。相对临近的周浦镇西社区2016年4月出让居住用地楼面地价43607元/平米,考虑到过去一年多地价涨幅及张江南区的位置,保守按照5w/平米的开収地价估计,该租赁用地地价仅为正常居住用地的12%。


6、广州新政表明政府调控房市决心

2016年十三五规划第一年的两会上,总理的政府工作报告中出现了一个热词“租购并举”。“建立租购并举的住房制度”成为政府工作的重点。

什么是“租购并举”?简单来说,租购并举就是要把对房屋租赁提高到对房屋买卖同等的重视程度。即“租购并举”可以说是国家对房地产的战略,我们必须要意识到,将来有很大一部分人是租房子住的。

就在刚刚召开的中共中央政治局会议强调,“要稳定房地产市场,坚持政策连续性稳定性,加快建立长效机制。”

这是政府对于房市调控的指示,我们可以读到“稳”、“长效机制”这些关键词。回顾之前的政策,官方提出“长效机制”这个词,分别是2010年、2013年和2016年。这三个年份都是房价高涨的时期,政府通过“限购”、“限贷”、“限价”、“限售”等行政手段来临时调控,但这些都是短期行为。事实上,我们发现在短期调控稍有成效后,政策又会宽松,房价再次上涨,如此周而往复。

今年政府再次提到“加快建立长效机制”,再结合广州新政来看,可以感受到这次的“长效机制”并不是一时的口号,“租购并举”是长期建设的重点。广州新政就是“租购并举”战略的落实,这也是广州首次以文件的形式明确提出“租购同权”,意义重大。

当然,仅有政策还不够,还要有实实在在的土地供应。中金报告显示,土地供应结构已在发生变化。在住房供需紧张的一线城市中,北京、上海在未来5 年土地供应规划中均有提及租赁用地的供应指标,广州也提出将租赁住房用地供应纳入年度土地供应计划。



三、租赁带来的影响

1、租赁模式下,楼市逻辑生变

今年7月6日,上海公布了住房“十三五规划”,明确提出了:“落实市、区责任,以区为主,发挥区属国有企业功能,增加政府持有的租赁住房比例,起到托底保障和市场“压舱石”“稳定器”的作用。”


几天后,国家9部委联名下发了《关于在人口净流入的大中城市加快发展住房租赁市场的通知》,宣布圈定了广州、深圳、南京、杭州、厦门、武汉、成都、沈阳、合肥、郑州、佛山、肇庆等12个城市,搞住房租赁的试点。在这个文件里,也明确强调了两点:

1)《通知》要求人口净流入的大中城市要支持相关国有企业转型为住房租赁企业,以充分发挥国有企业在稳定租金和租期,积极盘活存量房屋用于租赁,增加租赁住房有效供给等方面的引领和带动作用。

2)要求人口净流入的大中城市搭建政府住房租赁交易服务平台,通过平台提供便捷的租赁信息发布服务,保障租赁双方特别是承租人的合法权益。“国企持有租赁住房+政府提供租赁交易服务平台”,就是未来大城市的租赁模式的基本特征。


而且,从上海、深圳公布的“住房十三五规划”看,未来政府持有的保障房、国企持有的租赁住房的总套数,将达到甚至超过新增住房套数的一半。这意味着,在人口大规模流入、住房矛盾比较集中的大城市,住房将在很大程度回归“公有制”。

换句话说,政府正在积极探索“长效机制”。在住房矛盾较大的城市,房子的定位越来越接近于“生活必需品”,类似“柴米油盐”,政府开始加大干预的力度,以图实现公平。但这不意味着完全取消市场的作用,开发商提供的市场化住宅,仍然会占到相当比例。

至于中心城市的楼市未来将如何发展?金准数据认为:人口显著流入的高级别城市,其优质住宅有长期投资价值,短炒的风险越来越大。政府在保障性住房和租赁住房上发力,主要目的是为了解决高房价带来的社会矛盾,抑制房价过快上涨。希望因此看到大城市房价崩溃,恐怕比较困难,这也不是政府的本意。毕竟,地方政府主要的运行成本,包括提供保障性住房的成本,需要从“土地拍卖+商品房”上收取。这两者是相辅相成的,不是矛盾对立的。

也就是说:中国即将在住房上进入“富人贴补穷人”的时代。


鼓励国有、民营的机构化、规模化住房租赁企业发展,鼓励房地产开发企业、经纪机构、物业服务企业设立子公司拓展住房租赁业务。人口净流入的大中城市要充分发挥国有企业的引领和带动作用,支持相关国有企业转型为住房租赁企业。住房租赁企业申请工商登记时,经营范围统一规范为住房租赁经营。公安部门要比照酒店业管理方式,将住房租赁企业登记的非本地户籍租住人员信息接入暂住人口管理信息系统,实现对租客信息的有效对接。加大对住房租赁企业的金融支持力度,拓宽直接融资渠道,支持发行企业债券、公司债券、非金融企业债务融资工具等公司信用类债券及资产支持证券,专门用于发展住房租赁业务。鼓励地方政府出台优惠政策,积极支持并推动发展房地产投资信托基金(REITs)。

上海率先执行“只租不售”模式的两块土地均交给国有企业打理,或许意味着国有企业未来在租赁时代会发挥更加重要的作用。从上海的情况做一个推演,想必未来在搭建租赁平台、提供租赁房方面,国有属性的企业也必将扮演顶梁柱的角色。从这个层面来看,万科又走在了所有房地产企业的前列。

但据金准数据分析,除了国有企业,民营企业其实并不是没有机会的。采取参股、入股合作等多种方式,一样可以在租赁时代大有可为。而且国有企业们也需要民企身上的活力,让租赁市场更加活跃,更加有效率。


此外,楼面价这么低会不会对未来房价产生重大的影响?应该说影响是有的,但并不是扭转性或者实质性的影响。在看待租赁市场和购房市场的时候,未来既应该统筹来看,又应该有一定的区别。

统筹意味着,租赁和购房的最终目的都是为了解决住的问题;有一定的区别说的是,租赁市场从目前的定位来看可以说有独立于购房市场的趋势。从价格体系来说,租房市场发达了,可以减轻购房市场的负担,缓解主要热点城市的购房压力,利用好热点城市中的存量房市场,起到间接降房价的作用。而这个降房价的作用是中长期的,并不是一蹴而就的,如果能够通过租赁市场的快速崛起,改变人们看待房子的观念,那可能房价才会有更大的改观。

从这件事中,其实我们最应该看到的是,地方政府在解决“房子是用来住的,不是用来炒”的方面,所下的决心。尤其如果更多的像上海本次采用的只租不售模式,土地财政方面,地方政府其实是放弃了很多可以获得的收益的。


2、交易情况


如上图是“租赁用地”的基本情况,它是今年7月4日上海国土部门宣布出让的。

金准数据对这两幅土地进行了分析,认为这与北京、佛山此前开创的,在竞拍中开发商自愿“100%自持”不同,从土地性质上界定为“租赁用地”,是一种创新。


据报道,7月4日下午14:00,上海首批公开出让的两幅租赁住房用地在上海市土地交易市场成交。两幅土地分别位于浦东张江和嘉定新城,采取“只租不售”模式,项目建成后,将至少提供1897套租赁住房房源。这标志着上海新增租赁住房用地供应已全面启动,上海积极推进购租并举住房体系建设迈出坚实一步。

此次成交的两幅地块,一幅位于浦东新区张江南区,土地面积约6.5公顷,可建建筑面积约13万平方米,由上海张江(集团)有限公司竞得,成交价格为7.24亿元,成交楼面单价为5569元/平方米;一幅位于嘉定区嘉定新城,土地面积约2.85公顷,可建建筑面积7.13万平方米,由上海嘉定新城发展有限公司竞得,成交价格为4.24亿元,成交楼面单价为5950元/平方米。此次竞得两幅地块的,均为国有企业。


此前,让大家充满疑问的是,究竟上海方面会如何操作“只租不售”模式。如果完全按照市场层面操作,那么房地产开发商很难只通过租金收入,覆盖成本,获得利润,现金流层面也会受到影响。

两块土地的最后拍卖的楼面价分别为:张江地块方面,成交楼面单价为5569元/平方米;嘉定地块方面:成交楼面单价为5950元/平方米

6000元的楼面价,最终开发商的成本是多少呢?

从房价公式中我们可以粗略推算出来。据房价公式:房价=土地成本(30%)+开发费用(10%)+建安成本(20%)+税费(15%)+利润(25%)


上述公式是房地产开发商卖房时候的公式,现在只租不售模式下,已经不适用了,尤其利润层面被清除,税费方面可能也会有优惠。也就是说,新的只租不售模式下,房屋成本应该是: 土地成本+开发费用+建安成本+税费(具体会有减少,姑且算作10%)

把楼面价6000代入新的房屋成本公式,那么会得到成本大概是12000。


四、租赁市场料将爆发性增长,房地产商何去何从

1、万亿级市场规模,租赁市场将爆发性增长

7月20号,住建部联合八部委发布《关于在人口净流入的大中城市加快发展住房租赁市场的通知》,有以下几点值得关注:(1)培育机构化、规模化住房租赁企业,并引导国有企业向此方向转型;(2)建设政府住房租赁交易服务平台,加强政府管控;(3)鼓励新增用地建设租赁住房,并积极盘活存量房屋用于租赁,同时鼓励金融对于房屋租赁的相关支持。

《通知》进一步点燃了政府将大力发展租赁市场的预期,这无疑是对租赁市场的政策利好,可以预计租赁市场将爆发性增长。

那么整个租赁市场到底有多大?我们来看中金研究部做的一组测算数据。根据国家卫生计生委公布的《2015年中国流动人口发展报告》,截至2015年末,全国流动人口达到2.47亿人,其中有67.3%的人选择租赁私房。

全国各城市租赁市场主要面向三类人群:(1)非本地生源且落户于就读地的高校毕业生;(2)流动人口中的非农人口,租房占比为52.3%;(3)流动人口中的农业人口,租房占比为69.8%。我们以高校毕业生和流动非农人口人均租房支出900 元/月,流动农业人口人均租房支出400 元/月估算,2015 年全国住房租赁市场规模达到近1.1 万亿元/年。


2、各大地产商已率先布局长租公寓市场

对于租赁市场的兴起,硬件标准良好、管理服务到位的长租公寓产品一直是其最受欢迎的方向。

目前来看,长租公寓主要是基于存量房的改造升级,并通过提供增值服务以吸引中等偏上收入水平的青年白领或办公族,因此租金一般较周边的传统私人出租房溢价50%~100%。

由于长租公寓品牌主要集中在外来人口多且购房压力大的一二线城市,中金研究部选取了20 个具有代表性的核心一二线城市,对各个城市中端以上房屋租赁市场进行了测算,核心20 个城市的中端以上住房租赁市场规模可达年租金2500 亿元以上,占到全国租赁市场蛋糕的20%~25%。但随着各城市积极推进租赁市场,预计长租公寓面向的群体将更为广泛,长租公寓占总租赁市场规模比例也将继续提升。其实,从2014年开始,一部分地产集团已经开始在一二线核心城市布局面对租赁市场的长租公寓产品战略,打造自己的长租公寓品牌。

对房企开发商而言,将长租公寓作为创新业务大力发展,一方面是国家对于自持物业的刚性要求,同时也是转型需要,更是可以联动房产销售业务,共享客户资源,获取稳定现金流,甚至实现资本运作的战略。而房企天然的优势,其身资金量雄厚,相比其他类型的企业在长租公寓这片蓝海中可以更快杀出。


2014年,万科在其30周年之际就提出了“城市配套服务商”的转型方向,确立要在十年内完成新业务探索与布局。2016年刚刚确立的“泊寓”品牌,在北上广深等13个城市纷纷落点,计划在2017年发展至15万间。“泊寓”将通过研究青年群体与租住习惯,创造可“寓”不可求的城市青年家,在为居住着提供安全、舒适、人性化体验的同时,还将探索邻里关系新模式,因此,整个项目面对大众市场,客群主要为年轻群体。

“泊寓”的模式是轻重资产结合优化配置,既有和项目持有方或经营方签订方签订长期租赁合同,也有收购获得物业产权或长期使用权来装修改造及运营管理公寓。

龙湖地产旗下的“冠寓”同样也是将租客的主题定位于年轻人,但较之万科,“冠寓”则把客群分了更细,企业中高层、白领、蓝领/学生等三类人群都有涉及。据龙湖CEO透露,冠寓是龙湖的“主航道”业务,将集中公司的优势资源着力发展。“冠寓”将从龙湖的老本营重庆出发,下一步将聚焦一二线目标城市12个,力争用三年时间,每年推出1万到1.5万间,第三年争取达到10亿元以上的收入规模。而龙湖将利用其在住宅产品和物业服务的高品质,打造全新的青年生活社区。

“冠寓”的模式前期以租赁其他物业的轻资产模式为主,后期会加大自持比例,未来将以2:8的轻重比的资产模式去拓展业务。

另外绿城、保利、金地、绿地等房企开发商也纷纷已各自模式进入长租公寓市场。


3、应对租赁市场新蓝海的五大战略要点

租房租赁的规模化和专业化发展是未来的大势所趋。从我们日常的接触情况来看,很多转型中的房企,面对租赁市场的态度一直是迟疑、犹豫,没有大规模投入的决心。

可面对未来,中国进一步城镇化的进程大概只有10多个点的空间,总体新房开发市场容量必将日渐萎缩,城市更新和存量改造将日趋成为主战场。有句行话说:只有大城市,才有房地产。而未来的大城市发展趋势,城市更新必不可少。

如今,一个新的万亿级市场正在打开,要想在这个市场获利,转型中的地产商必须下定规模化发展的决心。


1)打造租赁品牌,与母品牌销售联动,共享客户资源。比如万科的“泊寓”,龙湖的“冠寓”,他们积极打造面对青年人的社区,更像是培养未来的潜在购房客户。

2)与O2O租赁平台合作,对接资源,实现联合和优势互补。比如阳光城和寓见的合作,阳光城像寓见提供房源,寓见负责进行标准化运营和管理。

3)与长租公寓品牌成立合资企业,把专业的事情交给专业团队去做。比如绿城和优客逸家的合资,优客逸家依托绿城的储备房源,推出长租公寓产品。

4)集群化布局,平台化发展,充分放大窗口效应。从国际长租公寓市场发展经验来看,真正靠传统的二房东式的租金差价获得收益的比例只占到项目总收益的40%,而另外60%的收益都是来自于针对于租客装修、日常管理等需求的配套增值服务。而这种需求,在少量点状布局的长租公寓项目上难以获利,不过一旦规模化发展后,大规模定制需求产生的消费利润将非常可观。

5)金融化操作长租公寓。借助资本市场的力量运作长租公寓产品是当下所有品牌公寓运营商的共识。市场上,没有哪家成熟的品牌公司是完全通过自有资金的投入进行规模扩张的。典型案例比如世联行运作的“红璞”公寓。前期通过融资,投资长租公寓,通过运营形成良好回报后,再打包通过发行ABS、Reits等金融产品变现,形成金融通道,使自己成为一个物业资产管理公司。这样通过杠杆融资和后续证券化的方式,实现了资金从投入到产出的闭环,也大幅提高了自有资金的利润率。


金准数据 房车露营地规划设计研究报告 2017-08-16 15:41:16

一、房车露营地规划设计概述

房车露营地在欧美国家很普遍,并发展成熟,具有完整的管理运营体系与星级划分标准。汽车营地的游客主要分为房车游客、自驾车游客、住木屋或旅馆的游客、纯帐篷游客4种。

在国内汽车露营地作为一个新型产业才刚刚开始,主要是依托所处景区或附近景区经营,只为游客提供简单的服务,远不能满足蓬勃发展的自驾车旅游市场需求,也达不到国际标准。所以房车营地的规划设计不单单是摆放几辆房车。

金准数据整理出一个遵循规划的选址、功能布局、布局模式等综合考量的,完整房车露营地设计。


1、营地产品的选址

营地的选址主要满足环境、交通、区位及用地面积四个条件,优美的环境、便捷的交通、优越的区位条件和充足的项目用地是营地成功的必要条件,但是,不同类型的营地对条件选择也需有所侧重。


环境:地势开阔平坦、通风及排水良好,生态环境优美,紧邻自然人工水域。

交通:国外营地间隔为250-300公里,车程约4个小时,营地距当地中心城市150-200公里,车程2.5-3公里。

区位:交通便利、依托景区或旅游城市。

用地面积:没有固定要求,因地而制。


2、营地产品的功能分区

房车露营地根据其类型、自身特色及目标客源市场的消费特征设置有不同的功能区,一般而言,都设有综合服务区、宿营区、休闲娱乐区等。

除以上三大功能分区外,营地还会根据自身资源市场需要等对功能区进行延伸或完善,增设度假、旅游地产等功能分区,提供分时度假等服务。


3、营地产品的规划模式

房车露营地规划受道路交通、地形地貌、植被、光照、通风等自然环境影响,尤其是露营区对场地的地形、坡度、排水等要求较高,另外房车露营地的规划设计必须满足房车顺畅通行的基本功能,规划时都应结合地形地貌、自然资源等特征分区布置。

金准数据分析,房车露营地总体规划按空间布局一般分为以下三种模式:均匀发展型、辐射型、主轴线型。

1均匀发展型


均匀发展型场地布局

特点:该布局模式的管理中心一般布置在场地的中间或入口处,方便对整个营区的管理。设置中心位置的功能包括:服务中心、综合服务区、房车维修服务部等。露营区为游客提供露营休息的场所,通常较规整的分布在服务区周围。娱乐活动区布置在露营地一侧或周围,主要的娱乐活动和露营区相对独立。


优点:充分利用土地、易于管理、成本低,容易组织交通,道路通常都相互平行,易于识别方向。

缺点:露营区的景观通常比较单一、乏味,缺少变化和情趣。


适合建设条件

● 场地本身比较平整、形状也较规整,像广阔的平原、低缓的丘陵、海滨沙漠、辽阔的草原等。

● 适用于一些用地比较紧张的旅游景区,充分发挥其布局紧凑,节约土地的优势。


2辐射型


辐射型场地布局

特点:该布局模式房车露营地的管理中心和服务设施中心都建在整块场地的中心或是各块地的连接处,以方便对整个营地各个区进行管理和提供服务。各个露营区根据场地的地形和环境特点,不规则的分散布置于管理区和服务区周围。


优点:将分散又相对集中的零散地块有机结合起来,根据地块的自然条件灵活选择场地用途。露营区独立、景观各异,还可结合环境在露营区内增加娱乐活动场。


适合建设条件

● 景区内可利用空间成辐射型分布,如一些森林、河流冲击沿岸等。

● 台地为主要地形的地区所形成的可用场地形成不连续的成片状分布,片状土地之间距离和高程相差不大。

● 丘陵地带可以用来露营区的辐射状空间布局的缓坡地带。

● 具有相对复杂地形的景区

● 景区内有分散的资源需要保护

● 对营区的露营环境要求较高,景观具有变化和特色的景区。


3主轴线型

主轴线型场地布局

特点:有一条主道路,各个露营区或活动娱乐区都分散布置于主道路两侧。


优点:各个露营区几乎都很独立,可结合所处环境特点开发出完全不同的露营特色;可选择性强,易于周边生态环境的营建。

缺点:布局非常分散,较难管理,服务设施布局也较为困难,对于一些必要设施,每个露营区都需布置,成本较高。


适合建设条件:适合在风景游览路线较长的大型风景旅游区或景点比较分散的山地环境中建设。


4、营地产品的具体设计建设

房车露营地建设需与外部公共道路相连通,在营地范围内设置入口区、停车场、管理服务区、营位区、游憩区等主要区域。各区域相对独立,且又相互呼应相互作用,形成整体的营地产品组团。其中营位区布局设计是整个营地产品的核心特色区,有以下布局类型:


1集中式布局

营地用地紧张且地势平坦,一般采用紧凑的联排式布局。


优点:占地面积小,容量大。

缺点:对场地平整度要求高,且营地密度大,旺季时会给人拥挤的感觉,缺乏必要的私密性,很难提高露营环境的品质。


2组团式布局

用地稍宽裕的营位区可采用组团式布局。由数个营位组成的组团散布在营区中,游车行道组织和连接起来。


优点:布局较为紧凑,且具有一定的灵活性,营位排列方式节省道路面积,从而节约投资。

缺点:营位距离近,容易相互干扰,圆形组团与自然的融合性较差。


3皮圈式布局

以不规则环形形式的道路将各个营位串联起来,通常为单行道环线,各个环线再由上一级道路并联起来,整体布局形式像一个个衔接在主干道上的橡皮圈。


优点:对自然环境的适应性强,可以顺应自然地形改变环线形状;单向环线便于组织交通;营位间距被拉大,空间较为开敞,露营者心里舒适度增强,露营活动品质提高。

缺点:道路面积较大。


4树枝式布局

由主要车行道延伸出的枝状尽端式道路将各个营位串联起来,通常为双向车道,超过30米的尽端式道路末端设回车场。该布局适用于受到诸多自然条件限制的狭长地形,如山谷、河岸等。


5围合式布局

沿着道路周边布置营位,并以道路围合出较大而开阔的活动空间,用作集体活动或帐篷营位等,适用于较为规则的平整场地。

6混合式布局

在实际的房车露营地规划设计中,由于场地大多数位于自然环境当中,用地形式尝尝不规则,且地势起伏等情况较多出现,单一的布局形式不能满足实际的布局要求,这时需要根据实际地形特点综合运用两种或多种布局形式以达到空间利用率最高,并与自然环境恰当融合的目的。


二、我国的自驾车房车营地规划设计分析

1用地问题

一般营地建设的占地面积较大,而且一般都需要建在生态敏感、自然条件较好的地区。但我国对于营地建设土地的使用规定尚不明确,同时土地使用成本较高成,企业和投资商在对土地进行规划和使用时所需要办理的手续繁琐甚至无从下手。

在我国土地利用类型中,没有专门的营地用地类型,而自驾车房车营地更多地是为旅游者服务的旅游设施,这就造成自驾车旅游营地在获取建设用地时存在不少困难。

还有农业用地也存在类似的问题,水资源利用规定等问题。首旅的王蓓黎说,现在拿地成本很高,即使在大西北,拿地也很难,划拨难,这对营地建设制约很大。

金准数据认为,一般营地搞得好的,要么就是这个投资人是能人,能拿到地;要么就是政府有需求,对于一般的投资商来说很难做到,所以投资商需要一个公平的政策环境。


2营地规划和建设标准缺失

汽车露营旅游的发展离不开露营地的建设,但我国目前的营地数量稀少,规模较小,严重制约着汽车露营旅游的发展。

近年来,中央和地方政府都出台了不少支持房车和露营地发展的政策,而且国家体育总局和国家旅游局以及地方旅游行政管理部门也制定了不少关于露营地的标准、规范和要求。

譬如2013年国家体育总局颁布的《汽车露营营地开放条件和要求》和2015年国家旅游局颁布的《休闲露营地建设与服务规范第2部分汽车露营地》以及长三角地区三省一市联合发布的《房车旅游服务区基本要求》。


此外,一些房车俱乐部和民间组织也出台了关于露营地建设的相关标准,如中天行俱乐部的《中国营地建设标准》;中国汽车运动联合会露营分会的《中国体育休闲(汽车) 露营营地标准》;全国汽车自驾游管理办公室的《全国汽车自驾游基地标准》等等。应该说这些标准的出台已经产生一些作用,但现在的问题,诸多标准的起草和发布,造成了多头管理的困境。

目前,我国的营地建设正处在初级阶段,大多数城市和旅游景点都没有建设符合国际露营标准的宿营地,正式挂牌的营地数量远不能满足汽车露营旅游发展的需要。

纵观我国现有的汽车露营地,用水、供电、卫生、安全、私密性等方面还有待进一步完善,各个方面的质量也有待提高。以上种种缺陷在一定程度上阻碍了汽车露营旅游的普及,现在开始兴建营地,需要建立一个完整的体系,需要投入大量的时间和大量的资金。


其次,营地服务缺少品牌意识。我国现有的汽车营地多建设在城市郊区或远离旅游风景地,或者是在乡村荒地上建立,配套设施还停留在最基本生活基础设施上,与普通的居民小区没什么区别,有些甚至还没有居民区那么便利,不属于真正意义上的营地,更谈不上品牌服务,这如何能让消费者提得起旅游的兴趣呢?

而在欧洲已经有6000多个大大小小不同等级的露营地,即使是在我国的台湾省也已经拥有118个国际标准的汽车露营地。

金准数据认为,由于没有全国性营地建设规划,缺乏标准引导,地方和企业对在哪里应该建设营地、建设什么类型、什么规模的营地感到非常迷茫,这一方面导致有的营地建设先天不足,后期无法经营下去,另一方面导致营地重复建设、盲目建设问题严重。


3营地经营困难、效益较差

随着汽车露营旅游的发展,涌现了一些自驾旅游、汽车营地企业和相关的俱乐部,在一些地方这种企业没有合法的经营身份,在企业注册的时候,找不到相关部门,而且工商注册商号中没有露营地这一项。这使得部分企业和露营地不得不变换身份,无法专项专职的合法经营。

现有的一些露营地存在配套服务设施不健全、安全保障缺乏、相应的旅游信息不对称等问题。产生这些问题的原因主要是由于露营地是一个新生事物,环保、消防、工商部门在批准的时候无法可依,造成许多营地经营的合法性和合规性出现偏差,随时随地就可能面临被取缔或停业。

另一方面,由于营地建设处于起步阶段,多数营地建设内容单一,功能配套不是很完善,再加上前期投资较大,回收期较长,多数营地经营企业效益较差,但由于看到了未来的发展前景 ,都在咬牙坚持经营。


4应急救援和设施安全保障问题

露营地一般建在地势平坦、开阔,依山傍水的自然环境区,可能会遇到雷雨大风、山洪、泥石流等自然灾害,在交通、路况和气象的信息发布不及时的情况下,营地对于应急措施和安全防范的考虑尤为重要。

其次,我国在路标的指示、加油站的布局与汽车维修服务等方面,还存在着许多有待改善的地方。有些地方的公路标识、路线指引、旅游地图等交通信息都不够详细,与露营者的期望存在一定差距。

最后,急救救援设施欠缺,缺乏安全保障。目前我国的安全救援组织能力十分薄弱,无法适应汽车露营旅游的需要,露营者遇到异常天气、突发疾病、交通事故等意外事件时往往难以得到及时救助。


三、国外房车露营地设计实例

1)乡村型露营地——美国加利佛尼亚Visalia/Sequoia KOA


地理:位于加利福尼亚维塞利亚,有大片的草地,营位绿树成荫。

娱乐设施:泳池、排球场、骑马场、儿童游乐场、游戏室、酒吧、遛狗区、K9宠物公园。

生活设施:有线电视、Wi-Fi以及家具齐全的空调小木屋。

周边玩乐:有红杉&帝王谷国家公园、约塞米蒂国家公园、探险乐园、维塞利亚市区游览、埃克塞特古老的画满壁画的建筑。

开放时间:全年开放


2)五星级露营地——美国拉斯维加斯IVM Resort

地理:距拉斯加维斯世界顶级休闲娱乐、购物运动、美食餐饮中心,Mead河、Hoover大坝仅有几分钟车程。

占地16.6公顷,400余个露营点。

特色:浓郁的热带风情。

风景:【查尔斯顿山】高耸入云的山峰、红岩石峡谷的绚丽多彩的颜色都是人们亲近大日然、放松心情的很好选择。

生活设施:高级别的水、污物、电力接口,移动电视、电话、免费无线网络等。

娱乐设施2个九洞高尔夫球场、室外网球场、台球室、棋牌室、游泳池、漂流池,还有Spa馆、健身房、按摩室、桑拿室、豪华大理石淋浴间以及图书馆及剧院。

精彩活动:露营地还会不定期为游客准备丰富多彩的节目、活动。


3)海滨型露营地——美国佛罗里达州Fiesta Key

地理:佛罗里达群岛的中心,是美国最受欢迎的度假胜地之一。

环境:占地28英亩,被一整片郁郁葱葱的植被环绕,让人颇有身处热带的感觉。

娱乐设施:游泳池,餐厅,沙滩酒吧,免费WiFi,Spa馆,钓鱼台,漫长的海岸线,宠物区,商店,码头,沙滩,可出租的小船,游乐场。

周边玩乐:在墨西哥湾游泳&潜水&看日出、去长礁岛州立公园骑行&徒步&钓鱼&遛狗,玩沙滩篮球&排球&掷马蹄铁游戏,去夏威夷风情酒吧&酒吧餐厅。



4)山地型露营地——美国亚利桑那州Verde Valley

地理:美国亚利桑那州佛得河河畔,恰好就是这沙漠高地的一片绿洲。

环境:占地300英亩,北面是壮丽的红岩山谷,西面是明格斯山脉,南面是Hackberry山脉,阿尔坎塔拉葡萄园等。

周边玩乐:到著名的杰罗姆鬼城,在佛得河泛舟,塞多纳自由行,或者就在露营地附近品酒,总之这里处处都充满了神奇和冒险。

娱乐设施:活动中心,儿童游乐场,信息中心,宠物区,商店,水疗中心、免费WiFi,徒步旅行俱乐部等。

5)森林型露营地——美国俄亥俄州Homerville KOA

环境:位于一片美丽的自然风景区内,小径蜿蜒,舒缓的小溪静静流淌。有两个钓鱼的池塘,营地有大面积的绿地树林,里面有各种野生动物,沿着小径,会有专业人士引导参观种类繁多的野生动物,如野生火鸡、鹿、狐狸及近90种的鸟(包括鹰、鹤及其他一些濒危物种)。

生活设施:大型户外泳池、湖边小木屋、清新草地及营位等。

娱乐设施:历史悠久的谷仓是营地娱乐的中心,谷仓的顶部是300年前的手工砍制的木梁,现场音乐会,艺术手工课,主题周末等活动都会在这里举行。

周边玩乐:马蹄赌场、俄亥俄Amish部落、赛车道42、铁路博物馆等。

开放时间:每年4月20日-10月21日


6)河畔型露营地——蒙大拿州Billing KOA

风景:比林斯市(Billing)独有的高雅相思木、黄石河(Yellowstone River)沿岸的独特风光,不仅使Billing KOA露营地成为露营爱好者心目中的胜地,还让营地多次获得相关部门的嘉奖和肯定。

生活设施:超大型豪华天井式房车营位、居家式洗手间、美食服务和相思木露营小屋。

娱乐设施:高尔夫练习场与俱乐部。

周边玩乐:黄石国家博物馆、急流冒险基地等等。


金准数据 中国商业智能行业研究报告 2017-08-14 17:21:07

一、商业智能概述

1、商业智能行业概念界定

商业智能(BI,Business Intelligence)概念的提出可追溯至1958年,通常将其视为把企业中现有数据转化为知识,帮助企业做出明智的业务经营决策的工具。

过去的商业智能不能给出决策方案,也不能自动处理企业运行过程中遇到的问题。借助于人工智能与其他相关学科的技术进步,现代商业智能已能在特定场景中实现商业经营的智能化与自动化。

因此,金准数据聚焦于将人工智能技术用于商业智能决策,尝试对人工智能在商业落地的真实现状进行说明,凸显AI技术(不包括智能语音、计算机视觉等感知智能)在现阶段应用的价值。


2、商业智能与大数据

1)大数据为商业智能的发展提供土壤

互联网、移动互联网高速发展,海量、高维度且可实时接入更新的数据随之而来,为机器学习等前沿技术在各领域中的探索及落地提供可能,进一步拓展了被服务人群且显著提升服务质量。

另一面,产业缺乏通用标准约束,数据在采集及流转过程中污染程度不一,数据加密不规范引致的数据泄露时有发生,数据孤岛亦成为企业业务发展的掣肘(如金融方面,企业多为基于自身平台积累的独有数据做征信,评分适用范围将大大受限),通用标准的建立需要政府及产业界的共同努力。


(2)从数据驱动认知,到数据驱动决策

智能技术的运用一方面将拓展大数据的应用场景,从帮助业务人员认知到实现企业最优决策,另一方面,自然语言处理的进步也正在解决人机交互的部分问题,自然语言查询、自然语言生成都将进一步释放商业智能的效率和价值。

(3)商业智能主要应用领域

类比人类智能,人工智能可分为赋予机器语音、图像等感知能力的感知智能和赋予机器思考能力的认知、决策智能。认知能提升感知(如对语义的理解判断将提升机器的语音识别率),感知也会辅助决策(如智慧商超中机器视觉对客流属性、消费行为的观察、记录可辅助商超做出营销决策),本报告聚焦于认知智能在商业场景中的应用情况。

3、中美商业智能环境对比

过去的几十年中,中国科技智能环境不如西方几乎成了很多人的刻板印象,但在如今的商业智能领域,我国从“中国制造”到“中国智造”,从奋起直追到弯道超车,已进入商业智能领域第一方阵,成为发展最快的国家之一。

总的来说,由于中美文化差异、人口差别、工作强度不同等因素,相比美国,中国将技术落地的加速度更快,新兴商业模式拓展力强,但业务的发展仍缺乏全面性与标准化。目前,中国通过单点突破弯道超车,并开始重视精细化运营,由局部最优逐渐向全局最优靠拢。


4、中国商业智能所处环境

(1)政策环境

2015年人工智能进入爆发期以来,国家陆续提出多项意见与规划,特别是2017年“一带一路”会议、全国两会均将人工智能列入未来发展规划中,以及2016年国家将人工智能列入“科技创新2030项目”以及“十三五”重大工程,使得人工智能在中国政治、经济、学术等领域成为重中之重,引来中国人工智能最好的时代。


(2)经济环境

中国凭借工业化发展促使经济快速增长,2010年之后工业化进程逐渐到达顶峰,随之而来的是劳动力和财力逐渐向生产价值较低的生产部门转移,生产总值的降低导致了经济增速的下降。随着经济增速下降,无法在短时间内找到新的经济增长点,内部问题集体产生了爆发,产能过剩,高杠杆,房地产高库存和金融风险等问题扑面而来。

这就意味着中国面临着一次重要的经济转型,摆脱传统的高污染低效率的粗放型发展模式,同时,现今政府多次强调供给侧结构性改革,从质和量上提升经济增长,在政策的支持下,高附加值、知识和技术密集型的产业将会重点培养,结合高科技技术,提升企业精细化运营、降低运营成本、增加企业受益。


(3)技术环境

AAAI(The Association for the Advancement of Artificial Intelligence)是人工智能领域顶级的综合性会议,会议论文涉及机器学习、自然语言处理、搜索、规划、视觉、知识表达等人工智能各分支的学术探讨和应用研究。

2017年AAAI大会收到论文2571篇,创下新高,中国学者的论文提交量与录用率均达到国际一线水平,与美国持平。收录论文不仅有来自高校学者,还有来自百度、腾讯、华为、360、今日头条等企业研究人员,如百度的《Collaborative Company Profiling:Insights from an Employee’s Perspective》——从员工角度出发,尝试利用AI让企业人力价值最大化。国内企业与高校间的合作也愈发紧密,腾讯即有与香港科技大学的实验室合作,高校可利用企业的海量数据与测试平台,企业则可将创新性成果落地实践。

尽管目前AI的商业应用中国并不落后甚至在某些维度领先美国,但在原创性研究、创新土壤、人才储备方面,中美仍有较大差距。

4、商业智能产业链分析

(1)产业链

本报告中,金准数据侧重于智能技术在商业场景中的应用,即产业链的中游和下游。关于产业链的上游,传统IT厂商和云服务厂商可为技术、产品及服务提供者赋予计算、存储等基础设施支持, ERP、CRM等信息系统可帮助企业有效记录其资源及业务数据,数据整合者的第三方数据则可丰富智能分析的数据维度。


(2)产业图谱


(3)商业智能行业投融资梳理

商业智能应用场景众多,包括营销、金融、交通等领域,各领域涉及企业众多,行业集中度较低。

融资方面,2012-2016年最为火热,其中,2015年融资次数达到31次,同时有两家新三板挂牌企业,是2012-2016年中融资次数最多的一年;从融资轮次来看,大部分融资尚处于早期的天使轮、A轮阶段;另外,从企业所涉领域来看,服务于金融领域的企业最受资本市场青睐。


二、商业智能核心技术剖析

人工智能正在重塑科学、技术、商业、政治以及战争,而大众对技术的认知程度和该技术的重要性相比显得远远不够。即使只有工程师和机修工有必要知道汽车发动机如何运作,每位司机也都必须明白转动方向盘会改变汽车的方向、踩刹车会让车停下。

另外,当今人工智能的各个分支其实在五十年前就已有相关基础,当时的一些科学家认为,人工智能的所有问题都将在十年内解决。但事实是直到今天,很多问题仍悬而未决并难以解决。过高的预期引致不当的失望,人工智能历史上的两次冬天无疑阻碍了技术、产业发展的步伐,并让踏实做事的人受到伤害。

因此,金准数据认为,我们有必要对商业智能技术的概念模型、发展现状与应用前景进行客观认知,了解它的能力与边界。


1、机器学习

1)概述

将数据输入计算机,一般算法会利用数据进行计算然后输出结果,机器学习的算法则大为不同,输入的是数据和想要的结果,输出的则为算法模型,即把数据转换成结果的算法模型。通过机器学习,计算机能够自己生成模型,进而提供相应的判断,实现某种人工智能。工业革命使手工业自动化,而机器学习则使自动化本身自动化。


(2)发展历程

在《终极算法》一书中,多明戈斯将机器学习分为五大学派:符号学派、联结学派、进化学派、贝叶斯学派、类推学派,引起热议。但发展至今,机器学习各学派彼此相遇、交融,已难以做清晰划分。

另一方面,工业实践中问题的解决往往依赖于具体场景下对多种算法的综合利用,学派归属则无足轻重。尽管机器学习在20世纪80年代才成为一个独立的学科门类,进而在人工智能问题中大施拳脚。

但在人工智能进入属于机器学习的鼎盛时期以前,在人工智能诞生之初的推理期、知识期即有机器学习的用武之地。因此,金准数据仅结合人工智能不同发展阶段的主流思想特点,对当时机器学习的主要方法做以下图介绍。


支持向量机、朴素贝叶斯、决策树、神经网络等经典算法


深度学习、强化学习、迁移学习等热点技术

机器学习中的统计方法研究,用到的数学主要是概率统计。其实,其他数学分支在机器学习中也有应用,例如微分几何在流形学习上的应用,微分方程在归纳学习上的应用。相对而言,代数的应用可能更广,但代数一般作为机器学习的基础工具来使用,例如矩阵理论和特征值理论,又如微分方程求解最终往往归结为代数问题求解。

而彭实戈院士的倒排随机微分方程理论之预测金融走势,可谓是用高深数学推动机器学习新模式的好例子。但从宏观的角度看,陆汝钤院士指出,深刻的、现代的数学理论的对机器学习的介入程度还远远不够,数学对机器学习新模式、新理论、新方向的参与值得期待。


2、人工智能、机器学习及深度学习的相互关系

近几年掀起人工智能热潮的深度学习,属于机器学习的一个子集,在思想和理论上并未显著超越二十世纪八十年代中后期神经网络学习的研究,但得益于海量数据的出现、计算能力的提升,原来复杂度很高的算法得以落地使用,并在边界清晰的领域获得比过去更精细的结果,大大推动了机器学习在工业实践中的应用。

但值得指出的是,深度学习的应用范围还很有限,统计学习仍然在机器学习中被有效地普遍采用。另外,人工智能不是一种特定的技术方法,所有方法都是在对人工智能这个课题进行研究的产物。机器学习和象征着理性主义的知识工程、行为主义的机器人一样,是人工智能的一个分支。

博弈论、运筹学、控制论、信息论、仿真优化、多主体系统学习、群体智能、统计学以及遗传算法等许多领域也有关于机器学习的研究,如运筹学中的近似动态规划即对应强化学习,而在经济学和博弈论中,强化学习被用来解释在有限理性的条件下如何出现平衡。

在实际问题的解决中,人工智能的方法如机器学习等,往往只是其中一环,问题的完整解决依赖于对博弈论、运筹学等多领域、跨学科的知识思想的融会贯通。




3、知识图谱

伴随Web技术的不断演进与发展,在先后经历文档互联和数据互联之后,人类正在迈向基于知识互联的新时代。知识互联的目标是构建一个人与机器都可理解的万维网,使得人们的网络更加智能化。旨在描述真实世界中存在的各种实体或概念的知识图谱,凭借其强大的语义处理能力与开放互联能力,可为万维网上的知识互联奠定扎实基础。

就覆盖范围而言,知识图谱可分为应用相对广泛的通用知识图谱和专属于某个特定领域的行业知识图谱。通用知识图谱注重广度,强调融合更多的实体,主要应用于智能搜索等领域。行业知识图谱需要考虑到不同的业务场景与使用人员,通常需要依靠特定行业(如金融、公安、医疗、电商等)的数据来构建,实体的属性与数据模式往往比较丰富。


4、运筹学

运筹学是一门用量化分析的方法做决策与优化的科学和艺术,它为管理决策提供智慧,并以自己的智慧解决管理决策问题。体现运筹学思想和方法的某些早期先驱性的研究工作,可以追溯到20世纪初期,如1908年丹麦工程师Erlang提出的电话话务理论(运筹学中排队论的起源)。

运筹学是一门应用性很强的学科,在研究和解决各种复杂的实际问题中综合使用代数、统计学、计算机科学、模拟(仿真)等各种方法,不断得到创新和发展,至今已成为一个包括许多分支的庞大的学科。在大数据时代,数据科学结合运筹学尖端理论是实现数据驱动的科学决策的坚实基础。

最早期的较为正式的运筹学活动出现在第二次世界大战时期,有一批英国的科学家着手研究利用科学方法进行决策,以最佳使用战时资源,当时的工作小组将自己的工作称为Operational Research(简称OR)。

战后的工业复苏时期,运筹学思想被引入民用领域,用来应对组织中与日俱增的复杂性和专业化所产生的问题,大幅提升了生产力。虽然运筹学的大部分实践应用产生的效益小于下表所列案例,但这些典型反映了大型的计划完善的运筹学的研究可能带来的重要影响。

商业智能典型应用场景

1、广告营销

商业智能在广告营销领域的主要应用为精准营销与个性化推荐,两者均通过用户数据,对用户贴标签,并基于产品特征与投放需求,建立不同的决策模型进行营销;两者最大的不同在于,精准营销用于引流获客阶段,以短信或优惠券的方式进行营销,提升响应率,优化企业运营;个性化推荐用于留存促活阶段,使得消费者在最合适的时间,以最恰当的方式,获得最合意的产品、资讯以及服务的推荐。


2、电商

商业智能在电商领域的主要应用为商品组合、定价策略、促销管理等多方面的优化,可归结为收益管理,即指在适当的时间和地点下,以合适的价格向不同的用户提供最恰当的服务或产品,以实现资源约束下,企业收益最大化的目标。收益管理最早起源于航空运输业,当时的民航处于价格管制状态,为解决旅客误机导致的座位虚耗、企业收益流失,出现了“超售”思想,除航空业外,收益管理也广泛应用于酒店服务、电子商务、交通出行以及物流运输等领域。

高量级SKU及日销量使得定价管理日益复杂,基于经验的传统批量定价方案已难以覆盖电商平台的多维度场景,不合理定价频繁出现,商业智能的定价方案可通过对交易数据、行为数据、竞争数据等多维度数据的整合分析,找到不同场景下的最优定价和销售策略,以差异化定价、动态定价、组合定价等方式对传统批量定价进行优化;促销管理的实施办法是通过挖掘促销规律,基于促销规律与敏感度对商品进行分类,并结合市场发展与企业目标建立促销优化模型,确定促销方式,在不增加流量投入的前提下提升销售收入



3、交通出行

路径优化是指如何找到从出发地到达目的地之间最短时间、最优价格的最短路径;订单分配研究的是供需匹配问题,结合多维度影响因素(例如路途距离、路况、骑手骑行速度、需求时间段等)匹配需求和供给。

另外,除路径优化与订单分配外,电商领域中提到的定价优化也应用于交通出行,例如网约车定价,但与电商不同的是,网约车因其需求的及时性要求较强,账号共享性弱,使其拥有更大的个性化定价空间。


4、供应链

物流系统分为多层,包括入库前的仓库地址选择、入库时的策略以及销售预测、入库后的库存优化、仓储优化、清仓以及出库时货运分配、配送路线规划等。其中,仓库的选择和物流的配送是供应链管理的核心,在某地区开展新业务时,如何设定枢纽的数量、枢纽位置等对最终运送的成本有着很大的影响;配送路线规划涉及到我们在交通出行领域中谈到的路径优化与车辆调度问题,通过结合实时需求、时间窗口、承重限制等因素,对送货路线进行制定,最小化成本与时间,实现物流智能化高效运营。


5、金融风控

金融的本质在于给风险定价,对于风险及时且有效的识别、预警、防控一直是金融机构的核心。金融风控强调数据与技术,智能风控企业结合高维度的大数据,利用决策树、神经网络等机器学习技术,针对信贷评级、授信、贷后预警,反欺诈等场景提供解决方案,传统金融机构由过去的以经验或小量数据对风险进行把控,到现在以大数据及技术进行风控,实现金融风控升级。

但同时,精细化运营全覆盖也是风控市场需考虑的关键点,即从系统的第一层出发,做全流程的金融风控,识别真正符合金融产品的优质客户,当潜在用户的信用存在风险时,应从营销端就避免引入此类风险用户。


6、投研分析

商业智能在投研分析中的应用可与食材料理类比,将原始数据比喻成料理中的原料A,A被清洗择选后成为可用烹饪原料B,参考不同料理食谱,对B进行制作,最终生成佳肴,映射于投研分析领域中,清洗择选方法包括去重、数据排序、实体发现、实体关联、领域知识图谱等,食谱即不同算法与模型,最终生成可视化投研报告。与人工分析生成的报告不同,机器人报告最大的优势在于生成快、可以清晰明了的将大量数据进行罗列呈现;智能机器的效率相对高,但目前仍缺少创造性,在投研分析领域,机器人与分析师的协同合作将提升分析质量与效率。

7、智能投顾

智能投顾,顾名思义即人工智能+投资顾问。传统的投资顾问相当于私人银行中的客户经理通过与客户的深度沟通,结合客户个人的风险偏好和理财目标,传达给后台技术人员制定理财配置模型,再由客户经理将此方案给到客户;智能投顾可被理解为将私人银行的后台标准服务线上化。相比传统投顾,智能投顾拥有可简化流程、适合全民理财、可定制短/中/长多周期投资方案、可进行风险预警等优势,同时也面临客户对机器的弱信任感问题、现阶段政策以及所需客户财务状况全面性等限制与挑战。


8、智能客服

传统客服业是典型的人力密集型,在商业智能时代,传统客服由人力密集向人工+机器智能升级,通过电话客服、网上客服、App、短信、微信以及智能机器人终端等产品与客户进行语音或文本的互动交流,理解客户业务需求,语音回复客户提出的业务咨询,并根据客户语音导航至指定业务模块,大大优化了客服咨询效率。

据金准数据分析,智能客服目前的成熟应用主要在售后阶段,以重复性问题标准化回答为主,未来智能客服业的应用将继续升级,由现在的“以问题为中心”转变为“以用户为中心”的智能语音助理,由现在服务于企业/商家的机器人转变为服务于每一个用户。


四、商业智能的挑战与未来

在大数据的背景下,商业场景中任一问题的解决,往往是多学科思想的交融,而非对单一方法的依赖。在计算机科学、人工智能、运筹学、博弈论等诸多学科领域的综合与交叉中,一个个贴合实际业务场景的解决方案应运而生,使得商业智能切实优化企业决策方式,助力业务增长。

融合也表现在人工智能的各分支上,如关于语义网的研究,自然语言理解、机器学习、人机交互都很重要。最后,任何一种学习算法都有自己的优势和局限,所谓的解决一切问题的终极算法,很有可能是对现有算法的兼容并包。当然,如何让各算法相遇相融并在不大幅降低效率的前提下提升通用性,仍是一个非常复杂但值得探索的难题。

在人工智能成为产业界、学术圈、投资人以及媒体关注的焦点以来,大众对深度学习等技术尤为关注。但在工业实践中,对具体业务场景的理解与对实际问题的界定,与采用何种模型、算法同等重要,前者在很大程度上决定了后者是否能够有效降低企业运营成本或者帮助相关业务增加收入,这是技术能够落地、产业得以升级的关键。

AAAI2017中,Uber人工智能实验室主任Gary Marcus即表示当前飞速发展的深度学习等技术可能只是在不断逼近通用人工智能的一个局部最优点,而这样的逼近方式可能让我们错过那些真正更好地实现通用人工智能的方法。因此,在运用技术解决某个问题之前,绝不应先入为主地认定要是用某个具体的机器学习算法,而应首先对业务场景加以分析,抓住核心问题要素,这是做出最优技术选择的前提。

商业智能业务应用的落地需要建立在完善的数据整合、管理之上,再由相应的算法、模型基于高效的计算框架将数据转化为可视化的业务规律,进一步驱动或直接生成企业决策,因此商业智能是一项系统工程,算法设计、架构搭建、系统配合、流程控制、质量监督、危机处理等缺一不可,项目工程经验非常重要。

另一方面,类比国际顶级SaaS企业Salesforce,其产品通用功能大概只占50%,产品背后依然有大量供应商及自身服务团队结合客户差异化的场景做定制服务,因此尚处早期的商业智能领域,在很长一段时期内,服务方式仍将以定制化的解决方案为主(尤其面对大企业的时候),以SaaS等标准化的产品为辅,并在部分场景中以PaaS服务接入客户ERP、CRM等信息系统,快速、低成本地将商业智能赋能于企业。