12月31日，国务院联防联控机制发布，国药集团中国生物新冠灭活疫苗已获得国家药监局批准附条件上市。已有数据显示，该疫苗保护率为79.34%，达到世界卫生组织及国家药监局相关标准要求。截至目前，我国5条技术路线14个疫苗已经进入临床试验，其中3条技术路线5个疫苗进入III期临床试验。 新冠病毒 发布会上，国家卫生健康委员会副主任、国务院联防联控机制科研攻关组疫苗研发专班负责人曾益新介绍了新冠病毒疫苗重点人群接种工作情况。他表示，我国疫苗研发始终属于全球第一方阵： 自12月15日正式启动重点人群接种工作以来，目前累计接种超过300万剂次。 接种结果充分证明我国疫苗安全性良好，发生了一定比例的不良反应，总的发生率与常规接种的灭活疫苗接近。 主要表现是局部疼痛、硬结，轻度发热比例大概不到0.1%，过敏等比较严重的情况为百万分之二，这些情况经过及时处理都得到很好的治疗。 接下来将全面推进老年人和有基础疾病的人群进行接种，后续再开展其他普通人群的接种，未来符合条件的群众都将实现“应接尽接”。 新冠病毒疫苗将为全民免费提供 获批上市的疫苗价格定位如何？曾益新表示，疫苗的基本属性还是属于公共产品，价格可能会根据使用规模的大小有所变化，“一个大前提是，肯定是为全民免费提供。” 病毒变异对疫苗暂无实质影响 最近发现的变异病毒是否会影响疫苗使用效果？科学技术部副部长徐南平介绍，对于病毒变异问题，科研攻关组一直高度关注。专家研判的结果是，目前没有证据证明新冠变异病毒会对疫苗的使用效果造成实质性影响，但需要高度关注。 (文章来源：经济日报) (责任编辑：DF537)
很多人经常会遇到这样的情况：身边的青年男女明明条件和素质都不错，却成了“剩男”与“剩女”，有些是因为自己不想找另一半，有些是因为眼光太高，有些则是想找找不到。 这并非个例，在当今社会，单身已成为了一种极为普遍的现象。 早在2013年，美国纽约大学社会学教授艾里克·克里南伯格就写过一本名为《单身社会》的书，他将“单身人口在大城市里越来越多，并逐渐赶超核心家庭数量”的社会定义为“单身社会”。在书中，克里南伯格教授对海量的第一手资料与调查统计数据加以详细分析后指出：单身社会，正成为一次空前强大、无可避免的社会变革，不少发达经济体都已经进入了这一社会形态。 事实也的确如此。有数据显示，瑞典的单身人口已占到总人口的51%，美国为45%，日本为32.4%，韩国为23.9%。 我国同样不例外。统计数据表明，我国单身成年人口高达2.4亿，这一数字甚至比俄罗斯和英国的总人口数之和还要多。 从另一个角度看，2005年开始，我的粗结婚率快速上升，在2013年达到峰值9.92‰，此后便逐年下降，2018年为7.3‰；粗离婚率则持续上升，从2002年的0.9‰升至2018年的3.2‰。与此同时，中国结婚登记数自2013年的1346.9万对见顶后持续回落至2018年的1013.9万对；离婚登记书则从2002年的117.7万对增加到2018年的446.1万对。 另外，我国家庭正呈现单身化趋势，自2015年起，一人户占比逐年增加，2018年为16.69%；分城市来看，一线城市和新一线城市作为年轻人追求梦想、财富和自由的舞台，同样也在成为单身人群的聚集地。参考速途研究院的统计数据，29.7%和26.4%的单身青年们分别散落在一线和新一线城市，其中又以TMT行业从业人士数量居多，堪称是单身的“重灾区”。 这些数据无不佐证了这样的事实：我国单身社会的形态已初现端倪。市场普遍预计，未来我国单身人口将达到4亿。 为什么会这样呢？ 一方面，我国青少年男女性别比失衡严重。 从2019年中国各年龄段男女人口占比情况来看，29岁以下男性明显要多于女性，各年龄组的男女比例均高于整体男女比例水平（1.04），其中24岁以下各年龄组男女比例均高于1.1。 随着这些年龄段的人口逐渐步入婚育阶段，中国单身潮将愈演愈烈。根据民生证券研究报告，到2025年，中国15~49岁男性人数将比同年龄段女性高出3000万，男性面临的择偶压力更大。 另一方面，在于女性婚恋观念的转变。 职业女性与知识女性的崛起是不争的事实，这群现代女性们崇尚在经济上能自立、生活上能自主、社会上具有一定地位和尊严，喜欢自我设计和规划以寻求自己理想的人生，而不是一辈子做经济上依附于丈夫、生活上以生育孩子和照料家务为主业的传统家庭主妇，故而在婚恋上越来越多的女性崇尚宁缺毋滥，甚至宁愿一直单身，这也直接引发了单身男士规模的增加。 当然还有其他原因。有调查数据显示，无论是男性还是女性，圈子小都是阻碍自己成功脱单的主要原因，占比分别高达35.57%和49.3%；此外，男性的经济条件较差和女性的择偶要求较高也是导致单身人群规模日渐壮大的核心因素。 不过，单身人群阵容的扩大也有好处，那就是催生出“单身经济”的繁荣。 2 “单身经济”这一概念，最早是由经济学家麦卡锡于2001年在《经济学人》杂志中首次提出，只是当时他将单身经济的群体锁定为女性，认为独身且收入不菲的单身女性是广告、娱乐等行业最理想的顾客。 而今，随着单身人口的与日俱增，这一群体早已不再局限于单身女性。现在的单身经济，更多是指代由单身人群非常注重生活质量、崇尚高消费生活而带来的种种商机。 需要指出的是，单身贵族们的消费结构与传统家庭的消费结构是有所不同的：由于没有家庭的负担，单身人群的储蓄倾向要明显低于非单身人群，边际消费倾向却要远高于非单身人群；单身人士主要集中于白领和中产人群中，这部分人除了精神上的消费顾虑较弱外，物质上还具备较强的消费能力。 种种因素的叠加，让单身经济开始兴起，其能量亦是惊人。 意大利曾经做过一项家庭平均消费的调查，一个意大利2~5人的普通家庭，每人每月吃喝的平均消费是187欧元，而单身人士能达到每月320欧元，整整多出了71%。此外，英国的一项研究表明，单身者一年的支出要比已婚者多出5000英镑，单身独居一生的人要比已婚的人多花25万英镑。 在我国，根据《新周刊》杂志发布的《中国单身报告》，综合分析京、沪、穗、深、蓉等16个代表性城市中的1024个有效样本，可以发现，不经考虑就购买奢侈品的单身消费者占28.6%；16%的人至少每周去一次酒吧、KTV等娱乐场所；31.6%的人每月最大开销为自我娱乐或聚会等社交消费；为未来储蓄保险的仅有5.4%。 正因为单身人群惊人的消费能力，我们需要搞清楚，他们究竟是怎样一群人。总结起来，单身人群主要有三大特点： 其一，“月光族”居多。 由于多数单身的年轻人尚未面临买房买车的阶段，也谈不上子女教育花销，因此储蓄意识相对淡薄。 国金证券的数据显示，在一线、新一线和二线城市，大约40%左右的单身青年们都处于“月光”的生活状态；随着城市等级向下及月收入的降低，“月光”比例大幅提升，四五线城市的单身年轻人中，“月光族”所占比例高达76%。从收入水平看，大部分一线城市的单身青年月度可支配收入在8000~15000元，而从新一线城市往下，大部分单身青年的月度可支配收入仅为2000~5000元。 其二，“悦己”+“休闲”。 无需与伴侣和家庭相伴的单身人士，更乐于将时间和金钱用在升级自身生活品质和享受自我等方面，不仅追求好看的皮囊和有趣的灵魂，还注重休闲娱乐和生活体验。 “悦己”方面：单身人士们大都会在化妆品、服装和其他有意思的物品上不吝花销，他们普遍认为这是“对自己好”的体现；在物质生活充裕以及娱乐媒介丰富的时代，单身群体可以把大量的时间花费在网络终端上，网络可以满足他们休闲、社交、购物等需求；单身人群往往作息时间相对不规律，由此也导致他们进食频率低，时间点更为随性，更偏好于随时随地的食品补充，尤其是钟情于休闲零食。尽管这并非最健康的选择，但在单身群体的排序上，他们可能更看重食品的口味，其次是趣味和价格。 “休闲”方面：旅游是身心均衡的重要消费领域，单身青年们经常会来一场“说走就走的旅行”；电影院依旧备受单身人士青睐，他们相对更加注重电影内容的质量；单身青年喜欢玩网络游戏，陌陌大数据显示，在较为活跃的网游玩家中，约75%的人是“单身狗”。 其三，花钱买寄托。 单身人群看似拥有潇洒的生活，但单身生活久了，也难免孤单寂寞，坚强外表的背后实则是一颗柔软且需要慰藉的内心。在此背景之下，他们很多方面的消费都是在为自己寻找一个心灵寄托。 一来，他们愿意寄托于萌宠。 宠物具有可爱、治愈、通人性等特点，不同宠物又各有特性，能让人们体会到陪伴和被需要的感觉。正因如此，单身青年才成为了饲养宠物的主力军。数据显示，国内80/90后饲养宠物人群占比超过70%，其中以单身居多。 同时，饲养宠物还具备社交属性，可以让单身独居的人们找到与世界对话的方式，比如借助网络社交平台，晒出宠物的萌照和短视频，“撸猫”、“撸狗”、“猫奴”、“铲屎官” 等网红词汇也开始出现并广为传播。 二来，他们愿意寄托于网络。 单身群体往往更需要朋友的陪伴和关爱，主观上他们也更有动力去寻求脱单的法门，因此对于社交需求的渴望更为强烈，也愿意为此付费。于是他们常常积极通过各类社交媒体进行网络化、互动化社交，增进沟通频率，扩大交流群体，就连玩游戏都更愿意跟其他人一起“组团”——从这个角度看，游戏除了休闲消遣，也是单身人群的寄托。 单身人群还热衷于泡在视频网站上，不仅能追剧、观影、看综艺，还能实现“追星”，各种真人秀和偶像养成类综艺让单身粉丝们“为爱付费”。 值得一提的是，在庞大的单身人群中有个最硬核的群体，那就是二次元人群。 对不少人来说，单身并非主动做出的选择，而是生活节奏和现实压力带来的被动结果。但对于二次元群体来说，主动单身的意愿以及实际单身率之高令人咂舌。来自36Kr的调查数据显示，二次元人群中已婚人士比例仅11.06%，单身率超过60%。 相较于其他人群，二次元人群有几个显著特征： 第一，倾向于主动选择而非被动接受，所谓“一人吃饱，全家不饿”，他们没有存钱买房结婚的考虑，即便绝对收入金额低，但可支配收入占比高，单身生活反而过得滋润； 第二，对现实世界的疏离感较强，沉迷于ACNG二次元虚拟世界，将精神寄托于虚拟物品、人物及手办等衍生物； 第三，“宅”属性决定了二次元人群的娱乐消费行为多发生在线上，而且集中于ACNG。 正因为这些特征，获取内容、社交活动、深度动漫、消费购物，构成了我国二次元用户的主旋律，某种意义上也代表了相当一部分单身人群的特质。 3 单身经济的壮大虽然能丰富消费市场，扩大国内需求，但单身人群的增多却并非全是好事。 人口学家普遍认为，单身潮犹如最后一块多米诺骨牌，将引发一系列问题：一方面是结婚率降低，另一方面则是有些人为了摆脱单身，选择降低择偶标准，进而不利于婚姻的稳定性，导致离婚率上升。 在结婚率下降和离婚率上升的双重作用下，生育率将不可避免地降低，适龄劳动力将进一步短缺，并且会加剧老龄化社会的演进步伐，使得“少子老龄化”问题愈演愈烈，进而引发一系列不利于经济健康可持续发展的负面影响： 首先是适龄劳动力供给的趋减。 适龄劳动力，指代那些年龄处在15-64岁的劳动力群体。通常情况下，适龄劳动力的供给规模是由总人口中处在劳动年龄人口的多少来决定的。受到少子化与老龄化的双重影响，适龄劳动力人口将不可避免地有所削减，继而给国民经济生产活动带来压力。 其次是财政负担的与日俱增。 受少子化与老龄化的影响，缴纳养老金的人越来越少，领养老金的人越来越多，结果就是养老金不够用，加重政府对养老金支出的负担；同时，老龄人口增多，对各种医疗服务的需求也会相应增加，这便意味着除养老金外，政府部门在医疗护理方面的支付金额也会随之提升，由此进一步加重了财政负担。 最后是延缓产业升级的步伐。 通常而言，中老年人已经养成了较为特定的专业技能，他们对新技术的掌握能力和对职业变动的适应能力较差，对于技术开发和新鲜事物的接受能力也往往不及年轻人，这便使得新兴技术的应用与推广受限，并拖累国民经济的技术进步与产业升级。 不仅如此，过度的单身还不利于个人成长与社会稳定。 被贴上“剩男”和“剩女”标签的未婚青年普遍会经受到来自社会、家庭以及自身的压力，进而给心理健康造成负面影响。 珍爱网发布的调查报告显示，单身男女常常伴有焦虑感，在被调查者中，仅有15.2%的男性和18.6%的女性表示完全没有危机感。针对北京地区的调查显示，有85%的男性表示有危机感，其中20.3%的男性表示感觉自己要孤独终老，内心极度不安；有近80%女性受访者存在“有自己的坚持，不愿意将就”的矛盾心态。 随着婚姻引发的焦虑和压力的持续发酵，长此以往恐将引发各种社会问题。 4 不过话说回来，单身经济背后的各种新消费机遇，依然是值得所有人关注的。 其一，要继续完善婚恋市场。 必须承认，并非所有单身人士都渴望一辈子单身，他们中的很多人都拥有强烈的婚恋需求。然而受限于工作生活圈子等现实因素，很多单身男女缺乏交友途径，存在类似摩擦性失业的“摩擦性单身”，而不少年轻的单身男女都不愿意参加各种形式的相亲活动，认为相亲对象并不如自己找的人靠谱。 基于这一考虑，发掘相关产品或服务，减少婚恋市场的信息不对称，或许能极大地帮助单身人士“脱单”。 具体来说： （1）农村市场方面：农村地区的“保媒拉纤”，很多仍依靠媒婆等传统媒介，婚恋企业尚未下沉至此。故而商家可以参考淘宝、苏宁等巨头的下沉模式，依托网络终端等渠道，将婚恋中介服务拓展到广大农村县城。 （2）城市市场方面：可针对城市单身男女，可以提供同城兴趣小组、校友圈、同乡群等增进了解的产品或服务。 （3）产品方面：婚恋相关APP市场前景较为可期，特别是针对工作繁忙、圈子较小的都市单身男女青年来说，能较好地满足他们的婚恋需求。不过，针对其中的诚信问题与茶托、婚托等乱象，需要强化监管，规范行业发展。 其二，要迎合单身人士的兴趣爱好。 都市的单身男女乐意为那些有助于提高生活品质、增加乐趣的产品或服务买单。英敏特报告显示，电影/电视剧、旅行、运动健身是单身消费者最感兴趣的领域；分性别看，单身男性对健身、科技和音乐的兴趣明显浓厚，而单身女性则青睐于护肤、时尚潮流和运动健身等方面。 基于此，叠加城市居民人均收入水平的提高，相关消费市场存在进一步细分的空间，可以考虑布局。 其三，满足单身人士的陪伴诉求。 可以从三个方面着重考虑： （1）宠物经济：“吸猫撸狗”不但可以满足陪伴需求，还带有社交属性，非常适合单身人士，如此便利好整个宠物经济产业链，包括饲养、食品、用品、医疗、美容、培训、保险等等。 （2）线下聚会场景：朋友也可以满足陪伴需求，而面对面的交流要比线上对话更加亲近，与之相应的是桌游、餐饮等线下消费品面临机遇。 （3）线上产品：网络是单身人士寄托情感的重要渠道，愿意付费的人也越来越多，于是小说、影视、音乐、动漫等领域均有机会，内容服务商将大有可为；同时，各种短视频平台、直播网站、兼具社交属性的付费游戏等相关产业的商业价值都得以凸显。 其四，细分领域机会多多。 单身人群规模庞大，从细分领域和不同年龄、性别出发，提供个性化产品和服务，发展空间值得期待。 （1）社会安全：性别失衡可能会引发社会公共安全问题，女性作为相对弱势群体更容易受到侵害。防身用品消费需求面临契机，如防身喷雾、蜂鸣器、快速报警装置等。 （2）养老产业：少子老龄化的深入，将对单身老年人的养老产生不良影响。故而可以开展针对性较强的个性化养老产品与服务，完善居家养老、社区养老的配套设施，开发面向老年人的智能家居产品，等等。 （3）心理咨询：面对日益激烈的社会竞争，长期单身的男女心理负担加重，或将诱发心理健康问题。婚恋心理咨询服务有待于进一步完善，包括恋爱咨询、压力疏导、个人发展等等。
我从三个方面阐述一些观点。 第一，确实是低收入人群的消费情况不如高收入人群，这个很明显。疫情前的情况是，五线城市消费升级，但一线城市感觉消费增长乏力。但是疫情之后情况相反，一线城市的人均消费还在增长，四五线包括农村居民的消费从个人来看有点下行。但是如果不看大数据，从宏观数据来看其实是相反的，四五线城市的消费增长，包括客源的增速还是高于一二线城市的。这说明什么？至少在我们平台上，四五线城市的这些新的客人在增加，并且增速还是比较快的，但是人均的消费下来了。 我们也看了消费品类的区别，通过对消费者收入高低、学历如何等各种各样的信息判断，非常明显看出，一二线城市高收入人群的电子用品支出大幅度增加，但是在四五线城市或者低收入人群电子消费数量是大幅度下降的。很多高收入人群的职业，可以线上开会，也有很多在线上做金融服务，所以他需要买更多的电子产品，可能是工作需要，要买更好的PC。但是一些体力劳动者根本不需要，他没有办法进行远程办公，他也不需要买更好的电子设备，而且他的收入下行影响了他对这方面消费的需求。刚才刘世锦主任也说了，我们发现用大数据研究可以看到一些用宏观数据看不到的东西，如果看宏观数据好像还是四五线城市消费增速比一二线城市快，但是实际上是因为客源增加了，而不是单个群体的收入上升了。 第二，从人口迁移角度来研究，为什么四五线城市人群或者农民工收入下行。我们可以从一部分人的收货地址从一线城市转到四五线城市看出疫情后一线城市的人口迁出情况，而且也可以判断出来这些人是农民工还是高技术人才，是回去创业还是农民工回乡。我们可以看到一线城市移出去的人口当中50%多是低收入农民工。从这里也可以看出，疫情之后对就业的冲击还是比较大的，在一线城市的商店不开了，一些低收入人群的工作机会减少了。以前在一线城市打工的人群现在没有在这里工作，或者疫情后根本就没有出来，就留在农村了。这些人反映在我们这儿就是他的收货地改变了，如果他没有回到一线城市工作的话，可想而知他的收入肯定比以前要低，甚至没有收入。这就是为什么四五线城市或者农村地区单个群体人均的消费下降了，很多数据是可以得到相互印证的。 第三，我们也看了信贷情况。低收入人群更需要信贷的支持，但是这个信贷的可得性相对比较难，所以他们的人均消费弱于疫情前。而高收入人群，像金融服务业、高科技行业等这些行业相对是受益的。我们看到很多电商二季度大幅度好于一季度，即使在疫情期间增速都很快，这些行业的收入，包括消费其实都是在往上走。但这可能带来一点担心，就是疫情之后贫富差距拉大。现在中国疫情后的政策还是注重在投资上面，我们看到今年新增的地方政府专项债是1.6万亿，包括特别国债，大部分都是有规定的，特别是地方政府的新增国债，都是用在新基建或者投资上面，很少专门划出一块来给低收入人群，包括对于农民工的收入保障，基本上没有专项的比较大笔的计划。好像刘世锦主任、祝宝良首席以前也提到过，财政要支持这些人群，无论是消费券也好，直接对失业人群的补贴也好，对低收入人群的消费增速都会有立竿见影的效果。如果光靠投资这些可能得益的还是大型企业，反而对消费者促进会比较慢。包括汽车方面，比如2008年汽车税全面的普降这次好像也没有，对家电下乡、对特定收入人群类似消费券的发放好像也没有，我觉得这些接下来应该可以考虑一下。 现在来看中低收入人群的消费增速下行，可能短期内很难解决，他们的就业情况，还有餐饮行业等这些复苏明显要比高科技行业慢。金融行业的复苏的确非常快，因为都是搞金融科技线上化了。所以整个中国最新消费的格局比较令人担心的一点，就是疫情冲击拉大了贫富差距。
“他们有钱有闲，比起一线城市的年轻人们，压力更小。过去，他们更倾向于购买货币基金和指数型基金，如今，叠加购买主动型基金的小镇青年在总人群的占比增长30.7%，大于城市青年22.23%的增长率。他们的理财观念正在变化，更愿意去做分散的资产配置。”这是9月4日中国人民大学财政金融学院联合蚂蚁集团研究院发布的《互联网理财与消费升级研究报告》所勾勒出了小镇青年的理财现状。 移动互联网的发展推动投资理财变得更加普惠。 《报告》显示，2017年8月31日至2019年7月31日两年间，三线及以下城市和农村“基民”年增长率高出一二线城市。新冠肺炎疫情进一步强化了理财服务的线上化趋势。疫情期间，互联网理财业务的无接触性、便利性等优势得以不断凸显，线上理财销售、线上征信、线上理赔等业务发展迅速。 小镇青年理财技能相对缺乏 虽然小镇青年的理财观念正在变化，更愿意去做分散的资产配置。不过，小镇青年们的理财技能相对缺乏。 《报告》发现，虽然更愿意投资，但在效果上，三线及以下城市群体的理财收益人群占比要低于一二线城市人群，还需要吸收更多理财知识。 《报告》建议，加强金融投资者教育，注重金融知识“向下”普及。加大对下沉人群金融知识的普及力度，增加投资者的金融素养，提高投资效率。一方面可以帮助下沉人群实现收入向上迁跃，拉动内需，促进经济增长；另一方面可以提高金融监管效率，维护金融市场稳定。 蚂蚁集团财富事业群常务副总裁祖国明说，三线及以下城市和农村居民也有大量理财需求，并需要建立更为科学的理财观念。目前支付宝理财平台与超过300多家金融机构合作，用户在理财的任何阶段都能够获得专业机构、理财专家、内容社区等提供的服务。 数据显示，支付宝理财平台2019年提供了超2.5万篇文章，今年5月上线以来理财直播累计超1000场，为用户提供形式丰富的投资者教育。 此外，《报告》也认为，互联网理财有助于促进居民消费和消费升级、拉动内需，对下沉人群的影响更为显著。分析显示，资产的合理配置，能让人们的消费更有底气，增加消费意愿。另外，有理财投入，获得消费信贷的几率更大，也将在一定程度上促进消费，这主要是通过财富效应传导机制、资产效应传导机制和信贷效应传导机制来促进。 互联网培养了下沉人群理财习惯 中国互联网络信息中心数据显示，截至2019年6月，我国线上理财用户达1.69亿人。《报告》指出，互联网理财平台培养了下沉人群的理财习惯，其中，三线及以下城市和农村的“小镇青年”理财人数年增长14.13%，高于城市青年3.34%的负增长。 据预估，2022年，下沉人群的可投资金融资产规模有望达到101.7万亿元，互联网理财在下沉人群中的市场规模有望达到4.7万亿元。 “相较于传统理财业务，互联网线上理财降低了门槛，让不同地区和背景的人都能平等享受到金融服务，真正做到了金融的普惠。”中国人民大学金融科技研究所执行所长宋科表示。 《报告》认为，当前我国理财市场存在“缺口”，难以满足居民潜在旺盛理财需求。而互联网理财作为传统理财的重要补充，是数字时代的大势所趋。互联网理财能够优化中国居民金融资产配置，青年人群和下沉人群成为互联网理财“明日之星”，还有助于促进居民消费和消费升级，拉动内需。 为进一步推动我国理财业务转型升级，《报告》建议，传统金融机构与互联网金融平台应展开多样化合作。传统金融机构与互联网金融平台应展开全方位地深入合作，发展智能投顾，推动理财线上化，创新理财服务模式，提高理财服务的普惠性，满足大众投资者的多样化理财需求。
当前，低收入人群的消费情况不如高收入人群，这个很明显。疫情前的情况是，五线这些城市消费升级，但一线城市感觉消费增长乏力。但是疫情之后情况相反，一线城市的人均消费还在增长，四五线包括农村居民的消费从个人来看有点下行。但是如果不看大数据，从宏观数据来看其实是相反的，四五线城市的消费增长，包括客源的增速还是高于一二线城市的。这说明什么？至少在我们平台上，四五线城市的这些新的客人在增加，并且增速还是比较快的，但是人均的消费下来了。 我们也看了消费品类的区别，通过对消费者收入高低、学历如何等各种各样的信息判断，非常明显看出，一二线城市高收入人群的电子用品支出大幅度增加，但是在四五线城市或者低收入人群电子消费数量是大幅度下降的。很多高收入人群的职业，可以线上开会，也有很多在线上做金融服务，所以他需要买更多的电子产品，可能是工作需要，要买更好的PC。但是一些体力劳动者根本不需要，他没有办法进行远程办公，他也不需要买更好的电子设备，而且他的收入下行影响了他对这方面消费的需求。我们发现用大数据研究可以看到一些用宏观数据看不到的东西，如果看宏观数据好像还是四五线城市消费增速比一二线城市快，但是实际上是因为客源增加了，而不是单个群体的收入上升了。 从人口迁移角度来研究，为什么四五线城市人群或者农民工收入下行。我们可以从一部分人的收货地址从一线城市转到四五线城市看出疫情后一线城市的人口迁出情况，而且也可以判断出来这些人是农民工还是高技术人才，是回去创业还是农民工回乡。我们可以看到一线城市移出去的人口当中50%多是低收入农民工。从这里也可以看出，疫情对就业的冲击还是比较大的，在一线城市的商店不开了，一些低收入人群的工作机会减少了。以前在一线城市打工的人群现在没有在这里工作，或者疫情后根本就没有出来，就留在农村了。这些人反映在我们这儿就是他的收货地改变了，如果他没有回到一线城市工作的话，可想而知他的收入肯定比以前要低，甚至没有收入。这就是为什么四五线城市或者农村地区单个群体人均的消费下降了，很多数据是可以得到相互印证的。 我们也看了信贷情况。低收入人群更需要信贷的支持，但是这个信贷的可得性相对比较难，所以他们的人均消费弱于疫情前。而高收入人群，像金融服务业、高科技行业等这些行业相对是受益的。我们看到很多电商二季度大幅度好于一季度，即使在疫情期间增速都很快，这些行业的收入，包括消费其实都是在往上走。但这可能带来一点担心，就是疫情之后贫富差距拉大。现在中国疫情后的政策还是注重在投资上面，我们看到今年新增的地方政府专项债是1.6万亿，包括特别国债，大部分都是有规定的，特别是地方政府的新增国债，都是用在新基建或者投资上面，很少专门划出一块来给低收入人群，包括对于农民工的收入保障，基本上没有专项的比较大笔的计划。财政要支持这些人群，无论是消费券也好，直接对失业人群的补贴也好，对低收入人群的消费增速都会有立竿见影的效果。如果光靠投资这些可能得益的还是大型企业，反而对消费者促进会比较慢。包括汽车方面，比如2008年汽车税全面的普降这次好像也没有，对家电下乡、对特定收入人群类似消费券的发放好像也没有，我觉得这些接下来应该可以考虑一下。 现在来看中低收入人群的消费增速下行，可能短期内很难解决，他们的就业情况，还有餐饮行业等这些复苏明显要比高科技行业慢。金融行业的复苏的确非常快，因为都是搞金融科技线上化了。所以整个中国最新消费的格局比较令人担心的一点，就是疫情冲击拉大了贫富差距。 本文为作者在2020年8月25日由中国发展研究基金会主办的博智宏观论坛“中低收入阶层消费增长与国内经济大循环”月度研判例会上的发言。
近日，泰康保险集团联合尼尔森发布《2020年中国中高净值人群医养白皮书》称，中高净值人群尚未充分意识到长寿时代的到来，在健康准备、财富准备方面存在较大欠缺。 白皮书显示，按照中高净值人群当前生活水准推算，平均需要1060万元养老资金，从目前中高净值人群的储备来看，养老资金缺口均值达600万元，59%的中高净值人群养老资金准备严重不足。这导致中高净值人群将出现“60岁现象”，即在退休到来时，不得不降低生活品质以应对尚未准备充足的老年生活。 白皮书称，身为子女的中高净值人群对父母想要的养老方式存在明显误解，82%的子女认为父母想要的养老方式是居家养老，但实际，仅有66%的父母想要居家养老，其余34%的父母都更愿意拥抱更多元的养老生活方式。这与家庭内部难以有效沟通养老有关，白皮书调查结果显示，24%的中高净值家庭内子女与父母完全没有谈论过养老话题，40%只是点到为止。 白皮书显示，中高净值人群在健康方面存在诸多问题，需要关注各生命阶段的健康状况。从50岁起，一半中高净值人群便患有长期病症；70岁以后，近八成中高净值人群都将患病，步入“人人带病、长期生存”阶段。 整体上，中高净值人群在退休后已形成银发智力期、退休蜜月期、家庭价值期、安稳养老期“四段式退休生活”，多会在70-74岁左右开始规划居家养老或机构养老。 白皮书表示，更高的财富水平确实有助于提高老年时期医疗资源的获取能力，但即便家庭年收入达到200万元以上，仍有62%的中高净值人群需面临无床位住院等问题。从医疗人脉资源上看，仅9%的中高净值人群表示自己在医疗行业有很多熟人，21%的中高净值人群表示完全没有能在医疗资源上帮忙的人脉，仅5%会通过商业付费方式获取医疗资源协助。
2020年8月7日-9日，第五届CCF-GAIR全球人工智能与机器人峰会，于深圳隆重举办。此次峰会由中国计算机学会主办，雷锋网、香港中文大学（深圳）联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。在大会第三日的「AI金融专场」中，《AI金融评论》邀请了6位最具代表性的顶尖AI金融专家，分享能够代表未来10年风向的智能技术方法论、产品逻辑和风险管理理念；也在2020这个特别的时间节点上，展望他们眼中的「AI金融新十年」。华尔街知名建模和风控专家黄又钢参加了此次会议，他曾任摩根大通执行董事和花旗银行高级副总裁，拥有数十年的海外零售银行数据分析经验和前沿算法思维，今年回国与金融界顶尖技术大牛王强博士联合创立了弘犀智能科技有限公司，出任首席风控官。以《小微贷款风控模型中的算法探索》为主题，黄又钢和嘉宾及与会朋友们分享了自己在风控实践中的一些心得体会。黄又钢认为，中小微企业解决了国家80%的就业，这些企业的生存和贷款需求问题是需要关心和全力解决。但和上市的公司相比，这类企业信息透露不够充分，数据来源纷杂，数据格式不标准，数据更新周期不稳定，导致面向中小微企业的信贷产品难度更高。中小微企业信用贷款是一个世界性的难题，除了有国家层面的政策扶助，更需要顶尖人才的智慧和付出。在现场，黄又钢主要介绍了集成算法，降维算法、聚类算法和决策树算法。他指出，现在弘犀智能建任何模型一定是“双轨模型”， 即两个算法同时进行。此外，黄又钢还解释了实操“双轨”建模中的几大过程，详细讲述了人群分类在建模中的重要性，分享了算法探索与创新方面的两个思路。以下为黄又钢演讲全文，雷锋网AI金融评论做了不改变原意的整理（关注《AI金融评论》公众号，发送关键词“黄又钢”，获取他的演讲PPT。）：首先，感谢雷锋网提供这样的平台。在美国，这样的机会不是很多，各行业封闭得很厉害。能够有平台互相交流，特别是看到有这么多年轻的朋友在这里听，真的很好。我今天的主题是《小微贷款风险模型中的算法探索》。首先，我想谈谈股市和信贷谁更难这个问题。股市VS信贷，谁更难？从人才角度，信贷行业急需人才。股票市场比较容易吸引人眼球，高大上的人都选择去那儿。不光是中国，美国更是如此，华尔街吸引了全球最高端的人才。但是，如果有人选择信用贷款，特别是到小微贷款这个行业，给大家的感觉像是无奈之举。而且，两者都是在处理非常复杂的问题，股票市场需要需要考虑几千家上市公司和几千万散户的博弈，而小微贷款也需要考虑到几千万家企业。如何判断一家企业的信用、以什么样的利率贷款给企业、如何贷款后收到还款，这些都是非常复杂的问题，需要人才，尤其是顶尖人才去分析。从数据层面，信贷比股票市场更难，信贷行业更需要标准和规范和确切的数据。股票市场上，每家公司必须有财报，它的格式和框架是一致的。财报的数据是标准的、业绩等信息发布的时间和周期是确定的，我们可以确切的得到股票市场里的许多重要信息。和上市的公司相比，小微企业的信息透露不够充分，数据来源纷杂，数据格式不标准，数据更新周期不稳定，导致面向中小微企业的信贷产品难度更高。中小微企业信用贷款是一个世界性的难题。在股票市场，我们要关注两件事：价格和数量。什么价格买？高价买，还是低价买？买多少数量？1千股还是1万股？而在信用贷款行业中，我们需要关注它的四个维度：一是风险程度，我要判断你这个人是否靠谱；二是给你放贷，我给你多少利息，价格是高是低；三是我给你多少钱，借你1000元、1万元还是300万元；四是期限，我是按天、按月计算还是按年计算？在我国，中小微企业解决了国家80%的就业，这些企业的生存和贷款需求问题是需要持续关心和全力解决的。2006年，诺贝尔和平奖给了孟加拉国的经济学家，当时我在花旗银行，听到这个故事非常感动。经济学家真正去底层考察和生活，把27美元借给40多人，每人几毛钱、几美分地贷，这很难得。当时花旗银行没有小微贷款，也没有普惠的概念。我直接找到我老板，我问他看和平奖了吗？他说看了。我问他花旗银行怎么没有普惠性的东西？他耸了耸肩，没搭理我。我问我们能否做这样的事情，他回答我“做好你的工作就行了，别管那么多闲事”。美国的银行在为富人服务，他们并不关心底下的中小企业。而在中国，国家真的会把钱倾斜到中小企业身上。机器学习算法概述机器学习是AI的分支，现在机器学习有非常成熟的算法。我很喜欢这个图片，虽然这张并不是最新的图片。它列出的算法比较规范、有条理性。深度学习、集成算法、神经网络、正则化算法、规则算法、回归算法、贝叶斯算法、决策树算法、降维算法、实例算法、聚类算法，这些算法十几年前就有了，有些仍在不断更新。如果一个人想做机器学习，至少要懂每个算法的原理，这些算法背后的逻辑是什么？其底层数据是怎么回事？我今天主要介绍集成算法、降维算法、聚类算法和决策树算法。每个算法都有实实在在的应用和意义，不是为了算法而算法。如何应用算法？我们现在做任何模型一定是两个算法同时进行，既要做传统模型回归算法，也要做机器学习算法。传统模型主要指的是回归算法（LR），取决于应用场景。机器学习模型，我们主要指的是XGB，集成随机树的算法。经典风控领域全都是以回归模型为主导。原因在于其稳定性好，可解释性非常强。在美国，机器学习在任何信贷场景都不能落地，也不能使用，原因在于我们无法解释底层拒绝贷款申请的原因是什么。由于不能解释，在美国的法规下就不能应用。所以机器学习只能在底层，我们分析团队、模型团队可以高大上地玩，但只能玩而已，真正实战一律不许用。在中国，我们不仅玩，还有机会可以使用。至少从法规层面，我们还没有严格要求拒绝一个贷款必须跟企业或者客户解释理由。实操“双轨”建模有几大过程：一是预测能力的比较； 二是变量维度的判断；三是对比同一个观测值，如何交叉使用；四是策略应用，即如何使用这个模型。如何使用这两个模型？我们可以将数据集分为两类（路径）：一类是传统模型，另一类是机器学习模型。建完模型一定要有预测能力，假如用KS表述模型的准确率，你可以通过ROC、AUC等统计控制。假如我们用（统计）变量（做评估），不管（使用）哪个统计变量一定有好坏的比较。机器学习好或者不好的比较，首先是评测模型的层面。有了模型层面的比较后，（谈）模型一定会牵扯具体的特征值或者变量。它用哪些变量，在变量的层面上我们也进行比较。真正实际应用的是特征（变量），关键特征特别是关键维度覆盖性怎么样？传统模型覆盖了多少？10个维度还是20个维度？机器学习的维度到底是多少？都是我们需要考虑的。由于传统模型回归算法的局限性，它是线性（关系）的，维度一般在10～30个变量。而机器学习在准确性等方面比传统模型要好；在变量层面，总体来说机器学习完全没有概念和业务场景的限制，可以按照数据结构往下走，使用的变量相对较多。比如XGboost有一两百个变量是常态，三五百个变量也是常态。我们比较两个模型时，在变量维度之间要做一个比较。一般来讲我们建回归模型，在处理变量时，我们做了数据本身的转换，可以在变量维度上做聚类分析，控制变量维度。假定回归有20个变量，回归模型一般就（代表）有20个维度。虽然机器学习的变量很多，但是我们至少可以判断维度上是不是有问题。而每个观测值的评分，也是需要具体比较的。如果评分一致，我可以确定这个企业的评分比较准确。但是，如果两个评分出现差异怎么办？如一家企业用传统模型测出720分，用机器学习测出来可能只有600分。（也即）回归模型说这个人风险低，机器学习说这个人风险高，那我们如何决策？这是我们后端策略上要解决的问题。综上所述，每一个评分的好坏，可以通过三个层面的比较：模型层面、变量层面、观测者层面。人群分类是建模中十分重要的环节。如图示，这里有多个子人群。如果我能把人群打开，按照其实际状态，分为红、绿、黄等图中标注的群体，在每一个人群上做独立的测试，可能会做出更好的预测。这是人群分类的基本点。任何人群可能会存在不同的子人群中。每个子人群可能会有其独立的特征和趋势。问题是我们能否找到这样的趋势和特征。而前提条件是我们能否把人群分开，每个人（建模师）的经验不同所以做到的程度不同。决策树算法和聚类算法是人群分类中常用的两个算法。决策树算法，是用树的方法把底下人群分为几个叶子，每个叶子为一个子人群。聚类算法，是以每个观测点（如企业）的相似性为基础，将相似的企业分为一类。“相似性”是由统计学上的距离来决定的。从机器学习角度分为有监督学习和无监督学习。有监督，指的是知道Y是什么，在有Y标签的前提下进行训练。无监督，指的是不知道Y，只知道X变量。决策树算法是有监督算法的一种，而聚类算法是无监督算法的一种。这两种算法都非常有用。目前的算法变量越多，计算量越大，信息多了可以做更好的事情，信息多了可以分析各个层面，可能会有更好的结果，所以我们引入特征变量端。但是，在实际的统计分析上并非如此，信息多了可能会带来更多的噪音，当你无法区分噪音和有效数值时，你可能把噪音当做有用的。变量越多，算力肯定很沉重，如果我们涉及几千万人，算法用到几百棵树的时候，我们算力的时间不是按小时、分钟，可能是按天计算。特征少自然最好，我们能判断我们的特征是否是真的重要特征。我有5万个变量、1万个变量，过程中我选出20个变量，这20个变量是不是真正的主要变量？在1000个、10000个变量里如何选择20个你认为关键的，这是我们算法上要解决的问题。人群分类实际操作的第一步，是构造分类。我们从模型数据中判断，最上面的分支我们不做任何人群分类，全体人群做回归模型。出来的20个变量、30个变量，我们暂时判定经过一个算法（如LR），这20个变量是主要的变量、主要的特征。我把这个主要特征应用到后面的人群分类，通过回归模型判断主要特征。在此之后做人群分类，不管任何时候，数据驱动一定是我们的方法之一。人的经验（业务经验）一定有意义，人（的经验）和数据驱动永远是相辅相成的。如果你只靠机器学习做所有决策，不能说绝对不对，但可能走到比较危险的地方。从算法层面，我用两类算法，监督和无监督。在特征变量上，我给出两个的维度（主要变量和全量变量），主要变量可以方便我们快速有效地分类。而全量变量可以全面考查各方面的信息。第二步是比较评估，我们用两个算法，决策树和Cluster（聚类算法），及在特征变量上两个维度，那麽我们一起构成4个人群分类的方法。决策树用关键（主要）变量（ST2），SK1用聚类算法用全量变量。说是4个方法 （4个圈）， 可是每个圈可以是非常复杂的东西。假定用决策树，如果特征有2000个变量，这个树可以长到几百个，非常容易。决策树要对着2000个变量找树，统计上可以做限制。每一层分多少？叶子最多是多少？分多少层？有2000个变量足够你找几百棵树，在几百棵树下，至少有几百个子集。你用聚类也可以做很多的聚类人群。在做了决策树等4个方法后，怎么知道哪个人群分类的方法就是好的呢？我们最终谈的是预期模型和预测。在一个方法中可能出了200个子集，在另一个方法中出了40个子集。每一个子集要建模型，重新合起来，直到可以判断总人群到底是好还是不好。这四个方法，上面有一个LR模型，这是主模型，合到最后是5个模型。这5个模型之间的KS预测值谁好谁坏，可以判断最终的效果。不管分成多少个子集，我们最终要回归到总人群上比较，才能证明哪个方法好还是不好。如果一个决策树分为300个人群，那麽就会有300个模型，再加上总量的一个模型，就是301个模型。任何一个方法底层意味着几百个模型。人群分类的概念听起来非常简单，实际操作相当复杂。最终的结果有明确的评判好坏的标准，一是算法层面，二是参数层面，最终的效果必须汇总到整体后才可以评判。算法及应用的探索前面谈到如何分类人群，最后我们讲一讲算法的探索。我回到中国学到一个词叫混搭，衣服、鞋子都可以混搭，我的女儿告诉我她左脚穿红袜子，右脚穿蓝袜子，这就是混搭。混搭的概念在统计里早就应用到。比如两种算法相互匹配，两种算法相互兼容，两种算法相互嵌入，就可能做新的算法。如何做回归算法和集成随机决策树算法二者之间的交互？我们可以先训练LR模型，然后分箱（分层），分箱后每个点之间一定有误差值。在误差值的基础上，哪个层面的误差值最大，就在哪个层面直接插入XGboost。用 XGboost在这一层上单独进行计算以减小预测误差。至于如何使用，是属于技术上的问题了。算法探索与创新方面有两个思路。一是在单一算法层面，从数学角度和（或）计算机角度，产生新的突破。二是两种（或多种）算法的相互嵌入和混搭形成新的算法。比如XGboost的算法就是这样混搭出来的。从实际应用的层面，“匹配”可能会更快地实现突破， 即现成的算法匹配特定的人群和特定的特征，就可能产生非常成功的应用，比如CNN算法在图像识别上的应用效果就是一个事例。未来的方向是“算法+人群+特征”，也即，算法的突破，人群的细分，数据的深挖，及相互之间适当的匹配都可能产生革命性的突破。关于 CCF-GAIR 2020 AI金融专场「AI金融专场」是CCF-GAIR 2020最受关注的主题论坛之一，其余5位嘉宾分别是：国际人工智能联合会首位华人理事会主席杨强、平安集团首席科学家肖京、京东数字科技集团副总裁程建波、移卡集团副总裁奚少杰、统计学诺贝尔-COPSS总统奖得主范剑青。「AI金融专场」除了拥有业内最顶尖的阵容外，每年都会吸引中国及欧美地区众多AI金融专家到场。在上一届论坛中，加拿大工程院院士、Citadel首席人工智能官邓力博士，加拿大工程院院士凌晓峰教授等多位重量级人物来到现场学习交流。而在今年，包括黄铠、刘江川、王强等十多位IEEE Fellow以及各大金融机构的首席信息官/科学家来到现场，共同促进AI金融的产学融合与商业应用。（雷锋网雷锋网）
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估