盈彩官网网址|百科百科

农夫山泉宣布涨价！其他品牌会跟进吗？******

　　中新经纬2月2日电 (闫淑鑫 实习生 赵薇)近日，一则涨价通知，让农夫山泉成为了外界关注的对象。

　　根据通知，农夫山泉上调了杭州市部分规格桶装水售价，涨幅10%。此前，农夫山泉也曾在上海地区对桶装水进行提价。

　　农夫山泉此次涨价会波及到其他城市吗？瓶装水也会加入其中吗？

　　涨幅10%，其他城市会加入吗？

　　中新经纬注意到，最开始在业界流传的是一张农夫山泉《杭州区域19升水调价通知》，《通知》显示，因物价、原材料、人工及运费等成本不断上涨，2月1日起，杭州市19升桶装水价格调整为22元/桶。据悉，此前，杭州市19升农夫山泉桶装水的售价为20元/桶。

　　2日，农夫山泉客服向中新经纬证实了上述通知内容。该客服称，“其他规格的暂时没有通知。目前只有杭州地区(涨价)，其他地区暂时不清楚。”

　　值得一提的是，2022年，农夫山泉也曾对上海地区19升桶装水的售价进行上调，由26元/桶调整到28元/桶，原因也是“原材料、人力、运输等运营成本的影响”。

　　未来是否会有更多城市对桶装水进行提价？瓶装水是否也会加入涨价行列？2日，针对这些问题中新经纬向农夫山泉方面求证，相关工作人员称公司对相关问题暂时没有回复。

　　据媒体报道，在2022年3月的一场分析师业绩会上，农夫山泉执行董事周震华曾直言，成本压力已经“超过企业单方面可以去消化的水平”，农夫山泉的首选是通过提升经营效率消化成本，而由于市场及成本端变动大，竞品也有调价动作，农夫山泉也在持续观望。

　　成本高企，提价会是最优解吗？

　　农夫山泉的确面临较大的成本压力。

　　数据显示，2022年上半年，农夫山泉毛利率由上年同期的60.9%下降至59.3%，原因则是国际原油价格变动导致集团PET采购成本提高。

　　据悉，PET是农夫山泉生产产品包装最主要的原材料。招股书数据显示，2019年，农夫山泉PET成本为33.82亿元，占销售成本总额的31.6%，同期纸箱、标签、收缩膜等包装材料成本占比31.5%。算下来，这两项成本就占到了农夫山泉销售成本的63.1%。

　　农夫山泉曾在2022年半年报中介绍，国际油价2022年上半年呈现快速上升、高位宽幅震荡走势，PET是原油的下游产品，原油价格的上升和不确定性给公司生产成本控制带来了压力。

　　在成本压力下，农夫山泉2022年上半年的业绩增速大幅放缓。数据显示，2022年上半年，农夫山泉实现总收入约165.99亿元，同比增长9.4%；母公司拥有人应占溢利46.08亿元，同比增长14.8%。而2021年上半年，农夫山泉总收入及母公司拥有人应占溢利分别同比增长31.4%、40.1%。

　　其中，农夫山泉主要收入来源——包装饮用水业务，受到了重创，收入增幅降为个位数。半年报显示，2022年上半年，农夫山泉包装饮用水产品实现收入93.49亿元，同比增长4.8%，占总收入的56.3%。而上年同期，包装饮用水产品收入同比增长25.6%。

　　农夫山泉曾解释称，2022年一季度包装饮用水销售整体向好，二季度则受到了疫情的冲击。

　　广东省食品安全保障促进会副会长、食品产业分析师朱丹蓬向中新经纬表示，涨价对于农夫山泉来说是一把“双刃剑”。“表面来说可能会提升农夫山泉的利润。农夫山泉保利润，并不是说它不赚钱了，而是它想在资本市场上得到更多投资者的青睐。但涨价之后，如果其他品牌没有跟进的话，它的市场份额或将受到影响。但如果说整个行业真的是成本非常高，大家集体涨价，那可能又不一样。”

　　据英敏特数据，2022年，国内瓶装水市场按销售额估算的市场份额前三名分别是农夫山泉(25.7%)、华润(旗下品牌怡宝，17%)和景田(旗下品牌百岁山，9.7%)。

　　至于其他品牌是否跟涨，朱丹蓬表示，中国饮用水竞争已经进入了非常内卷的周期，从水种来说，农夫山泉不具备优势；从品牌效应到规模效应，农夫山泉有优势但不是碾压式的优势，其他品牌应该不会跟进涨价。

　　(文中观点仅供参考，不构成投资建议，投资有风险，入市需谨慎。)

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）