“囤的货都卖完了” 白酒经销商加紧补货******

　　1月19日，位于成都市的一家永辉超市酒类销售专区人潮涌动，各品牌销售员忙着给客户推荐产品、回答问题。随着疫情防控政策进一步优化，白酒消费市场逐渐恢复，终端销售回暖。成都一家烟酒店老板李庆(化名)告诉中国证券报记者：“之前的存货都卖空了，1月份又补了一批货。”

　　● 本报记者 康曦

　　逛酒类专柜人流增多

　　春节前最后一周，中国证券报记者走访成都多家商超、烟酒店以及白酒专卖店发现，一些商超把酒类销售专柜设置在显眼位置，逛酒类专柜的人流明显增多，白酒终端销售正在好转。“现在是白酒销售旺季，部分白酒开始涨价，不过名酒价格变化不大。”一位销售人员说。

　　李庆告诉记者，自己又接到一个团购客户订单。“团购客户主要买五粮液和茅台。茅台如果整箱买，我们现在的价格是每瓶3150元，零售价格是每瓶2950元。五粮液整箱6瓶的价格是5900元，国窖1573整箱6瓶要5800元。”

　　李庆经营的这家烟酒店在2019年8月开张，开张半年就赶上了疫情，生意刚有起色，受疫情影响很快就急转直下。随着疫情防控政策进一步优化，李庆明显感受到了白酒市场的变化。

　　“最近找我们拿货的客户多了，拿货数量也比上年多，2022年中秋节囤的货都卖完了，1月份又补了一批货。”李庆说，“名酒靠走量，单瓶利润较低。白酒行业受疫情影响很大，前期大家手里压了不少货，现在目的很明确，就是抢客户走货，宁愿少赚一点也要回笼资金。”

　　成都一家五粮液专卖店销售人员告诉记者：“现在聚餐的人多了，白酒市场起来了，今年春节旺季我们销售比上年更好。”

　　五粮液在1月18日发布的投资者关系活动记录表显示，公司核心大单品动销逐步有序恢复。2022年12月，公司多数营销区域核心大单品动销实现正向增长。

　　需求回升明显

　　在消费回暖的背景下，多位受访人士认为，2023年名酒价格有望上行。

　　李庆认为，随着大环境好转，白酒市场消费会起来，2023年名酒涨价将是大势所趋。“我刚开店的时候，国窖1573的售价是每瓶820元，现在是每瓶967元。2020年和2021年，国窖1573价格都在上涨，2022年是近年来白酒行业最差的一年，经销商存货很多，所以2022年国窖1573的价格基本没有上涨。随着白酒消费回暖，2023年预计会涨价。”

　　上述五粮液专卖店销售人员表示：“目前公司正在开展春节前的优惠活动，每瓶价格最低可以做到1100元，节后的价格要等公司通知。”

　　2022年12月18日，五粮液在经销商大会上首次提出，开展市场价值回归战役。通过“每天精准发货、每周一次检查、每月一次宣传、每季一次复盘、半年一次奖惩”，厂商一体，全国一盘棋推动五粮液高质量动销。

　　中信建投证券表示，白酒动销场景逐渐恢复，需求回升趋势较为明显，主流单品批发价格将企稳回升。

　　后市预判分歧大

　　对于白酒行业后续发展，业内人士存在一定分歧。

　　五粮液集团(股份)公司党委书记、董事长曾从钦表示，白酒产业结构性繁荣正在加快演进，增长是长期趋势。

　　国泰君安表示，白酒行业将迎来两波需求修复，第一波为消费场景修复带来需求回暖，第二波为居民收入实质性修复带来需求回暖。中金公司认为，2023年白酒行业的增长将主要来自于消费场景修复下的增量，宴席场景恢复将早于商务场景。

　　不过，也有专家表示，白酒行业发展红利逐渐消失，进入白热化竞争阶段。白酒企业的市场规模此消彼长，而不是共同增长，白酒企业稍有不慎就可能出现业绩下滑。

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