乐乐彩_（中国）企业百科

侯毅：推动数字经济与实体农业融合发展具有多重意义******

　　中新网1月12日电 题：侯毅：推动数字经济与实体农业融合发展具有多重意义

　　中新财经记者 夏宾

　　当前，新一轮科技革命和产业变革深入发展，数字化转型大势所趋，数字经济成为推动中国经济高质量发展的核心驱动力。

　　盒马CEO侯毅近日对中新财经表示，推动数字经济与实体农业融合发展，对完善农业产业链、提升产业链发展质量、推动乡村产业振兴，促进农村农民共同富裕，构建城乡融合发展的新格局具有重要意义。

　　在他看来，数字经济与实体经济融合，贯通产业链上下游，能构建优质高效的服务业新体系，并推动现代服务业同先进制造业、现代农业深度融合。新零售通过产业互联网与消费互联网融合，全链路数字化运营，线上线下一体化商品与服务体系，实现对人民美好需求的快速响应，有利于深化供给侧结构性改革，实现高质量发展。

　　“中国农业产业容易受到农业自然因素、销售渠道单一、物流体系落后、品牌优势薄弱等多方面影响，而出现产量与质量的波动。我国许多特色农产品重要的经营主体是农户，因其“小而散”的特点长期游离于市场边缘，很难分享到农业产业链的增值红利。”侯毅提出，如何构建标准化、常态化、精细化的供应链体系与稳定的销售渠道，提高农产品附加值，是农业现代化亟须解决的问题。

　　他举例称，盒马探索出一种推动农业高质量发展的订单农业新模式——盒马村，这是运用数字技术打通农业上下游产业链，指导农业生产、加工、运输、销售等全链路以需定产，与盒马形成稳定的供应关系，发展数字农业的典型村庄。

　　数据显示，截至2022年10月，全国24个省市的140个盒马村年度农产品销售额达70亿元，带动4万余名农民就业，实现农民人均年增收超过25000元，促进农村土地流转10余万亩。

　　据侯毅介绍，在“十四五”期间还将在全国建设1000个“盒马村”，并在国内农业产地采购共计1000亿元的优质农产品，持续通过盒马村模式探索中国农业现代化高质量发展的创新实践。

　　在侯毅看来，数字经济为传统农业提供了新的销售通道，利用新技术、新模式推动农业产业数字化，打通从初级农产品到高品质商品之间的通道，可进一步延长农业产业链、提升价值链，从而给乡村振兴发展带来新的机遇。

　　同时，打造稳定的农业供应链不仅成为中国人端稳饭碗最重要的安全根基，还能够优化和稳定农产品的供给效率，降低物流成本，对加快建设现代化经济体系具有重大的现实意义。中国式农业现代化高质量发展的基石，离不开物流基础设施建设能力、商品中台建设能力、组织规划能力。

　　此外，他还提到，推动中国式农业现代化与现代服务业融合发展是调整农业产业结构的客观要求，也是实现农业现代化的必然选择。当前，农业数字化正越来越多地从消费端的“餐桌”走向更上游的生产端“土地”。通过产业互联网和消费互联网的深度融合，农业的多种功能不断被开发，农产品的价值链不断提升，消费者对美好生活的向往不断被满足，从而形成了需求牵引供给，新供给激发新需求的农业供给侧结构性改革新发展路径。

　　侯毅说，展望未来，面对全球价值链重构挑战，以新发展格局构建为引领，我们要增强供应链自主可控水平，保障供应链安全稳定，不断加强农业与科技融合，加快农业科技创新步伐，推进农业供给侧结构性改革，加快构建现代农业产业体系、生产体系、经营体系，提升农业劳动生产率，提高农业综合效益和竞争力，以中国式现代化全面推进中华民族的伟大复兴。(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

　　（文图：赵筱尘 巫邓炎）