报告行业投资评级 - 报告未明确给出行业投资评级 [1][2][3][4][5] 报告核心观点 - 人工智能正重塑制造业的方方面面 从设计到生产 从供应链到销售 再到员工管理 帮助企业改善效率并提升运营的智能化与敏捷性 [2] - 人工智能助力企业最大限度地减少浪费并优化能源使用 从而推动可持续发展 [2] - 制造企业不应仅在局部实施人工智能 而应将其融入企业的方方面面 以充分发挥其潜力 [2][3] - 自主智能体作为智能工具发展的下一个前沿领域 正蓄势待发 通过助力实现自优化供应链 自主生产线和跨业务职能实时协调 为真正实现端到端智能制造模式铺平道路 [3] - 93%的受访者认为 全面实施人工智能的企业将在业内形成显著的竞争优势 [8][9][10][20] 目录总结 引言 - 人工智能正重塑着制造业的方方面面 从设计到生产 从供应链到销售 再到员工管理 人工智能不断帮助企业改善效率 并提升运营的智能化与敏捷性 [2] - 人工智能的应用仍然较为分散 且主要由职能部门推动 许多制造企业仅在局部部署人工智能 此举限制了人工智能潜力的充分发挥 使企业难以真正实现整体转型 [2] 简介 - 第四次工业革命要求企业具备更大的敏捷性和实时决策能力 人工智能已非可有可无 而是不可或缺 可帮助企业实现预测性维护 智能自动化和数据驱动的优化 [7] - 转型成为智能制造企业不仅应引入人工智能 还应对工业生态系统进行改造 以挖掘人工智能的巨大价值 提高运营效率和韧性 并创造新的竞争优势 [7] 概要 - 93%的受访者认为能够拥抱人工智能的企业将在业内形成竞争优势 [15] - 72%的受访者计划使用人工智能提高效率 77%将其用于推动增长 [15] - 74%的受访者已经引入机器学习 72%已经实施预测分析 67%已经使用智能体 [15] - 96%的受访者已经实现运营和效率提升 45%财务状况有所改善 其中62%的投资回报率超过10% [15] - 78%的受访者认为实现可持续发展目标比人工智能更加重要 85%已经制定计划以缓解实施人工智能技术带来的能源需求增长问题 [15][16] 调研结论 - 56%的制造企业在实施人工智能解决方案时面临着与数据相关的问题 40%遇到员工技能不足或抵制变革的问题 为此80%已经投资开展人工智能工具知识和技能培训 [18] - 65%的受访者已采用结构化的人工智能风险管理方法 数据隐私（57%）和监管合规（44%）是主要关注领域 [18] - 36%的制造企业将其人工智能预算占IT总预算的10%以上 77%计划在未来12个月内提高这一占比 其中71%预计增幅将超过10% [18] 自主智能体推动变革 - 自主智能体能够独立推理 决策和以目标为导向执行任务 可以从根本上重塑制造业 [50] - 智能体可以在各种制造过程中实施以目标为导向的自主决策 关键领域包括产品线自治 自优化供应链 人类与人工智能进行决策合作 循环经济与可持续制造 自主维护和资产管理 面向大规模定制的自适应制造 [51][52][56][57] 打造智能制造企业 - 制造企业必须在创新与运营韧性之间取得平衡 确保人工智能驱动的自动化 预测分析和自优化系统与安全标准 监管要求和员工发展相匹配 [82] - 成功实施人工智能需要一种结构化 多层次的方法 在企业 职能和基础等多个层面构筑相应的能力 [82] 阶段一：利用人工智能为员工赋能 - 在赋能阶段 重点应提升员工技能并建立人工智能实施基础 企业应任命一名高管作为负责人 制定人工智能战略 识别高价值用例 提高人工智能素养 确保遵从相关法规 并建立道德护栏 [91] - 制造企业可针对特定领域试行人工智能解决方案 例如通过预测性维护减少停机时间 利用计算机视觉进行缺陷检测 借助人工智能进行生产规划 利用人工智能开展供应链预测 [103][104] 阶段二：将人工智能融入各项工作 - 融合阶段标志着企业向人工智能驱动的综合制造生态系统转型 人工智能融入到端到端的工作流程 工业机器人 数字孪生和生产控制系统中 [131] - 制造企业会将各类人工智能模型整合纳入制造执行系统之中 融合云计算 边缘人工智能和内部部署的图形处理单元的混合基础设施有助于确保可扩展性 安全性和无缝数据处理 [132] 阶段三：发展企业自身生态系统 - 在演进阶段 应推动商业模式和生态系统的发展 使用人工智能以及量子计算和区块链等前沿技术来解决行业面临的重大挑战 [92] - 人工智能可有助于在企业与合作伙伴之间顺畅地实现价值联动 这一阶段聚焦以实时安全性确保遵循道德要求并赢得信任 通过广泛而深入的培训提升员工潜力 [92] 主要考虑因素 - 制造企业可以通过将研发 生产和现场服务的数据整合到一个闭环系统之中 以发挥这些数据的真正价值 [62] - 制造业数据不仅相互孤立 而且差异较大 产品的复杂程度差异很大 需要采用不同的数据结构和分析方法 数据分属不同的利益相关方 包括制造企业 客户 分销商 经销商和第三方服务提供商 [66][70] 为您的人工智能转型保驾护航 - 毕马威提供了人工智能成熟度模型和框架 以帮助企业通过三个关键阶段实现转型发展 即利用人工智能为员工赋能和构建人工智能基础设施 将人工智能融入各项工作 发展运营模式和生态系统 [11][12] - 毕马威美国完成了名为"生成式人工智能机遇量化"的研究 评估了全面部署和应用生成式人工智能的现实价值 对全球超过1700万家企业进行了评估 发现仅仅在劳动生产率方面EBITDA就提高了4%-18% [118]

报告行业投资评级 - 报告未明确给出行业投资评级 [1][3][9] 报告核心观点 - 中国对外绿地投资正从"走出去"向"走进去"转型 强调深入本土化运营以应对全球经贸格局变革和产业链重构 [5][6][40] - 绿地投资已超越跨境并购 成为企业开拓海外市场的核心方式 因其更强的战略定力和可持续发展潜力 [6][20][40] - 中国企业对外绿地投资规模显著回升 尤其在新能源汽车、光伏、数字基建等领域形成示范效应 通过全产业链布局重塑国际形象 [6][35][100] - 未来趋势包括供应链多点布局（从"中国+1"转向"中国+N"）、投资领域多元化（数字经济、绿色能源、高端制造）、本土化深化及共建"一带一路"国家为核心方向 [106][108][114] 全球对外绿地投资规模 - 2024年全球对外绿地投资金额为1.34万亿美元 虽较2023年下降5% 但仍为有记录以来第二高水平 项目数量达19,356笔 同比增长3% [20] - 全球对外直接投资尚未恢复至历史高点 2024年为1.6万亿美元 低于2007年峰值2.2万亿美元 [14] - 欧盟和美国是绿地投资主体 2024年占比分别为28%和17% 中国占比从2023年12%下降至6% [24] - 信息和通信技术行业绿地投资增长最快 2024年金额达2,110亿美元 同比增长73% 能源和采矿业投资下降28%和48% [35] 中国对外直接投资与绿地投资阶段 - 中国对外直接投资存量截至2024年超3万亿美元 但占GDP比重仅16.5% 低于发达经济体（54.2%）和发展中经济体（24.7%） [41][46] - 中国绿地投资经历三阶段：1.0阶段（20世纪90年代至2017年）以获取资源和基建为主 国企主导 2.0阶段（2018-2024年）以产能输出和扩大市场份额为核心 民企参与度提升 3.0阶段（2025年起）聚焦供应链韧性和深度本土化 [48][51] - 2024年中国对外绿地投资金额达323.7亿美元 同比增长17.2% 为跨境并购规模的4倍 主要流向东南亚、欧洲和中东 [77][82][90] 投资区域与行业分布 - 东南亚、欧洲和中东是主要投资区域 2024年对欧洲投资104.7亿美元（同比增长60.8%） 对中东投资近30亿美元（同比增长64%） [77][89][90] - 共建"一带一路"国家占比达85.3% 2024年投资金额276亿美元 匈牙利、印尼、马来西亚为主要目的地 [95][96] - 行业分布以汽车、能源、金属矿产为主 2024年汽车行业投资111.7亿美元 占比34.5% 动力电池、可再生能源和数字基建成为新增长点 [100][103][108] 投资主体与典型案例 - 民营企业在前十大绿地投资中数量占比60% 金额占比超50% 超过国有企业 宁德时代（匈牙利动力电池厂37.8亿美元）、中海油（圭亚那原油能源31.8亿美元）为2024年最大案例 [103][104] - 投资方式从自建工厂转向与当地企业合资、技术授权等模式 以规避美欧严格的投资审查 [115] 本土化与产业链延伸 - 企业注重深度本土化 覆盖研发、生产、营销、物流、售后全环节 并通过链主企业组织上下游配套出海 形成"研发—生产—服务"产业链联合体 [112][113] - 本地化运营从显性层面（产品、渠道）延伸至隐性层面（财税、内控、数据安全） 以提升合规性和竞争力 [112]

报告行业投资评级 - 报告未明确给出行业投资评级 [1][2][3][4][5][6] 报告核心观点 - 人工智能正从试点扩大到规模应用 显著提升能源行业运营效率 资产优化 安全性和可持续性 [4][5][28] - 智能体技术是人工智能演进的下一阶段 能自主管理整个工作流程 模拟人类专家判断 并在无监督下做复杂决策 [4][39][40] - 能源企业需通过三阶段转型实现人工智能价值：赋能员工 融合工作流程 发展生态系统 [58][59][62] - 扩展人工智能应用需重塑企业运营模式 解决数据质量 监管合规和预算限制等挑战 [31][16][22] - 人工智能驱动项目分为两类：追求投资回报的价值项目和增强安全性及可持续性的驱动型项目 [35][36][37] 调研结论 - 56%能源企业正在扩大人工智能项目规模 44%已将人工智能融入运营核心 [28] - 79%企业通过人工智能实现可衡量效率提升 60%获得超过10%的投资回报 [29] - 92%企业正投资未来人工智能项目 76%计划增加支出 63%表示增幅超10% [30] - 65%企业希望提升效率 74%正设法实现增长 [8] - 63%企业努力平衡人工智能应用与可持续发展目标 71%将可持续发展视为比人工智能更重要的战略目标 [8] 能源行业人工智能现状 - 人工智能应用聚焦运营效率 资产优化 安全性 可持续性和预测性维护 [28] - 数据格式不一致影响58%企业的数据质量 38%面临道德和监管问题 [9][10] - 仅13%能源企业设立人工智能卓越中心 领导层分散在IT部门(20%)或IT与业务部门兼有(34%) [32] - 智能体技术能动态调整能源输出 优化电网负载平衡 并加速脱碳创新 [40][41][43] 打造智能能源企业 - 需统筹企业整体转型 职能层面转型和基础技术路线三层面能力建设 [52][53][54][55] - 智能能源企业蓝图通过人工智能深度融入价值流 实现客户互动 风险管理和产品开发智能化 [56][57] - 三阶段转型框架：赋能阶段提升员工技能 融合阶段集成工作流程 演进阶段发展生态系统 [58][59][62] 阶段一：利用人工智能为员工赋能 - 重点为提升员工技能 建立实施基础 任命高管负责人 制定战略并识别高价值用例 [60][67] - 企业希望通过人工智能实现目标：降低成本(52%) 改善决策(43%) 改善客户体验(39%) [68][69] - 生成式人工智能在能源行业潜在价值达830亿美元 其中服务与数据分析领域价值最高(244亿美元) [74][75] 阶段二：将人工智能融入各项工作 - 需任命高层领导监督变革 将人工智能融入电网管理等核心职能 打破数据孤岛 [96][97] - 智能体可掌管整个工作流程 需从单点部署转向价值流驱动变革 [102][104][105] - 关键价值流包括能源生产 输送分配 交易市场优化 客户零售管理及可持续发展合规 [108][109][110][112][113] 阶段三：发展能源企业自身生态系统 - 重点为转型互联生态系统统筹者 实现自主电网 跨领域能效管理 碳信用市场和循环能源经济 [118][119][120][121][122][123] - 人工智能将重塑能源市场 供应链和商业模式 需彻底反思组织架构和运作模式 [119] 主要考虑因素 - 需制定由商业战略驱动的人工智能战略 优先投资迫切需求领域 并与能源转型战略融合 [125][127] - 建立透明治理框架 确保模型可理解可审核 采用强加密和零信任架构应对网络安全 [128][129] - 培养桥梁型人才：人工智能产品经理和人工智能治理专家 [125]

报告行业投资评级 - 报告未明确给出行业投资评级 [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][36][37][38][39][40][41][42][43][44][45][47][48][49][50][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74][75][76][77][78][79][80][81][82][83][84][85][86][87][88][89][90][91][92][93][94][95][96][97][98][99][100][101][102][103][104][105][106][107][108][109][110][111][112][113][114][115][116][117][118][119][120][121][122][123][124][125][126][127][128][129][130] 报告核心观点 - 生命科学行业在人工智能应用方面处于领先地位 但实现高额投资回报仍具挑战 仅23%企业获得较高或极高投资回报 而51%企业处于中等回报水平 [7][10][12][38][39] - 采用混合运营模式（职能与敏捷兼顾）的企业获得高投资回报的概率是传统架构企业的两倍 [7][41] - 人工智能应用正从数据分析转向生成式人工智能和智能体 89%企业放心让人工智能为特定流程进行端到端自主决策 85%企业已大力或逐步使用自主代理式系统 [13][27][28][29][44] - 数据问题是主要挑战 68%企业面临数据孤岛、格式和质量差异以及安全和隐私问题 [13][32] - 人工智能投资需平衡高价值高风险应用（如分子建模）与低价值低风险应用（如供应链自动化）以实现可持续回报 [73][74] 调研结论 - 生命科学行业在人工智能应用方面领先 97%企业已利用人工智能改善运营 86%企业认为拥抱人工智能将形成竞争优势 [10][23] - 69%企业对人工智能在未来五年角色制定明确战略愿景 92%企业清楚应投资哪些人工智能技术和能力 [10][11] - 73%企业已实现效率提升 但仅23%获得较高或极高投资回报 32%企业预计未来几年投资回报保持不变 [12][39] - 68%企业面临数据集成挑战 仅17%实现混合云集成 34%依赖手动或基础数据集成 [13][30][31][32] - 技能短缺制约进展 74%企业已开展员工培训 但机器学习、数据工程等领域人才不足 [40] 打造智能生命科学企业 - 企业需通过三阶段转型：阶段一（赋能）构建人工智能基础 阶段二（融合）将人工智能融入工作流程 阶段三（演进）发展生态系统 [59][61][63][64] - 智能生命科学企业需具备混合云基础设施、智能数据管理、负责任人工智能模型开发等基础能力 并在职能层面整合研发、制造和商业化流程 [55][56][57] - 人工智能战略需围绕价值实现 建立信任 构建可扩展技术设施 培养人工智能文化 [47][48] 阶段一：利用人工智能为员工赋能 - 73%企业已利用人工智能提高效率 39%改善财务状况 [66][67] - 重点包括任命人工智能高管、制定战略、提高员工素养、确保合规 并在研发、供应链等领域测试人工智能解决方案 [66][67][69] - 计算机视觉（78%）、生成式人工智能（73%）、推荐系统（73%）是广泛应用的技术 [70][71] 阶段二：将人工智能融入工作流程之中 - 人工智能深度融入药物发现、临床试验、制造和商业运营 推动系统性改进 [96][97] - 价值流涵盖药物开发（全球研发投资2,760亿美元）、临床试验（每天延迟成本50万美元）、供应链优化和市场准入 [98][99][100][101][102][103] - 需优先考虑道德、安全、合规和信任要素 确保符合行业法规 [96] 阶段三：发展企业自身生态系统 - 企业转型为人工智能赋能、生态系统驱动模式 与生物科技企业、监管机构、医疗健康系统合作 [107][108] - 人工智能与先进技术融合 推动远程研发、智能实验室和个性化医疗 缩短药物发现时间 [108][115] - 跨界融合催生人工智能赋能医疗健康新物种 挑战传统商业模式 [110] 演进阶段生态系统带来的机遇 - 人工智能实现生物制药、医疗科技、诊断和数字健康生态系统无缝对接 提供个性化及预测性服务 [112][113] - 人工智能驱动远程研发和智能实验室 通过模拟和合成试验缩短药物上市周期 [115] - 人工智能重塑临床试验过程 通过真实世界数据集成和自适应试验设计提高效率及多样性 [117] - 价值导向型生态系统聚焦疗效驱动模式 优化风险分担和供应链协调 [118] 主要建议 - 设计符合核心竞争力的人工智能战略 优先实施高影响用例（如分子建模、供应链优化）并确保可扩展性 [120][122][124][125] - 建立信任 实施可解释人工智能和偏见审计 让利益相关方参与模型开发 [127][128][129] - 构建灵活技术设施 投资企业数据平台和云基础设施 [48][55] - 培养人工智能文化 通过培训增强跨职能协作 [48][67]

市场规模与增长 - 截至2024年底全国低空经济相关企业数量达71,081家，其中2024年新注册企业10,176家占比14%[8] - 低空经济上市公司中民营企业占比67%共117家，国资国企占比27%共47家[15] - 国资国企上市公司2022-2024年营收年均复合增长率18.6%，民营企业为6.3%[22] - 国资国企上市公司平均资产规模320亿元，是民营企业25亿元的12.7倍[21] 区域与产业分布 - 低空经济上市公司主要集中在华东地区31.4%和华北地区20%[15][16] - 通用航空企业38,343家，华东地区占比28.1%；无人机企业32,655家，华南地区占比25.7%[31][35][38][40] - 全国近30个省份出台低空经济支持政策，深圳设立20亿元产业基金推动集群发展[42][66] 基础设施工况 - 全国通用机场仅475个，美国超4,000个，低空网联系统尚未整合[59] - 某电信央企实现跨省跨海百公里级5G低空网络覆盖，高度达300米[61] - 低空经济基础设施需政府顶层设计，国资国企承担主要投资建设角色[59][60] 应用场景与商业化 - 低空经济主要应用于农业植保、物流配送等生产作业场景占比超80%[106] - 中国公务和私人飞行市场占比仅18%，美国达65%[107] - 地方政府对eVTOL商业航线按每架次每位乘客补贴100-300元[107]

全球金融监管动态摘要 - 香港特区政府通过《2025年银行业（修订）条例草案》，促进银行间账户资料共享以提升罪案侦防效率[5] - 巴塞尔银行监管委员会发布气候相关金融风险自愿披露框架，涵盖定性与定量信息[5][53] - 美国参议院通过《引导和建立美国稳定币国家创新法案》，规范支付稳定币发行与监管[5] - 金融稳定委员会提出综合方法应对非银行金融中介机构杠杆风险[5][63] - 美联储发布非银行金融机构资金支持研究论文[5] - 欧洲央行修订内部模型指南，明确信用风险、市场风险等监管框架[5] 重点监管活动 - 欧洲央行披露欧元体系投资组合碳足迹及气候风险敞口[7] - 英国支付系统监管机构报告显示非接触式信用卡支付仍为主流方式[7] - 中国国家金融监管总局修订《货币经纪公司管理办法》，优化许可事项与业务范围[7] - 香港金管局发布稳定币发行人制度实施指南，统一新旧发行人申请程序[7][41] - 英国财政部推出批发金融市场数字化战略，聚焦市场优化与转型[7] 中国内地监管动态 - 证监会修订期货公司分类评价规定，优化扣分与加分标准[8] - 发布《期货市场程序化交易管理规定》，明确高频交易定义与系统安全要求[8] - 三部门联合推出支持上海金融发展政策，包括数字人民币试点等八项举措[9] - 央行拟修订非银行支付机构分类评级管理办法，实施差异化监管[9] - 财政部加强国有保险公司长周期考核，新增5年周期指标[14] 香港地区监管进展 - 证监会联合全球监管机构打击非法金融网红活动[25] - 财经事务局推动虚拟资产衍生品交易，拟发布第二份数字资产政策宣言[26][37] - 金管局优化离岸人民币债券回购业务，支持抵押品再使用与外币结算[43] - 保监局发布保险业估值及资本规则指引，提供技术实施标准[35] - 推出《保障消费者防诈骗约章3.0》，扩大金融科技企业参与范围[47] 国际组织政策动向 - 金融稳定委员会分析非银行商业地产投资者三大脆弱性：流动性错配、高杠杆与估值不透明[56] - 巴塞尔委员会报告揭示银行与非银行金融中介机构风险传导机制[65] - 国际清算银行指出稳定币与传统金融体系关联增强带来政策挑战[66][68] - 科学碳目标倡议组织发布金融机构净零标准，要求2050年前实现贷款投资组合碳中和[67][69] - 反洗钱金融行动工作组更新指南，强调金融包容性与反洗钱措施协同[60]

政策修订与实施 - 中国新增K字类普通签证，针对外国青年科技人才，将于2025年10月1日实施[3] - K字签证优化停留期限，拓宽活动范围至教育、科技、文化等领域交流及创业、商务活动[6] - 免除需通过境内邀请方申请的传统模式，符合特定年龄、教育背景或工作经验要求即可申请[6] 适用人群与条件 - 适用人群包括毕业于境内外知名高校或科研机构，取得STEM学科学士及以上学位的外国青年[6] - 适用人群还包括从事STEM相关专业教育、科研工作的外国青年科技人才[6] - 具体年龄界定、科技行业范围、签证有效期及停留期限等细节有待进一步明确[5] 行业建议与支持 - 符合条件的外国青年科技人才及拟聘用单位应密切关注中国驻外使领馆发布的K字签证申请指南[5] - 建议提前准备学历、科研成果、在职/在读证明等材料以高效完成签证申请[5] - 毕马威将分享最新出入境政策动向并提供专业支持[5]

行业投资评级 - 报告未明确给出具体行业投资评级 但强调人工智能治理框架的战略价值及早期行动益处[237][240] 核心观点 - 阿联酋人工智能宪章提出12项原则 涵盖安全、偏见、隐私、透明度等关键领域 与KPMG可信赖AI框架高度契合[7][28] - 人工智能治理需从静态政策转向动态控制机制 嵌入全生命周期管理[7][238] - 主动遵循原则可降低合规成本 建立信任并获得差异化竞争优势[9][240] - 全球监管趋势显示AI伦理正从自愿转向强制性要求 如欧盟AI法案[10][225] 阿联酋AI宪章12项原则 人机关系 - 原则1强调AI需增强人类能力 医疗AI和智慧城市为典型应用场景[12][33][34] - 实施方法包括人机协同决策机制和透明算法设计[35][38] 安全与偏见 - 原则2要求AI系统达到最高安全标准 自动驾驶和医疗诊断需容错机制[13][49][50] - 原则3针对算法偏见 需通过公平感知算法和多样化数据集缓解[14][68][74] 数据与透明度 - 原则4规定数据使用需保护隐私 采用差分隐私等技术[15][89][93] - 原则5要求AI决策可解释 贷款审批等场景需特征重要性分析[16][107] 监督与治理 - 原则6明确人类监督不可替代 医疗和金融领域需预设干预阈值[17][121][123] - 原则7提出建立AI伦理委员会 实施持续审计流程[135][142][147] 技术与社会价值 - 原则8倡导技术卓越 需持续投入研发并设定性能基准[152][160] - 原则9-12聚焦社会影响 包括人权保护、法律合规及包容性设计[169][220][203] KPMG可信赖AI框架 - 包含10项核心原则 与阿联酋宪章形成映射关系 提供实施方法论[25][28] - 框架覆盖AI全生命周期 从数据赋能到模型开发及部署监控[25][238] 实施建议 - 进行原则差距分析 建立跨职能AI治理委员会[241][242] - 采用KPMG风险控制矩阵(RCM)等工具嵌入隐私和公平性设计[243][245] - 开展利益相关者培训 提升AI透明度与合规意识[246]

监管框架更新 - 香港证监会发布11号牌新规（RA11）第三次咨询意见稿，对财政资源要求进行更新[3] - 最低资本要求和速动资金计算规则调整幅度较大，基于2017年咨询结果和2025年市场调研[3] - 市场风险资本计量与巴塞尔协议III改革保持一致，维持原有框架但细节调整较多[3] 资本计量方法 - 首次提出采用巴塞尔协议III最新资本计量方法对应的最低资本要求及宽减资本规定[5] - 明确衍生工具定义，包括股权类、外汇类、利率类等常见衍生工具的统一标准[5] - 市场风险标准法（SMRA）与巴塞尔协议III简化标准法趋同，扩增风险分类和新增比例因子[6] 模型风险管理 - 模型风险管理要求扩大至所有RA11持牌法人，首次明确董事会承担最终责任[9] - 要求建立完整的模型清单，包括使用中、开发中和已停用的模型资料[9] - 强调对供应商模型的管理要求，需收集充分的供应商模型资料[10] 实施支持 - 毕马威可提供RA11新规实施支持，包括申请规划、影响分析和实施支持[12] - 支持内容包括监管规则解读、差距分析、牌照申请路线规划等[17]

城镇化与产业发展 - 设定未来五年城镇化率接近70%的目标，实施多项城镇化相关行动[12] - 国资央企带动战略性新兴产业集群化发展，向潜力地区倾斜布局[13] 国资央企改革 - 明确深化国资央企改革四大重点任务，强调开展国有经济增加值核算[14] - 从五个方面把握深化国资国企改革正确方向[22] 绿色转型 - 系统部署国资国企绿色转型，构建绿色产业生态圈[24] - 开展绿色转型科技创新，加强区域协作与国际合作[25] 创投与并购 - 国资出资在创投领域成为长期、耐心资本，完善相关政策措施[33] - 支持上市公司围绕新兴产业并购重组，提升市场交易频率[35] 市值管理与考核 - 将市值管理作为长期战略，明确“工具箱”内容[66] - 考核指标“营业收现率”替换“营业现金比率”[64]